区分度动量系列研究之——因子离散度量探讨与观察期动态优化

因子强度的多种度量2研究背景回顾1动态周期优化3后续工作展望4 区分度度量-因子贡献度股票池TOPBOTTOM因子分布两端的收益差股票池TOPBOTTOM收益分布两端的收益差因子排序收益排序贡献度 因子打分模型与半衰期选股策略( )( , ) *( )tttFSCORE irank F i CON FTOPBOTTOMTOPBOTTOM新组合固定周期调仓有严重的路径依赖性，不同的起点会得到完全相反的结论半衰期选股策略能动态决定换仓时点，不依赖于起点和路径 区分度动量模型的方法论探讨传统多因子模型是用因子去解释收益率区分度动量模型是用因子去区分收益率 区分度动量模型的特点•区分度动量模型的目标并不是用因子解释收益率或者收益差，而是追踪某个因子在观察期内，对市场股票的区分程度度量因子强度•这个因子可以是市值、换手率这样的市场指标，也可以是ROE、净利润这样的财务指标，甚至任何一种对股票的排名方法，都可以看作一个因子因子定义宽泛•其核心逻辑是追踪在观察期内，市场投资者究竟是依据哪些因子对股票的破暗号产生了差异，而不管这些因子是不是额可以解释收益跟踪市场热点 因子强度的多种度量2研究背景回顾1动态周期优化3后续工作展望4 因子贡献度与因子偏离度贡献度-从因子值排名看收益率分布[ ][]=[ ][]low Fhigh Flow Fhigh Fhigh Rlow Rhigh Rlow Rijiji SETj SETi SETj SETFijiji SETj SETi SETj SETRRmean Rmean RCONmean Rmean RRR偏离度-从收益率排名看因子值分布[( )][( )]( )( ) =* ()low Rhigh Rlow Rhigh Ri SETj SETFi SETj SETmean rank imean rank jDEVNnrank irank jn N n 现有度量方法的不足2009年10月14日至2009年12月3日市值分组1~160161~320321~480481~640640~800组内平均收益率9.25%14.67%17.44%18.02%17.83%因子贡献度和因子偏离度都是通过考察的股票池两端组合的差异性来衡量因子的区分强度，而忽略中间部分。但是在其后的加权打分模型中，是对所有股票都用因子排名乘上因子贡献度，这里便有一个问题：因子和收益率的关系，未必是线性的，甚至有可能不满足单调性。举例而言，我们来看市值因子，在观察期内小市值的股票收益率超过了大市值的股票，因此在加权打分时，市值越大，则打分越低。但如果市值对收益率的影响不具有单调性，比如实际上中市值>小市值>大市值，则中市值股票就难以入选Top组合，而在因子贡献度和因子偏离度中无法区分出这种情形。上表是09年12月3日回溯30个交易日按流通市值分组看收益率，实际上收益率最高的并不是流通市值最小的组，而是次小组。 新度量尝试-因子离散度因子排序收益率收益率收益率收益率收益率因子离散度：分组收益率的差异程度 因子离散度的定义521521([ ][ ])()()([ ][ ])F jNR jNiii SETi SETjFjFRjiii SETi SETjmean Rmean RStd SETDISStd SETmean Rmean R设当前时间为t，考察周期为T，股票池总数为N。计算每只股票i的区间对数收益率，将N只股票按照收益率排序，等分为数量相同的5组。对于因子F，再将N只股票依据t-T时刻的因子值由大到小进行排序，同样等分为数量相同的5组。分别计算两列组合平均收益率的标准差之比，记为因子F的离散度： 基于因子离散度的新因子打分模型容易看出因子离散度DIS也是一个标准化的度量，没有量纲，但不同于因子贡献度和偏离度，其取值空间为[0,1]。因子离散度越接近1，表示因子的区分效果越强；当其接近0时，说明此时因子没能区分收益率。另一方面，因子离散度不具有方向性，以市值因子为例，即我们不能通过离散度的值直接判断是大股票好还是小股票好。