引 模型的評價標 基于短周期價量特征的多因子選股體 短周期型策略的構(gòu)建思 總結(jié)與展 附 附錄1大類風格因子定義明 附錄2表6相關(guān)函數(shù)定 傳統(tǒng)多因子模型在A2017與市值因子相關(guān)性過高；其次，組合對風格的控制力不足；最后，的影響遠大于因子本身所產(chǎn)生的波動，因此在當前市場環(huán)境下，在本篇報告中，開創(chuàng)性的構(gòu)建全新的多因子模型體系短周型多因子選股體系。這將是對原有傳統(tǒng)多因子模型的極大補充，從收益來源、有效周期、因子體系特征、組合換手率、策略通過型策略的研究，我們發(fā)現(xiàn)在A場，與傳統(tǒng)多因子模型所獲取的價值收益相比，型收益的空間更大、不得不承認，行為在短期內(nèi)對價格起著幾乎是決定性的影響，而挖掘這種型空間正是量化投資的優(yōu)勢所在，因此量化模型在近00期，其中因子數(shù)據(jù)則均來自于個股日頻率的價格與量數(shù)據(jù)。在此基礎(chǔ)自2012年1月至017年4有證5000.4.72500短周期型體系既是對傳統(tǒng)多因子體系的補充，也可以說是全新思路、獨立設(shè)計的體系。在這其中，量化模型不再僅僅是低風險在介紹型策略新體系之前，我們有必要對模型的評價標準再做些許的梳理，而這樣的標準既適用于型體系，同樣也適用于傳統(tǒng)模型。方法，計算模型的收益預(yù)測是否精確、是否顯著，這樣的判斷將更有利于我們了解自己模型的特性，提高投資成功的概率。因子，這部分收益則自然稱為收益。其中，A場最為典型的風格收益包括行業(yè)風格、市值風格等。對于詳見附錄1。不對風格收益進行預(yù)測），而收益的特點是顯著并且一定程度上整體收益率的預(yù)測。而評價模型的標準也應(yīng)是計算其對收

industrsty是定義的行業(yè)啞變量矩陣，styLiquidity， t industr industr sty sty

t其中，

findustrf

fstyl

分別為行業(yè)因子和風格因子的因子收益率factorreturn，則為當期個股收益率截面值得注意的是，假設(shè)站在投資時點tindustr sindustr sty t化方式等，最后產(chǎn)生的計算結(jié)果都是收益率的預(yù)測值，即tAlpha_ModelEt換言之，我們在t時刻末通過模型計算得到t+1期的收益E{t1t+1t+1t收益率的實際值 ，我們通過預(yù)測截面與實際t評估，我們稱其為模型預(yù)測系數(shù)（ICofAlphaModel，即IC corr(E }, AlphaMode t t那么，對于足夠長的一段時間T，我們可以計算得到每期模型預(yù)法模型的預(yù)測性是否顯著，例如T檢驗，即TSta / AlphaMode AlphaMode IC顯著性檢驗的結(jié)果即可視為對一個模型的定量評價，那么對于若干不同的模型就可以有嚴格的好壞區(qū)分。并且，從經(jīng)驗上而言，預(yù)測能力較強的模型，其所對應(yīng)的實際組合獲取超額收益的概率也越高。當然，如果模型預(yù)測能力的檢驗非顯著，那么甚至都沒即為預(yù)測收益，組合則為實現(xiàn)收益，兩者互相獨立卻又一所謂模型預(yù)測的一致性問題，指的是因子的預(yù)測目標與組測（風格收益+收益即選股目標為預(yù)測個股整體收益。而到了要介紹的型體系，都盡可能的做到在因子檢驗、收益預(yù)測的類風格的中性化處理，最大程度的體現(xiàn)模型的預(yù)測作用。風險，獲得的同樣也是收益。但正如我們上述提到的，投資了因子模型和組合模型的推導(dǎo)結(jié)果，所有的策略設(shè)計過程做到邏輯嚴基礎(chǔ)上，我們下面將介紹具體的型新體系。 多因子模型亦可稱為價值型模型。而在A場行為具有很強的隨機性，機構(gòu)投資者的效率較之成熟市場亦不十分有效，加之T+0、融券賣空等機制的缺乏，導(dǎo)致在短周期由于行為所產(chǎn)生的定價非有效十分常見。只要是投資者交；策略頻率：傳統(tǒng)多因子模型的頻率為季度、月頻率、周；年化雙邊換手率約為30-50倍左右（換手率與客觀成本呈負相；表1:型體系與傳統(tǒng)多因子模型特征對型后期的因子構(gòu)建中，對這些底層因子進行一些衍生、變化、合成，子收益率IR、因子相關(guān)系數(shù)和因子相關(guān)系數(shù)IR（FactorReturn、ICIR，因子定義：Alphai1*corr(vwap ,volume td td圖1價量背 圖2累計因子收益數(shù)據(jù)來源：國泰君安研 數(shù)據(jù)來源：國泰君安研以短周期內(nèi)個股均價序列與量序列的相關(guān)系數(shù)衡量價量背離的程在。表2:FactorFactorReturnICAlphaiOpen_pricei/Close_price t圖3開盤缺 圖4累計因子收益數(shù)據(jù)來源：國泰君安研 數(shù)據(jù)來源：國泰君安研表3:FactorFactorReturnIC td因子定義：Alphai1*Volumei/mean(Vo td圖5異 圖6累計因子收益數(shù)據(jù)來源：國泰君 研數(shù)據(jù)來源：國泰君 研數(shù)據(jù)來源：國泰君 研個股量的異常變化往往預(yù)示著階段性反轉(zhuǎn)，尤其是異?？s量，是階段底部的特征。量的因子處理過程中應(yīng)注意區(qū)分由于漲導(dǎo)致表4:FactorFactorReturnIC 因子定義：Alphai1*corr(high /low ,volume td td td圖7量幅背 圖8累計因子收益數(shù)據(jù)來源：國泰君安研 數(shù)據(jù)來源：國泰君安研以短周期內(nèi)個股振幅序列（最高價比）與量序列的相關(guān)系數(shù)表5:FactorFactorReturnIC爾法因子，其中數(shù)據(jù)維度均為日頻率數(shù)據(jù)。本節(jié)中，我們對所有因子的構(gòu)建給出了詳細的定義方式，而在之后的章節(jié)中，對因子體系的特征進行分析。因子明細詳見下表，部分函數(shù)表達詳見附錄2：表6:因子順 因子構(gòu)建方 (-1*DELTA((((CLOSE-LOW)-(HIGH-CLOSE))/(HIGH-LOW)),

