当前位置：文档之家 › 光大证券-多因子研究系列(五)：动量类因子测试

光大证券-多因子研究系列(五)：动量类因子测试

  • 格式：pdf
  • 大小：1.53 MB
  • 文档页数：67

◆从 IC ቤተ መጻሕፍቲ ባይዱ均值和标准差看，各个动量因子最适合的板块和阶段：
因子
行业
阶段
风格
PM_12M PM_1M PM_24M PM_2M PM_36M PM_3M PM_60M PM_6M PM_9M PM_6MC1M PM_12MC1M PM_12MC6M PM_1DC1M Success PM_1D Price_3M Price_12M PM_5D_Indu1 PM_1M_Indu1 Volume_1MC3M Volume_1M
需要说明的是：
（1） （2）
所有的趋势因子都是根据线性回归确定的。5 年数据要求至少有 3 年的 数据，3 年数据要求至少有 2 年的数据； 所有利润与流量因子均采用滚动数据；
2. 因子评价的方法
这里从预测能力和收益能力两个方面评价因子，我们认为预测能力和收益能力 分别对应因子收益的未来和历史。
图表 4：因子的评价方法
敬请参阅最后一页特别声明
‐4‐
证券研究报告
2012‐09‐11 金融工程 Volume_1MC3M Volume_1M
Volume_1MC3M=过去 1 个月交易量/过去 3 个月的平均交易量 Volume_1M=-(月末交易量/过去 1 月日均交易量-1)*过去 1 个月的收益率
数据来源：光大证券研究所
敬请参阅最后一页特别声明
数据来源：光大证券研究所
（1）因子的 IC
因子 IC 是最重要的因子评价标准，因为通过 IC 可以评价因子的预测能力。事
实上，因子的业绩再好，也只是历史表现好，不能保证未来的组合收益率也会
比较高，因此只有未来收益率较高的因子才是有效的因子。因子 IC 表述了因
子和下期收益率的相关性，如果未来 IC 较高，那么未来组合的收益率也较高。
极大值用最大值替代； 极小值用最小值替代； 缺失值保持 NA； 收益率只处理超过 100%的股票； （7） 因子分位组数：5 组 （8） 买入卖出信号的定义： 买入信号定义为因子值的最高 2 组； 卖出信号的定义为因子值的最低 2 组； （9） 所有因子测试中对 A 股的处理： 因子标准化方法：行业标准化 因子分位数方法：行业分位数 组合权重方法：市值加权 （10） 所有因子测试中对行业和板块的处理： 因子标准化方法：市值标准化 因子分位数方法：普通分位数 组合权重方法：等权重 （11） 组合的更新频率：月频，假定每月最后一个交易日构建组合并持有至 次月最后一个交易日。 需要说明的是上述设定只是在测试因子中我们采用的一种，根据前述报告，可 以进行不同的数据处理。
因子 IC 的所有信息也都是历史 IC，但是我们只能基于历史 IC 来推断未来的 IC。
一个自然的做法是选择 IC 均值较高并且 IC 分布比较稳定的因子，那么如果 IC
服从同一分布，未来 IC 较高的概率也较大。通常选择那些 IC 均值较大、标准
差较小的因子就是基于这种逻辑。
事实上，因子 IC 也说明了因子组合的收益率和因子分位数组合收益率的单调
家用电器、有色金属、餐饮旅游 采掘、有色金属、综合
公用事业、房地产、纺织服装 家用电器、餐饮旅游、采掘 采掘、综合、家用电器 黑色金属、金融服务、采掘
交运设备、信息设备、有色金属
2008-11-28/2012-05-31 2007-01-31/2007-10-31 2008-11-28/2012-05-31 2007-11-30/2008-10-31 2007-01-31/2007-10-31 2007-11-30/2008-10-31 2007-01-31/2007-10-31 2007-11-30/2008-10-31 2008-11-28/2012-05-31 2007-11-30/2008-10-31 2008-11-28/2012-05-31 2007-11-30/2008-10-31 2007-01-31/2007-10-31 2008-11-28/2012-05-31 2007-01-31/2007-10-31 2007-11-30/2008-10-31 2008-11-28/2012-05-31 2007-01-31/2007-10-31 2007-01-31/2007-10-31 2007-01-31/2007-10-31 2008-11-28/2012-05-31
3. 因子测试的结构
对于所有的因子我们统一设定了如下的测试过程： （1） 在整个测试区间、全体 A 股上测试因子； （2） 在不同的市场阶段测试因子，这里根据市场走势将市场划分为三个阶
段： 2007-1-31 到 2007-10-31 2007-11-1 到 2008-10-31 2008-11-1 至今 （3） 在不同的板块上测试因子：包括在不同的行业上、不同的风格上和不 同的成分股空间上。 风格设定是按照市值规模排序，然后将股票排名的 30%、40%、
