多因子选股专题报告：基于中证1000的多频共振选股策略

$研究|金融工程专题报告 2022-07-28 基于$证1000的多频共振选策略 ——多因子选专题报告 投资咨询业务资格： 证监许可【2012】669号 119 240 117 220 115 200 113 180 111 160 109 140 107 105 120 103 100 报告要点 本文是多因子选系列的第一篇，旨在探索基于宽基的量化选策 略。通过自建因子池，本文测试不同频率参下选策略的表现。进一步引入多频共振的思路，并进行策略合成，回测内组合策略大幅跑赢业绩基准，考虑交易成本和单持仓限制后最近三化收益率超30%。 $Ⓒ $$300 $Ⓒß½ 2021−09−24 2021−10−15 2021−10−29 2021−11−12 2021−11−26 2021−12−10 2021−12−24 2022−01−10 2022−01−24 2022−02−14 2022−02−28 2022−03−14 2022−03−28 2022−04−13 2022−04−27 2022−05−16 2022−05−30 2022−06−14 2022−06−28 2022−07−12 2022−07−26 摘要： 初探$证1000量化选：初步测试基于$证1000的选策略，模型在回测内能够进行有效选，2016以来均超额接近24%，夏普比0.9。但考虑持仓限制以后，策略的各项业绩标明显下降。 策略进阶与参再测试：进行多频率参测试或能提高化收益，而通过策略合成也将降低组合受持仓限制的影响。随着因子参的调低（频率升高），不考虑仓位限制下化收益率增加，但考虑持仓限制后业绩下降的幅度也同步提升，$/高频参下化收益率的下降幅度分别达4.4%和10.9%。单一频率的策略无法作为最合适的落地方案。 执行多频共振的选策略：通过对不同频率参下的策略进行等权合成，可以得到多频共振方案。由于各个不同频率的参组合下选组合存在差异，合成策略在截面上持仓更为分散，持有个的量更多，考虑仓位限制以后化收益率下降幅度更低，总体上更适合实际落地。“多频共振”策略最近三录得33%的化收益（考虑交易费用），每都能战胜基准，除2017以外每均取得正收益，月相对胜率达64%，较基于单频参的策略大幅改善。 风险提示：个收益率失真、模型/方法/参失效、据和回测区间有限 金融工程团队 研究员：张革 021-60812988 zhangge@citicsf.com从业资格号F3004355投资咨询号Z0010982 重要提示：本报告难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本报告内容而视相关人 员为客户；市场有风险，投资需谨慎。 目录 摘要：1 一、初探$证1000量化选4 （一）多因子选模型设计4 （二）因子库4 （三）基于$证1000的选策略6 二、选策略进阶：参再测试9 （一）单一频率参组合下选策略的实际落地问题9 （二）$频参下的选策略10 （三）高频参下的选策略13 三、执行多频共振的选策略16 四、总结、风险提示和后续改进18 （一）多频共振算法与策略回顾18 （二）风险提示19 （三）后续改进19 免责声明20 图目录 图表1：多因子选的标准操作程序4 图表2：重分类后的选因子库5 图表3：净值曲线：考虑仓位限制/不考虑仓位限制7 图表4：因子相对权重7 图表5：业绩标：考虑交易成本，不考虑仓位限制8 图表6：度收益率对比：考虑交易成本，不考虑仓位限制8 图表7：业绩标对比：考虑仓位限制VS不考虑仓位限制9 图表8：参调整后的选因子库：$频10 图表9：净值曲线：$频参，考虑仓位限制/不考虑仓位限制11 图表10：因子相对权重：$频参11 图表11：业绩标：$频参，考虑交易成本，不考虑仓位限制12 图表12：度收益率对比：$频参，考虑交易成本，不考虑仓位限制12 