多因子选股专题报告-基于情景Alpha模型的中证800选股策略：并则俱损，分而两利

$研究|金融工程专题报告 2022-09-06 基于情景Alpha模型的$证800选策略：并则俱损，分而两利 ——多因子选专题报告 投资咨询业务资格： 证监许可【2012】669号 $Ⓒß½ $Ⓒ 119 240 117 220 115 200 113 180 111 160 109 140 107 105 120 103 100 2021−11−10 2021−11−24 2021−12−08 2021−12−22 2022−01−06 2022−01−20 2022−02−10 2022−02−24 2022−03−10 2022−03−24 2022−04−11 2022−04−25 2022−05−12 2022−05−26 2022−06−10 2022−06−24 2022−07−08 2022−07−22 2022−08−05 2022−08−19 2022−09−02 $$300 报告要点 本文是多因子选系列的第二篇，使用多频共振方法测试了基于$证800 的多因子选策略，并进一步引入了情景Alpha模型。本文发现情景模型有助于更好的解释宽基下个之间的收益率差别，设置相对权重后的全样本策略显著优于合并样本的直接选方法，回测内化收益率可相 对提升1/4左右，最近三化收益率最高超过40%，且组合回撤降低。 摘要： 情景Alpha模型与量化选：情景Alpha模型是对不同范围下的票应用多因子Alpha模型预测预收益，以便捕获不同证券和情景相关的特殊回报行为。 $证800选策略（合并样本）：使用《多因子选专题系列一：基于$证 1000的多频共振选策略》$的“多频共振”方案，对基于$证800成分的选策略进行初步测试，策略在回测内表现良好，考虑交易费用和持仓上限后策略全回测内化超额收益达13%左右，最近三化收益超30%。 $证800选策略（情景Alpha模型）：根据情景模型的思路，本段测试分离样本下的选策略后，根据设置的相对权重得到全样本策略。情景Alpha模型下，全回测内策略的化超额收益进一步上升至最高17%附近，最近三化收益率最高超过40%，月相对胜率59%。 风险提示：个收益率失真、模型或方法失效、情景划分偏误 金融工程团队 研究员：周通 021−80401733 zhoutong@citicsf.com从业资格号F3078183投资咨询号Z0018055 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。 $金融工程专题报告 目录 摘要：1 一、情景Alpha模型与量化选3 二、$证800选策略：合并样本4 （一）模型算法和因子库4 （二）合并样本下的选策略5 三、$证800选策略：情景Alpha模型7 （一）情景Alpha模型下的选策略：3007 （二）情景Alpha模型下的选策略：$证5008 （三）从情景Alpha模型到全样本策略10 四、总结、风险提示和后续改进12 （一）情景Alpha策略回顾12 （二）风险提示13 （三）后续改进13 免责声明14 图目录 图表1：传统算法VS情景Alpha模型3 图表2：多因子选标准操作程序4 图表3：因子库：多频4 图表4：净值曲线：合并样本选5 图表5：度收益率对比：合并样本选6 图表6：业绩标：合并样本选6 图表7：净值曲线：300选7 图表8：度收益率对比：300选7 图表9：业绩标：300选8 图表10：业绩标：$证500选8 图表11：净值曲线：$证500选9 图表12：度收益率对比：$证500选9 图表13：净值曲线：基于情景Alpha模型的$证800选10 图表14：业绩标：基于情景Alpha模型的$证800选11 图表15：度收益率对比：基于情景Alpha模型的$证800选11 图表16：策略回顾：合并样本VS情景Alpha模型12 2/ 一、情景Alpha模型与量化选 情景Alpha模型（ContextualAlphaModel）由Sorensonetal.(2005)提出。从套利定价理论（ArbitragePricingTheory）衍生而来的多因子选是当前量化择券的主流方法，在不同的票范围内应用多因子Alpha模型预测预收益也因此成为一种流行做法。 但是，传统的多因子方法存在一个比较明显的缺陷：其假设一个单一的收益率方程能提供足够的Alpha预测——即“一刀切”。越来越多的证据表明，因子表现甚至因子方向在不同细分样本和环境$存在差别，而且这种差异很大。在实证下，将一只个的排序号或因子与预收益联系起来，并给它分配一个权重是一个“情景”问题。换言之，时机合适的择券是有条件的，也就是常说的“要看情况”。例如，大量研究人员证明，价值因子的有效性和公司类别、其他非价值因素、投资限还有其他维度的因素有关。Sloanetal.(2001)将这种关系称为“情景”关系。 因此，本文通过引入另一种Alpha建模方法来扩展先前的实证研究：使用一种简单的方法来分别对不同范围下的个收益率进行建模，以便捕获不同证券和“情景”相关的特殊回报行为，研究表明这样的方法有助于提高样本外收益和息比率。 图表1：传统算法VS情景Alpha模型 情景Alpha模型 情景1情景2...情景N 选股权重 传统算法 全部样本 选股权重 资料来源：$研究所 从原理上讲，情景模型也存在一定的缺点，可能对实际投资带来负面影响。情景模型本身会带来据量和样本总的减少（从截面策略的角度看，即个量的减少），这对于多算法来说皆为损失，可能导致过拟合几率的上升以及模型样本外外推能力的下降。另外，部分情景分类的合理性本身并不完备（例如典型的行业分类，某一个属于何种行业在不同行业分类体系下或有差异），这也会造成“情景”本身的误差。因此，对于情景Alpha模型的实际效果，进行大量回测和样本外跟踪是非常重要的。 