2023年多因子模型专题研究 基于交易逻辑的量价因子挖掘

1.组合管理：精细化风险刻画，弱风格环境重个股Alpha

在当前风格、板块、主题均弱化的背景下，通过精细化的风险管理来实现稳定的超额收益将是必然选择。 在《多因子量化选股系列专题研究-因子离散化股票多因子风险模型》（2022年6月8日）中我们所提出的风险模型最主要 特点在于，对各大类因子进行了基于分位数的分组划分，每个因子的每个分组以哑变量形式体现在回归方程中。这样设 置的目的在于: 一是各因子收益率是在其他因子中性化之下的组内个股加权收益率，更具有实际意义；二是离散化的本质是对排序关系的描述，而非数量关系的描述，而且为非线性问题预留了灵活的操作空间。

因子离散化模型的因子收益率体现了每类因子在每个 交易区间的超额收益，不受其他因子的影响，即所谓 的“纯因子收益” ，因此可以较好地体现每类因子的 表现；我们把对行业和风格的选择转移到了因子层面，本文 的行业和风格轮动模型也可以视为因子择时的拓展； 基于动量效应的行业和风格择时策略是从因子本身的 表现为出发点的，我们认为外界因素对每个行业和风 格的影响都已经体现在了因子收益率之中；在轮动效果的检测上，我们参照单因子测试的流程， 将每个行业和风格组合作为投资的标的，以它们过去 二十日的累计超额收益率作为轮动指标进行分组回测。上述因子收益动量、Alpha收益反转现象仅为理论测试，将上述理论收益落为现实需要通过相应的转化来实现。 回测考察期设为2016年至2023年5月12日，调仓频率为月度，交易费率设为双边千分之三。

2.基于交易逻辑的量价因子挖掘

量化投资的因子种类按照投资期限可以分为短期和中长期，中 长期以财务因子为主，短期因子主要是量价因子。对于中长期的财务因子来说，有公司基本面的发展逻辑作为支 撑，稳定性较强。量价因子则一般是以日频价格和成交信息作为基础数据，通过 遗传规划、神经网络等算法进行挖掘的，通过这种方式得到的 因子因为缺少一定的逻辑支撑，缺乏对投资者行为预期的刻画， 往往稳定性较弱。

随着A股有效性的增强，构建有效的Alpha因子的难度越来越大， 越来越多的机构开始另辟蹊径，挖掘具有特色的另类因子，如 文本挖掘、舆情分析等，这些因子的特点就是能够反映一定的 投资者情绪，且与传统框架下的因子相关性低。挖掘因子的方法应该是从一定的逻辑出发，从市场或者投资者 情绪抽象出因子，再对因子进行检验，可以提升成功概率。本文试图以技术分析为切入点，构建有效的量价因子。

“追涨杀跌”和“高抛低吸”是股票市场上投资者经常采取的两种策略，合理性在于股票市场上的两个行为金融学现象， 即动量效应和反转效应。动量效应认为股票具有惯性，在过去一段时间表现比较好的股票在未来的一段时间会维持强势，即通过“顺势而为”可以 获取收益；而反转效应则是认为跌的多的股票在未来会发生趋势反转， “抄底”的操作有利可图。在主要发达市场中，短期和长期表现为反转效应，而中期则表现为动量效应；而对于A股市场而言，短中长期的反转效应 均比动量效应显著。A股市场散户占比较高，容易出现羊群效应，仅以日频收益率难以精细刻画不同投资者的行为。

由于市场组成的不同，不同群体的交易行为也不太一致，具体体现在分时成交额上；对于机构投资者来说一般偏好长线型的配置型投资，因此一般会选择在交易量活跃的时间段完成下单；对于散户而言，资金量少使得他们偏好短线投机，交易行为分布于整个时间段；从分时成交额来看，成交量大的主要是开盘和尾盘的30分钟，根据这个特点，在计算累计收益因子时，我们也对收益进 行分时段划分。

