金融工程 专题报告 破解Alpha投资困境:因子择时方案再探索 ——量化研究系列报告之十九 报告日期:2024-09-13 主要观点: 分析师:严佳炜 执业证书号:S0010520070001邮箱:yanjw@hazq.com 联系人:吴正宇 执业证书号:S0010522090001邮箱:wuzy@hazq.com 相关报告 1.《企业利润分配策略:短期股东回报与长期价值创造的平衡——量化研究系列报告之十八》2024-8-14 2.《另辟蹊径:发掘分析师因子中的另类alpha——量化研究系列报告之十七》2024-6-12 3.《探索股价动态关联,捕捉属性敏感的动量溢出——量化研究系列报告之十六》2024-3-21 4.《加速换手因子:“适逢其时”的换手奥秘——量化研究系列报告之十 �》2024-3-16 5.《风格轮动三部曲:重构、探索和实践——量化研究系列报告之十四》2023-12-17 6.《PB之变:精细分拆,新生华彩— —量化研究系列报告之十三》2023- 12-17 Alpha因子的演化与挑战 多因子模型,作为量化投资界的关键工具,已积累深厚的海内外理论与实践基础。在国内资本市场,机构投资者亦多以其为核心择股框 架。但随着市场演变,alpha因子日趋beta化,持续产生alpha的因 子变得稀少。在此背景下,新alpha因子挖掘和优化变得困难,传统方 法能提供的增量相对有限。同时,深度学习虽强大,但因其“黑箱”性,在投资回撤时进行灵活调整较为困难。因此,当前市场环境下,建立多维度因子择时体系至关重要。 探寻因子择时的外生性和内生性因素 外生性变量方面,我们创新的宏观因子择时框架融合了货币-信用周期与宏观事件:首先通过货币-信用周期来划分宏观环境,进而根据不同场景,利用统计检验严格筛选出有效的宏观事件,以此作为因子择时的依据。结果表明,同一宏观事件在不同周期中的择时表现有显著差异,且分周期宏观事件法在因子择时上效果稳健。内生性变量方面,我们创新性地引入了换手IC,并借鉴了CTA的做法,将“CTA”择时理念引入因子有效性走势的分析之中,基于标准化后的数据划定信号 触发区间。我们发现,在时序维度上,基本面和反转因子存在显著的动 量效应,而防御和流动性因子展现反转特性。 因子择时对指数增强策略增量显著 通过复合宏观事件、因子动量和离散度信号,验证了综合信号对指数增强组合的增量贡献。基于因子择时策略的沪深300增强组合的年化超额收益为15.32%,相较于原增强组合在年化超额收益方面提升了 2.6%,信息比由3.10提升至3.46,最大相对回撤由-7.3%降低至- 5.3%。基于因子择时策略的中证500增强组合的年化超额收益为 19.59%,相较于原增强组合在年化超额收益方面提升了2.6%,信息比由3.02提升至3.32。基于因子择时策略的中证1000增强组合的年化超额收益为19.84%,相较于原增强组合在年化超额收益方面提升了2.1%,信息比由2.87提升至3.14,最大相对回撤由-9.8%降低至- 8.2%。 风险提示 本报告基于历史个股数据进行测试,历史回测结果不代表未来收益。未来市场风格可能切换,Alpha因子可能失效,本文内容仅供参考。 敬请参阅末页重要声明及评级说明证券研究报告 正文目录 1ALPHA因子的演化与挑战5 1.1ALPHA因子BETA化日益明显5 1.2ALPHA增量难寻,深度学习存在可解释性难题7 1.3亟待破局:规避风险与因子择时的抉择8 2融合宏观周期与事件,探析因子择时的外生性10 2.1揭秘因子择时的定义与应用10 2.2战略性视角:基于货币-信用周期的因子择时14 2.2.1货币流动性15 2.2.2信用环境18 2.2.3货币-信用周期对因子收益的影响19 2.3战术性视角:分区制宏观事件择时策略20 3挖掘因子择时的内生性因素25 3.1因子动量:有效区间突破信号25 3.2因子离散度:高/低位突破信号30 