图表13：业绩标对比：$频参，考虑仓位限制VS不考虑仓位限制13 图表14：参调整后的选因子库：高频13 图表15：净值曲线：高频参，考虑仓位限制/不考虑仓位限制14 图表16：因子相对权重：高频参14 图表17：业绩标：高频参，考虑交易成本，不考虑仓位限制15 图表18：度收益率对比：高频参，考虑交易成本，不考虑仓位限制15 图表19：业绩标对比：高频参，考虑仓位限制VS不考虑仓位限制16 图表20：净值曲线：多频共振，考虑仓位限制/不考虑仓位限制16 图表21：业绩标：多频共振，考虑交易成本，不考虑仓位限制17 图表22：度收益率对比：多频共振，考虑交易成本，不考虑仓位限制17 图表23：业绩标对比：多频共振，考虑仓位限制VS不考虑仓位限制18 图表24：全策略回顾18 一、初探$证1000量化选 （一）多因子选模型设计 多因子选是当前量化选的主流方法，其灵感来自于套利定价理论。从原理上讲，多因子模型假设权益收益率能够由一揽子因子进行解释，即 �=𝑋�+� 式$�是权益收益率，�是因子暴露矩阵，�是因子收益率，�是特异性收益。多因子模型的一般形式（即上式）仅具有理论上的意义。对实际投资而言，一 个投资者必须知道具体的因子是什么，且这种因子要能够有效量化，才能进一步通过模型得到权益预收益率的合理估计。因此，在现实$多因子选的目的是找到解释能力足够强的模型，以及因子收益率足够稳定的因子，并预测未来权益的预收益。这其$，大量的工作将聚焦于因子的挖掘与选择。 近来，随着计算机技术的发展，一些算法被广泛用于挖掘人工因子，以及对因子暴露和预收益率之间的关系进行更复杂的建模，这些方法在许多场合大放异彩，但也受到过拟合和据本身带来的大量质疑。本文是多因子选系列的第一篇，将主要集$在运用传统的回归方法上，选过程大致分为以下几个步骤： 计算因子暴露和权益收益率 线性回归 计算预收益率 根据预收益率进行截面配置 图表1：多因子选的标准操作程序 资料来源：$研究所 $证1000是权重分散的，成分具有$小市值和高换手的特点，同时最近 4个之间分化呈加剧趋½，从结构上看非常适合作为多因子选测试的标的 池。另外，基于$证1000的和权已于近上市，$证1000及其 成份也预迎来更多、更广泛的市场关注。本文选范围设置为$证1000成分。 （二）因子库 在《行业轮动专题系列》$，15个因子组成的纯量价因子库和因子组合能够有效识别截面优½行业；在个上，这些因子或许同样能够起到解释和预测作用。对于个而言，更多的风格因子能够被直接定义，例如规模和换手率等因子。因此，本段首先扩充了《行业轮动专题系列》$的因子组合，加入了部分在行业上不方便定义，但是在个层面意义明显的因子。 另外，本段也引入了一个全新的因子，pER（proxyExpectedReturn，预收益代 理），作为经典风格因子库和《行业轮动专题系列》$自研因子库的一个补充。在实证下，本文也发现该因子通过与某些因子组合，能够在样本内回测$获得较高的超额收益，可以作为一个提供额外息的有效因子。 图表2：重分类后的选因子库 风格/大类因子因子定义 历史Beta最近一权益收益率对市场收益率时间序列回归的回归系 贝塔 非对称Beta 上行Beta减去下行Beta 动量 相对强度历史Alpha 最近一权益的对超额收益率加权求和后的平滑值在计算贝塔的时间序列回归$，截距项平滑值 历史残差波动率 在计算贝塔的时间序列回归$，回归残差的波动率 波动率 周收益率标准差 最近一周收益率的波动率 累积收益率范围 最近一累积对收益率的最大值减去最小值 规模 市值规模 流通市值的对 流动性 换手率 对最近一的票换手率求和，然后取对 偏度 最近一周收益率的偏度 分布特征 峰度 最近一周收益率的峰度 协偏度 最近一周收益率三阶协矩的望值 风险 在险价值望损失 最近一周收益率的在险价值最近一周收益率的望损失 动量加速度 相对强度加速度历史Alpha加速度 相对强度对时间的一阶导历史Alpha对时间的一阶导 交易/情绪 彩票需求过去一个季度内所有交易周$最高3个单周收益率的均值预收益代理（pER）新回报率对标准化价格序列回归拟合度的逻辑变换 资料来源：$研究所 因子库$的所有因子共分为9大类18个细分因子，完全采用个标准化的量价 据进行计算，不涉及财务或其他基本面据。