本报告基于遗传规划算法,系统挖掘并筛选了115个价量类风险因子,定义了风险因子的量化特征(如IC绝对值均值与IC均值差异、IC胜率接近50%、自相关性高等),并验证了风险因子在样本内外的稳定风险特征。报告进一步提出风险剥离框架,定量剥离部分价量风险因子以改进传统价量alpha因子,显著提升其收益预测稳健性与选股能力,最终在中证500增强组合中实现年化超额收益由15.81%提升至17.04%、最大相对回撤下降,有效强化组合风险控制能力
报告指出随着Alpha因子研究的深入,alpha因子数量饱和且趋于阶段性失效,市场风格极端轮动增加,风险因子控制重要性提升。传统风险模型多基于财务和基本面因子,价量类风险因子缺乏系统化挖掘方法。报告提出采用遗传规划算法,从2010-2015年历史数据中挖掘了115个价量风险因子,并基于这些风险因子改进价量Alpha因子,实现Alpha因子稳健提升。同时将改进后的因子应用到中证500指数增强组合中,显著提升组合绩效,降低回撤,验证了价量风险因子的实际应用价值。
报告首先定义了Alpha因子、风格因子和风险因子在多因子选股模型中的区别:
核心量化指标:
示例:AOG因子为典型alpha因子(IC均值0.042,ICIR 4.16,IC胜率91%);Lncap市值因子为风格因子(IC均值-0.051,ICIR-1.01,胜率62%);MLEV杠杆因子为风险因子(IC均值约0,ICIR 0.09,胜率50%),支持上述定义框架(图1-8)
面临问题:价量因子虽广泛使用但缺乏系统和方法论指导,设计更多基于“感觉”或“灵感”,亟需系统性方法。
遗传规划与遗传表达式规划(GEP)算法:
因子表示:
适应度指标设计:
挖掘流程:
因子筛选:
Risk1因子(如基因组表达式G1):
Risk2因子:过去半年股票真实波动率平方的稳健度,反映波动率稳定性。
Risk3因子:过去一年内最低价与最高价相关系数,反映阻力支撑强弱。
整体表现:115个因子样本外检验显示大多数保持风险因子特征,IC均值分布围绕0,ICIR大多落于±1.5范围内,月度胜率多集中40%-60%区间(图20-21)
直接全部中性化115个价量风险因子,会导致Alpha因子收益下降,因许多alpha因子收益部分来源于风险暴露。
设计剥离流程:对Alpha因子(如1个月反转因子)对按fitness排序的价量风险因子逐步剥离,通过多元回归回归行业、市值和含风险因子的暴露,获取剥离后因子残差。
观察剥离不同数量风险因子下Alpha因子的IC均值、ICIR、多头超额收益(图22-23):
因此选择剥离策略是选取使IC均值最大且ICIR、多头超额均值不低于原因子的风险因子集合作为最终剥离集。
风险剥离流程示意图见图24。
一个月反转因子:
一个月真实波动因子:
一个月换手因子:
三大因子均表现出剥离部分价量风险因子后选股能力和稳定性明显提升,收益波动明显降低。
构建因子库涵盖估值、成长、盈利、分析师预期、景气度、公司治理、PEAD、流动性、波动率、反转等多因子。
量价类因子采用剥离价量风险因子后的中性化处理,基本面因子做市值和行业中性化。
使用对称正交处理多因子共线性,基于滚动12个月ICIR加权构建复合因子组合权重。
剥离价量风险因子后的复合因子较未剥离版本,IC均值由0.131提升至0.133,ICIR由6.13提升至6.62,月度胜率从95%提高到96%,月均多头超额由1.56%提升到1.63%(表11)
采用线性规划模型,最大化复合因子权重暴露,限制风格、行业和个股偏离,中性化行业、市值,控制成分股权重偏离,禁止卖空,保证满仓。
