中证1000指数增强系列研究之一：中证1000成分股有效因子测试.pdf

中证1000指数增强系列研究之一：中证1000成分股有效因子测试。跟踪中证 1000 指数的指数型基金的规模有望大幅增长。历史上，中证 1000 指数 成分股的总成交额与中证 500 指数成分股的总成交额十分接近，然而，从跟踪两 个指数的基金的总规模而言，跟踪前者的远远低于跟踪后者的。我们预计跟踪中 证 1000 指数的基金的总规模有望大幅度增长。

本文测试了数百个因子在中证 1000 指数成分股中的选股效果。通过测试，我们 找到了一些比较有效的量价和财务类的单因子。

通过因子测试，我们总结了一些在统计上对股票收益率有益的特征。数值越高越 好的特征包括：利润率、一致预期利润、市盈率、股息率、每股收益、营销额、 市盈率、小户流出单数比例、现金余额增速。数值越低越好的特征包括：过去一 段时间内的收益率标准差、机构主动卖出额比例、过去一段时间内的涨跌幅、总 市值、近期的换手率、过去一段时间内最高价与最低价之比。

行业、市值中性化处理在一定程度上改善单因子的效果。我们测试了原始因子和 市值、行业中性化的因子的效果。结果表明，市值、行业中性化的处理可以提高 部分因子的表现。  通过对单因子进行非线性映射，可以改善单因子的效果。我们使用机器学习模型 和历史数据拟合单因子与个股残差收益率之间的关系，再使用模型将单因子进行 非线性映射，该映射同样可以改善单因子的效果。

用线性方法合成因子时，宜使用较长时间的历史数据。我们使用过去不同长度的 时间段的历史数据进行线性回归，从而构造不同的线性模型。通常而言，使用更 长时间的历史数据进行回归，更有利于构造效果更好的选股因子。

对于线性方法，本文比较了使用收益率和残差收益率作为数据标签的效果。我们 使用股票收益率或者残差收益率作为数据标签，当使用较短的历史数据训练模型 时，以收益率作为标签效果更好，当使用较长的历史数据训练模型时，以残差收 益率作为标签效果更好。