HeaderTable_User 1122253200 1282922367 HeaderTable_Stock 股票代码 投资评级 评级变化 行业code HeaderTable_Excel 东方证券股份有限公司经相关主管机关核准具备证券投资咨询业务资格，据此开展发布证券研究报告业务。 东方证券股份有限公司及其关联机构在法律许可的范围内正在或将要与本研究报告所分析的企业发展业务关系。因此，投资者应当考虑到本公司可能存在对报告的客观性产生影响的利益冲突，不应视本证券研究报告为作出投资决策的唯一因素。 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 专题报告 【金融工程·证券研究报告】 动态情景多因子Alpha模型 ——《因子选股系列研究之八》 研究结论 传统多因子Alpha模型大多是在全市场范围内对股票一视同仁地进行打分评价，忽视了个股之间的基本面情况差异和选股因子在不同风格股票池里的适用性，能够捕捉不同股票之间差异性的动态情景模型(Dynamic Contextual Alpha Model)应运而生, 并且在海外市场获得了优异的业绩。 本文借鉴了国外同行的先进经验，并根据中国A股市场作出了相应调整，将全市场的股票按照规模、估值、成长、盈利能力和流动性水平进行了划分，并且在不同的股票类型中采取最优的因子权重配置方式，构建了一套动态情景alpha模型。 实证检验表明，动态情景alpha模型能够更加精确地捕捉横截面股票定价信息，并且大幅提升了模型对市场风格剧烈切换的适应能力，动态情景alpha模型的月度Rank IC高达12%，IC_IR高达1.64。 根据该动态情景模型构建的中证500指数增强策略和模拟对冲组合在超额收益和稳定性方面都大幅战胜传统alpha模型，月度调仓增强组合的年化收益率为39%，信息比率高达4.06，月度胜率高达88%。对冲组合的年化收益率为24%，夏普比率超过4。 动态情景alpha策略在2016年表现优异，截至2016年3月31日，中证500增强组合超额收益率5.83%，对冲组合收益率7.68%，最大回撤仅1.23%。 风险提示 研究成果基于历史数据，如未来市场结构发生重大变化，部分规律可能失效。 市场极端情况会导致模型失效。 报告发布日期 2016年05月25日 证券分析师 朱剑涛 021-63325888*6077 zhujiantao@orientsec.com.cn 执业证书编号：S0860515060001 联系人 雷赟 021-63325888-5091 leiyun@orientsec.com.cn 相关报告 投机、交易行为与股票收益（下） 2016-05-12 用组合优化构建更精确多样的投资组合 2016-02-19 剔除行业、风格因素后的大类因子检验 2016-02-17 基于交易热度的指数增强 2015-12-14 投机、交易行为与股票收益（上） 2015-12-07 低特质波动，高超额收益 2015-09-09 单因子有效性检验 2015-06-26 金融工程 动态情景中证500增强对冲组合表现：年化收益24%，最大回撤4.7%，夏普比4.06 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 动态情景多因子Alpha模型 2 目录 1. Alpha模型之再认识 .............................................................................................. 3 2. 动态情景Alpha模型的构建 .................................................................................. 4 2.1 情景分层因子的选择.................................................................................................................... 4 2.2 构建个股的情景特征向量 ........................................................................................................... 9 2.3 情景模型的因子加权矩阵 ......................................................................................................... 12 3. 模型回溯测试........................................................................................................... 13 3.1 Fama-Macbeth资产定价检验 ................................................................................................ 16 3.2 量化指数增强策略 ...................................................................................................................... 17 4. 