((((SUM(CLOSE,8)/8)+STD(CLOSE,8))<(SUM(CLOSE,2)/2))?(-1*1):(((SUM(CLOSE,2)/2)((SUM(CLOSE,8)/8)-STD(CLOSE,8)))?1:(((1<(VOLUME/MEAN(VOLUME,20)))||((VOLUME/MEAN(VOLUME,20))==1))?1:(-1*1)))) (-1*TSMAX(CORR(TSRANK(VOLUME,5),TSRANK(HIGH,5),5), RANK(DELTA(((((HIGH+LOW)/2)*0.2)+(VWAP*0.8)),4)*- (RANK(MAX(((RET<0)?STD(RET,20): (RANK((OPEN-(SUM(VWAP,10)/10))))*(-1*(RANK(ABS((CLOSE-

((-1*RANK((DELTA(CLOSE,7)*(1-RANK(DECAYLINEAR((VOLUME/MEAN(VOLUME,20)),9))))))*(1

((((SUM(CLOSE,7)/7)-CLOSE))+((CORR(VWAP,DELAY(CLOSE,5),

((((-1*TSMIN(LOW,5))+DELAY(TSMIN(LOW,5),5))*RANK(((SUM(RET,240)-SUM(RET,20))/220)))

(MIN(RANK(DECAYLINEAR(DELTA(OPEN,1),15)),RANK(DECAYLINEAR(CORR((VOLUME),((OPEN*0.65)

(-1*RANK(((SUM(OPEN,5)*SUM(RET,5))-DELAY((SUM(OPEN,5)*SUM(RET,5)), (((SUM(HIGH,20)/20)<HIGH)?(-1*DELTA(HIGH,2)):((RANK(DECAYLINEAR(DELTA((CLOSE),2),8))-RANK(DECAYLINEAR(CORR(((VWAP*0.3)+(OPEN*

SUM(MEAN(VOLUME,180),37),14),12)))*- ((-1*RANK(STD(HIGH,10)))*CORR(HIGH,VOLUME,

3),10), (-1*((RANK(((SIGN((CLOSE-DELAY(CLOSE,1)))+SIGN((DELAY(CLOSE,1)-DELAY(CLOSE,2))))(-1*RANK((STD(ABS(CLOSE-OPEN))+(CLOSE-OPEN))+CORR(CLOSE,&&

SIGN((DELAY(CLOSE,2)-DELAY(CLOSE,3))))))*SUM(VOLUME,5))/SUM(VOLUME,20))

SUM(MEAN(VOLUME,40),19),13))^5)))

