机器学习系列之一：挖掘资产定价中的隐式因子

本文通过挖掘显式多因子模型的投影残差中的隐式因子，加入隐式因子后的混合因子模型在解释资产的风险溢价和构建投资策略方面都有显著提升。作者采用了“三步法”挖掘因子，其中挖掘因子的特征方向使用了主成分分析（PCA）复现因子空间，而估计因子的风险溢价使用了稳健回归（Huber）。在2012年初至2022年Q1的回测区间内，基于混合因子的股票型ETF轮动策略的表现在累计收益率、年化收益率、夏普比率和月度胜率等指标上强于基于FF3和FF5的策略；最大回撤与后者相当或略好。综合考虑轮动策略在2022年5月底选出的强势指数（按类似基本面因素去重），以及中泰金工报告《Lyxor ETF效率指标》，作者推荐的ETF组合为：煤炭ETF 515220.SH，酒ETF 512690.SH，能源ETF基金 159945.SZ，汽车ETF 516110.SH和旅游ETF 159766.SZ。在A股的市场情景中，达成要求解释力度的主成分个数变动幅度不大，这说明满足资产定价所需要的隐式因子数量是相对稳定的。