4因子择时在指数增强模型中的应用34 5总结41 风险提示:42 图表目录 图表12010.1-2019.12因子RANKIC均值和标准差5 图表22020.1-2024.7因子RANKIC均值和标准差5 图表3大类因子全市场分十组多空净值走势(2012.12.31-2024.7.31)6 图表4大类因子全市场分十组多空分年度表现(2012.12.31-2024.7.31)6 图表5ALPHA因子优化本质示意图7 图表6加速换手因子和月换手率因子全市场分十组多空和多头超额净值走势8 图表7加速换手因子和月换手率因子分年度表现对比8 图表8中证500增强策略净值走势(2012.12.31-2024.8.30)9 图表9中证500增强策略分年度表现(2012.12.31-2024.8.30)9 图表10因子择时VS因子配置VS风格轮动11 图表11因子明细11 图表12行业市值中性化后的大类因子RANKIC相关性(2004.12.31-2024.7.31)12 图表13行业市值中性化后的大类因子多空收益相关性(2004.12.31-2024.7.31)12 图表14行业市值中性化后的大类因子多头超额相关性(2004.12.31-2024.7.31)12 图表15大类因子选股有效性汇总(2004.12.31-2024.7.31)13 图表16大类因子全市场多空组合分年度表现(2004.12.31-2024.7.31)13 图表17基本面因子月度IC分布图14 图表18工业增加值和CPI同比周期性特征减弱15 图表19R007、SHIBOR3个月和货币周期划分(LAMBDA=14400)17 图表20R007、SHIBOR3个月和货币周期划分(LAMBDA=600)18 图表21社融同比和信用周期划分19 图表22不同货币-信用周期下因子月均IC表现20 图表23不同货币-信用周期下因子月均多空表现20 图表24宏观因子在不同时期的择时表现21 图表25宏观事件模式22 图表26不同货币-信用阶段下PPI-CPI因子对基本面因子的择时表现22 图表27不同事件数下宏观事件对基本面因子的影响23 图表28分周期宏观事件对防御、反转和流动性性因子样本内外的择时效果24 图表29各因子分周期有效宏观事件汇总24 图表30基本面因子IC_TO的时序ZSCORE对未来RANKIC的影响26 图表31不同参数下基本面因子IC_TO区间突破信号的因子择时有效性27 图表32换手IC区间突破信号对基本面因子择时能力强于常规IC27 图表33不同参数下防御因子换手IC区间突破信号对因子预测能力的影响28 图表34防御因子RANKIC的时序ZSCORE与未来1个月的RANKIC负相关28 图表35不同参数下防御因子IC区间突破信号对因子预测能力的影响29 图表36反转因子换手IC区间突破的因子择时有效性29 图表37反转因子IC区间突破的因子择时有效性29 图表38流动性因子换手IC区间突破的因子择时有效性30 图表39流动性因子IC区间突破的因子择时有效性30 图表40基本面因子子类因子离散度突破信号择时绩效汇总31 图表41基本面因子综合离散度突破信号择时绩效汇总31 图表42防御因子子类特征离散度突破信号择时绩效汇总32 图表43防御因子综合离散度突破信号择时绩效汇总32 图表44反转因子特征综合离散度突破信号择时绩效汇总32 图表45流动性因子特征综合离散度突破信号择时绩效汇总33 图表46流动性因子特征综合离散度和未来一个月RANKIC总体呈正相关33 图表47流动性因子特征综合离散度负向区分未来一个月多头超额收益33 图表48因子动量和离散度的择时信号汇总34 图表49基于宏观、因子动量和离散度的三维因子择时框架34 图表50基本面因子原始及择时下多头超额净值35 图表51防御因子原始及择时下多头超额净值36 图表52反转因子原始及择时下多头超额净值36 