量化因子与构建方式 - 套索回归因子择时模型 - 因子构建思路：套索回归模型（Lasso）通过L1正则化实现变量选择和参数估计[10][11] - 因子的公式： $\operatorname*{min}_{\beta_{0},\beta}(\frac{1}{2N}{\sum_{i=1}^{N}}{\left(y_{i}-\beta_{0}-x_{i}^{T}\beta\right)}^{2}+\lambda{\sum_{j=1}^{p}}{\left|\beta_{j}\right|})$ - 文章对因子的评价：套索回归下的因子择时模型虽然无法在全区间战胜基准组合，但在因子波动较大时，因子择时会带来明显的收益补偿[14][15] - 弹性网回归因子择时模型 - 因子构建思路：弹性网模型结合了岭回归和套索回归的优点，通过L1和L2范数的组合实现变量选择和参数估计[18][19] - 因子的公式： $\operatorname*{min}_{\beta_{0},\beta}(\frac{1}{2N}{\sum_{i=1}^{N}}{\left(y_{i}-\beta_{0}-x_{i}^{T}\beta\right)}^{2}+\lambda(\alpha{\sum_{j=1}^{p}}{\left|\beta_{j}\right|}+(\frac{1-\alpha}{2}){\sum_{j=1}^{p}}\beta_{j}^{2}))$ - 文章对因子的评价：弹性网回归下的因子择时模型在因子权重配臵上具有极强的灵活性，表现与套索模型无明显区别[21][22] - 衰减加权因子择时模型 - 因子构建思路：在预测因子收益时基于因子历史收益表现进行衰减加权，设定半衰期为12个月[27][28] - 文章对因子的评价：衰减加权的因子择时模型在因子收益波动较大的时间段中，依旧具有较为灵活的因子权重分配能力[30][32] - 风格概率模型 - 因子构建思路：通过Logistic回归，使用因子择时模型得到下一个月因子IC为正、因子回归BETA为正或者因子多空收益为正的概率[37] - 因子的公式： $log{\frac{P_{t}}{1-P_{t}}}=\alpha+C_{1,t}X_{1,t}+C_{2,t}X_{2,t}+\cdots+C_{N,t}X_{N,t}+\varepsilon_{t}$ - 文章对因子的评价：概率预测更加直观，更容易应用到风格轮动策略上[37] 因子的回测效果 - 套索回归因子择时模型 - 年度收益：2009年217.2%，2010年34.6%，2011年-22.5%，2012年10.3%，2013年35.1%，2014年43.0%，2015年201.7%，2016年15.0%，2017年12.3%[14] - 最大回撤：2009年20.5%，2010年26.4%，2011年29.8%，2012年19.3%，2013年16.6%，2014年14.2%，2015年54.3%，2016年34.0%，2017年12.8%[14] - 信息比率：2009年5.19，2010年3.46，2011年3.30，2012年2.13，2013年2.18，2014年0.39，2015年4.83，2016年3.98，2017年1.39[14] - 弹性网回归因子择时模型 - 年度收益：2009年218.5%，2010年40.0%，2011年-23.2%，2012年10.7%，2013年34.9%，2014年41.2%，2015年198.0%，2016年14.8%，2017年11.4%[21] - 最大回撤：2009年20.5%，2010年26.3%，2011年30.0%，2012年19.0%，2013年16.5%，2014年15.0%，2015年54.3%，2016年34.1%，2017年13.0%[21] - 信息比率：2009年5.22，2010年4.11，2011年3.10，2012年2.25，2013年2.18，2014年0.24，2015年4.71，2016年3.83，2017年1.30[21] - 衰减加权因子择时模型 - 年度收益：2011年-17.7%，2012年17.0%，2013年29.7%，2014年63.8%，2015年196.4%，2016年11.3%，2017年15.4%[30] - 最大回撤：2011年28.3%，2012年19.2%，2013年17.9%，2014年13.3%，2015年53.8%，2016年33.2%，2017年8.3%[30] - 信息比率：2011年4.34，2012年3.17，2013年1.24，2014年2.08，2015年4.49，2016年3.90，2017年1.55[30] - 风格概率模型 - 大盘风格概率预测：大盘风格概率预测值在不同时间段的变化情况[38]