DTW预期收益率因子——序列相似度的应用

核心观点与结论

1. 传统动量因子的问题与改进思路
   传统横截面动量因子存在失效频繁、回撤较大的问题。报告提出用动态时间规整（DTW）算法计算收益率序列相似度，通过寻找时间范围内相似度高的序列来预测未来收益率，作为传统动量因子的替代方案。

2. DTW算法的特点与优势

   • DTW可直接比较不同长度序列，允许时间轴非线性扭曲，更关注整体形态匹配。
   • 相比欧氏距离和余弦相似度，DTW时间复杂度更高（O(nm)），但能优化病理对齐问题（如窗口约束或斜率限制）。

3. 因子构造方法

   • 每个资产取过去20天收益率序列，计算与截面其他资产序列的DTW距离，选取最小10%的序列计算后5天收益率作为因子值。
   • 回溯窗口范围设为5～120天，避免过短样本量或过长风格切换风险。

4. 回测结果与验证

   • ETF轮动组合（25个中信一级行业ETF，2016年1月-2025年3月周度换仓）：
     因子IC均值0.034，ICIR 0.128，多空最大回撤16.2%，单边换手率73%。
   • 科创50成分股选股（2021年1月-2025年3月周度换仓）：
     因子IC均值0.053，ICIR 0.251，多空最大回撤51.0%，单边换手率72%。
   • 趋势增强策略：叠加均线择时（如20周均线），因子表现显著提升。

5. 风险提示

   • 基于历史数据，存在第三方数据不准确、模型局限性及历史规律失效风险。结果仅作分析参考。

6. 重要声明

   • 报告仅供客户参考，不构成投资建议，市场有风险，投资需谨慎。
   • 中泰证券不对报告内容或使用后果负责，关联机构可能持有报告涉及证券。