����п�3—基于Alp ha策略的量化投资研究——来自A股市场的经验证据

����п�3学校代码：10036剧矽手芗亏f节贸易声学硕士学位论文基于Alpha策略的量化投资研究——来自A股市场的经验证据培养单位：信息学院专业名称：金融学研究方向：金融服务外包作者：刘依明指导教师：殷国鹏副教授论文日期：二。一二年五月 Q uanti tati ve Investm ent ResearchBased on Alpha Strategi es：Evi dencef romthe A．s hare M arket 学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。����п�3除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品成果。对本文所涉及的研究工作做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律责任由本人承担。特此声明学位论文作者签名：参、l依日目2p位年乡月／oEt 学位论文版权使用授权书本人完全了解对外经济贸易大学关于收集、保存、使用学位论文的规定，同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版本：学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、扫描、数字化或其它手段保存论文；学校有权提供目录检索以及提供本学位论文全文或部分的阅览服务：学校有权按照有关规定向国家有关部门或者机构送交论文：学校可以采用影印、缩印或者其它方式合理使用学位论文，或将学位论文的内容编入相关数据库供检索：保密的学位论文在解密后遵守此规定。����п�3学位论文作者签名：别醛分继1毯A醪垂· 3侬、j日Aol T．-年．L-月／o ElM “ ％日 摘要量化投资以模型作为投资工具，在国外产生并发展已有近40年。����п�3然而由于缺少金融衍生工具和制度上的原因，量化投资在我国发展滞后。本文以Al pha策略思想为原理，以沪深300指数股指期货及其成分股为实证研究对象，通过多因子分析、Al pha动量法等方法构建选股模型，所得投资组合与沪深300股指期货空头结合之后，可获得此股票类资产的额外收益，最终达到稳定战胜业绩基准的目的。Al pha策略的成功的关键在于构建选股模型，这很大程度上依赖于模型对基本面、股票反转动量等因子的把握能力。本文将重点放在多因子选股策略、波动率策略、动量／反转策略的综合运用上，并对现有研究模型进行优化。从实证结果上来看，在A股市场中运用本文的Al pha综合模型是可行的，其能够获得显著的超额收益。����п�3关键词：量化投资，Al pha策略，动量策略，反转策略 AbstractQ uanti tati vei nvestm ent m odel s have beenappH edi n w estern countri esi nvestm entvehi cl e fornearl y40 years．H ow ever, duederi vati ve i nstrum ents and i nsti tuti onali nvestm enti n Chi napri nci pl e，CSI 300 i ndex futures and i ts consti tuent stocks forem pi ri cal research，through m ethods suchasfactorsel ecti on m odel ．Then w e shortCSI 300 i ndex futurestogai nabnorm al return，i ．e．Al pha，and ul ti m atel ysucceedi nbeati ngtheperform ancebenchm ark．Thekeyto the success of theAl pha strategyi s to bui l d the stock sel ecti onm odel ，w hi ch i s l argel y dependenton theabi l i tytograspthe m odelstocksreverse m om ent umfactor．Thi s papersel ecti onstrategi es，vol ati l i ty strategi es，andm om ent umorw hi chi sdevel opedby exi sti ngresearchm odel s．Asem pi ri cal resul ts showfromthearti cl e，i ntegrated Al pham odel i s feasi bl e i n the A- sharem arket, andi t cangetsi gni fi cantabnorm alreturn．asanto l ackoffi nanci alreasons，devel opm entofquanti tati vei sl aggi ngbehi nd．Thi s arti cl e takesAl pha strategi esasS anal ysi s，Al pha m om ent umto bui l d stockof fundam ental s,w i l lf ocus on m ul ti -factor stockreversalstrategy,Keyw ords：Reversal strategyQ uanti tati vei nvestm ent，Al phastrategy, M om entum strategy, 目录第1章引言⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ l1．1研究背景、目的和意义⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ l国内外研究现状⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．．21．3论文主要创新点⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．．31．4论文章节安排⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．41．2第2章Al pha策略综合模型⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 52．