因子手工作坊系列(6)：日度量价因子的统一线性框架

核心结论

本文借鉴《A Unified Framework for Anomalies Based on Daily Returns》一文，搭建了日度量价因子的统一线性框架，并构建了DRI和DTI因子，与传统函数类因子及机器学习方法进行对比。

主要结论

1. DRI因子：通过直接利用完整的月内日收益率序列建立线性预测回归模型，得到DRI因子。其IC为0.056，胜率71.63%，年化ICIR为1.830；多空组合年化收益率为21.80%，多头组合年化超额收益率为8.93%，均优于短期反转、最高单日收益率及它们的复合因子。DRI因子的单调性显著优于传统函数类因子。
2. DTI因子：在DRI模型的基础上，用换手率序列替换收益率序列，构造DTI因子。DTI因子IC均值为0.064，年化ICIR达2.382，多空年化收益率提高至26.47%。在双重排序检验中，DTI因子在控制日均换手率因子后仍表现出良好单调性与显著的多空收益。
3. DMI_2因子：将DRI与DTI因子等权复合得到DMI_2因子，其在各项绩效指标上均达到最优水平。DMI_2因子的IC均值0.070，ICIR为2.473，多空年化收益率约29.28%，单调性也显著改善。经过多重检验，DMI_2因子能够提供较为独立的新信息，其收益来源也无法被现有的定价模型所解释。

方法与结果

1. 传统函数类因子：考察了短期反转因子、最高单日收益率因子及其复合因子，发现其单调性不佳，整体表现弱于DRI因子。
2. DRI因子计算：利用月内日收益率的时间序列和排序序列建立线性模型，通过弹性网络回归估计系数，得到DRI因子。
3. DTI因子计算：将DRI模型中的收益率序列替换为换手率序列，得到DTI因子。
4. DMI_2因子计算：将DRI和DTI因子等权相加，得到DMI_2因子。
5. 多重检验：通过双重排序检验、Fama-MacBeth回归、时间序列回归等方法，验证DMI_2因子的有效性和独立性。

研究结论

1. 日度量价因子的统一线性框架具备较强的拓展性，可以作为构建量价因子的一类统一模式。
2. 与函数类因子相比，该框架不仅灵活，而且可以捕捉更多有效信息。
3. 与机器学习乃至神经网络相比，该框架胜在直观性和可解释性。
4. DMI_2因子能够提供较为独立的新信息，其收益来源也无法被现有的定价模型所解释，可以作为传统函数类量价因子的有效替代和补充。