金融工程專題研究:反轉(zhuǎn)因子全解析.pdf
- 上傳者:王**
- 時間:2022/06/15
- 熱度:1269
- 0人點贊
- 舉報
金融工程專題研究:反轉(zhuǎn)因子全解析。A 股市場具有顯著的反轉(zhuǎn)效應(yīng),反轉(zhuǎn)因子長期有效但是 2019 年以來呈現(xiàn)出 階段性的失效。我們從反轉(zhuǎn)因子的均值回復(fù)本質(zhì)入手建立了反轉(zhuǎn)因子的統(tǒng)一 框架,并嘗試為每只股票尋找其更精準(zhǔn)合理的均值回復(fù)基準(zhǔn)。我們從分析師 共同覆蓋、基金共同持倉、概念共同覆蓋、形態(tài)相似股票四種不同的維度為 不同類型股票構(gòu)建了均值回復(fù)的基準(zhǔn),從而構(gòu)建了改進(jìn)的反轉(zhuǎn)因子:
分析師共同覆蓋:共同覆蓋兩只股票的分析師越多,兩只股票可能越相 似,因此可以分析師共同覆蓋的股票來構(gòu)建股票的均值回復(fù)基準(zhǔn)。
基金共同持倉:共同買兩只股票的基金越多,股票的基本面可能越相似, 因此可以通過基金共同持倉的股票來構(gòu)建股票的均值回復(fù)基準(zhǔn)。
概念共同覆蓋:共同覆蓋兩只股票的概念板塊越多,兩只股票可能越相 似,因此可以概念共同覆蓋的股票來構(gòu)建股票的均值回復(fù)基準(zhǔn)。
形態(tài)相似股票:股票的長期價格走勢越接近,兩只股票可能越相似,因 此可以形態(tài)相似的股票來構(gòu)建股票的均值回復(fù)基準(zhǔn)。
在四種基準(zhǔn)下構(gòu)建的反轉(zhuǎn)因子的選股能力都得到了顯著提高,并且 2019 年 以來的選股能力也都得到了明顯提升。
結(jié)構(gòu)化反轉(zhuǎn)因子
我們以分析師共同覆蓋、基金共同持倉、概念公共覆蓋、形態(tài)相似股票的順 序來構(gòu)建股票的均值回復(fù)基準(zhǔn)從而得到結(jié)構(gòu)化反轉(zhuǎn)因子,因子月度 IC 均值 0.065,年化 ICIR 為 2.67,在 2019 年之前及 2019 年之后反轉(zhuǎn)因子階段性 失效期間因子的表現(xiàn)均顯著好于傳統(tǒng)反轉(zhuǎn)因子。將結(jié)構(gòu)化反轉(zhuǎn)因子對傳統(tǒng)反 轉(zhuǎn)因子剝離得到的殘差因子仍然具有顯著的選股能力,月度 IC 均值 0.033, 年化 ICIR 為 2.65,而將傳統(tǒng)反轉(zhuǎn)因子對結(jié)構(gòu)化反轉(zhuǎn)因子剝離后因子不再顯 著,這說明我們構(gòu)建的結(jié)構(gòu)化反轉(zhuǎn)因子確實提供了額外的選股能力。
其他反轉(zhuǎn)類因子的應(yīng)用
我們復(fù)用同該框架來改進(jìn)三個月反轉(zhuǎn)、一個月日內(nèi)反轉(zhuǎn)等其他反轉(zhuǎn)類因子, 兩個因子的 IC 均值、ICIR、多空收益都得到了顯著改善,說明我們的因子 構(gòu)建框架能夠用來改進(jìn)其他反轉(zhuǎn)類因子。
增強組合中的應(yīng)用
我們進(jìn)一步檢驗改進(jìn)的結(jié)構(gòu)化反轉(zhuǎn)因子能否在指數(shù)增強組合中貢獻(xiàn)增量超 額收益。我們將中證 500、中證 1000 指數(shù)增強組合中的反轉(zhuǎn)類因子替換為 改進(jìn)后的結(jié)構(gòu)化反轉(zhuǎn)因子:
中證 500 增強組合的年化超額收益從 23.75%提升到 24.50%、最大相 對回撤從 4.37%降低到 3.24%、信息比從 4.09 提升到 4.29。