(-1*CORR(HIGH,RANK(VOLUME),

((0.25<(((DELAY(CLOSE,20)-DELAY(CLOSE,10))/10)-((DELAY(CLOSE,10)-CLOSE)/10)))?(-1*1)

(((((DELAY(CLOSE,20)-DELAY(CLOSE,10))/10)-((DELAY(CLOSE,10)-CLOSE)/10))<0)?1:((-1*1)*(CLOSE-DELAY(CLOSE,1)))))((RANK(DECAYLINEAR(DELTA(VWAP,4),7))+TSRANK(DECAYLINEAR(((((LOW*0.9)+(LOW*0.1))-VWAP)/(OPEN-((HIGH+LOW)/2))),11),7))*-1)

DELAY(CLOSE,100))==0.05))?(-1*(CLOSE-TSMIN(CLOSE,100))):(-1*DELTA(CLOSE, ((RANK(CORR(CLOSE,SUM(MEAN(VOLUME,30),37),15))<RANK(CORR(RANK(((HIGH*0.1)+(VWAP*

(-1*CORR(RANK(OPEN),RANK(VOLUME), (((-1*RANK((OPEN-DELAY(HIGH,1))))*RANK((OPEN-DELAY(CLOSE,1))))*RANK((OPEN-DELAY(LOW, ((RANK((HIGH-MIN(HIGH,2)))^RANK(CORR((VWAP),(MEAN(VOLUME,120)),6)))*-

(-1*((RANK((SUM(DELAY(CLOSE,5),20)/20))*CORR(CLOSE,VOLUME,2))*RANK(CORR(SUM(CLOSE,((RANK(DELAY(((HIGH-LOW)/(SUM(CLOSE,5)/5)),2))*RANK(RANK(VOLUME)))/(((HIGH-LOW)/(SUM(CLOSE,5)/5))/(VWAP-CLOSE)))(RANK(CORR(((HIGH*0.9)+(CLOSE*0.1)),MEAN(VOLUME,30),10))^RANK(CORR(TSRANK(((HIGH+LOW)/2),4),TSRANK(VOLUME,10),7))) ((TSRANK(VOLUME,32)*(1-TSRANK(((CLOSE+HIGH)-LOW),16)))*(1-TSRANK(RET,

((RANK((VWAP-MIN(VWAP,12)))^TSRANK(CORR(TSRANK(VWAP,20),TSRANK(MEAN(VOLUME,60),2),18),3))

((RANK(CORR(SUM(((HIGH+LOW)/2),20),SUM(MEAN(VOLUME,60),20),9))<RANK(CORR(LOW,6)))*-

+(VWAP*0.5)),3), 100- &&

(-1*CORR(OPEN,VOLUME,

(((-1*RANK(TSRANK(CLOSE,10)))*RANK(DELTA(DELTA(CLOSE,1),1)))*

((RANK(CORR((OPEN),SUM(MEAN(VOLUME,60),9),6))<RANK((OPEN-TSMIN(OPEN,14))))*-

(MAX(RANK(DECAYLINEAR(DELTA(VWAP,5),3)),RANK(DECAYLINEAR(((DELTA(((OPEN*0.15)+(LOW*0.85)),

2)/((OPEN*0.15)+(LOW*0.85)))*-1),3)))*-(MIN(PROD(RANK(RANK(LOG(SUM(TSMIN(RANK(RANK((-1*RANK(DELTA((CLOSE-1),5))))),2),1)))),1),5)

RANK(((((-1*RET)*MEAN(VOLUME,20))*VWAP)*(HIGH-

((-1*((LOW-CLOSE)*(OPEN^5)))/((CLOSE-HIGH)*

((((RANK((1/CLOSE))*VOLUME)/MEAN(VOLUME,20))*((HIGH*RANK((HIGH-CLOSE)))/(SUM(HIGH,5)

((MEAN(VOLUME,20)<VOLUME)?((-1*TSRANK(ABS(DELTA(CLOSE,7)),60))*SIGN(DELTA(CLOSE,7)):(-1*

(RANK(CORR(DELAY((OPEN(RANK(CORR(DELAY((OPEN-CLOSE),1),CLOSE,200))+RANK((OPEN-RANK((-1*((1-(OPEN/ & & &&)((CORR(MEAN(VOLUME,20),LOW,5)+((HIGH+LOW)/2))-Xt industr industr sty sty kStep2:針對給定預(yù)測周期dfk t

