情境分析框架下的多因子模型优化

摘要

基于Fama-French三因子模型(1993)发展出的传统多因子选股理论往往侧重于对有效因子的检验和过滤，并默认将筛选出的有效因子作为评估标准用于比较全部纳入考量范围的股票。在此之后部分学者的相关实证检验显示，对不同类别和属性的股票采取同样的评价标准某些时候会导致选股失败，更合乎逻辑的做法应当是在充分分析了股票个体特征的基础上审慎运用选股因子，并针对有差异的股票分别赋予合理的因子权重。
　　本文基于Sorensen，Hua和Qian(2005)年提出的情境分析方法，为多因子模型的构建开拓出一套新的思路和方案——承认股票之间是有差异的，并允许在实际选取股票时，对不同特征和属性的股票做差异化处理。本文所指情境，可简单理解为基于对股票属性度量结果的类别划分。具体的选股步骤包括:首先判断股票所属的若干情境，而后在各个情境中分别以同类股票为参考系建立多因子模型，最后综合各个情境下的分析结果得出股票的综合得分，由此既兼顾了股票自身特点，最终的综合得分也完全可以用于情境差异较大股票之间的比较。
　　本文围绕市场中常见的11大类共76个因子，选取A股市场截至2013年IPO暂停时期存续状态为可交易的共计2468只股票，通过测试2006年12月29日至2015年12月29日的因子及收益率数据筛选出了8个Alpha因子和4个情境分层因子:Alpha因子的选取原则包括选股逻辑成立、因子之间相关性低、数据易得且对股票的覆盖率高、稳定性强（或至少因子选股收益能覆盖调仓成本）;情境分层因子的选取标准为:在该因子主导的情境分层下，不同类别的股票集合中Alpha因子的预测效力须呈现出较显著差异。
　　在选出情境分层因子和Alpha因子后，为进一步求出股票最终的情境加权因子数值，本文计算了各时间截面上的因子情境加权矩阵和全部股票的因子情境特征向量分数，最终合成出了情境加权因子，作为具体实施策略的依据。
　　情境分析多因子选股策略的基本设定为:对截面内全部股票依照情境加权因子排序并分成十组，做多最高因子数值组的股票并做空最低因子数值组的股票，以单边交易额的千分之一点五计算交易成本，月度调仓。为测试情境分析方法的效果，本文以无情境分析的多因子模型和同期中证500指数表现作为对照组进行分析。
　　除以2007年至2015年数据做样本内检验外，本文还以2016年全年数据做了样本外检验。实证结果显示:不论样本内还是样本外检验，情境分析多因子策略相比对照组，都能提高年化收益率，大幅降低年化波动率并将最大回撤基本控制在10％以内，这显示出了情境分析多因子模型极强的风险控制能力。此外，并非情境设置越多模型效果越好，以交易活跃度划分的单情境多因子模型样本内年化收益达19.72％，样本外年化收益率达15.70％，均超过了四情境分析多因子模型，以上现象很可能与中国特色的股票市场发展阶段相关，而背后的理论依据仍待进一步挖掘。
　　本文实证结果较强的说服力也为投资基金经理们提供一种全新的多因子选股思路——与其对所有股票一视同仁处理，探索逻辑自洽且实证有效的统一标准，倒不如结合股票实际情况，量身打造适合其自身的评价体系，并据此筛选投资组合。笔者期待早日看到情境分析多因子策略在中国股票市场的实盘表现。

目录

声明

摘要

第1章 引言

1．1．2 研究意义

1．1．3 研究内容及框架

1．1．4 研究创新与不足

2．1 国外研究

2．2 国内研究

2．3 研究不足

第3章 多因子选股模型的发展与基本理论

3．1 资本资产定价模型(CAPM)

3．2 套利定价模型(APT)

3．3 多因子模型(MFM)

3．4 情境分析框架下的多因子模型

第4章 多因子模型开始前的数据采集和筛选

4．1 股票价格数据

4．2 因子数据采集

4．3 因子数据处理

4．3．1 去极值

4．3．2 标准化

4．4 Alpha因子初步筛选

4．4．1 因子筛选条件

4．4．2 因子筛选方法

4．4．3 因子筛选结果

4．5 情境分层因子选取

4．5．1 情境选取原则

4．5．2 情境选取方法

4．5．3 情境选取结果

4．5．4 Alpha因子在不同情境下的表现

4．6 Alpha因子再次筛选

第5章 情境加权因子构建

5．1 因子情境加权矩阵

5．2 股票的情境特征向量

5．3 情境加权因子数值计算

第6章 情境分析多因子选股策略实现

6．1 回测数据及时间区间

6．2 策略介绍

6．3 样本内策略运行结果

6．4 样本外策略运行结果

第7章 结论与展望

7．1．2 投资建议

7．2 未来展望

参考文献

附录

致谢

个人简历 在读期间发表的学术论文与研究成果