1量化投资的策略与方法⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．．5Al pha策略基本思想⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．5资产定价模型CAPM 与Al pha⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 5Al pha策略的概念⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 62．3主流Al pha策略分类⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．7多因子选股策略⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．7动量／反转策略⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．．7波动性策略⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．．82．3．4其他策略⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．82．4综合化的Al pha策略模型⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 82．5数据说明⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．．92．22．2．12．2．22．3．12．3．22．3．3第3章多因子选股模型⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．103．13．2历史数据验证⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 11盈利类因子打分⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 11估值类因子打分⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 13成长类因子打分⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 14现金流量类因子打分⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．．16营运能力因子打分⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．16多因子库的构建⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 17为各因子赋予权重⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．⋯ ⋯ ⋯ ．⋯ ⋯ ⋯ ⋯ 203．4模型的评价及持续改进⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．⋯ ⋯ ⋯ ⋯ 20候选因子的选取⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．103．2．13．2．23．2．33．2．43．2．53．2．63．3 第4章波动策略下的动量或反转策略⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．224．1数据准备⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．22高低波动率组别统计结果⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．．234．3分阶段统计结果⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．244．4本章小结⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．244．2第5章模型实现与投资组合的构建⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 265．1选股过程⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．26多因子模型选股⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．．．26波动策略下的动量或反转策略选股⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 275．2对冲过程⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．305．3策略效果评价⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．325．1．15．1．2第6章结论⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．．336．1主要结论⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．33投资建议⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 336．1．2研究结论⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 336．2后续研究展望⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 34综合模型对历史数据的回溯⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．．34选股模型的优化⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 35数据挖掘的应用⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 35对冲策略的改进⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 356．