二、$证800选策略：合并样本 （一）模型算法和因子库 在《基于$证1000的多频共振选策略》一文$，使用自建因子库和经典线性模型的方法取得了优异效果。本文也再次借鉴这种思路，算法细节和因子库与《基于$证1000的多频共振选策略》$的完全一致。唯一的区别在于，本文的选范 围设置为$证800成分。本文$所有的策略均为周度调仓。 图表2：多因子选标准操作程序 计算因子暴露 和权益收益率计算 线性回归 资料来源：$研究所 图表3：因子库：多频 风格/大类因子因子定义 历史Beta多频最近半权益收益率对基准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 相对强度多频最近半权益的对超额收益率加权求和后的平滑值 历史Alpha多频 在计算贝塔的时间序列回归$，截距项平滑值 波动率 历史残差波动率多频周收益率标准差多频累积收益率范围多频 在计算贝塔的时间序列回归$，回归残差的波动率最近半周收益率的波动率最近半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 换手率多频 对最近半的票换手率求和，然后取对 动量 分布特征 风险 动量加速度 偏度多频最近半周收益率的偏度 峰度多频最近半周收益率的峰度 协偏度最近一周收益率三阶协矩的望值 在险价值多频最近半周收益率的在险价值 望损失多频最近半周收益率的望损失 相对强度加速度相对强度对时间的一阶导历史Alpha加速度历史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$最高3个单周收益率的均值预收益代理（pER）回报率对标准化价格序列回归拟合度的逻辑变换 资料来源：$研究所 （二）合并样本下的选策略 使用回归法，借鉴《多因子选专题系列一：基于$证1000的多频共振选策略》$的“多频共振”方案，本段依据前一小节的18个因子对基于$证800成分的选策略进行了初步测试。本段同样引入批量测试方案，对因子组合的子集依次回测，并基于化收益率、化夏普比率和化卡玛比率三个维度选出较优策略 （因子组合）进行合成。本节测试的所有策略均为周度调仓。对于停牌的票，本文进行了剔除处理。与行业轮动策略不同，个策略可以直接落地进行交易，故本文也考虑交易成本，设置为双边0.3%。另外，进一步考虑到公募产Ⓒ的要求，单只个的权重不得超过10%，本节在测试时也同样设置个权重上限为10%。 本段使用的是合并样本，将$证800成分作为一个整体进行选回测。 图表4：净值曲线：合并样本选 $证800选：合并样本 业绩基准 3 2.5 2 1.5 1 0.5 0 资料来源：Wind$研究所 在合并样本下，虽然策略能够取得良好效果，且持仓非常分散，但总体而言超额并不分强劲，尤其是与本系列之前的报告《多因子选专题系列一：基于$证1000的多频共振选策略》在$证1000下选策略的超额相比。这其$可能有两个 重要原因： $证1000$的个本身被充分定价的几率较低，选策略更容易获得超额； $证800可以进一步被拆分为300和$证500，而300成分和$证500成分之间的差别可能相对更大，用同一套模型难以同时有效和充分的描述两个子样本$个的特征并进行筛选。这恰好是传统多因子方法的缺陷，也是情景Alpha模型所针对的痛点； 图表5：度收益率对比：合并样本选 业绩基准 $证800选：合并样本 2022 2021 2020 2019 2018 2017 2016 -30%-20%-10%0%10%20%30%40% 资料来源：Wind$研究所 图表6：业绩标：合并样本选 业绩标 最近一 最近三 2016以来 $证800(2016以来) 化收益率 25.44% 31.43% 15.31% 2.50% 化波动率 15.41% 19.76% 19.27% 18.67% 化夏普比率 1.6 1.55 0.76 0.1 最大回撤 9.85% 10.22% 24.83% 30.78% 卡玛比率 2.58 3.08 0.62 0.08 平均周换手率 53% 53% 53% − 平均持有个量 694 732 730 800 资料来源：Wind$研究所 三、$证800选策略：情景Alpha模型 （一）情景Alpha模型下的选策略：300 根据情景模型的思路，本段继续测试分离样本下的选策略：将$证800成分 空间分为300和$证500，并分别测试子空间下的选方案。除选范围外，测试的其他细节与上一章完全一致。 本节，选范围设置为300成分。 图表7：净值曲线：300选 300选 业绩基准 2.5 2 1.5 1 0.5 0 资料来源：Wind$研究所 图表8：度收益率对比：300选 业绩基准300选 2022 2021 2020 2019 2018 2017 2016 -30%-20%-10%0%10%20%30%40% 资料来源：Wind$研究所 图表9：业绩标：300选 业绩标 最近一 最近三 2016以来 300(2016以来) 化收益率 6.92% 22.55% 11.27% 4.00% 化波动率 15.92% 21.98% 20.24% 18.57% 化夏普比率 0.39 0.99 0.52 0.18 最大回撤 16.71% 16.71% 24.75% 29.86% 卡玛比率 0.41 1.35 0.46 0.13 平均周换手率 75% 75% 75% − 平均持有个量 290 290 283 300 资料来源：Wind$研究所 300 样本下，选策略也能跑赢业绩基准，但总体上超额收益仍然有限， 这和 300 本身的超额环境有一定关系。300几乎是市$最大的300 只个的组合，受到广泛关注且定价充分，成份内选获取超额并非易事。然而，如果进一步扩大选范围，超额收益或能大幅提升，主要得益于子样本下个权重限制的大幅放宽，以及策略换手率下降带来的交易成本节省。例如，如果平均分配 300和$证500下策略的仓位，那么每个范围内都可以仅设置