因子择时指标的筛选-海通证券-20180104
由qxiao创建，最终由qxiao 被浏览 130 用户
摘要
自2017年以来，多因子模型中常用的选股因子皆出现了不同程度的波动。因此，因子收益的预测就变得至关重要。系列前期专题报告《选股因子系列研究(二十)——基于条件期望的因子择时模型》就对于常见选股因子收益的预测进行了初步讨论。专题报告《选股因子系列研究(三十)——因子择时模型改进与择时指标库构建》对于因子择时模型进行了改进并对于择时变量库的构建进行了讨论。本文将重点讨论择时变量的筛选以及择时模型的相关扩展应用
可使用套索回归进行择时变量筛选以及因子收益预测
在2016年12月30日至2017年12月29日间，因子择时模型收益为12.3%，基准组合收益为-20.9%。在2008年12月31日至2017年12月29日间，因子择时模型年化收益约为44.2%，基准模型年化收益约为51.7%。
可使用弹性网回归进行择时变量筛选以及因子收益预测
在2016年12月30日至2017年12月29日间，因子择时模型收益为11.4%，基准组合收益为-20.9%。在2008年12月31日至2017年12月29日间，因子择时模型年化收益约为44.3%，基准模型年化收益约为51.7%
因子择时模型可扩展为衰减加权的因子择时模型
在2016年12月30日至2017年12月29日间，因子择时模型收益为15.4%，基准组合收益为-17.5%。在2010年12月31日至2017年12月29日间，因子择时模型年化收益约为33.9%，基准模型年化收益约为37.5%
因子择时模型可与风险控制模型结合构成指数增强组合
在2016年12月30日至2017年12月29日间，因子择时沪深300增强收益为30.6%，基准沪深300增强组合收益为25.5%。在2008年12月31日至2017年12月29日间，因子择时增强组合年化收益约为16.9%，基准增强组合年化收益约为17.5%
因子择时模型可退化为风格概率模型并应用至风格轮动上
由于每个因子都可被看作为一种风格，因子择时模型得到的因子收益预测实际上可以协助进行风格轮动。然而传统的因子收益预测值，如IC或者回归BETA，都较为抽象，对于因子选股较为陌生的投资者无法直接使用。对于这一问题，回归法下的因子择时模型经过小幅调整可以进一步扩展为风格概率模型，从而更加直观地协助投资者进行风格轮动
正文
/wiki/static/upload/5e/5ed7ee03-a740-49cd-b4f7-f8c73cdfa44a.pdf
\