两类因子在不同宽基指数中都能取得不错的表现，在中证全指中的年化多空对冲收益分别达到25.82%和21.64%； 夏普比率分别为1.90和2.35，Rank_IC分别达到9.46%和4.96%。进一步考察不同周期下的表现，可以看到，随着时间周期的增加，RankIC和多空年化收益率整体上呈现下降的趋势，但 是绝对降幅不大，总体上仍旧处在有效因子的范围内

上述因子在应用于选股时，内在逻辑是认为值越大的股票在更为强势，在博弈中胜出的概率更大，也就是通过该因子筛 选出在截面上的强势股票。但是从本质上讲，因子衡量的是双方博弈的力量，更为直观的结果是往后时段股票的涨跌，因此我们自然而然可以想到 用该因子作为指标来对市场进行择时，买入卖出的阈值设为0，即当天指标>0, 则在后一天买入，反之则卖出，以此来构 建相应的择时策略。

从择时模型的回测结果来看，早午盘博弈指标以及隔夜博弈指标在主要的宽基指数上均能取得较为明显的择时效果，但 是也有一定的差异；隔夜博弈指标在沪深300上的收益和稳定性优于早午盘博弈指标，年化收益和夏普比率分别达到17.23%和0.81；而在中小盘为主的中证500和中证1000上，则是早午盘博弈指标显著优于隔夜博弈指标，二者年化收益均达到了30%以 上，夏普比率也均在1以上；相比之下该指标在沪深300上的年化收益和夏普仅为13.55%和0.67。

3.行业增强模型的一般框架

A股市场长期存在的行业轮动现象使得其成为越来越多投资者的研究课题，而行业ETF、行业主题基金以及行业增强基金 则成了这一类投资者首要的选择；以Wind开放式基金分类下的增强指数型基金为准，行业增强类基金的数量和规模持续增长，21年总规模突破了100亿元， 达到148.86亿元，并且数量也到了27只，较前一年都有翻倍的增长；规模上来看2022年红利、制造和消费三大板块的规模最大，分别达到了84.33、30.87和26.48亿元；从数量上看，制造业 的行业增强基金数量最多，达到了10只，此外，消费、科技、医疗健康等行业的增强基金数量也位居前列。

从行业增强基金的表现来看，目前统计的行业增强基金中有86.21%实现了正的超额收益，并且从年化超额的均值和中位 数来看，均超过了中证500指数增强产品；相比之下虽然行业增强基金的超额收益要高于指数增强，但是指数增强基金的超额收益波动较小，行业增强基金的超额波 动更大，这与二者的股票池大小有关；行业增强基金规模仅为宽基增强的11.36%，未来发展空间广阔，可视为“蓝海”。

选择合适的行业进行增强是构建行业增强策略的首要工作，从上文所统计的行业增强基金显示，行业仅仅集中在消费、科 技、医药等少数行业板块中；具有的特点：（1）首先是具有良好的发展前景以及相对可预期的上涨空间，如新兴产业或者高新技术产业；（2）其次做行业增强的板块需要具有一定数量的成分股；（3）行业内的个股需要具有一定的差异性和分化度，可以通过量化的方式进行区分，从来起到增强的效果。

衡量情绪类的指标一般有量价类和预期类两种，分别反应投资者对当 前市场的参与度以及对未来市场的预期；预期类指标一般来自于期货、期权等衍生品数据，而对于行业板块而 言，由于缺少相应的衍生品，因此能够用于行业择时的指标也仅限于 量价类； 换手率和成交额与指数的走势较为一致，属于同步指标而并不存在显 著的领先或者滞后性；平滑后的净资金流入量与指数出现明显背离的时间窗口可以起到提示 转折点的作用，更具备择时的属性，但是观察也会发现，这些择时信 号往往出现在较大的行情附近，难以给出具体的择时规则，在实际的 投资中只能靠主观观察的方式来确定。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）