多因子模型寻找市场alpha，是量化交易中主流策略方法，模型构建流程中很重要的一部分就是因子的挖掘和单因子的测试。这次研究内容，我们选出了二十三个基于财务数据和量价信息的因子，都是在估值、成长、盈利、反转等风格大类下的细分因子，建立单因子测试体系，基于回归方法进行因子与股票收益相关关系的统计。针对较为显著影响收益的因子，利用分层回溯方法，对股票进行分组测试收益，用于观察因子具体表现。
1、因子模型介绍
首先看一下多因子模型下的股票收益：
𝛽𝑖𝑗表示股票 i 在因子 j 上的因子暴露
𝑓𝑗表示因子收益
𝜇𝑖表示股票 i 的残差收益
向量形式为：
以上股票二级市场的多因子模型公式，可以理解为将股票的收益率分解为多个因子的线性组合与未被因子解释的残差项，即不同股票在各个因子上的敏感度或因子暴露，就是股票该因子值的大小，股票收益就可以理解为因子值与因子收益率的线性关系，如同上面的向量形式。
基于常见的市场风格因子分类，这里选取了二十三个我们认为影响股票收益率的因子，因子数据处理方面，按月度频率获取了近一年的因子数据，在因子截面数据处理过程中用了绝对中位数方法剔除异常值，做了Z值因子标准化统一量纲，接着获取行业哑变量进行行业中性化处理，最后将股票下月度收益值也记录了其中。
接着每个月对因子进行截面回归处理，方法参考光大证券多因子系列研报，采用了RLM稳健回归因子测试，与常用的最小二乘法OLS相比，RLM回归采用迭代加权最小二乘估计回归系数，根据回归残差的大小确定各点的权重，使得参数结果较为稳健。过程中计算并保存因子收益序列ｆ及IC值。
2、因子有效性检查
通过多期因子值与下期收益截面回归后，得到了因子收益率ｆ序列，以及每一期的Ｔ检验ｔ值序列，这里ｆ值越大就说明因子收益越高，ｔ值越大说明因子效果越显著，针对这两个序列，通过以下几个指标判断该因子的有效性及稳定性：
1.因子收益序列ｆ的假设检验t值
2.因子收益序列ｆ大于0的概率
3.ｔ值绝对值的均值
4.ｔ值绝对值大于等于2的概率
信息系数IC值，是当期收益率与上期因子值的相关系数，代表因子预测股票收益的能力，该值越大，因子预测能力越强，通过对IC的研究可以有效的观察到某个因子收益率预测的稳定性和动量特征，以便在组合优化时用作筛选的指标。常见的IC值计算方法有两种：相关系数（Pearson Correlation）和秩相关系数（Spearman Rank Correlation），文中的IC是用秩相关系数计算，通过IC来判断因子的有效性和预测能力指标如下：
1.IC值的均值
2.IC值的标准差
3.IC值大于0的比例
4.IC绝对值大于0.02的比例
5.IR （IC均值与IC标准差的比值）
3、因子统计结果说明
通过模型我们对所有因子检测指标进行汇总统计，这里按IC值从大到小进行了排序：
我们发现排在第一的市值因子，IC高达0.05，因子收益序列也显著大于0，因子收益均值0.45%，并不能算高，目前看到这个结果的直观感受就是买大盘股比小盘股会赔的慢些。
看了一下排在最后的换手率因子，尤其是统计期为1个月的换手率，IC值绝对值能够达到0.1！，可以说是很强势的负面因子了，因子收率序列也是很显著小于0，均值达到了-0.7%，该因子的显著性是这些因子中最强的，也就是说，那些换手率越高的股票，下期收益率越低。这给我们带来的实际意义就是，持仓中需要尽可能的避免持有换手率较高的股票。
IC值较高的因子，如市值、ROE同比增长率、总资产周转率，因子收益也较为显著。
因子效果虽然明显，但是收益整体很低，毕竟这种行情下已经不是追求挣多，而是少赔。
上面是2018年因子IC均值，按IC值从小到大进行排序，更加直观的感受到了换手率因子的负面作用，正向作用的因子我们看到规模因子、盈利因子ROA、ROE、有较好的表现。
下面是2018年因子收益序列排序图示：
基本上和因子IC没有太大区别，正向最强的因子是市值因子，但是超过0.5%月度收益的因子不存在，负面超过0.5%的因子还是换手率了。
针对负面效果最强的换手率因子和正面效果最强的市值因子，对月度因子收益序列信息进行展示，下面分别是每月的换手率因子收益，市值因子收益。
我们看到，大部分的月份，换手率因子有着稳定的负收益，市值因子有着正的收益值，二月和十一月期间因子效果收益发生反转，与其市值因子在十一月较为明显，市值因子虽然收益为正的次数很多，但是收益为负的亏损很大，另外，在十一月期间确实一些小市值壳资源的股票表现抢眼。
４、因子分组回测
进行显著性和有效性的分析以后，可以初步判断因子对股票的收益是否有显著的影响，但是不能判断单调性，通过对每期因子值截面分组后，统计分层收益情况可以对因子单调性进行检查验证。
下面是一个月换手率因子的分组收益和多空组合净值展示：
月度换手率因子分层效果比较显著，且呈现出了换手率越大收益越低的单调性特征，通过做多换手率底的股票分组与做空换手率高的组合，获得了７％的收益。
下面对市值因子同样进行分组回测 ，得到如下的分组收益和多空组合净值曲线，通过做多大市值股票，做空小市值股票获得１０％的收益。
综合来看，以上两个因子分组回测还是有较为明显的分层效果，呈现出了预期的单调性，多空组合有超额收益，回撤出现在因子效果反转的2，3月和11月附近。
最后筛选了部分效果显著因子，进行分组测试并统计了分组收益，从group0到group4因子值是从小到大的顺序分组。
５、结束语
面对今年如此艰难的市场，在这主观选择的二十多个有逻辑支持的因子中，发现还是存在效果较为明显的因子。2018年已经过去，与其期待市场行情，不如顺应市场行情，比如在纯多头策略失效的时候，考虑扩充自己的策略库，补充一些市场中性策略，考虑对资产做配置优化，股市可以做、债市、期市可不可以做，毕竟你会发现，不论市场怎么样，总是有许多人依然在创造着收益。
年初大礼送上——【聚宽社区：因子研究-2018年因子回顾】，社区原文更有完整代码哦！！！
网友评论