以中证500指数为基准,2016年-2022年5月回测,剔除新股、ST股、退市前股票,考虑日均成交额限制,月度调仓。
新增强组合(剥离价量风险因子后的复合因子)表现更佳:
股票停牌及涨跌停时权重保持不变,实际应用考虑市场交易限制。
主要风险包括:
报告未详细列举缓解策略,但通过样本内外严谨验证及因子剥离风险暴露,已部分降低风险因素影响。
该研究创新在于系统化挖掘价量风险因子,填补了传统财务基本面风险因子模型的空白,具有一定的前瞻性。
其遗传规划方法较为依赖初始函数库设计与适应度定义,潜在存在搜索空间局限及局部最优问题。
剥离风险因子时,尽管剥离部分因子提升了Alpha因子稳健性,但同时存在收益预测能力和信息量的权衡,需要平衡选择。
样本外测试窗口较长,但未来市场结构和行为变化依然可能影响因子表现,建议持续动态监控因子有效性。
报告对价量风险因子核心概念界定清晰,但部分计算细节(如自相关具体计算方式)与因子筛选参数未过度展开,专业读者可根据前文定义进一步拓展。
横轴为IC的标准差,纵轴为IC均值绝对值,四个象限分别代表Alpha(高均值、低波动)、风格(高均值、高波动)、风险(低均值、高波动)、无用因子(低均值、低波动)。
三示例因子AOG(Alpha)、Lncap(风格)、MLEV(风险)展现清晰的划分边界。
报告主要是因子构建与组合绩效分析,未涉及具体估值模型。但组合权重优化为线性规划,目标为最大化复合因子暴露,约束包括风格偏离、行业权重、股票持仓限额等,确保因子信号被有效转化为组合收益,风险被有效控制。
本报告系统提出并验证了一套基于遗传表达式规划算法挖掘价量风险因子的创新方法,成功发现115个具有风险因子特征、稳定波动、无预测方向但解释截面收益的价量风险因子。进一步,基于这些风险因子对现有价量Alpha因子进行了风险剥离,有效提升因子选股的稳健性和风险调整绩效,尤其在1个月反转、1个月真实波动和1个月换手率三类代表性Alpha因子中取得显著提升。
最重要的是,将改进后的Alpha因子替换传统价量因子后应用于中证500指数增强组合构建,结果显示增强组合样本外年化超额收益由15.81%提升至17.04%,最大相对回撤由4.62%降至3.09%,信息比提升至3.79,表现全面优于传统方案,验证价量风险因子的实际价值。
图表清晰展现了风险因子定义及划分(图1)、遗传规划挖掘流程及表达示意(图11-13)、代表因子样本内外波动及IC统计(图14-21)、剥离调整前后关键指标提升及增益曲线(图22-36)、以及增强组合长期收益稳定性提升效果(图37-38),配合详实数据统计(表1-12),形成了系统且严谨的研究闭环。
报告强调财务基本面风险因子与价量风险因子认知维度的不同,指出价量风险因子偏于“知道自己不知道”的范畴,缺乏理论上的系统认知和方法论支撑,创新性地采用遗传表达式规划弥补该认知空白,开创了价量风险因子研究新路径,对量化投资因子体系风险控制和稳健化建设具有重要推动意义。
报告在风险因子定义精准、遗传规划技术设计合理、样本内外验证系统和结果应用实证三方面表现突出。虽然遗传规划依赖初始设定与计算资源,且风险剥离过程需要平衡风险控制与收益信息损失,但整体方法论先进且务实。适合量化因子工程师和组合管理者用于扩充因子库的风险维度,提升组合的多维度风险控制能力,尤其适用于寻求价量维度突破的量化团队。
以上为该篇《价量类风险因子挖掘初探》国信证券报告的详尽分析,涉及报告所有核心章节、图表与表格内容,理论与实证结合,明晰展示了价量风险因子的概念、挖掘与应用价值。
【国信金工】价量类风险因子挖掘初探.pdf