industr industr s

f

tk E(f)及信息比率IR(fk 25 ______ ___25 E(f)252*(

/d IR(f) *(f/d)/(f/d t

industr industr

fsty f

t25______ _____25 E(f)252*(f/d IR(f) *(f/d)/(f 圖9 圖10 圖11 圖12 圖13

表7: 圖14 圖15 圖16 圖17 圖18

表8:IR 圖19不同周期下因子收益率均值及IR均值變化情 從上述因子收益率的分布情況而言，大部分因子的年化因子收益率在2%-10%左右，極少部分因子收益率超過15%。從平均收益情況而言，因測周期極限即為T+4日。f之后，我們分別計算任意兩個因子k和k的因子收益率相關(guān)系數(shù)，即kk corr(kk kk若 kk圖20益率相關(guān)系數(shù)絕對值小于0.1。（T<4）因子體系呈現(xiàn)了整體高顯著、低相關(guān)的特征，這樣的特點十分有助于因子模型在收益預(yù)測組合收益的過程中，獲得較高的較二章中提到的模型的評價標準相一致。我們首先利用一定的轉(zhuǎn)化方式，將全部因子轉(zhuǎn)化為對個股收益截數(shù)（ICofAlphaModel）的計算結(jié)果，具體方法如下：Xt industr industr sty sty kT內(nèi)過所有因子收益率向量簇{ftTk f Rindustr indus f R

k1k

f ...f k2kk2k KKE(

t

)((ft/T)*t k tIC corr(E( ), AlphaMode t tTSta / AlphaMode AlphaMode IC圖21模型預(yù)測系 表9:ICIC結(jié)果表明，因子體系在日度預(yù)測收益截面的情況下，IC均值因此從統(tǒng)計結(jié)果來看，我們構(gòu)建的型因子體系對短周期內(nèi)阿爾法超額收益具有很強的預(yù)測能力，這既符合我們對型收益此多將近200個因子。從因子數(shù)量與模型預(yù)測能力的角度出發(fā)，來這個問題。FactorReturnIR排序，然后分別選月至2017年4月，截面則為全A非St，具體結(jié)果如下所示：表10:圖22IR的空間還是比較大的。其實，在一些海外知名的中，也有類似的型策略體系的布局，其所使用的數(shù)據(jù)范圍、因子數(shù)量和算的來源之后，提高投資換手率往往會帶來收益率的顯著提升。在資環(huán)境中，由于較高的換手率所導(dǎo)致的成本將大幅侵蝕策略的收益因此，高換手率、低成本與高收益率可以說構(gòu)成了投資的不可能三些非常有價值的投資信號或源，我們往往由于其所負擔的每期短期損失影響較大，適合于中低頻的傳統(tǒng)多因子模型，不適合短周期型策略。次換手成本作為罰函數(shù)加入目標收益中，以實現(xiàn)考慮成本tMa E( t

/tt這種目標函數(shù)的構(gòu)建很大程度的降低了策略對成本的敏感程度，尤其是對短周期型策略。一般情況下，如果只以最大化預(yù)期收益率為目標函數(shù)，很有可能出現(xiàn)任意單次換倉比率均接近10%于交易成本也過大。因此，上述目標函數(shù)的構(gòu)造實現(xiàn)了與成如果模型的預(yù)測顯著性不強，則也不適用這樣的方法。s.t

w tw

/2TurnOve會以犧牲較多的空間為代價。并且，在規(guī)劃求解的過程中，容易出現(xiàn)由于和其他約束條件相導(dǎo)致方程無解的情況發(fā)生。2種優(yōu)化目標層面的換手率平衡方式，收益也將有所降低。在下一節(jié)中，對策略的成本敏感性做實證分析，模型可的極限成本。至此，我們已經(jīng)完成了因子體系構(gòu)建、收益預(yù)測、因子預(yù)測周期評估、換手率與成本的平衡分析。本節(jié)，構(gòu)建基于短周期價

dismkt)Alph dismkt)AlphaMAlphaModeTargeTarge其次，收益端與風險端的分離。我們以型為超額收益的來源得較穩(wěn)定收益的同時，盡可能的降低了回撤風險。Xt industr industr sty sty kT內(nèi)過所有因子收益率向量簇{ftTk f Rindustr indus f R

k1k

f ...f k2k Kk2k KKE(

t

)((ft/T)*t k t行業(yè)、風格中性控制為約束條件，求解組合權(quán)重向量w，即tMa wtE()Tcs.t (w-w )bench_marw w