2012 年 9 月 11 日
金融工程
多因子研究系列（五）——动量类因子测试
金融工程深度
◆因子测试的程序：采用统一的标准化方法对因子进行测试。
所有因子采用统一的筛选和数据清洗，测试区间为 2007 年 1 月-2012 年 5 月，分别测试了因子在 A 股整体、不同市场阶段以及不同风格/行业/成分
股选股的有效性。
家用电器、综合、有色金属 采掘、综合、家用电器
有色金属、黑色金属、家用电器 采掘、农林牧渔、有色金属 采掘、黑色金属、有色金属 采掘、有色金属、农林牧渔 采掘、有色金属、食品饮料 有色金属、采掘、综合 有色金属、综合、采掘 有色金属、采掘、综合
家用电器、农林牧渔、有色金属 综合、农林牧渔、有色金属 综合、采掘、黑色金属 房地产、纺织服装、电子
1. 各类因子的划分
在我们的因子库中将因子划分为 7 个部分： 1) 价值类因子：与股票估值相关的因子，包括常见的 PE、PB 等等； 2) 成长类因子：与股票的业绩成长等相关的因子，常见的净利润增长率、营
业收入增长率等等； 3) 规模类因子：与股票规模相关的因子，常见的总资产、总市值等等； 4) 动量类因子：与股票的价格和交易量变化相关的因子，常见的一个月动量、
◆因子评价的标准：从预测能力和收益能力两方面评价因子。
选择 IC 来评价因子的预测能力，需要观测的方面包括：IC 的均值、IC
的标准差、IC 的分布和 IC 的 T 检验；对因子收益能力的评价主要通过组合
的收益率，需要观测的项目包括：组合的 Alpha 和胜率、收益率的分布、分 组收益率的单调性，以及因子的换手率和最大回撤。
性的预测情况。理论上，如果因子的 IC=1，那么通过因子就能完全预测股票的
收益率，也就能保证因子分位数组合的单调性。所以，IC 的取值越高，相应的
因子组合收益率较高的概率越大，因子组合具有单调性的概率也越大。
我们从如下角度分析因子的 IC：
a)
因子 IC 的均值和标准差：
联系人
倪蕴韬 021‐22169338 niyt@
敬请参阅最后一页特别声明
‐1‐
证券研究报告
2012‐09‐11 金融工程
本报告是多因子系列研究的第五篇，主要给出动量类因子测试的结果。
一． 回溯测试方法概述
在《多因子研究系列（一）——回溯测试的框架》中，我们给出了的回溯测试 方法，按照该方法对动量类因子进行了测试。
3 个月动量等等 5) 情绪类因子：与盈利预测相关的因子，常见的预测评级变动、预测分散度
等； 6) 质量类因子：与股票的财务质量、资本结构相关的因子，如 ROE、资产负
债率等； 7) 技术类因子：与技术指标和风险相关的因子，常见的 MACD、RSI 等。 需要说明的是，预测指标在归类时按照相应的投资逻辑划分，但是考虑到数据 的来源问题，测试时是放在情绪因子中的，具体的就价值类因子而言，相关的 预测 PE、预测 PB 等归类在价值类，但是因子结果将在情绪类因子中给出。
大盘 大盘 大盘 大盘 大盘 大盘 大盘 大盘 大盘 大盘 大盘 大盘 大盘 小盘 大盘 大盘 小盘 大盘 大盘 大盘 大盘
分析师
于栋华 (执业证书编号：S0930510120010) 021‐22169105 yudonghua@
刘道明 (执业证书编号：S0930510120008) 021‐22169109 liudaoming@
A股测试 整个测试区间
•整个股票池
阶段测试 牛市/熊市/震荡市
•整个股票池
板块测试 整个测试区间
•部分股票池 •行业/风格/成分股
行业 特征
风格 特征
日历 特征
宏观 特征
归因 分析
收益率 IC分析 换手率
数据来源：光大证券研究所
二． 动量类因子的定义
我们先来看下所测试的动量因子的定义与因子评价方法。
‐3‐
证券研究报告
2012‐09‐11 金融工程
（4）
30%分别划分为大盘、中盘、小盘 成分股分别测试了沪深 300、中证 500、中证 800 的成分股； 每个测试分析的项目主要是：收益率分析/IC 分析/换手率，以及 Top 组合的行业特征/风格特征/日历特征/归因分析/宏观特征等等。
图表 2：因子测试的过程
‐2‐
证券研究报告
2012‐09‐11 金融工程 敬请参阅最后一页特别声明
预测数据一般起始于 06 年； 成长类数据要求 5 年的数据历史，02 年之前没有季度数据； 综合上述原因，本着对因子进行统一测试比较的原则，选择 2007 年作 为测试起始点； （3） 基准指数统一选择为沪深 300：主要考虑到沪深 300 的市场代表性以及 存在相应的股指期货合约； （4） 所有因子测试中剔除了 3 类股票： ST/PT 股票：对 ST 和 PT 的处理考虑到幸存者偏差问题，只剔除
1. 动量类因子的定义
动量因子的定义参见下表：

