金融工程专题：KyFactor特色因子体系与应用

金融工程专题 2024年01月03日 KyFactor特色因子体系与应用 金融工程研究团队 ——金融工程专题 魏建榕（分析师） 胡亮勇（分析师） weijianrong@kysec.cn证书编号：S0790519120001 huliangyong@kysec.cn证书编号：S0790522030001 魏建榕（首席分析师） 证书编号：S0790519120001 张翔（分析师） 证书编号：S0790520110001 傅开波（分析师） 证书编号：S0790520090003 高鹏（分析师） 证书编号：S0790520090002 苏俊豪（分析师） 证书编号：S0790522020001 胡亮勇（分析师） 证书编号：S0790522030001 王志豪（分析师） 证书编号：S0790522070003 盛少成（分析师） 证书编号：S0790523060003 苏良（分析师） 证书编号：S0790523060004 何申昊（研究员） 证书编号：S0790122080094 陈威（研究员） 证书编号：S0790123070027 蒋韬（研究员） 证书编号：S0790123070037 相关研究报告 《高阶量价因子11月份回暖，独家四剑客全获正收益》-2023.12.05 KyFactor特色因子体系覆盖了业内主流研究方向 KyFactor因子库目前涵盖交易行为、资金流、基本面和关联网络等多个维度的因子。不同维度下的精选因子均有深度报告与之对应，详细阐述了因子的构造逻辑与历史表现。 KyFactor因子库中的大部分因子在全区间内表现出了显著的选股能力，少数因子近期呈现失效的风险，如merge_sue和consensus_adjustment等分析师一致预期维度的因子。 不同大类因子之间整体相关性较弱，部分价量因子之间关联度较高。偏价量的因子换手率整体较高，年度单边换手率水平最高可达10倍以上，如smart_money、ideal_reverse等。偏基本面和低频数据高频化的因子，换手率则相对较低，如merge_sue、high_freq_shareholder。 基于特色因子库合成的因子历史表现优异 在测试期内，中性化后的合成因子RankIC均值约为11.28%，年化RankICIR为5.36。合成因子RankIC为正的频率在全区间超95%。 合成因子十分组收益严格单调，多头组年化收益率为29.26%，空头组年化收益率为 -16.96%，多空对冲年化收益率高达42%。 合成因子与大部分Barra风格因子处于较低关联度，平均相关系数绝对值不到10%。在剥离Barra风格后，未中性化的合成因子选股RankIC从12.72%下降到7.25%，下滑幅度较高，但年化RankICIR在剔除风格因素影响后有微弱提升，从4.74小幅上涨到4.85。 基于合成因子的增强策略在小市值宽基指数中占优 合成因子在小市值宽基指数中表现占优，其中RankIC均值在沪深300中为8.28%，而在中证1000和国证2000指数中合成因子RankIC均值均超过了11%。在选股稳定性上，合成因子亦在小市值宽基成分股中表现更好。 2022年下半年以来，由于部分细分因子的失效，基于合成因子的指数增强策略 在中证1000指数上超额收益开始走平。 归纳来看，捕捉市场反转效应的因子在2022年以来的市场环境下保持了较强的竞争力。 在进行因子筛选后，虽然纳入合成的因子数量每期有所下滑，但新的合成因子在衡量选股有效性和稳定性指标上的表现依然稳健。从结果来看，宽基指数成分股市值越小，因子择时效果越好。 等权合成的因子相比其他因子加权方式，无论是在多头端收益还是多空对冲超额水平，表现均占优。 风险提示：模型基于历史数据统计，未来存在失效风险。 金融工程研究 金融工程专题 开源证券 证券研究报 告 目录 1、因子体系总览4 1.1、因子介绍41.2、因子表现51.3、因子相关性61.4、因子换手率7 2、因子合成83、指数增强124、因子择时145、附录：因子加权方式效果对比18 5.1、不同加权方式概述185.2、不同加权方式结果对比20 6、风险提示21 图表目录 图1：细分因子在全区间内的选股能力测算5图2：不同细分因子累计RankIC走势6图3：不同细分因子在预测能力上的相关性7图4：不同细分因子层次聚类结果7图5：不同细分因子换手率差异8图6：合成因子RankIC均值约11.28%，年化RankICIR为5.369图7：合成因子在不同分组的年化收益率9图8：合成因子分组收益单调10图9：合成因子与Barra风格因子的时序关联度11图10：Barra风格剥离前后合成因子选股表现11图11：剥离Barra风格因子后超额收益有所下滑12图12：不同宽基指数下合成因子的RankIC表现13图13：合成因子在小市值宽基指数中表现相对占优13图14：沪深300指数增强表现14图15：中证500指数增强表现14图16：中证1000指数增强表现14图17：国证2000指数增强表现14图18：大部分细分因子阶段2表现弱于阶段115图19：不同细分因子在不同宽基指数中的选股能力比较15图20：进行因子择时后，每期纳入合成的因子数量处于动态变化中16图21：精简后的合成因子在选股能力上并未有明显下滑16图22：沪深300指数因子择时表现17图23：中证500指数因子择时表现17图24：中证1000指数因子择时表现17图25：国证2000指数因子择时表现17图26：不同细分因子在不同行业中的选股表现18图27：最大化ICIR下不同细分因子每期权重变动19图28：不同半衰期下不同期限对应的权重20 图29：根据不同间隔长度RankIC均值差异可得到因子半衰期大小20图30：等权合成的因子在多头收益上占优21图31：等权合成因子具有更优的多空超额收益21表1：KyFactor特色因子体系5表2：合成因子历年收益率10表3：不同加权方式合成因子绩效对比21 开源证券金融工程团队成立四年以来，在因子投资方面进行了持续不懈的探索，陆续推出了多篇影响力出众的因子研究报告。