t1/wwsty industr bench_mark_indstrww其中， 和 均為比較基準的個股權(quán)重和行業(yè)bench_mar bench_mark_indstr行業(yè)中性約束中，因子敞口設(shè)定為5%（相對比例風格中性約束中，因子敞口設(shè)定為01圖23圖24表11:年化換手率（雙邊48.2 平均單次換倉比率（雙邊 522014年3月-4圖25 研表12:201220132014201520162017年（4化34月之間，組合整體收益表現(xiàn)優(yōu)異。分年度表現(xiàn)來看，2015年100%30%-40%左右。值得注意的20174月末，策略仍然實現(xiàn)35%左右的超額收益，表現(xiàn)出策略收益來源與組合構(gòu)造均與市場風為目標函數(shù)的做法，即Max wtE()Tcwtwt1/2，其中Tc從目標函數(shù)的構(gòu)造來看，為了實現(xiàn)經(jīng)成本調(diào)整后的超額c對c定圖圖26表13:不 48.241.738.836.133.230.228.226.1從結(jié)果來看，隨著設(shè)定的客觀成本不斷增加，策略的年化換手率也相對平衡的目標函數(shù)控制，因此策略對成本的敏感程度并不會導(dǎo)Tc=0.8%30%，信息比率接近2.5，收益風險表現(xiàn)依然較為平穩(wěn)。而當Tc=1%的情況下，策略當然，對成本Tc的估計有許多種方式，不同域的所產(chǎn)生的沖擊成本也不盡相同，因此在實際操作中可以根據(jù)不同的模擬沖擊成本將Tc做向量化處理，使得整體結(jié)果更為精確。收益、風險和容納規(guī)模構(gòu)成投資的不可能三角，在策略實現(xiàn)相對較高收益、較低風險的情況下，可容納的規(guī)模相對不會很大，因此有我們以持倉組合中，各只當日金額的10%作為個股可容納規(guī)模上限。同時，為了避免小金額對組合整體估計的偏差，我們以作用組合權(quán)重后所有個股可容納規(guī)模上限倒序排列的95%分位圖27 研2012年至2014年，由于市場整體萎縮，導(dǎo)致策略可容納規(guī)模在因此，客觀而言，對于量較大的機構(gòu)投資者而言，完全利用該種交易型策略進行投資不太現(xiàn)實，策略比較適合運用于多策略體系中的一支，或大部分可以布局于容量較大但收益偏低的傳統(tǒng)價值型阿爾法策略中，而小部分的量布局于該類高換手且收益較高的大的容納規(guī)模，期間的因子運用、組合構(gòu)造等步驟是相對靈活、開型多因子選股體系。其中，超額收益的來源鎖定在由于交由于A場行為隨機性很強，并且機構(gòu)投資者的效率亦不十分高效，加之T+0、融券賣空模型的缺乏，導(dǎo)致在短周期內(nèi)由型策略相比，型的收益空間更高，穩(wěn)定性也更強。在本篇報告所介紹的型體系中，我們總共構(gòu)建、運用了將近200個因子。研究分析表明，因子體系呈現(xiàn)出了高顯著、低相關(guān)在策略設(shè)計方面，我們通過超額收益的因子化預(yù)測轉(zhuǎn)換、換手率與回測結(jié)果表明，在可接受的成本和容量的情況下，模型可實現(xiàn)盡管如此，在整個研究過程中，我們感覺到只是看到了型空間的冰山一角。在海外成熟市場，類似的統(tǒng)計型的策略占到了整個量化投資的半壁，因此該類策略或許也是量化投資的重要發(fā)并且，隨著近些年來，人工智能、機器學習算法的飛速發(fā)展，未來型模型體系將大量運用該類算法去進行因子挖掘，但是這并不意在后期的研究中，數(shù)據(jù)源的拓展也是一個的方向，當前策略體系我展，在量化模型最擅長的領(lǐng)域發(fā)揮其真正的。1表表14:大類風格因子定義明細（方式詳見 CNE5相關(guān)報告大 小因 因

ri RST

T t

w[ln(1r)]；其中T=500，L=21，收益率序列以半衰指數(shù)，半衰期為120日 LNCAPLNtotal_market_capitalization) EPIBSest_eps/Pest_epss

ETOPearnings_ttm/mkt

CETOPCash_earnings/P；個股現(xiàn)金收益比價格 DAST

( t

w(r(r))2)1/2；其中收益率序列長度取250個日，半衰期設(shè)定為40日y CMRAln(1max{Z(T)})ln(1min{Z(T)})T ZT)1ln(1rr表示個股月收益率，TT HSIGMAstde)eBETA

未來3年企業(yè)一致預(yù)期凈利潤增長率。EGIB_S未來1年企業(yè)一致預(yù)期凈利潤增長率。 BTOPcommon_equity/current_market_capitalization MLEV(MELD)/M