研究结论 ................................................................................................................... 21 5. 参考文献 ................................................................................................................... 21 风险提示 ........................................................................................................................ 21 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 动态情景多因子Alpha模型 3 1. Alpha模型之再认识 在之前的因子选股系系列报告中，我们系统地讨论了因子的检验、挑选和投资组合的构建问题。本文将着重讨论如何有效的构建Alpha模型。首先需要明确的是，Alpha模型的最终目标是在给定的样本空间范围内稳定地预测股票未来收益率的排序，即把”好股票”和”坏股票”区分开来。构建Alpha模型最为核心的两个步骤是因子的挑选和不同因子之间权重的分配方式。 然而，大多数传统Alpha模型的一个前提就是对全市场的股票进行一视同仁的打分，然后在全市场进行排序。我们知道，不同个股的基本面属性可能存在非常大的区别。比如，对于一个低估值、高ROE和大市值的蓝筹股，它在模型中与一个高估值、低ROE和小市值的成长股的可比性会大大降低，这也是传统上的基本面研究以行业或者市值作为划分标准的依据。 为了解决这个问题，人们开始尝试对每个行业进行单独建模，比如利用各种统计方法检验在每个行业内区分能力最强的因子，利用对该行业有显著效果的因子给行业内的股票进行独立打分，然后再汇总个股的得分或者排序，从而得到全市场的排序。 这种方法在一定程度上弥补了全市场统一打分模型的缺陷，承认了个股之间的差异性和不可比性，增加了Alpha模型的广度(Breadth)。但它也存在几个重要的问题: 1. 传统上的行业分类主要依据是公司收入的来源，而公司收入来源相似不代表公司的基本面完全一致。换句话说，公司收入来源不同（属于在不同的行业）也不代表公司的基本面不同，比如同一个成熟的技术类公司相比，一个高速成长的技术类公司可能和一个高速成长的生物医药公司基本面更为相似。 2. 公司的行业属性相对稳定，但是公司的基本面并非是一成不变的。一个公司刚上市时，可能是属于小市值，高成长和高估值的成长股，但八到十年后，公司可能具有完全不同的基本面属性，比如已经成为一个大市值，高盈利和低估值的蓝筹股。单纯以行业作为划分依据难以捕捉公司基本面随时间发生的变化。 3. 同一个行业内的股票数量相对有限，统计检验出来的有效因子可能是对历史数据噪音的过度拟合，样本外的效果值得怀疑。 为了解决上述两个问题，Sorenson, Hua and Qian (2005) 首先提出Dynamic Contextual Alpha的概念，中文叫做动态情景Alpha模型。这个模型摈弃了行业内打分的做法，转而根据股票基本面的属性，比如估值、成长和盈利能力等，把股票分成不同的层面，对每个层面内的股票采用单独的评价体系进行打分或者排序，最后得到每个股票的综合得分。这个模型已经成功地被运用在波士顿一家知名的量化资产管理公司-PanAgora Asset Management的Dynamic Equity Strategies策略上，并且取得了优异的业绩。 在2007年的美国Quant Crisis中，由于少数的市场中性量化基金的去杠杆，使得市场上的量化基金相互踩踏，净值在短时间内大幅下跌。这在一定程度上反映出了传统量化模型的同质性，即大家使用类似的因子，选出的股票也非常类似，导致组合的收益率相关性非常高，放大了量化基金的系统性风险。 如图1所示，据国外统计，采用动态情景模型的标普500指数增强基金在这次危机中明显战胜采用传统量化模型的基金，具体表现为动态情景策略年化超额收益率的中位数超过传统策略年化超额 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 动态情景多因子Alpha模型 4 收益率中位数80个基点以上。这说明动态情景模型只要构建恰当，能够降低同传统量化策略的相关性，并且在市场极端行情中获得稳定的超额收益。 图1：动态情景策略在2007年Quant Crisis中的表现 数据来源：eVestment Alliance data for Enhanced S&P 500 Index Equity Universe as of 30 September, 2009. 接下来，我们将按照动态情景模型的思想，针对A股市场作相应调整，构建一套类似的Dynamic Contextual Alpha模型，并且比较该模型和传统模型的区别。 2. 动态情景Alpha模型的构建 2.1 情景分层因子的选择 在DCA模型的构建中，首先需要考虑的是采用什么因子对股票进行分层。分层的目标是把具有相似的基本面的股票聚集在一起，同时不同的分层应该能够刻画股票基本面上不同的属性，如规模、价值和成长性等。分层的理想结果是不同的Alpha因子在不同的分层(如大市值和小市值，高估值和低估值)有着显著的绩效区别。最为简单粗暴的方法则是把每个因子都作为分层因子测试一遍，统计其他因子的预测能力强度，选出综合区分能力最强的因子。但是这种方法缺乏事前逻辑的支撑，容易掉入数据窥视偏差(Data-Snooping Bi