量化因子与构建方式 宏观敏感性因子（MacroBeta） - **因子名称**：宏观敏感性因子（MacroBeta） - **因子的构建思路**：通过回归模型刻画股票与宏观经济指标之间的联系[9][14] - **因子具体构建过程**： 1. **模型一**：将股票的历史超额收益对宏观经济变量进行回归，获得的回归系数称为MacroBeta $$ ExcessReturn_{it} = a_{it} + MacroBeta_{it} \cdot F_t + E_{it} $$ 其中，$F$ 表示宏观经济指标第 $t$ 期的取值，$ExcessReturn$ 表示第 $t$ 期的股票超额收益[14] 2. **模型二**：在模型一的基础上加入Fama-French三因子，以控制常见风格对股票收益的影响 $$ Return_{it} = a_{tt} + MacroBeta_{it} \cdot F_t + B_{it} \cdot MKT_t + B_{it} \cdot SMB_t + B_{it} \cdot HML_t + E_{it} $$ 其中，$Return$ 表示第 $t$ 期的股票绝对收益，$MKT$ 表示市场因子，$SMB$ 表示市值因子，$HML$ 表示估值因子[14] 3. **数据清洗与调整**：使用差分法、Surprise替代法、资产组合模拟法对宏观数据进行预处理[17][18][19] 4. **回归计算**：将个股过去60个月的超额收益对同期的模拟组合收益进行回归，获得系数作为MacroBeta[29] - **因子评价**：宏观敏感性因子只是刻画了股票与宏观经济指标之间的关系，包括方向与程度[2][50] 因子的回测效果 宏观敏感性因子（MacroBeta） - **多空收益差 - 均值**：gdp同比 0.000，工业增加值当月同比 -0.004，中采制造业PMI -0.005，固定资产投资增速累计同比 -0.001，社会消费零售总额同比 -0.001，出口同比 -0.002，进口同比 -0.000，贸易差额 0.002，cpi同比 -0.003，ppi同比 -0.004，m0同比 0.001，m1同比 0.002，m2同比 0.000，新增人民币贷款 0.006，外汇储备 -0.003，利率水平 0.003，期限利差 -0.005，信用利差 0.001，TED利差 0.005，油价涨跌幅 0.002，黄金涨跌幅 -0.002[49] - **多空收益差 - T值**：gdp同比 0.407，工业增加值当月同比 -1.615，中采制造业PMI -1.399，固定资产投资增速累计同比 -0.209，社会消费零售总额同比 -0.508，出口同比 -1.577，进口同比 -0.661，贸易差额 0.054，cpi同比 -1.343，ppi同比 -1.826，m0同比 -0.064，m1同比 0.115，m2同比 0.760，新增人民币贷款 0.333，外汇储备 -0.996，利率水平 1.034，期限利差 -1.287，信用利差 0.194，TED利差 1.219，油价涨跌幅 1.377，黄金涨跌幅 -0.407[49] - **多空收益差 - 胜率**：gdp同比 0.458，工业增加值当月同比 0.448，中采制造业PMI 0.469，固定资产投资增速累计同比 0.531，社会消费零售总额同比 0.521，出口同比 0.427，进口同比 0.500，贸易差额 0.521，cpi同比 0.438，ppi同比 0.448，m0同比 0.490，m1同比 0.479，m2同比 0.500，新增人民币贷款 0.563，外汇储备 0.521，利率水平 0.542，期限利差 0.458，信用利差 0.500，TED利差 0.442，油价涨跌幅 0.542，黄金涨跌幅 0.521[49] - **IC - 均值**：gdp同比 0.001，工业增加值当月同比 -0.010，中采制造业PMI -0.006，固定资产投资增速累计同比 -0.002，社会消费零售总额同比 -0.007，出口同比 -0.006，进口同比 -0.006，贸易差额 0.007，cpi同比 -0.014，ppi同比 -0.014，m0同比 0.000，m1同比 0.000，m2同比 0.005，新增人民币贷款 0.008，外汇储备 -0.006，利率水平 0.001，期限利差 -0.011，信用利差 -0.003，TED利差 0.011，油价涨跌幅 0.008，黄金涨跌幅 0.001[49] - **IC - T值**：gdp同比 0.126，工业增加值当月同比 -1.398，中采制造业PMI -0.750，固定资产投资增速累计同比 -0.269，社会消费零售总额同比 -1.005，出口同比 -0.933，进口同比 -0.724，贸易差额 1.132，cpi同比 -1.090，ppi同比 -1.652，m0同比 -0.027，m1同比 -0.043，m2同比 0.612，新增人民币贷款 0.879，外汇储备 -0.707，利率水平 0.118，期限利差 -1.235，信用利差 -0.466，TED利差 1.203，油价涨跌幅 1.046，黄金涨跌幅 0.104[49] - **IC - 胜率**：gdp同比 0.500，工业增加值当月同比 0.438，中采制造业PMI 0.406，固定资产投资增速累计同比 0.469，社会消费零售总额同比 0.521，出口同比 0.490，进口同比 0.479，贸易差额 0.542，cpi同比 0.458，ppi同比 0.458，m0同比 0.448，m1同比 0.448，m2同比 0.510，新增人民币贷款 0.604，外汇储备 0.521，利率水平 0.500，期限利差 0.438，信用利差 0.417，TED利差 0.473，油价涨跌幅 0.521，黄金涨跌幅 0.479[49]

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]