这些因子分别从不同角度对个收益率特征进行了描述： 贝塔、动量、波动、规模、流动性：这几类因子均为常见的风格因子，已有研究表明，风格因子在一定程度上能够有效解释权益收益率；非对称Beta是传统Beta的一个扩展，在《行业轮动专题系列》$有过详细介绍，主要用于衡量标的在不用市场状态下对基准的相对跟随程度差别； 分布特征、风险、动量加速度：这几类因子也在《行业轮动专题系列》$得到过有效验证，可以认为是经典风格因子体系的一个额外补充； 交易/情绪：彩票需求因子同样在《行业轮动专题系列》$做过介绍，主要度量了市场参与者在交易时的彩票心理；预收益代理（pER）则是一个全新的因子； 预收益代理（pER）由Burlacuetal.（2012）提出，其度量了标准化价格对权益收益率的解释程度。理论上，市场$息分为公共息和私人息，公共息被认为已经完全实现在价格上，私人息则没有。对于私人息不准确或噪音较大的情况，均衡价格只片面反映了私人息，投资者对该票需求会较低，价一般也会相对较低，投资者会更多的从当日价格上收集息，判断未来是否加仓。这时，折价反映了风险补偿，预收益也会更高。 投资者的私人息准确度以及不确定性利用收益率对票价格时序回归的R方可以度量私人息的噪音程度。当私人息不准确时，投资者更多的从市场$收集 息（今日价），价与收益率呈现较强的负相关性，回归R方较高；反之则较低。具体而言，pER因子的计算分为以下几个步骤： 对所有个的价格进行净值化处理，得到𝑃𝑠𝑡𝑜𝑐� 对个所属的宽基（$证1000）进行净值化处理，得到𝑃𝑖𝑛𝑑𝑒� � 计算个的标准化价格，𝑃𝑠𝑡𝑜𝑐𝑘⁄ 𝑖𝑛𝑑𝑒� 使用滞后的个标准化价格对收益率进行时序回归，得到拟合优度𝑅2 𝑅2 ⁄) 对R方进行逻辑变换，得到预收益代理，𝑝𝐸�=ln( 1−𝑅2 原文$，pER因子的计算还包含一些行业组合的回归处理。本文暂未引入行业变量，故这里暂时忽略这一步。 （三）基于$证1000的选策略 使用经典的回归法，借鉴《行业轮动专题系列》$的成熟方案，本段依据前一小节的18个因子对基于1000成分的选策略进行了初步测试。本段同样引入批量测试方案，对因子组合的子集依次回测，并基于化收益率、化夏普比率和化卡玛比率三个维度选出较优策略（因子组合）进行合成。本段测试的所有策略均为周度调仓。对于停牌的票，本文进行了剔除处理。与行业轮动策略不同，个策略可以直接落地进行交易，故本文也考虑交易成本，设置为双边0.3%。 另外，值得注意的是，如果进一步考虑到公募产Ⓒ的要求，单只个的权重不得超过总权重的10%。本段同时测试了不考虑仓位限制和考虑仓位限制两种情况下，基于$证1000的量化选策略的表现。考虑仓位限制条件下，对于模型给出权重高于10%的个，权重设为10%。理论上，额外的限制会破坏模型原有的预测结构，可能导致模型表现变差和策略收益降低，后面的实际回测也印证了这一观点。 图表3：净值曲线：考虑仓位限制/不考虑仓位限制 策略：无仓位限制 策略：有仓位限制 $证1000 4 3 2 1 0 资料来源：同花顺$研究所 图表4：因子相对权重 16% 14% 12% 10% 8% 6% 4% 2% 0% 资料来源：同花顺$研究所 图表5：业绩标：考虑交易成本，不考虑仓位限制 业绩标 最近一 最近三 2016以来 $证1000(2016以来) 化收益率 31.59% 27.86% 18.63% −5.21% 化波动率 16.37% 20.49% 19.83% 23.84% 化夏普比率(3%无风险收益下) 1.88 1.32 0.9