构建因子
构建因子拼的是想象力，不过整个金融金工学科和行业里面，已经提供了非常的多的思路，就者大家的学术论文和研究报告，可以获得构建因子的很多灵感，而且还能够进行单个因子的排列组合构建出更多的因子，是一个比较庞大的因子库。
目前的市场风格大家都在说流动性溢价，就是大票在涨，对于这个现象有不有科学的方式去研究了？
本文就是以这个问题作为因子，记录下最近学习到的科学研究因子的思路？
去现有的成果里面找到相关的学术因子？
果然是在论文中找到了一个用来度量流动性的因子，
image.png
这个可以找到相关的论文。
因子的预测性如何？
有了因子之后，基本上就是一个套路了。这个讨论可以认为是因子好坏的基本研究框架了。
基本的方法描述就是：
- 计算所有感兴趣的股票池（比如全A）的因子数值。比如按照上面的公司计算每个股票一段时间的值。这个一段时间通常是一个经验值，我们知道这个因子的值可以是一天的，也可以是 5天时间的均值。 对这个时间段的选择，通常会影响策略的稳定性和最后的效果，比如一天的因子，交易频率很高，可能收益很高，也可能回测很大。
在这个例子里面，选用5天的 illq 流动性因子作为股票的流动性度量。 - 第一步之后，就有了各个股票 一段时间比如 过去3年的 ，因子 时间序列。 接下来的一个问题，就是 这些因子能否有预测性？
这一步的关键就是构建一个 前瞻 收益数据集。 举个例子， 比如 对于 中信证券，这个股票，你计算出了，20190101号的illq值，你可以以这个时间点为基准，计算20190106 也就是5天后，中信证券的 相对收益， 按照这个思路下去，对于任何一个 时间点的illq，都会得到一个 5日前瞻收益率。 因子时间序列，和 前瞻收益时间序列，就可以看出他们是否有 相关性？
在这一步，就可以用量化领域经典的方法，RankIC，信息指数， 通常就是 算出来 各个股票 的IC的 统计分布。比如
CYB_ZH:
mean of IC: 0.05388368956967708
median of IC: 0.069768678570408
the number of IC(all, plus, minus): (203, 116, 78)
创业板流动性因子对5日收益率的预测IC分布，大多数是正直，说明预测效果是不错的。
因子能否用来构建策略？
上一部解决了因子的预测性问题，这一步就是要解决对于一个可预测性的因子，怎么样去构建一个策略？
问题的本质，就是 有一个股票池， 每个股票有一个 标签值， 怎么样选择 能让你赚钱的股票？
目前看来最普遍的做法就是 对 股票按照因子进行分组，比如分为10组， 然后进行回测。
比如你的策略是一个每周换手的策略， 回测周期是3年，那么在每周5， 你对股票进行分组，然后计算过去一周的收益率，循环下去，直到回测结束。 这样，你就可以做出来 10个分组，最后的收益率。
对于这10组收益率，有一个很核心的观察现象，就是要单调性好。 也就是 第一组，和第10组， 他的收益差距越大越好， 这样你选择出来的股票才有操作性。 假设10个组的收益都差不多，试问，你要如何买卖股票呢？
到了这一步基本上就能确定 这个因子到底好还是不好，比如 illiq 因子在 创业板 的分组单调性,不是特别完美但是也有
分组单调性：
1 -0.004851
2 -0.005261
3 -0.003454
4 -0.001431
5 0.000690
6 0.003140
7 0.003205
8 0.003633
9 0.002735
10 0.002734
dtype: float64
策略回测
从单调性上看这个策略是可以做的，那么就要准备回测了。 比如，每5天换手， 回测过去3年illiq 因子的持仓收益。
换手时，每次选择illiq 排名最大的10% 股票，等比例买入，卖出不在前10% 范围内的已有持仓，设置好手续费和基准指数后就可以开始策略回测了。例如illiq 的选股因子策略
年化收益率
82.3%
基准年化收益率
24.2%
阿尔法
60.6%
贝塔
0.88
夏普比率
2.54
收益波动率
31.0%
信息比率
1.77
最大回撤
15.5%
年化换手率
5578.24%
策略分析和优化
对于一个比较好的策略，通常会做一些风险暴露分析，尽量能避免单一的风格。
比如，illiq 因子，可以做的风格化分析， 是否是小市值暴露， 具体的分析方法，
就是把 10%分组的股票的市值，做一个 百分位分析，我们发现 illiq 因子其实具有非常明显的 小市值倾向。
这是一个风险，也会限制策略的容量，因为很小的交易会让价格波动很大。
同时， 也可以做换手率暴露分析， 月度反转暴露分析。
对于illiq 因子我们发现 10%分组中， 换手率并不高，但是却有比较明显的月度反转倾向，也就是 10% 的分组中，前一个月涨幅都不高， 众合起来，这个因子有点底部放量的意思。
风险暴露规避
这个策略的一个风险暴露就是小市值，在量化领域通常可以通过 中性化的手段，进行规避。
对于市值，这种连续区间的变量，特别适合中性化。
主要的思路就是 计算 (illiq，市值） 的线性拟合， 然后计算 illiq 与拟合值的残差，使用残差作为 中性化的值。
通过对 illiq 进行中心化之后，小市值的暴露风格很明显的弱化了，整个策略更加稳定。
对于单因子的分析，目前学习到的大概思路就是这样，后面还有多因子的组合模式需要学习。
网友评论