公司资讯

您的位置 > 首页 > 公司资讯 > 研究视点
公司资讯

研究视点

专栏:因子策略思考

来源:基金视窗 作者:摩根士丹利华鑫基金数量化投资部 王应林 发布日期:2019-12-31

多因子模型是目前量化基金中应用最广泛的一种因子投资方式。本文就笔者对因子投资的理解及对因子策略构建的思考做简要的介绍。

一、      因子投资

1、 定义:凡是通过主动管理的方式有意识地暴露到某些因子上来试图获得超额收益的投资方式称为因子投资。比较常见的因子有:估值、市值、波动率、动量/反转、低换手率、股息率、财务质量等。

2、 超额收益:在认为市场是有效的前提下,因子能带来额外超额收益必然承担了额外的风险,即因子溢价就是风险溢价。行为金融学则认为市场中并非都是理性人,而是有一部分人在系统性地犯某些错误,即因子溢价赚取的是其他人行为偏差带来的额外收益。市场在大多数时候和总体上有效的,但是笔者认为在少数时间以及局部上是非有效的。

3、 因子投资策略:从超额收益的来源可知,首先,大多数因子在大多数时候都是风险因子,因子投资的超额收益都是来源于因子的风险溢价,所以在构建因子投资策略的时候对风险因子暴露度的控制就尤为重要,我们可以对愿意承担一定风险的风险因子进行适当暴露,而严格控制其它风险因子的暴露度。其次,少数因子在特定的股票池和时间内,因子溢价赚取的是市场定价偏差的钱,这些因子有望获取稳定的阿尔法,我们需要在组合中着重暴露这些阿尔法因子。

4、 因子投资流程:传统的结构化多因子模型的投资流程首先是对N个因子进行去极值、标准化和正交化的数据预处理;其次基于因子打分模型对多因子进行组合得到个股的因子得分;最后利用组合优化算法,在控制个股权重、行业权重和风格暴露等条件下,确定最大化目标函数的股票权重。非结构化的多因子模型是在传统多因子模型的基础上对因子的应用情景进行限定,同时考虑到因子的适用范围(因子域)和有效时间(因子择时),本质上是条件概率函数。

二、      因子策略构建的几点思考

1、 因子域:对于不同的股票池,因子的有效性差别较大,所以基于特定股票池的逻辑添加一些有效因子到组合里面是必要的,比如科技行业里面的研发支出占比因子。所以在构建因子策略的时候可以在大模型基础上针对细分的股票池做精细化管理。

2、 因子择时:短期的因子择时难度很大,但是长周期的因子择时则是必要的,因子策略构建时可以通过对风险因子暴露度的控制来达到因子择时的目的。因子择时的效果依赖于对外在市场风格的大方向判断,比如当前估值因子持续回撤,从均值回复的角度来看,未来继续回撤的概率较低。

3、 因子组合:在做因子加权之前应该做相关性和底层逻辑分析,关联性较大的多个因子可以当成一类因子处理,因子加权方式可以用ICIR和因子收益预测等加权方式,但对每类因子的权重有必要约束到一定水平。

4、 因子有效性:1)定期对组合收益进行因子分解,更好的定位每类因子的收益情况;2)对风险因子的有效性进行跟踪,对于一些极端的因子(因子拥挤度很高,和过去一段时间因子回撤较大),在构建因子组合的时候可以采用更加保守的做法,把因子的暴露度降低。

5、 阿尔法因子来源:1)基于A股交易制度形成的阿尔法因子,比如A股做空比较难,所有很多因子的空头端的负超额收益比较明显,由于T+1的交易制度,一些短线的日内回转策略收益也较高。2)基于投资者结构的因子,随着外资的话语权的不断提升,陆股通持仓占比等因子的有效性逐渐明显;3)基于公司基本面的财务因子:需要对公司商业模式和护城河有深刻的理解,比如ROE因子一方面反映了公司的盈利能力,另一方面,对ROE进行拆分可以得到不同公司商业模型和管理水平的差异。

6、 负向阿尔法因子:因为A股较难做空,负向因子的阿尔法对于大多数策略来说很难获取,但对于指数增强模型,可以利用负超额阿尔法因子进行股票池的剔除,也可以在底仓中做因子多空的策略,并且多数财务及技术面因子的空头端的负超额收益都比较显著。