合集下载

我国股票市场超额收益影响因素研究——基于Fama-French五因子模型

我国股票市场超额收益影响因素研究——基于Fama-French五因子模型

我国股票市场超额收益影响因素研究——基于Fama-French五因子模型一、前言股票市场的超额收益一直是投资者和学术界关注的焦点。

在传统的资本资产定价模型（CAPM）中，股票市场的超额收益主要由市场风险因素决定。

然而，经过多年的实证研究，学者们发现，传统的单因素模型存在一定的局限性，无法完全解释股票市场超额收益的变动。

因此，学者们提出了更为复杂的多因素模型，以更全面地解释股票市场的超额收益。

本文将基于Fama-French五因子模型，研究我国股票市场的超额收益影响因素，并对研究结果进行分析和讨论。

二、方法和数据本文选取了2010年1月至2021年12月的中国A股市场数据作为研究样本。

首先，我们构建了Fama-French五因子模型，包括市场风险因子（Mkt-RF）、规模因子（SMB）、价值因子（HML）、投资因子（CMA）和动量因子（RMW）。

然后，通过回归分析，研究各因子对股票市场超额收益的影响。

三、模型分析（一）市场风险因子市场风险因子是CAPM模型中的关键因素，研究股票市场超额收益时不可忽视。

通过回归分析，我们发现，市场风险因子对我国股票市场的超额收益有较大的解释能力。

市场风险因子的系数为0.8，具有显著性。

（二）规模因子规模因子是衡量小市值股票相对于大市值股票的超额收益的一个重要指标。

通过回归分析，我们发现，规模因子对我国股票市场的超额收益有显著的贡献。

规模因子的系数为0.5，表明小市值股票相对于大市值股票存在超额收益。

（三）价值因子价值因子是衡量价值股票相对于成长股票的超额收益的一个重要指标。

通过回归分析，我们发现，价值因子对我国股票市场的超额收益有显著的贡献。

价值因子的系数为0.6，表明价值股票相对于成长股票存在超额收益。

（四）投资因子投资因子是衡量投资活跃度与股票市场超额收益之间关系的一个重要指标。

通过回归分析，我们发现，投资因子对我国股票市场的超额收益有显著的贡献。

投资因子的系数为0.4，表明投资行为与股票市场超额收益呈正相关关系。

股票量化投资策略研究：股票多因子策略研究

股票量化投资策略研究：股票多因子策略研究

股票多因子测试入门一、前言做这个研究的目的，一是为了搞清楚股票策略研究中的一些细节问题，熟悉股票研究框架；二是为了大致了解各类因子的作用。

用米筐测，那里数据完善。

现在要做的，主要就是模仿，看别人的。

先学barra。

二、Barra Multiple-Factor Modeling来自Barra Risk Model HandBook。

（一）因子（Descriptor）筛选、单位化处理、搭配然后选择所有备用的因子descriptors（类似因子？以下简称“因子”），要先检验因子的显著性；通常，因子要显著地解释截面收益。

descriptor可来自基本面数据、市场数据（价、量）、或者其他数据。

因子的选择可分为几步：（1）初步筛选；有用的因子，通常要有意义，也就是make sense intuitively；其次，好的因子还必须能够对市场上的所有股票进行很好的分类，也就是完备性，不应当存在某些股票不属于因子中某一类的情况；因子需要有理论基础；（2）同时，增加一个因子如果不能增加解释度，那这个增加没有必要。

然后要将descriptors单位化；很简单，减去均值，然后除以标准差。

然后，要选择不同因子进行搭配，risk index formulation；如何搭配，主观判断起到一定作用；但是诸如cluster analysis之类的统计方法也经常用到。

在单位化以后，我们用收益率对行业和descriptor进行回归，每次测试一个因子，我们要统计回归的显著性；通过上面的测试结果，我们就可以选择出有用的因子；因子搭配，是一个递归的过程，我们首先加入最显著的因子；此后，再加入另一个因子（剩下的因子里面的最显著的？），如果这个因子没有显著增加解释度，则不要这个因子，否则就加入这个新的因子（注：这里依然要考虑行业暴露）。

