本报告旨在缓解传统基本面因子面临的收益稳定性下降,通过分段线性近似和线性插值两种插值类线性转换方法对传统细分因子进行改造,基于转换效果重构传统大类因子,显著提升多空组合年化收益率及夏普比率。提出组合区分度与分布稳定性两个因子评价指标,辅助筛选适合转换的因子,提高转换效果的稳定性和预测能力[ 。
核心论点: 传统基本面因子面临失效和表现波动加剧的挑战,借助分段线性近似和线性插值两种插值类线性转换方法对传统因子进行转化,可以改善因子表现。特别是通过先对细分因子进行转换,并据此重构传统大类因子,整体提升明显优于直接对大类因子本身进行转化。研究还提出了两个因子评价指标——组合区分度和分布稳定性,用于筛选和评估适合转换的因子,从而实现多空收益的有效提升。
报告指出,自2020年以来,传统因子尤其是大类基本面因子的多空收益表现稳定性下降,部分因子如质量、成长因子在2021-2022年经历较大回撤,反转与价值因子表现波动明显,而一致预期、技术及波动率因子虽保持增长但波动加剧。由此,传统因子稳定预测股价收益的能力受到挑战,因而寻求改进因子表现的有效方法成为研究重点。
图表1和图表2展示了2020年至2023年7月各大类因子的多空净值走势,清晰反映不同因子在不同阶段的表现差异与波动特征。比如,成长因子和质量因子在2021和2022年分别存在较大波动和回撤,技术因子和波动率因子净值虽增长快速,但上下波动较大,价值因子恢复时间较晚。
此前研究《Alpha掘金系列之三》中介绍的四种线性转换方法中,较为简单有效且计算成本低的是“分段线性近似”和“线性插值”两种方法。
分段线性近似方法(Section 2.1及图表3)基于过去历史收益率的极大值和极小值节点,通过线性函数将因子值映射到对应的超额收益预测值。此方法利用的是分位数组合的边界及极值点,使得中间部分通过线性段拼接处理,将因子非线性关系线性化,控制了模型复杂度并降低了计算量。
线性插值方法(Section 2.2及图表4)相比分段线性近似充分利用所有M个分位组合的超额收益数据,通过M-1个分段线性函数更细致地刻画收益和因子值关系,从而理论上能更准确地映射因子对收益的预测。其假设也是各区间内收益相对因子值呈线性变化。
两种方法均基于假设因子分位组合的超额收益率分布在一定时间内保持稳定,从而实现因子值到未来收益的映射转换。
对七大传统基本面大类因子(一致预期、成长、反转、质量、技术、价值、波动率)直接应用两种插值类转换方法,评价IC均值、多空组合年化收益率及多头年化超额收益率表现(图表5)。
综上,直接对大类合成因子进行线性转换能在部分因子上带来小幅提升,但提升空间有限,不同因子效果不一。
七大类因子的116个细分因子分别使用插值方法转换后回测,发现71个因子多空组合年化收益获得提升,且提升在不同大类因子间表现不一(图表8):
表明细分因子转化更加细致有效,且不同因子在性质上存在差异。
为更好评估因子是否适合插值转换,报告提出两个关键评价指标:
计算公式明确,分别通过分位组合每日超额收益的平均绝对离差(mAD)和周频分位数组合超额收益的秩相关系数(mDS)反映因子性质。
通过实证(图表9-13):
基于第四部分发现,将转换后表现提升的细分因子替换传统大类因子中的对应因子,重构传统大类成分因子。概念简单:只有当细分因子转换后能提升其多空组合收益时,才用转换值替代,否则保留原始值。
策略应用两种插值方法,回测结果(图表14-17):
总的来看,细分因子先行转换+重构传统大类因子的策略显著增强了因子的稳定性和收益性,充分发挥了插值转换方法的优势。
图表1-2(2020-2023年因子多空净值走势)
显示一致预期、成长、反转、质量等因子走势分化,价值与反转因子表现波动较大,技术与波动率因子净值增长快但波动剧烈,明确指出传统因子表现面临挑战。
图表3(分段线性近似方法示意)
通过标注极大极小节点,解释转换公式,将原因子值映射为超额收益预测值,体现其简洁的数学本质及应用机制。
图表4(线性插值方法示意)
展示充分利用所有分位组合收益信息,插值细致且连续,有利于准确捕捉因子与未来收益的复杂关系。
图表5(大类因子转换前后指标)
表格量化了IC、年化收益率及多头超额收益率前后的微妙变化,显示直转法的提升有限且仅部分因子受益。
图表6-7(成长与波动率因子转换净值)
净值曲线直观显示转化后收益提升的时序动态,特别是成长因子2021年后表现明显优越,验证了转换正面效果。
图表8(细分因子转换提升效果)
统计各因子大类内转换有效细分因子数及收益提升平均比例,展示细分因子转换的潜力与差异化。
图表9-13(细分因子评价指标与收益关系)
通过表格和散点图反映组合区分度与分布稳定性与因子多空收益及提升幅度的相关性,体现两指标的科学合理性和实用价值。
图表14(重构使用的细分因子收益指标)
清单详细展示哪些细分因子被替换及替换带来的收益改善,有助于深入了解重构因子的实操细节。
图表15-17(重构因子整体表现)
综合比较原始与重构后因子IC均值、收益率、超额收益率,显示重构带来的全面正面影响。
图表18-23(成长、反转、波动率因子重构前后分位数组合及净值情况)
条形图和净值走势直观展现重构因子的区分度增强、多头与空头分位收益差距扩大和净值上涨趋势更加稳定,尤其反转因子表现有效缓解了之前失效问题。
附录图表(24-25)提供细分因子的全面收益数据和因子术语释义,为报告分析的严谨性和透明度提供了有力支撑。
报告本身为因子研究与量化策略提升报告,未包含传统意义上的公司或股票估值分析(如DCF或市盈率等),而是聚焦于因子收益率和指标提升的量化评估。因此,估值环节以因子表现改进的“收益率估值”为核心,通过年化收益率、IC均值、超额收益率及夏普比率的比较,评估转换方法及重构策略的有效性。
报告明确指出:
风险提示贯穿于报告结尾,提示策略与因子改进虽有效,但依然面临现实交易环境与市场风险的严峻考验。
优点:
报告对插值法转换方法进行了系统介绍和实证回测,细分因子的转换及重构思路创新且效果显著。同时两个新提出的指标(组合区分度和分布稳定性)具有广泛应用前景,有助于因子筛选和转换优化。
局限与谨慎点:
技术细节透明度:
公式展示清晰,但某些复杂函数如极值节点判断和截面分布变化处理细节未完全展开,可能影响复现与扩展。
本报告系统而深入地探讨了传统基本面选股因子通过插值类线性转换方法提升收益性能的路径,结论明确如下:
总体而言,本报告为传统基本面因子体系注入创新的线性转换思路,提供了系统可操作的因子改良方案,对量化选股、因子研究具有重要参考价值和应用前景,特别是在当前因子失效频发的大环境下,这种方法有助于延长因子的有效期和提升其收益质量,推动量化选股策略更好地适应多变市场环境。
图表1:一致预期、成长、反转及质量因子多空净值走势
图表3:分段线性近似方法示意图
图表4:线性插值方法示意图
图表6:成长因子转换前后多空净值对比
图表16:传统大类因子重构前后多空收益对比
图表19:成长因子重构前后多空净值
图表22:波动率因子重构前后分位数组合表现
【以上分析严格依据报告内容进行,引用处已标明页码】
20231218-国金证券-国金证券量化漫谈系列之八:传统因子如何通过线性转换增强因子表现?.pdf