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。

澳门赌城官网,2017年以来,一些传统的多因子选股模型遭遇了较大回撤,其中市值、反转等因子风格转变的显著性和持续时间均超乎预期。因此,如何预测因子的有效性并进行因子权重配置的调整成为投资者关心的课题。本文在因子择时的方向上做出了尝试,首先为了保证择时模型的有效性,对所使用的因子进行对称正交变换,并选择因子收益作为衡量因子有效性的指标,然后基于宏观经济和市场状态等变量对因子收益构建分类模型预测来因子收益的方向。

   
模型预测未来1个月大盘风格概率为23.85%。使用2018年7月4日收盘数据可对于未来1个月的大盘风格概率进行计算,模型计算结果为23.85%。

   
因子正交化处理有效提高预测能力。我们采用对称正交方法,对因子进行正交化处理。对比施密特正交和规范正交,对称正交的优势在于正交后因子值与原始值的相似程度高于其他正交方法,且计算效率高。对因子值对称正交变换后,我们所选的外部特征变量对于因子收益的解释能力有较为显著的提升。

   
风险提示。市场系统性风险、资产流动性风险以及政策变动风险会对策略表现产生较大影响。

   
因子择时模型的主要类型:分类预测模型&条件期望模型。分类模型的实现方法一般为使用决策树、逻辑回归、支持向量机等模型,对未来因子收益的方向进行预测。条件期望模型则是基于一个较为严格的假设:因子收益与条件变量服从联合正态分布,而在常用的因子收益解释变量中这个假设较为难以满足。因此在本篇报告中,我们主要探讨了上述三种分类预测模型在因子择时中的应用效果。

   
从宏观经济环境、货币政策、市场状态、因子收益及衍生变量四个角度挑选因子收益预测的外部解释变量。因子的收益往往受到宏观经济环境,货币政策,市场状态变量,以及因子自身收益与波动的影响,因此我们从这四大类变量中精选了包括CPI,PPI,因子收益动量等15个变量,作为因子择时模型的解释变量。

相关文章

网站地图xml地图