然后，行业因素也要考虑进行；或者叫，行业暴露。

通常，一个公司只属于一个行业；但是，在美国和日本，会根据该公司营收的比例来决定各个行业暴露的权重。

中国股票市场流动性与动量效应——基于Fama-French五因子模型的进一步研究

中国股票市场流动性与动量效应——基于Fama-French五因子模型的进一步研究

中国股票市场流淌性与动量效应——基于Fama-French五因子模型的进一步探究一、引言股票市场的流淌性和动量效应是金融领域内备受关注的探究领域。

流淌性反映了市场中大量资金的进出程度，而动量效应则揭示了市场中资产价格趋势连续的现象。

本文旨在通过基于Fama-French五因子模型的进一步探究，探讨中国股票市场中流淌性与动量效应之间的干系，并提出相关政策建议。

二、文献综述Fama-French五因子模型是目前较为广泛使用的资本资产定价模型，由Eugene F. Fama和Kenneth R. French提出。

该模型引入了规模因子和价值因子，相对于传统的CAPM模型，Fama-French五因子模型具有更好的诠释力和猜测能力。

在股票市场流淌性与动量效应的探究中，文献普遍认为，流淌性与动量效应之间存在着密切的干系。

流淌性越高的市场，资产价格的持续性越强，即动量效应越明显。

同时，流淌性对于动量效应的形成也起到了重要的推动作用。

然而，对于中国股票市场中流淌性与动量效应的干系探究相对较少，为了更好地理解中国市场的特点，有必要进行更加深度的探究。

三、方法与数据本探究基于Fama-French五因子模型，将市场规模因子、市场价值因子、市场动量因子、市场流淌性因子和市场收益率作为诠释变量，构建回归模型，探究其对中国股票市场的影响。

为了实证分析中国股票市场的流淌性与动量效应，本文选取了2005年至2019年的日度数据。

样本遮盖了中国主要股票市场的A股市场，并思量了市场流淌性和股票价格的季节性因素。

四、实证结果与分析本文的实证结果显示，中国股票市场中存在明显的流淌性与动量效应。

起首，流淌性与动量效应呈现正相关干系。

即市场流淌性越高，动量效应越明显。

这表明资产价格在高流淌性市场中更容易出现趋势性的连续现象。

其次，市场规模和市场价值对动量效应的诠释力较弱，而市场动量因子和市场收益率对动量效应具有显著影响。

这表明市场的整体涨跌趋势和市场的历史收益率对于股票价格的趋势连续起到了重要推动作用。

多因子量化选股策略

多因子量化选股策略

多因子量化选股策略多因子策略的核心理念是市场上股票的回报不仅取决于整体市场的因素，还受到公司基本面、市场情绪、估值和技术指标等多个因素的影响。

通过综合考虑这些因素，可以更加全面地衡量股票的投资价值，提高选股的准确性和整体回报的稳定性。

在构建多因子选股策略时，首先需要确定一系列的因子指标。

常见的因子包括：估值因子（如市盈率、市净率）、成长因子（如营收增长率、净利润增长率）、盈利质量因子（如现金流量比率、资产负债率）、市场情绪因子（如市场波动率、投资者情绪指标）、技术指标（如动量指标、相对强弱指标）等。

这些因子都各自代表了一方面的股票表现，通过综合考虑这些因子，可以形成一个全面的股票选股模型。

其次，需要对每个因子进行权重分配。

在分配权重时，可以根据因子的相关性、历史表现、理论依据等进行判断。

一种常见的方法是通过回归分析来确定每个因子的权重，使得选股模型能够最大程度地解释股票的回报。

最后，在确定了因子和权重之后，就可以应用量化的方法来进行选股和构建投资组合。

通过计算每只股票的因子得分，并根据得分进行排名，可以挑选出相对较好的个股。

同时，还可以通过将这些个股按照一定的规则组合成投资组合，以实现更好的风险和收益平衡。

需要注意的是，多因子量化选股策略并不是一成不变的，随着市场环境和投资者偏好的变化，策略的因子和权重也需要不断调整优化。

此外，考虑到人为主观因素的干扰，量化选股策略也需要定期进行回测和验证，以确保策略的有效性和稳定性。

总体而言，多因子量化选股策略是一种科学系统的选股方法，能够通过综合考虑多个因素来提高选股的准确性和投资组合的稳定性。

然而，对于普通股民而言，如果没有专业的量化模型和数据分析能力，参与多因子量化选股需要有专业投资顾问的指导和支持，以避免不必要的风险和误判。

文档推荐

最新文档