详细分析报告:《高频因子和深度学习因子的异同—兼论近期量价策略回撤的原因》
一、元数据与概览
- 报告标题: 高频因子和深度学习因子的异同——兼论近期量价策略回撤的原因
- 发布机构: 长江证券研究所
- 发布日期: 2024年2月15日
- 研究领域: 金融工程,量化投资,因子模型,高频因子,深度学习因子,量价策略
- 分析师: 郑起(执业证号:S0490520060001)
- 核心主题:
本文核心探讨了高频因子与深度学习因子两类策略的收益来源、表现特征以及近期收益回撤的原因。重点分析了因子体系内外收益来源的分布和贡献,对增强量化策略表现下降的原因进行了细致的解剖,并从组合构建和市场情况给出对应的理解。
二、逐节深度解读
2.1 报告要点概述
- 2023年,量价类量化策略表现优异,尤其是深度学习增强策略在中证500和中证1000指数范围表现突出。
- 2024年以来,量价类策略和深度学习策略的回撤明显,超额收益衰减。
- 本文聚焦高频因子和深度学习因子之间的异同,包括收益来源对比,以及近期回撤背后的原因。
- 回撤的主因包括因子收益来源衰减和组合偏离风险。
- 研究明确了非流动性因子是高频合成因子回撤的主要驱动,同时深度学习因子独有的因子体系外收益来源的衰退,也导致其回撤更大。
,
2.2 高频因子与深度学习因子收益来源解析
- 高频因子体系中,代表五大类因子是:波动、非流动性、量价相关性、加权偏度和空头意愿。
- 深度学习因子收益来源主要覆盖上述五类,但不包含波峰、短期反转、短期动量三个因子,因此两者存在差异。
- 因子体系外的收益来源成了深度学习因子近期回撤的关键因素,而因子体系内因子的局部衰减则主要影响了高频合成因子。
- 非流动性因子衰减是回撤的主要收益来源,且该因子与规模因子高度相关。
,
2.3 定义核心因子及因子体系构建
表1选股因子定义:
- 分为五大类因子:波动(特异率、残差波动率)、交易意愿(空头意愿)、交易拥挤度(量价相关性、加权偏度)、流动性(波峰、非流动性)、局部定价(短期动量、短期反转)。
- 各因子定义具备明确的计算方法及理论方向(正负收益预期方向),如非流动性是收益率轨迹路径除以总成交额,方向为正。
- 高频合成因子为上述因子的加权组合,权重由因子过去一年超额收益能力和信息比率(ICIR)决定,70%和30%分别权重分配。
2.4 因子相关性分析与收益表现
表2和表4:因子间相关性与收益相关性:
- 高频因子之间的相关性均较低(均低于40%),表明彼此代表不同风险或收益来源。
- 合成因子与高频因子的相关性中等(约20%至60%),深度学习因子与高频因子的相关性低于50%。
- 深度学习因子与合成因子相关为48.55%,显示两者具备共通收益来源但仍存在差异。
- 深度学习因子收益与特定高频因子收益相关性超过50%,与规模因子收益相关性也超过30%,这说明收益表现层面上两类因子存在较多交叉。
,
图1和图2:合成因子及深度学习因子分组回测净值趋势
- 两类因子在2023年表现稳定且有超额收益,但自2024年1月中旬起出现同步性回撤。
- 深度学习因子的回撤幅度明显大于合成因子,显示其策略风险较大,尾部风险尤为突出。
- 表3风险指标也反映这一点:近一个月深度学习因子信息比率(IR)急剧下降至-4.60,波动风险及最大回撤均高于合成因子。
,
2.5 因子体系主成分分析与结构解释
- 图3显示不同因子体系的主成分解释度较为接近,第一主成分贡献率较大(约45%—50%)。
- 图4展示主成分第一成分的负载情况,波峰、波动、非流动性、量价相关性、加权偏度空头意愿因子均对第一主成分贡献显著。
- 这表明高频因子体系构成了深度学习因子的主要风险因子背景,但深度学习因子也包含了非高频因子体系之外的独有风险暴露。
,
2.6 因子回撤时间一致性与重合度分析
- 图6和图7展现两类因子回撤时间基本重合,均包含五次小级别(超过1.5%)回撤期,但合成因子与高频因子的回撤重合度明显高于深度学习因子。
- 表6定量分析了因子回撤重合度,确认合成因子回撤与高频因子中波动、非流动性等收益来源高度重合,深度学习因子则同时受限于外部因子体系收益影响。
- 其中非流动性因子对回撤贡献尤为突出。
,
2.7 各因子近期表现分析(表7)
- 在近3个月和近1个月,非流动性因子均表现出较大负收益与最大回撤(近1月超额收益-8.53%,最大回撤-9.13%)。
