“学海拾珠”系列之二百五十一：基于状态切换信号的动态因子配置

主要观点： 分析师：钱静闲执业证书号：S0010522090002邮箱：qianjx@hazq.com ⚫稀疏跳跃模型（Sparse Jump Model，SJM） 首先，作者运用稀疏跳跃模型（Sparse Jump Model，SJM）来识别单个因子的牛市和熊市情景，采用的特征集基于历史因子主动收益的风险和回报指标，以及反映更广泛市场环境的变量。与传统方法相比，稀疏跳跃模型所识别出的情景具有更强的稳定性和可解释性。随后，作者采用一个假设性的单因子多空策略来评估这些情景推断并微调超参数，结果显示，该策略在所有因子上均实现了正夏普比率，且各因子之间的相关性较低。 1.《如何压缩因子动物园？——“学海拾珠”系列之二百五十》 ⚫利用Black-Litterman框架构建因子组合 接着，将这些情景推断纳入Black-Litterman框架，动态调整七个指数之间的配置比例，同时以等权重（Equally Weighted）投资组合作为基准。结果表明，构建的多因子投资组合相对于市场显著提高了信息比率（Information Ratio，IR），将等权重基准的信息比率从0.05大幅提升至约0.4。与等权重基准本身相比，动态配置策略实现的信息比率约为0.4至0.5。该策略还提高了投资组合在夏普比率、最大回撤等关键指标上的绝对表现。这些发现凸显了利用状态转换信号，通过把握因子周期性来优化因子配置的有效性。 2.《基于频域的股权溢价（ERP）预测方法——“学海拾珠”系列之二百四十九》 3.《如何在投资组合构建中纳入宏观冲击？——“学海拾珠”系列之二百四十八》 4.《分散化投资是否驱动大盘股需求——“学海拾珠”系列之二百四十七》 5.《基于图形派与基本面派的股市信息效率模型——“学海拾珠”系列之二百四十六》 ⚫风险提示 文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。 6.《分析师覆盖度与基金羊群行为——“学海拾珠”系列之二百四十五》7.《异常值稳健回归控制下的EP因子有效性重估——“学海拾珠”系列之二百四十四》 正文目录 1引言..........................................................................................................................................................................................42资产范围：因子指数.............................................................................................................................................................63机制识别与在线推理.............................................................................................................................................................83.1统计跳跃模型.........................................................................................................................................................................83.1.1特征...............................................................................................................................................................................93.1.2一个SJM拟合的例子............................................................................................................................................103.1.3在线推理....................................................................................................................................................................123.2单因子多空策略...................................................................................................................................................................134多因子组合构建...................................................................................................................................................................165结论........................................................................................................................................................................................18风险提示：.............................................................................................................................................................................................19 图表目录 图表1文章框架...........................................................................................................................................................................................................4图表2六大因子指数相对于市场指数的主动表现分析（1993.1.4–2024.6.28）..............................................................................7图表3因子指数的累计主动回报与绝对回报（1993.1.4–2024.6.28）................................................................................................8图表4输入至稀疏跳跃模型中的特征概述.....................................................................................................................................................10图表5使用稀疏跳跃模型、隐马尔可夫模型及K均值聚类（从上至下）对价值因子进行样本内拟合的区间划分.........11图表6针对价值因子的稀疏跳跃模型拟合在牛市和熊市市场机制下的特征权重及最优质心值..............................................12图表7假设性单因子多空策略的表现及各因子间策略收益的相关性.................................................................................................14图表8经超参数调整后的稀疏跳跃模型在线推断的三大因子（价值、规模和动量）的市场区间划分................................15图表9策略相对于市场及等权重基准的主动表现分析.............................................................................................................................17图表10策略的绝对表现分析..............................................................................................................................................................................18 1引言 资料来源：华安证券研究所整理 源自资本资产定价模型（CAPM）（Sharpe，1964）的观点认为，市场是唯一能带来溢价的风险来源。而如今，因子作为证券收益横截面差异的关键驱动因素，已受到广泛关注，为获取额外风险溢价提供了一种系统性方法。因子研究范围已从普通股扩展到其他资产类别，如信贷资产（De Jong和Fabozzi，2020）和房地产（Reid等人，2023），甚至还涵盖了加密货币等新兴资产（Liu等人，2022）。因子投资重新定义了传统的资产配置方式，将关注重点从资产类别转向因子，以期更有效地实现多元化收益（Bass等人，2017）。随着指数化与交易型开放式指数基金（ETF）的发展，价值、动量等风格因子的投资渠道已从主动管理型基金拓展至指数跟踪型smart betaETF。这些基于规则的“被动型”ETF使投资者能够以低成本的方式表达其主动投资观点（Buetow和Hanke，2024）。 尽管许多知名因子已被实证证明能在长达数十年的长时间段内带来超额收益，但因子在较短时间范围内的表现却呈现出较强的周期性，可能会出现持续多年表现不佳的情况。早在20世纪90年代，从业者就已认识到了这种周期性，而近年来价值投资在过去十年中遭遇的重大回撤更是印证了这一点（Israel等人，2021）。 为此，人们提出了许多因子择时模型，利用估值、市场情绪和宏观经济指标等变量来预测因子溢价（Hodges等人，2017；DiCiurcio等人，2024；Vincenz和Zeissler， 2024）。然而，从业者已承认，准确预测因子溢价颇具挑战（Bender等人，2018），有人甚至将此类择时努力称为“海妖之歌”（Asness，2016）。尽管如此，业界仍达成共识，即基于不断变化的市场条件进行动态因子配置，相较于静态配置策略，更有可能提升投资组合表现。 在本文中，通过状态分析视角，探讨了因子周期性所带来的机遇。状态转换