核心观点与关键数据
本报告探讨了如何克服因子在不同选股域中的表现差异，提出通过市值和风格因子加权复合来提升因子在特定选股域的表现。
市值分域的线性回归模型
- 因子分类：将常用因子分为5类：市值平方、分红、ROE_SUE、日度量价数据、高频量价数据。
- 市值加权方法：采用KMedian聚类将全市场股票分为11类，并尝试不同权重分配方式（base_w为0.9、0.5、0）对市值分组进行加权。
- 市值加权效果：
- 全市场：大市值加权削弱因子多空表现，小市值加权提升量价因子IC。
- 沪深300：大市值加权提升因子表现，年化超额提升超过1%。
- 中证500：大市值加权提升因子表现，年化超额提升约1%。
- 中证1000：小市值加权提升因子表现，但加权效果不稳定。
市值加权的复合因子组合表现
- 组合约束：基于市值分组权重配置组合权重，周度调仓单边0.15%手续费。
- 沪深300增强：极端大市值加权提升组合表现，年化超额提升超过1%。
- 中证500增强：市值加权提升组合表现，年化超额提升约1%。
- 中证1000增强：市值加权无法稳定提升组合表现。
市值加权的交叉复合因子表现
- 交叉复合方法：基于个股市值分组选择对应加权因子。
- 交叉复合效果：
- 沪深300：效果略低于基于指数选择参数的复合，但参数敏感性更弱。
- 中证500：严约束组合中提升效果略有提升。
- 中证1000：效果与基于指数选择参数的复合接近，均无显著改善。
多风格因子加权的复合因子表现
- 风格因子分类：市值、市值三次方、估值、价值-成长指标、行业。
- 风格加权效果：
- 单因子表现：风格加权后因子表现提升不明显。
- 沪深300增强：风格加权效果略差于市值加权。
- 中证500增强：交叉复合方式提升效果更优，成分复合方式无显著改进。
- 中证1000增强：宽约束组合效果不佳，严约束组合成分复合方式有一定提升效果，年化提升1%左右。
研究结论
- 市值加权：可以有效提升因子在沪深300、中证500成分股中的表现，但对中证1000增强组合效果不稳定。
- 交叉复合：参数敏感性较低，但对组合提升效果有限。
- 风格加权：对组合提升效果不稳定，仅在特定条件下（如中证500严约束组合）有一定效果。
- 深度学习：建议利用深度学习算法帮助确认因子权重，尤其是量价逻辑因子。
风险提示
市场系统性风险、海外市场波动风险、模型误设风险。
