威尼斯wns.9778_www.威尼斯wns9778.com

热门关键词: 威尼斯wns.9778,www.威尼斯wns9778.com

因子预测能力初探 ——多因子模型系列报告之一

2019-05-10 20:55栏目:集团财经

    经营稳定性:经营稳定组,分析师预期指标累计收益为21.41%,远优于高波动组的3.98%;对于因子IC值,低波动组均值为5.73%,高波动组为3.59%;低波动组样本累计收益为-23.9%,高波动组样本累计收益为-29.1%。 条件内选股:基于陆股通持仓数据,构建得到TOP组合。组合在2017年均表现较好,收益最高为40.1%,最低为27.4%;2018年,各组合相对沪深300和中证500等基准均有明显的超额收益;2018年,TOP10和TOP20组合取得正的收益,分别为4.0%和1.1%。

历史差异较大,但是其通过历史分析得到的权重过高,导致预测误

    因子回测结果: 一,全市场选股,多数因子表现较差;二,对于上半年表现较好的行业,基本面指标(盈利类)表现较好,能够取得超额收益;对于表现较差的行业,各因子表现相对也会较差,虽然能够取得超额收益。结构分化行情下,投资者敏感因素在增加,负面因素的影响在加强。传统有效因子逻辑或未变化,但权重在变小。

2014 年1 月至2015 年12 月作为训练区间,以2016 年1 月至2016

在本报告中,我们做了如下两方面的工作:一,对2018上半年因子在全市场、各板块、行业以及指数内表现进行了回顾;二,尝试对结构性分化行情下因子选股策略进行了研究和回测。

预测能力,成长类因子净资产增长率和净利润增长率预测能力较弱,

    TOP100组合2017年累计收益22.51%,与沪深300相似;2018年,组合累计收益-0.50%,有较大超额收益。TOP50组合在2017年累计收益为36.44%,2018年为6.67%,较大幅度跑赢各指数。不过,该模型会强化对逻辑失效股票的筛选,即缺少内部纠偏的机制。此外,模型外的因素有时会起到非常重要的作用。如何将这些因素纳入模型,还需更为细致的考虑。

测出错误的结果。本文通过分位点将因子划分为10 组,对单个因

    股票池: 我们从投资者结构和公司经营稳定性两个维度进行分层选股研究,以陆股通持股为例进行了条件内选股研究。

方法。

    投资者结构:分层内因子IC存在较为明显的差别,即因子有效性在不同分组内是不同的。例如ROE总利润因子roepro,在低机构持股占比组合中IC值为5.08%,在高机构持股占比组合中为-0.98%;流通市值因子在低换手率和高换手率组合内因子IC值分别为10.96%和0.96%。

系最为明显,长期来看,是非常良好预测因子。而其他因子对应的

    因子逻辑: 基于业绩、估值和分红维度,进行组合构建:

间的线性关系,当两者之间的线性关系不明显的时候,模型可能预

成分股分析其Rank-IC 在2014 年之后的表现,并总结各自特点。之

年6 月作为回测区间,分别对沪深300 和中证500 成分股进行选股

因子作为主因子,其他非单调因子作为辅助因子构造选股模型。以

1.5%。沪深300 组合的表现没有达到预期,其累计超额收益为3.5%,

规模类的总市值对数因子测能力明显,杠杆类因子的资产负债率预

测能力较弱,历史BETA 也具有的预测能力。总体来讲,技术因子和

投资要点:

力,本文选取较为广泛应用的因子,利用沪深300 成分股和中证500

米筐量化交易平台:http://www.ricequant.com

 在多因子选股模型中,IC 通常被用于衡量因子对收益率的预测能

分位集合可以有效的产生Alpha。规模类的总市值对数因子单调关

 通过分析因子的Rank-IC 和单调性,本文选取技术类因子和规模类

量化炒股QQ群:484490463  群内大神每日在线讲解代码,用Python自动赚钱!

版权声明:本文由威尼斯wns.9778发布于集团财经,转载请注明出处:因子预测能力初探 ——多因子模型系列报告之一