量化模型与构建方式 条件期望因子择时模型 - **模型名称**：条件期望因子择时模型 - **模型构建思路**：通过条件期望的方式对因子收益预测值进行调整，以提升因子收益预测的灵活性[1][9] - **模型具体构建过程**： 1. 构建因子择时TOP100组合与基准TOP100组合，使用相同的因子和因子加权方法，唯一不同的是因子收益预测方法[9] 2. 因子择时组合使用条件期望的方式对因子收益预测值进行调整，基准组合仅使用因子历史24个月的收益均值作为因子收益的预测值[9] 3. 公式： $$ \beta_{j,t}=\frac{1}{T}\sum_{m=1}^{T}\beta_{j,t-m} $$ 公式中，$\beta_{j,t}$表示第j个因子在t时刻的收益预测值，T表示历史窗口期[12] - **模型评价**：该模型在风格多变的市场环境中提升了因子收益预测的灵活性，但在实际使用过程中存在择时指标备选范围过窄、筛选流程复杂等问题[2][11][12] 回归法因子择时模型 - **模型名称**：回归法因子择时模型 - **模型构建思路**：通过回归模型构建因子收益的预测模型，使模型更加易于理解与应用[2] - **模型具体构建过程**： 1. 在回归法框架下，构建因子收益的预测模型，将因子收益分解为与外生变量之间的稳定相关性[12] 2. 公式： $$ \beta_{j,t}=\alpha + \sum_{i=1}^{n}\beta_{i}X_{i,t} + \epsilon_{t} $$ 公式中，$\beta_{j,t}$表示第j个因子在t时刻的收益预测值，$\alpha$为常数项，$\beta_{i}$为回归系数，$X_{i,t}$为外生变量，$\epsilon_{t}$为误差项[12] - **模型评价**：回归法因子择时模型在理解和实现上更为简单，且具有良好的扩展性[2][12] 模型的回测效果 - **条件期望因子择时模型**： - 2017年收益约为11%[1][10] - 不择时组合同期收益约为-20%[1][10] - 超额收益约为31%[1][10] 量化因子与构建方式 规模因子 - **因子名称**：规模因子 - **因子的构建思路**：使用股票对数总市值计算规模因子，因子IC越高，市场越偏好大盘股；因子IC越低，市场越偏好小盘股[17] - **因子具体构建过程**： 1. 使用股票对数总市值计算规模因子[17] 2. 公式： $$ IC = \text{log}(\text{总市值}) $$ 公式中，IC表示规模因子，log表示对数函数，总市值表示股票的总市值[17] - **因子评价**：规模因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[18] 中盘因子 - **因子名称**：中盘因子 - **因子的构建思路**：使用截面标准化后的对数总市值的平方计算中盘因子，因子值越小，股票越偏向中盘；因子值越大，股票越偏向小盘或者大盘[29] - **因子具体构建过程**： 1. 使用截面标准化后的对数总市值的平方计算中盘因子[29] 2. 公式： $$ IC = (\text{log}(\text{总市值}))^2 $$ 公式中，IC表示中盘因子，log表示对数函数，总市值表示股票的总市值[29] - **因子评价**：中盘因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[30] 流动性因子 - **因子名称**：流动性因子 - **因子的构建思路**：使用股票过去1个月日均换手率计算流动性因子，因子IC越高，市场越偏向前期高换手的股票；因子IC越低，市场越偏好前期低换手的股票[36] - **因子具体构建过程**： 1. 使用股票过去1个月日均换手率计算流动性因子[36] 2. 公式： $$ IC = \text{日均换手率} $$ 公式中，IC表示流动性因子，日均换手率表示股票过去1个月的日均换手率[36] - **因子评价**：流动性因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[37] 反转因子 - **因子名称**：反转因子 - **因子的构建思路**：使用股票过去1个月收益率计算反转因子，因子IC越高，市场动量效应越强；因子IC越低，市场反转效应越强[42] - **因子具体构建过程**： 1. 使用股票过去1个月收益率计算反转因子[42] 2. 公式： $$ IC = \text{过去1个月收益率} $$ 公式中，IC表示反转因子，过去1个月收益率表示股票过去1个月的收益率[42] - **因子评价**：反转因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[43] 波动率因子 - **因子名称**：波动率因子 - **因子的构建思路**：使用股票过去1个月收益率的FF3因素回归R方计算波动率因子，因子IC越高，市场越偏好高系统波动占比、低特质波动占比的股票；因子IC越低，市场越偏好低系统波动占比、高特质波动占比的股票[51] - **因子具体构建过程**： 1. 使用股票过去1个月收益率的FF3因素回归R方计算波动率因子[51] 2. 公式： $$ IC = R^2 $$ 公式中，IC表示波动率因子，R^2表示FF3因素回归的R方[51] - **因子评价**：波动率因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[52] 估值因子 - **因子名称**：估值因子 - **因子的构建思路**：使用股票对数PB计算估值因子，因子IC越高，市场越偏好高估值股票；因子IC越低，市场越偏好低估值股票[55] - **因子具体构建过程**： 1. 使用股票对数PB计算估值因子[55] 2. 公式： $$ IC = \text{log}(\text{PB}) $$ 公式中，IC表示估值因子，log表示对数函数，PB表示股票的市净率[55] - **因子评价**：估值因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[56] 盈利因子 - **因子名称**：盈利因子 - **因子的构建思路**：使用股票单季度ROE计算盈利因子，因子IC越高，市场越偏好高盈利股票；因子IC越低，市场越偏好低盈利股票[64] - **因子具体构建过程**： 1. 使用股票单季度ROE计算盈利因子[64] 2. 公式： $$ IC = \text{ROE} $$ 公式中，IC表示盈利因子，ROE表示股票的单季度净资产收益率[64] - **因子评价**：盈利因子在不同的宏观经济、债市和股市指标下具有较强的收益预测效果[66] 盈利成长因子 - **因子名称**：盈利成长