- 波动因子、空头意愿因子的衰减同样明显,成为引发整体因子体系及合成因子回撤的关键因素。
- 深度学习因子整体衰减幅度更大,暗示其受非高频因子收益来源影响。
2.8 合成因子贡献度动态(图8)
- 自2023年以来,波峰和空头意愿因子的相对贡献逐步上升,短期反转与加权偏度贡献下降。
- 2023年12月底至2024年1月末,波峰、波动、非流动性和空头意愿各占大约20%,显示非流动性虽贡献占比不高但对回撤影响较大。
- 表8进一步分析非流动性因子的头部个股占比和合成因子股票重合度,高达46.09%,表明非流动性因子在头部收益表达中影响显著。
,
2.9 残差深度学习因子表现
- 图9显示残差深度学习因子(即深度学习因子剔除因子体系的部分)近一月收益明显承压,说明因子体系外收益来源衰减是深度学习策略回撤的关键原因。
- 表9对应风险指标显示残差因子近1月信息比率-5.24,表现疲软。
2.10 各板块因子表现差异(表10)
- 各板块中,深度学习因子在中证500和中证1000板块表现较好,但近期存在较重回撤,特别是在中证1000中的表现最弱。
- 合成因子在沪深300种表现较优,空头意愿、非流动性因子均贡献积极。
- 深度学习和残差深度学习因子表现差异在过去一年显著,近1月则趋于一致,佐证了因子体系外因子影响减弱。
,
2.11 量价增强策略构建及收益表现
- 使用因子动量构造三类增强策略:“成分内增强”(内板块100%权重)、“增强”(成分股不低于80%)、“控制增强”(成分股权重限制较宽)。
- 表11展示近一年至近1月三类策略表现,重点结论包括:
- 过去一年,深度学习增强策略在中证500和中证1000表现优异,合成因子策略沪深300表现优异。
- 近1月所有板块中,深度学习策略和合成因子策略均出现回撤,尤其中证1000影响最为明显。
- “增强”和“控制增强”策略表现较为接近,说明全市场信息表达优于成分内。
- 成分外获得超额收益能力下降,是近期回撤主要原因之一。
,
2.12 增强策略因子暴露与收益归因(表12与表13)
- 合成因子增强策略在深度学习不包含的波峰、短期反转、短期动量因子上暴露更高,深度学习增强策略对残差深度学习因子暴露更大。
- 所有增强策略均呈现规模因子的负暴露,表明选股倾向小盘股,近期规模因子回撤对策略表现带来压力。
- 收益归因显示,合成因子的超额收益主要由波峰和空头意愿两个因子贡献,其他因子贡献有限。
- 非流动性和量价相关性对增强策略贡献有限,但非流动性因子在构建中表现较强,显示因子暴露与实际收益贡献有一定错配。
- 残差深度学习因子成为深度学习增强策略相对合成因子负向超额收益的重要原因。
, ,
2.13 不同因子收益估计对比(图10)
- 利用三种方法估计的因子收益存在差异:
- 分组回测估计中,非流动性因子收益较高,但回归估计较低,表明规模因子在回归中部分替代了非流动性因子的收益。
- 波峰因子在超额收益估计中表现更强,可能更有实际贡献。
- 非流动性、量价相关性等因子在回归估计中收益较弱,实际贡献可能被低估。
- 因子收益估算的量纲差异呼应归因残差较大的现象,强调估计方法对因子贡献判读的重要影响。
,
三、图表深度解读
- 图1与图2:显示2023-03至2024-02合成因子和深度学习因子净值趋势。合成因子表现稳定,但深度学习因子在2024年初大幅回撤,凸显后期风险。
- 表3风险指标对比,显示近一个月深度学习因子信息比率与超额收益大幅下滑,回撤明显大于合成因子。
- 图3和图4主成分分析揭示深度学习因子主要收益来源是高频因子体系覆盖的第一主成分,但仍包含体系外部分。
- 图5多条因子收益净值线走势相近,说明这些因子共振影响策略表现,依然可见深度学习因子收益与第一成分高频因子相关性但非完全对应。
- 图6与图7回撤区间显示两因子回撤时间高度同步,表明市场共性风险冲击。
- 表6因子回撤重合度进一步定量说明合成因子更贴合高频因子体系回撤,深度学习因子回撤受体系外因素影响明显。
- 图8合成因子贡献度动态说明因子权重随市场变动调整,可揭示策略构建策略优化方向。
- 图9残差深度学习因子净值透视体系外因子带来的策略风险敞口。
- 表10板块因子表现差异体现策略在不同市场环境和成分结构的有效性和风险暴露。