目前因子研究涉及的范围从交易行为到Level2数据拆解，从资金流监测到基本面变化跟踪，涵盖了市场上主流的研究方向。依托团队多年在因子研究上的积累，我们构建了独特的因子数据库（下文简称KyFactor）。区别于不断拓宽因子数据库的覆盖广度，KyFactor更注重在因子深度上发力。 本篇报告分为四个部分。第一部分，我们首先回顾了KyFactor中不同细分因子的历史表现，并基于历史表现进行分类。第二部分，我们尝试对细分因子进行合成，生成最终的选股因子，可以看到合成因子无论在选股有效性抑或稳定性上都占有明显优势。第三部分，我们尝试从宽基指数增强的角度来评判合成因子的超额收益获取能力，可以看到等权合成的因子在小市值宽基指数中近一年超额收益有所弱化。第四部分，我们讨论了因子择时对指数增强效果的改善，择时优选后的因子合成效果在多头绝对收益和超额相对收益上均有所改善。附录部分，我们讨论了不同的因子加权方式对结果的影响，可以看到等权合成在测试中表现占优。 1、因子体系总览 1.1、因子介绍 KyFactor中包含的因子大概可以归纳为四大类，分别为交易行为、资金流、基本面和关联网络。在每个大类下面均有涵盖多个细分因子，每个细分因子至少对应一篇深度报告覆盖。 交易行为主要用来挖掘市场参与者的行为特征所蕴含的alpha，其既能追踪市场“聪明钱”的动向，又能精细化表达A股的“反转效应”。资金流主要监测市场投资者的买卖行为和跟踪北上资金的调仓动作。在个人投资者依然占据A股主要生态位的今天，大小单刻画的“羊群效应”依然是显著的alpha贡献来源。基本面我们主要以具有领先性的分析师预期数据为切入视角，主要包含业绩超预期和盈利调整两个维度，同时囊括了传统基本面财务指标的升级改进。关联网络则是以上研究方向的拓展，其重点在于捕获局域网内相似个股间的关联效应。目前关联网络在机构持仓和大小单行为的相似性上均有不错表现。 我们在KyFactor中从四个维度选取了18个特色细分因子，如表1所示，并分别标注了每个因子的预测方向以及相关的报告来源。其中，交易行为有6个，资金流 有5个，基本面有4个，关联网络有3个。为了方便后文中图表信息的展示，因子名称以序号的方式做了简化。 表1：KyFactor特色因子体系 序号 名称 类别 方向 对应报告 因子1 smart_money 交易行为 负向 《聪明钱因子模型的2.0版本》魏建榕、高鹏、傅开波，2020.02.09 因子2 active_trading 交易行为 正向 《主动买卖因子的正确用法》魏建榕、傅开波、苏俊豪，2020.09.05 因子3 apm 交易行为 正向 《APM因子模型的进阶版》魏建榕、苏俊豪，2020.03.07 因子4 ideal_vol 交易行为 负向 《振幅因子的隐藏结构》魏建榕、高鹏、苏俊豪，2020.05.16 因子5 opt_synergy_effect 资金流 正向 《北上资金攻守兼顾因子的构造》魏建榕、胡亮勇，2022.07.02 因子6 large_trader_ret_error 资金流 正向 《大单与小单资金流的alpha能力》魏建榕、高鹏，2021.06.02 因子7 offense_defense 资金流 正向 《北上资金攻守兼顾因子的构造》魏建榕、胡亮勇，2022.07.02 因子8 ideal_reverse 交易行为 负向 《A股反转之力的微观来源》魏建榕、傅开波，2019.12.23 因子9 herd_effect 资金流 负向 《新型因子：资金流动力学与散户羊群效应》魏建榕、盛少成，2022.06.02 因子10 high_freq_shareholder 交易行为 正向 《扎堆效应的识别：以高频股东户数变动为例》魏建榕、胡亮勇，2022.11.22 因子11 traction_f 关联网络 正向 《从基金持仓行为到股票关联网络》魏建榕、王志豪，2021.10.02 因子12 pe_change 基本面 正向 《估值因子坏了怎么修》魏建榕、苏俊豪、高鹏，2020.06.06 因子13 small_trader_ret_error 资金流 负向 《大单与小单资金流的alpha能力》魏建榕、高鹏，2021.06.02 因子14 traction_ns 关联网络 正向 《从北向资金持仓行为到股票关联网络》魏建榕、王志豪，2021.11.07 因子15 traction_si 关联网络 正向 《从小单资金流行为到股票关联网络》魏建榕、王志豪，2022.07.21 因子16 long_momentum2 基本面 正向 《长端动量2.0：长期、低换手、多头显著的量价因子》魏建榕、王志豪，2022.11.26 因子17 merge_sue 基本面 正向 《业绩超预期Plus组合的构建》魏建榕、胡亮勇，2021.07.07 因子18 consensus_adjustment 基本面 正向 《盈利预期调整优选组合的构建》魏建榕、盛少成，2022.08.06 资料来源：开源证券研究所 1.2、因子表现 从测试期内来看（2013.01.31~2023.10.31），大部分因子在全区间内表现出了显著的选股能力，但是亦可以发现部分因子呈现失效的风险，如merge_sue和consensus_adjustment等分析师一致预期维度的因子。注意，北上资金相关的因子opt_synergy_effect、offense_defense受限于数据长度，从2017年开始统计。 图1：细分因子在全区间内的选股能力测算 0.1RankICRankICIR（右轴）15 0.080.06100.0450.02 00 -0.02-0.04-5-0.06-10-0.08 -0.1-15 数据来源：Wind