中證 1000 增強組合的年化超額收益從 28.14%提升到 29.96%、最大相 對回撤從 7.68%降低到 5.14%、信息比從 3.57 提升到 3.92。
免責(zé)聲明:本文 / 資料由用戶個人上傳,平臺僅提供信息存儲服務(wù),如有侵權(quán)請聯(lián)系刪除。
- 相關(guān)標(biāo)簽
- 相關(guān)專題
- 全部熱門
- 本年熱門
- 本季熱門
- 金工深度研究: 高頻因子計算的GPU加速.pdf 904 6積分
- Factor Zoo專題報告:“逐鹿”Alpha專題報告(十九).pdf 591 7積分
- 用DeepSeek優(yōu)化價量因子.pdf 402 6積分
- 金工深度研究:大模型+強化學(xué)習(xí)因子挖掘.pdf 393 6積分
- 量價時序特征挖掘模型在深度學(xué)習(xí)因子中的應(yīng)用.pdf 325 6積分
- 金工深度研究:博采眾長,分析師預(yù)期類因子初探.pdf 300 6積分
- 招商銀行(徐佳航):招商銀行金融平臺工程實踐.pdf 284 10積分
- 金融工程行業(yè)深度研究:LLMRouter_GRU,“輿情分診臺”賦能AI量價因子.pdf 267 6積分
- 金工深度研究:高頻特征參數(shù)化,分鐘級可解釋因子挖掘框架.pdf 184 4積分
- 申萬金工因子觀察第5期:OpenClaw能否實現(xiàn)零代碼基礎(chǔ)構(gòu)建量化策略?.pdf 113 4積分
- 金工深度研究:大模型+強化學(xué)習(xí)因子挖掘.pdf 393 6積分
- 金融工程行業(yè)深度研究:LLMRouter_GRU,“輿情分診臺”賦能AI量價因子.pdf 267 6積分
- 金工深度研究:高頻特征參數(shù)化,分鐘級可解釋因子挖掘框架.pdf 184 4積分
- 申萬金工因子觀察第5期:OpenClaw能否實現(xiàn)零代碼基礎(chǔ)構(gòu)建量化策略?.pdf 113 4積分
- 金工深度研究:多維擇時模型的拆解與重構(gòu).pdf 113 3積分
- 金融工程指數(shù)量化系列:高值偏離修復(fù)模型(多位點).pdf 89 4積分
- 金融工程專題:熱點產(chǎn)業(yè)+分析師動量溢出后排策略.pdf 87 5積分
- 金工深度研究:全球三層次流動性風(fēng)險預(yù)警模型.pdf 83 5積分
- 金融工程丨深度報告:平臺突破——時序選股模型(一).pdf 77 3積分
- 金融工程專題報告:基于知識蒸餾的AI選股模型優(yōu)化.pdf 75 3積分
- 金工深度研究:高頻特征參數(shù)化,分鐘級可解釋因子挖掘框架.pdf 184 4積分
- 金工深度研究:多維擇時模型的拆解與重構(gòu).pdf 113 3積分
- 金融工程指數(shù)量化系列:高值偏離修復(fù)模型(多位點).pdf 89 4積分
- 金融工程專題:熱點產(chǎn)業(yè)+分析師動量溢出后排策略.pdf 87 5積分
- 金融工程丨深度報告:平臺突破——時序選股模型(一).pdf 77 3積分
- 金融工程專題報告:基于知識蒸餾的AI選股模型優(yōu)化.pdf 75 3積分
- CJPY:長江金工投研數(shù)據(jù)服務(wù)解決方案.pdf 69 5積分
- 因子手工作坊系列(6):日度量價因子的統(tǒng)一線性框架.pdf 69 3積分
- 金融工程:深度學(xué)習(xí)選股訓(xùn)練目標(biāo)的多維優(yōu)化——深度學(xué)習(xí)系列之二.pdf 60 5積分
- 高頻因子(十九):收益來源基礎(chǔ)的因子挖掘方法論二——時間段切割因子.pdf 48 9積分
