本报告系统评析了传统因子IC、Rank IC、MAE及改进的Rank MAE等多种因子绩效评价方法,揭示传统IC方法对中间收益组股票贡献不足的缺陷,提出Rank MAE方法可有效均衡不同收益分位数贡献及适用于深度学习loss函数。基于各绩效方法构建的因子动量组合进行了全面回测,结果显示Rank MAE在控制组合波动率和最大回撤方面优势明显,尤其在叠加换手率和多重约束的指数增强组合中表现稳健,综合信息比有所提升。报告还详细分析了不同因子绩效权重分配差异及极端收益股票对绩效的影响,为后续优化组合构建及因子提炼提供理论与实证支持。
| 组合方法 | 年化超额(考虑成本) | 信息比 | 最大回撤 | 收益回撤比 |
|---|---|---|---|---|
| 线性回归 | 7.84% | 0.479 | 29.00% | 0.270 |
| Rank IC | 6.11% | 0.371 | 33.12% | 0.184 |
| e^(-rank mae) | 5.85% | 0.375 | 31.31% | 0.187 |
| e^(-mean(rank mae)) | 6.60% | 0.422 | 31.13% | 0.212 |
图1展示不同收益分位数股票对IC贡献的分布,显示收益极值组贡献大,中间组几乎无贡献。
图2表明极端组股票的贡献均值和中位数较高,中间组趋近零,强化上述结论。
Rank IC用秩相关关系替代简单相关,可以减少收益接近均值时贡献趋于零的问题,使各分位贡献较均匀。
但极端收益分位股票贡献的极小值依然显著高于其他分位数,说明极端值仍然权重较大,且Rank IC不能作为可导函数用于深度学习。
图3与图4显示Rank IC贡献分布更均匀,但依旧存在极端值贡献偏重现象,9]。
图3体现Rank IC贡献在不同收益分位较均匀分布,极端与中间组贡献差距减小。
图4展示贡献的中位数与均值接近,但极小值的极端差异仍存在。
MAE(平均绝对误差)作为机器学习中的常用loss函数,直接衡量因子暴露与收益的绝对偏差,是一种效果较为稳健的因子评价指标。
MAE贡献在不同收益分位差异较Rank IC更大,但整体区间较宽且峰度更为明显,表明中间组贡献情况优于IC方法。
图5和图6反映了MAE贡献在不同收益分组中的具体差异表现,10]。
图5显示MAE贡献在极端与中间分位上差异明显,但整体贡献不像IC那样趋近零。
图6体现MAE贡献的均值和中位数差异区间较小。
由于收益率和因子值分布形态不同,直接MAE计算可能存在偏差,因此对因子暴露和收益均先取排名(Rank)并标准化后计算MAE,进一步消除了偏度峰度的不均衡影响。
Rank MAE对不同收益分位的贡献更均匀极值差异最小,具备良好的稳定性和可导性(因子值体现了排名),特别适合深度学习loss函数。
图7和图8分别展示Rank MAE个股贡献分布和平滑性。
进一步考虑中性化因子值与收益率Rank计算MAE,贡献曲线成现图9与图10所示,表现更平滑均匀,12]。
图9显示中性化因子暴露-收益率Rank MAE的贡献分布,较之前指标更为均匀。
图10进一步量化了贡献的最大、均值、中位数。
| 指标 | IC | Rank IC | MAE | Rank MAE | 因子值-收益Rank MAE |
|---|---|---|---|---|---|
| 中位数最大-最小差 | 0.343% | 0.031% | 0.121% | 0.024% | 0.034% |
| 均值最大-最小差 | 0.344% | 0.046% | 0.117% | 0.024% | 0.029% |
| 最大-最小最小值差 | 0.078% | 0.125% | 0.134% | 0.049% | 0.051% |
构建等权选100只股票的全市场纯多头组合,分别采用四种绩效动量因子方法进行测试,考察不计与计交易成本下的超额年化收益、信息比、最大回撤及收益回撤比。
表3显示:
叠加30%换手率限制后(表4、图11-12),e−rank mae和e−mean(rank mae)组合表现超过传统方法,年化超额13%左右,信息比0.83以上,回撤有所控制:
说明换手约束下,Rank MAE方法更适合实际投资约束,表现更稳定,14]。
各指数结合宽严不同约束(详见表5),用四类因子绩效方法对组合进行构建。
中证500增强(表6,图13-16):
中证1000增强(表7,图17-20):
沪深300增强(表8,图21-24):
总结:Rank MAE方法整体提升组合风险调整表现,尤其在强调约束管理和成本控制时优势显著,15,16,17]。
表9-10及后续分析揭示线性回归方法因子权重分布显著不均,大量权重集中在低/高频量价类因子,且历史波动较大。
Rank MAE方法则赋予因子非常均衡且稳定的权重,历史偏离均值和波动率极小,接近等权分配。
去除收益极端数据后,线性回归因子绩效和权重波动显著增加,说明极端收益对其影响敏感且脆弱。
相反,Rank MAE方法在剔除极端值后权重变动极小,对极端值更稳健。
说明线性回归方法对极端收益过分依赖,导致组合表现波动大且可能对约束条件敏感;Rank MAE因其稳健性在实际组合构建中更具优势,尤其在多约束环境下表现更优,18]。
此报告的图表体系完整详实,包含了不同因子绩效评价方法在收益分位不同情况下的单股贡献分布(图1-10),以及因子绩效动量组合在不同约束条件和不同指数范畴的表现(图11-24)。
报告聚焦于因子绩效评价及因子组合表现,未涉及传统的企业估值模型或现金流折现模型。其核心价值在于优化量化因子权重与组合构建过程,从根本上提升多因子模型的收益率和风险调整水平。
本报告系统、深入地揭示了传统因子IC评价方法存在的核心缺陷,即收益中间分位股票贡献趋零导致的中间组无效问题。通过引入Rank MAE及其变体,报告提出了一种统计上更加均衡、适用于深度学习框架的因子绩效评估指标。
技术贡献:
关键数据显示:
投资与应用建议:
综上,报告提供了一套理论充分、实证支持的量化因子绩效评价和动量组合构建新范式,既填补了传统IC评价的不足,也为机器学习方法深度融合因子投资提供了路径,具有显著的学术和实务价值。
| 图表编号 | 说明 | 页码 |
|---|---|---|
| 图1 | 不同收益分位数下,股票不同因子暴露分位数IC贡献 | 7 |
| 图2 | 不同收益分位数下股票IC贡献均值、中位数、最大值 | 7 |
| 图3 | 不同收益分位数下,股票不同因子暴露分位数Rank IC贡献 | 8 |
| 图4 | 不同收益分位数下股票Rank IC贡献均值、中位数、最小值 | 9 |
| 图5 | 不同收益分位数下,股票不同因子暴露分位数MAE贡献 | 9 |
| 图6 | 不同收益分位数下股票MAE贡献均值、中位数、最小值 | 10 |
| 图7 | 不同收益分位数下,股票不同因子暴露分位数Rank MAE贡献 | 11 |
| 图8 | 不同收益分位数下股票Rank MAE贡献均值、中位数、最小值 | 11 |
| 图9 | 不同收益分位数下,股票不同因子暴露分位数因子暴露-收益率Rank MAE贡献 | 12 |
| 图10 | 不同收益分位数下股票因子暴露-收益率Rank MAE贡献均值、中位数、最小值 | 12 |
| 图11-24 | 不同约束条件与指数下因子动量组合的表现曲线及年度收益 | 14-17 |
(图均已通过正文关键段落详细剖析并链接)
本报告通过详尽比较多种因子绩效评价方法,指出传统IC与线性回归方法在中间收益分组下存在显著评价缺陷,提出基于Rank MAE的新型评价指标并验证其稳定性和应用优势。实证结果证明Rank MAE基于因子动量的组合构建能有效提升风险调整后收益,尤其在约束下表现更优。该方法具备良好导数特性,适宜结合深度学习等非线性模型,是未来智能量化投资的有力工具。报告兼顾理论深度与实用价值,是多因子研究和量化策略优化的重要参考。
【全文溯源】,1,2,5-20]
1741657945346024436.pdf