( )(3( , )) *( )tSETtFSCORE iRankF iDIS F这里无法再用因子排名，但是可以用股票所在组的平均收益率排名乘以因子离散度。具体来说，对于给定的因子F，首先按照因子值分成5个组，然后分别计算每个组的平均对数收益率，根据收益率的高低对小组进行排名，然后按排名分别赋予2、1、0、-1、-2分。 基本面因子集表1：基本面因子 因子名称 说明 因子意义 静态流通市值 最新季报日流通市值 市值规模 净资产 最新季报股东权益合计 资产规模 净资产增长率 过去两年净资产季报数据回归 经营能力 净资产收益率 最新年报ROE 盈利能力 每元净资产经营现金流 过去十二个月经营现金流/净资产 现金流水平 每元净资产营业收入 过去十二个月营业收入/净资产 收入水平 净利润增长率 过去两年净利润季报数据回归 成长能力 股息率 最新年报股息率 投资收益 资产负债率 最新年报资产负债率 偿债能力 资料来源：国信证券经济研究所 基于因子离散度的半衰期选股策略 观察期的时间加权不同的时间赋予不同的权重离现在越近权重越大不同观察期间的差异缩小 时间加权后的策略风险收益分析风险度量中证800T=20T=30T=40T=50T=60波动率37.49%40.64%40.41%40.64%40.43%40.34%Sharp Ratio0.4054 0.7408 0.8211 0.8065 0.7904 0.7941 三种度量方法的策略比较因子贡献度风险度量中证800T=20T=30T=40T=50T=60波动率37.49%40.68%40.41%40.37%40.40%40.29%Sharp Ratio0.4054 0.6761 0.7858 0.7469 0.7736 0.8331 累计收益79.06%164.66%200.28%186.50%195.92%216.49%因子离散度风险度量中证800T=20T=30T=40T=50T=60波动率37.49%40.98%40.01%40.42%40.13%40.19%Sharp Ratio0.4054 0.7234 0.9521 0.7448 0.6995 0.7886 累计收益79.06%182.21%259.86%186.06%169.26%199.76%时间加权因子离散度风险度量中证800T=20T=30T=40T=50T=60波动率37.49%40.64%40.41%40.64%40.43%40.34%Sharp Ratio0.4054 0.7408 0.8211 0.8065 0.7904 0.7941 累计收益79.06%186.10%212.99%209.37%202.08%202.81% 因子强度的多种度量2研究背景回顾1动态周期优化3后续工作展望4 动态最优观察期在市场的不同阶段，观察期的差异将导致收益率的差异化。短观察期可以迅速捕捉市场的最新热点，但信号多不稳定；而长观察期能够有效抓住大的因子，但有滞后性静态观察期对于时间点t，根据因子打分模型，确定以观察期T选出的多头股票组合，计算该组合在接下来S个交易日的累计对数收益率。在固定持有期S的情形下，我们定义最优观察期为使得累计对数收益率最大的T值。动态观察期 爬山法收益上升收益下降 模拟退火算法模拟退火算法（Simulated Annealing Algorithm）是一种受物理学启发而来的优化算法。退火是指将合金加热后再慢慢冷却的过程。大量的原子因为受到激发而向周围跳跃，然后又逐渐稳定到一个低能阶的状态，所以这些原子能够找到一个低能阶的配臵。初始化设定随机产生一初始解扰动产生一个新解修改目前解修改温度最佳解是否接受降温是否达到中止条件YESYESNONONOYES 最优观察期的预测 因子强度的多种度量2研究背景回顾1动态周期优化3后续工作展望4 后续工作展望加权方式优化海量因子测试多维参数向量优化 联系人程景佳chengjjia@guosen.com.cn分析师董艺婷dongyt@guosen.com.cnSAC执业证书编号：S0980210030026