图表53流动性因子原始及择时下多头超额净值37 图表54沪深300指数增强策略历史净值走势(2013.1.1-2024.8.30)38 图表55沪深300指数增强策略分年度表现(2013.1.1-2024.08.30)39 图表56中证500指数增强策略历史净值走势(2013.1.1-2024.8.30)39 图表57中证500指数增强策略分年度表现(2013.1.1-2024.08.30)40 图表58中证1000指数增强策略历史净值走势(2014.12.1-2024.8.30)40 图表59中证1000指数增强策略分年度表现(2014.12.1-2024.8.30)41 1Alpha因子的演化与挑战 多因子模型在海内外拥有深厚的发展积淀,其历史可谓源远流长。如今,国内量化机构投资者在投资决策中,也主要依托多因子体系进行择股。在早期,得益于国内量化研究存在一定的后发优势,加之从业人员对海内外学术文献的深入研读和广泛涉猎,量化研究在近年来取得了显著的进步。特别是在因子挖掘和模型迭代方面,速度迅猛,成果显著。 1.1Alpha因子beta化日益明显 构建一套完善的多因子模型关键在于广泛挖掘一系列既稳定有效,又具备多元化收益来源的alpha因子。随后,运用特定的配置模型整合这些因子,以获得个股的alpha预测值。最后,根据投资目标借助组合优化技术确定股票的权重。“工欲善其事,必先利其器”,在多因子选股框架中,Alpha因子的质量直接关系到收益预测 的精准度,因此它始终是量化研究领域的核心焦点。 然而,经过长期的市场观察,我们发现稳定且有效的alpha因子数量正日益减少。为了考察这一现象,我们统计了两个时间段2010年1月到2019年12月,以 及2020年1月至2024年7月期间alpha因子的表现。 下图中,横轴代表RankIC均值,而纵轴代表RankIC标准差,可通过这两个维度考察、区分alpha因子和风险因子:alpha因子位于第四象限(即具有高均值和低波动的特点),而风险因子落在第二象限(即具有低均值和高波动的特征)。至于位于第一象限的因子,我们可将其视为处于alpha与风险因子之间模糊区域的因子。值得注意的是,因子的整体绩效表现从原本主要聚集在右下角,即高均值,低波动的区域,逐渐向左上方的高均值、高波动区域迁移。这一变化直观地反映出,真正具备alpha特性的因子数量正在显著减少,越来越多的因子的选股能力展现出了不稳定性,市场环境的复杂多变对因子有效性的挑战日益加剧。 图表12010.1-2019.12因子RankIC均值和标准差图表22020.1-2024.7因子RankIC均值和标准差 资料来源:wind资讯,华安证券研究所资料来源:wind资讯,华安证券研究所 上述统计数据主要揭示了从个体因子层面所展现出的稳定性下降的趋势,而多因子模型的核心理念是通过多元化因子的融合,实现收益来源的分散,以此增强组合超额收益的稳定性。在此框架下,即便个体因子存在波动,通过定期的因子筛选机制或者增厚因子库的广度和深度,均可有效规避或平抑这些波动。那么,若我们将视角拓宽至更为宏观的大类因子层面,是否还会观察到类似的现象呢?为此,从因 子库中挑选长期表现优异的因子合成大类,在全市场内分十组回测其多空表现:长期而言,量价类因子的多空表现显著强于基本面因子,但考虑到多空端收益分布以及选股域的问题,实际上量价因子对多头组合的实际贡献低于“纸面”测试结果。另外,从时序走势来看,各类因子的强弱周期分布较为清晰。具体来看,基本面因子在2013、2015、2017、2019、2020以及2024年表现出色;价值和低波因子强势期主要集中在2014、2016、2017以及2022至2024年;而流动性因子可谓是大类因子中的一颗常青树,长期以来保持稳定的表现,但由于其多头组合聚焦于那些流动性较差的股票,导致换手类因子对于组合的边际增量贡献大打折扣。 由此可见,即使是大类因子,其表现也具有一定的周期性。严格来说