- 表11增强策略回测超额收益展现策略构建方法对不同市场板块的适应性。
- 表12与表13因子暴露和收益归因量化说明了策略收益的来源及优化空间,强调规模因子的负面影响。
- 图10三种收益估计方法的差异说明因子研究和策略评估中的测量误差与稳健性问题。
, ,
四、估值分析
本报告更多聚焦因子研究与策略表现分析,未针对具体公司或板块进行估值测算及预测方法,如DCF或PE估值等,因而未涉及详细的估值分析内容。
五、风险因素评估
- 模型失效风险: 市场宏观环境与交易行为的变化可能导致模型失准,生成的因子信号失效。
- 历史数据依赖风险: 所有模型基于历史数据回测,未来收益不确定,不能保证历史表现对未来的适用性。
- 因子暴露偏离风险: 近期各增强策略在规模因子风格上负暴露,规模因子回撤显著,直接导致策略表现回撤。
- 信息表达范围收缩: 板块成分外获取超额收益能力显著下降,导致增强策略特别是组合成分外表现恶化。
- 因子体系外收益波动风险: 深度学习因子收益受高频因子体系外因素影响较大,其体系外因子表现衰退带来额外风险。
, ,
六、批判性视角与细微差别
- 报告较为清晰地揭示了因子体系内外收益来源对策略表现的影响,然而深度学习因子“残差”部分的本质未充分展开,留有一定不确定性空间。
- 非流动性因子与规模因子的高相关性导致在收益归因时可能存在多重解释和模型误差,尤其基于线性回归的归因方法可能对因子贡献的估计出现偏差。
- 组合构建中的规模负暴露体现了投资组合面临的小盘价值陷阱风险,但报告未深入探讨规避策略。
- 报告中不同板块因子收益的显著差异未充分分析成因(如市场结构、流动性分布差异),潜在政策环境和宏观经济影响亦未系统纳入。
- 增强策略回撤中,成分外选股能力下降为短期核心风险,但未给出具体应对措施或调仓建议。
- 报告中部分表格和数据描述存在格式不一致或逻辑跳跃,查阅时需认真对应页码。
, ,
七、结论性综合
本报告系统性剖析了高频因子和深度学习因子的收益特征、风险构成及应用于量价增强策略中的表现,主要结论如下:
-
因子收益来源及体系差异
高频因子体系涵盖波动、非流动性、量价相关性、加权偏度和空头意愿,是深度学习因子收益的主要来源;波峰、短期反转和短期动量因子收益则不包含于深度学习因子,表现出策略之间因子结构上的互补性与差异性。
-
收益表现与回撤特征
2023年深度学习增强策略在中证500、中证1000表现优异,但2024年起该策略回撤幅度大于合成因子策略,尤其在中证1000板块,因子体系外的残差深度学习因子及非流动性因子表现回撤是主因。
-
增强策略表现驱动及风险
增强策略收入回撤主要因因子收益来源衰减和成分外超额收益下降,规模因子逆风带来负向冲击,结果导致近1月策略表现明显下滑。策略在成分内与成分外超额收益获取能力差异增大,成分内表达优势明显。
-
组合构建及因子暴露
所有增强策略均体现对规模因子的负暴露,倾向小盘股,近期规模因子回撤成为策略表现的主要拖累。此外,合成因子策略波峰和空头意愿因子贡献突出,而深度学习策略在体系外残差因子暴露更大。
-
策略优化提示
提升成分外选股信息表达能力,谨慎关注非流动性与规模因子对组合影响;深入分析残差深度学习因子成分的风险特征,是提升深度学习策略稳健性的关键链条。
-
研究与实操价值
该报告深化了量价因子和深度学习因子之间的理解,给出了多维风险与收益来源的解析框架,对量化投研人员构建、评估及调优增强策略具有较强的方法论指导意义。
总之,本报告立足于细致的因子体系构建与因子收益追踪,通过主成分、相关性、回撤重合度及收益归因多角度保证了结论的多维度稳健性,尤其对理解增强量价策略当前面临的收益衰退提供了清晰且具操作性的洞见。作者评价客观,数据充分,但未来风险仍需持续监控与管理。
附:本报告主要重要图表展示
- 合成因子分组回测净值走势(2023-03至2024-02)
- 深度学习因子分组回测净值走势(2023-03至2024-02)
- 因子体系解释度分析
- 因子体系主成分第一成分转移系数
- 各因子收益净值对比
- 深度学习因子回撤区间
- 合成因子回撤区间
- 因子体系对合成因子贡献度动态
- 残差深度学习因子净值走势
- 不同方法估计的因子收益对比
完整的表格和详细数据可参见报告原文各页,以上数据内容均来源于长江证券研究所及公开数据(Wind、天软科技)。