核心观点与关键数据
本文主要考察了基于偏最小二乘法（PLS）模型复合因子预期收益信号在因子加权中的应用，包括单因子多策略和多因子单策略两个维度。
1. 因子择时指标及PLS加权模型介绍
- 常见的因子择时指标包括动量、波动率、拥挤度和市场涨跌等。
- PLS模型可以在自变量存在相关性的条件下进行回归建模，通过潜变量方式提取自变量中的有效信息。
- 构建PLS模型时，因变量为因子月收益率，自变量包括不同回看窗口的因子收益、波动率、拥挤度和市场涨跌状态等7个指标。
2. 因子组合加权中的应用
2.1 单因子多头组合加权
- 构建单因子多头组合，月度调仓，选择因子得分最高的100只股票构建等权组合。
- 对历史上曾经有过显著超额收益的因子（剔除反转、PB、改进动量、现金利润占比4个因子）进行择时。
- 采用PLS模型预期收益加权单因子组合，相较于收益均值加权方式，年化收益提升约4.0%；相较于等权加权方式，年化收益提升约6.6%。
- 对波动最大的5个因子采用PLS模型择时收益加权，复合组合相对wind全A指数年化超额13.7%，月胜率69.5%，年胜率100%。
2.2 风格组合配置中的应用
- 构建了6个基础风格组合：红利优选、成长期优选、两个小市值组合（偏高增长、偏价值）、两个风格均衡组合（PB盈利和GARP）。
- 6个基础风格组合等权复合，年化收益24.7%，相较于wind全A指数年化超额20.6%。
- 采用PLS模型预期收益加权复合策略，年化收益28.6%，相较于等权加权方式年化提升3.3%。
- 以PLS预期收益加权复合组合作为股票端配置资产，中证短债指数作为债券端资产，构建20%股票仓位的股债复合量化固收+策略，2018年以来年化收益8.4%，年化波动率5.1%，信息比1.65。
3. 多因子模型加权中的应用
3.1 PLS预期收益加权的多因子模型
- 基于IC均值加权、ICIR加权、PLS加权方式构建多因子模型。
- 采用PLS模型预期收益加权，模型月均预期IC可提升至8.8%，信息比相对更高。
- PLS加权方式在市值组别中并非都优于ICIR加权方式，相对而言更擅长风格之间的配置。
- PLS加权的多因子模型top100组合年化收益27.4%，相对中证500指数年化超额25.9%，相较于IC均值加权方式年化收益提升约9.8%。
3.2 top100组合在固收+策略中的应用
- 以PLS加权的因子组合作为股票端资产，中证短债指数作为债券端资产，构建20%股票仓位的股债复合量化固收+策略。
- 全区间来看，固收+组合2018年以来年化收益8.1%，年化波动率和最大回撤分别为5.6%、5.4%；除2020年外，其余年份均排在前1/2。
4. 总结
- 在单因子多组合维度，对波动最大的因子采用PLS模型预期的因子收益确定权重，年化收益提升约4.0%；相较于等权方式，年化收益提升约6.6%。
- 在风格组合复合维度，对超额收益波动最大的组合采用PLS模型预期的因子收益作为加权权重，年化收益提升约3.3%；相较于等权方式，年化收益提升约3.9%。
- 在多因子策略中，采用PLS模型确定因子权重，可改善多因子模型预期IC和top100多头组合业绩表现，但并非在每一个截面都成立。
- 时序角度，IC均值加权、ICIR加权、PLS加权方式各有优劣，PLS加权方式整体更为稳健，但在因子动量持续强时表现不如IC均值加权、ICIR加权。
- 以PLS模型预期收益构建的多因子模型top100组合作为股票端资产，中证短债指数作为债券端资产，构建20%股票仓位的股债复合量化固收+策略，年化收益8.1%，年化波动率和最大回撤分别为5.6%、5.4%。
5. 风险提示
- 本文结论通过统计分析得出，存在历史统计规律失效风险、因子失效风险、模型误设风险。
- 采用PLS模型确定因子权重，仅提供了一个可以尝试的选项，并不一定适用所有的因子组合。
