本报告基于World Quant 2015年发布的101个技术面Alpha因子,对其进行了A股市场的单因子回测与调整。报告重点筛选出10个表现优异、统计显著的技术因子,并通过对极端值的中位数调整提升了部分因子的稳定性与收益表现。分析显示,部分因子在近年依然保持有效,且与传统主流因子相关性较低,具备作为多因子模型补充的潜力。研究为进一步完善技术面多因子模型提供了实证基础和思路
| 因子名 | t绝对值平均 | 因子收益平均 | IC平均 | IRIC |
|---|---|---|---|---|
| alpha040 | 4.53 | 0.06 | 0.09 | 1.01 |
| alpha088 | 3.70 | 0.04 | 0.06 | 0.74 |
| alpha042 | 4.53 | 0.05 | 0.07 | 0.68 |
| alpha069 | 3.48 | 0.04 | 0.05 | 0.59 |
报告标题:《技术因子的再挖掘之 Alpha 101——多因子模型研究系列之十四》
作者:宋旸,郭琳姗(研究助理)
发布机构:渤海证券研究所
发布日期:2020年9月22日
研究主题:基于World Quant 2015年公开论文《101 Formulaic Alphas》提取的101个技术面因子,在中国A股市场的单因子测试与回测分析,探索技术面因子的表现和改进空间,并择优筛选因子融合进多因子模型。
报告核心观点:
本报告针对技术面因子在A股市场的使用状况进行研究,指出近年来技术面因子普遍存在收益率缩水甚至失效的问题,结合世界量化先锋机构World Quant发表的101个技术面因子,对这些因子进行了初步的统计测试和分层回测。结果显示大部分因子在统计上显著,且经过对因子值的中位数调整后部分因子表现大幅提升。最终报告筛选出10个表现稳健的Alpha因子,推荐结合至多因子框架提升模型表现,同时强调市场环境变化带来的模型失效风险。,3,19]
内容总结:报告系统回顾了多因子模型中技术因子的分类与作用,明确将技术因子分为动量、换手率、波动率等类型。提出近年来整体因子收益率缩小,尤其是技术面因子失效最为明显,引入World Quant 2015年发表的101个技术因子作为研究对象。
数据和图表解读:
图1(一个月收益率因子历史分层回测)显示从2009年至2020年,收益率因子表现波动大,2014、2015年波动较大,且近年来收益回撤明显。
图2(一个月波动率因子历史分层回测)可见波动率因子表现同样不稳定,2020年终有显著负收益趋势。
图3(一个月换手率因子历史分层回测)展现换手率因子涨跌同样剧烈,说明包括动量、波动率与换手率因子表现均出现明显失效迹象。
这些图表直观反映技术因子近年来失效的问题,支持报告提出的技术面因子收益下滑论断。
流程说明:
利用横截面加权最小二乘回归(WLS),权重为流通市值平方根,控制行业影响但未考虑市值、行业因素所带来的交叉影响。
通过回归计算因子收益与t值,从而得出因子收益的统计显著性、稳定性指标。
计算因子信息系数(IC)及其标准差,最终生成核心筛选指标IRIC(IC平均值/标准差)。
因子筛选标准包括t值绝对均值接近或超过2,IRIC较大,因子收益与IC正负方向概率高,排除接近0.5的无效因子。
使用“分层回测”方式对因子选股能力做直观检验,分别对整个样本区间及按不同年份分层,追踪不同分层的收益表现评估因子区分效果。
关键数据与结论:
表1列出了依据IRIC排名前15的因子,均具有较高的t值绝对均值(均大于2),平均IC值0.02-0.09不等,IC标准差普遍较小,IC>0概率较高,说明这些因子具有统计上稳定且正向的预测能力。其中表现最好的alpha040,t值均值4.53,收益t值7.75,IC平均值0.09,IC标准差0.08,IRIC1.01,IC>0概率0.85,表现突出。
具体因子分析(部分代表性因子):
问题与改进策略:
报告发现部分因子分层回测中间值优于两端,表明原因子对极端值(高或低排名)容忍度差,操作风险较大。
改进方法:
通过对因子值与横截面中位数距离做平方负值处理,将接近中位数的标的因子值提升,远离的标的排名降低,降低极端值影响,提升因子稳定性时效性。
[ Adjusted\ Alpha_i = - (Alpha_i - Median(Alpha))^2 ]
改进效果:
调整后因子表现整体提升,部分因子IRIC均提高明显,表2列示调整后排名前20因子数据中,adj-alpha025 t值平均4.81,IRIC最高1.12,超过原alpha040。其他adj-alpha因子也表现优异。[表2,
重点调整后因子分析示例:
报告强调2020年后多数历史优异因子失效,仅Alpha040、Alpha042和Alpha069保持较好表现。
新增两因子作为观察备选:
技术因子历史表现图(图1-3): 描述了近十余年内动量因子(return_1m)、波动率因子(std_1m)、换手率因子(turn_1m)月度分层表现。
这些图形代表不同分层组别股价相对表现,整体看趋势和区间波动性。
分层回测图: 反映因子分层为10等份,各等份的累计收益率变化情况,右侧展示Top-Bottom差距,数值越大差异越显著,因子区分能力越强。
按年度分层柱状图: 展示因子在不同年度对收益预测的分层收益差异,检测因子时效性和稳定性。
相关性热力图(图26): 展示Alpha101大因子与传统因子的相关系数矩阵,浅色低相关,深色高相关,表明所选因子多呈低相关,适宜组合。
本报告主要聚焦于因子研究和回测,并无明确估值模型和目标价,报告结尾附带投资评级定义供后续应用参考,不包含具体投资建议评级。
报告多次强调技术因子因市场环境变化呈现失效风险,尤其是技术面因子波动性和回撤周期带来的收益稳定性问题。明确提醒投资者因子模型不能固定不变使用,需动态评估与调整。,19]
报告的单因子研究主要基于历史数据回测,尽管覆盖周期较长,但对未来事件驱动及市场微观结构变化的适应能力未深入讨论。
对因子调整方法(如中位数归一平方惩罚)的选择虽有效,但缺乏更系统的理论支撑或多维优化验证,实际操作中可能面临过拟合风险。
部分因子定义复杂难懂,源自数据挖掘式量化方法,透明度有限,实操验证难度较大。
报告未显著讲解因子组合构建方法及效应,后续研究的多因子整合效果及风险控制仍需关注。
本报告系统研究了World Quant提出的101个技术面Alpha因子,在中国A股市场进行统计检验及分层回测,验证大部分因子具有统计显著的收益能力,但受限于技术因子敏感性和市场环境变化,2020年出现失效趋势。通过创新的中位数调整方法改进因子,进一步提升了部分因子的稳定性和收益表现。最终筛选出10个表现优异、时效性较好且相互低相关的技术因子,建议将其作为多因子模型的有益补充来源,以期提升模型的预测能力和跨周期稳健性。
图表揭示技术因子近十年表现波动剧烈,部分技术因子如Alpha040(波动率与量价背离)、Alpha042(尾盘成交价均值和收盘价对比)等依然有效;改进型adj-alpha025等因子通过去极端化显著增强表现。
整体来看,报告不仅深化了国内多因子模型中技术因子的应用实践,也为未来的多因子组合优化提供了坚实的数据和方法基础,明确指出持续关注技术因子的动态调整及因子失效风险的重要性。
图1 一个收益率因子历史分层回测结果示意:
表1 原始Alpha101因子统计回测结果示例:
详见正文“原始 Alpha 101 因子回测结果”部分,包含因子t值均值、IC指标、IRIC等关键指标数据分析。
图14 Adj-Alpha025分层回测结果示意:
图26 因子相关性热力图示意:
以上为该报告的详尽结构分析与图表解读,全面覆盖了报告的因子定义、测试方法、回测结果、改进方案、因子表现评估及风险提示,力求为用户提供系统而深入的决策支持参考。
多因子模型研究系列之十四:技术因子的再挖掘之Alpha 101.pdf