1．16．2．16．2．26．2．36．2．4致谢⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 36参考文献⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 37附录A动态法分配权重⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 39个人简历在读期间发表的学术论文与研究成果⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ．．40 第1章引言1．1研究背景、目的和意义研究背景20世纪80年代，随着金融工程理论形成体系，现代金融创新进入一个崭新的时期，大量金融衍生产品催生了数量化投资方法——即通过运用严密的分析和严格的程序来击败市场。在这之前，市场有效理论以及以此为基础的现代金融经济学一直占据主导地位，消极型投资管理策略被奉为遵旨。这种情况持续到行为金融学的兴起，大量的现实证据表明市场在很多方面都不够有效，日历效应、期权微笑、小盘股效应等现象是传统金融理论无法解释的。学术界对主动型投资策略的观点开始分化，有效市场理论的严格假设在现实中并不能成立，相反的，在投资实务中主动型投资策略占有更重要的位置。量化投资通过数量化工具来实现我们的投资理念，它是一种主动型投资策略，以市场非有效的或弱有效的为理论基础。����п�3吴振翔( 2007) 关于股指期货套利的研究，间接表明了目前我国A股市场还未达到弱有效，与海外成熟市场相比，A股市场发展年限尚短，投资理念还未成熟，金融产品还在不断地引进，这也意味着量化主动投资策略的巨大施展空间与发展机会。Al pha策略20世纪90年代初开始被尝试使用，是量化投资的主流策略之一。20世纪初，美国股市连续三年下跌，传统投资策略难以满足养老基金等机构投资者的需要，Al pha策略因其市场中性、收益稳定的特点从而进入机构投资者的视野，也就是说，机构投资者希望通过创新型的手段来追求风险调整后收益的强烈需求催生和促进了Al pha策略的发展。研究目的与意义股指期货重新推出的时间尚短，A股市场目前正在经历未成熟阶段向成熟阶段的过渡，存在较多套利机会，因此研究我国A股市场的量化投资策略具有重要实践意义。主动投资策略所获得的收益来源于两部分：一部分来自市场风险的补偿收益( 也称为来自Beta的收益) ，另一部分则来自于投资技巧，即超越市场的超额收益( 也称为获取的Al pha) 。但是，要获取超越市场的Al pha并不是件容易的事情，传统投资也由于其不可避免的主观性而存在一定的局限。 在股指期货推出以及量化投资兴起的背景下，Al pha策略在国内资本市场运用条件已经成熟，以国际经验为鉴，新兴市场往往存在较多的Al pha套利机会。本文将综合不同的al pha策略，提出al pha策略综合模型，并以未来A股及股指期货市场的走势为基础做实证研究。Al pha策略核心思想是选取具有Al pha收益潜质的股票组合，然后做空股指期货进行套利。该策略的实施对于提高A股市场效率、促进市场流动性等方面有重要意义，作为量化投资的重要手段之一，Al pha策略在我国市场的具体应用也是量化投资在A股市场走出的重要一步。1．2国内外研究现状自从M arkow i tz( 1952) 提出了构建有效投资组合的方法与投资分散化的理念( 给定风险，最大化收益或者给定收益，最小化风险) ，为现代投资组合理论奠定了基础。Sharpe( 1964) 等提出资本资产定价模型( CAPM ) ，该模型通过比较一项资本投资的回报率与投资于整个股票市场的回报率，来衡量该投资的风险贴水。J ensen( 1968) 在《1945．1964年间共同基金的业绩》一文中，以CAPM 为基础，提出了投资“ 超额收益” 的概念，即经风险收益调整后的基金实际收益与因承受市场风险的期望收益率的差，这个概念后来被命名为“ J ensentSAl pha” ，也即本文所讨论的Al pha。Al pha策略的思想源于套期保值，美国经济学家H ．w orki ng( 1962) 提出了基差逐利型套期保值理论，奠定了Al pha策略的理论基础。在1982年股指期货推出之后，对量化投资的研究逐渐兴起，瑞士银行U BS( 2000) 在报告中首次公开介绍了对冲基金的各种al pha策略的概念与方法，揭示了Al pha策略的形成。源自对冲基金经理对Al pha的追逐。MD am sa( 1996) 在Al pha策略的基础上提出可转移Al pha策略的概念，可转移Al pha策略也成为了前者的重要衍生研究，E．Kung( 2004) 对各种市场的可转移Al pha进行了实证研究，并证明它们是不相等的。Tortori el l o(2008)在《寻找Al pha的数量化投资策略》一书中总结和实证了Al pha策略的各种方法，并在以单独的一章阐述如何选取策略，以及实现各类因子的最有效合并。对股票波动率研究方面，Shl ei fer，Sum m er和W al dm ann( 1990) 建立的理论模型指出：由于股票市场上存在正反馈交易者，使理性投资者无法发挥原有稳定股价的功能，并且可能造成市场更加不稳定。一些研究认为机构投资者偏好风 险高的股票，高风险的股票波动性大，因此就更有可能给投资者带来超过市场平均水平的高收益。Kotl l are和Laux( 1995) 也发现机构投资者偏好高风险的股票。Si as( 1996) 发现机构投资者的交易是与风险更大的股票有关的，而被机构投资者控制的股票可能会显示更大的收益波动性。因为股票收益的高波动性可能会吸引机构投资者；而且机构投资者关注度的增加可能会导致波动性的增加，与个人投资者相比，机构投资者倾向于大笔交易，从而导致更大的波动性。再到Al pha动量策略，D eBondtandThal er( 1985) 发现长时间内股价的反转现象，LKC Chan等( 1996) 在著名期刊J ournal ofFi nance( J O F) 的论文《动量策略》通过建立模型详细全面地实证分析，得到“ 动量造成的股价偏离不会瞬间恢复正常” 等重要结论，Charl es M ．C．Lee andBhaskaranSw am i nathan( 2000) 发表的一篇论文深刻揭示价格动量效应与股票交易成交量的联系，并阐释了“ 反应不足” 和“ 过激反应’ 等重要概念，这些都为Al pha动量策略的研究提供理论前提。TarunandLakshm anan( 2006) 的研究则讨论价格动量与盈利动量之间的关系，将动量之间联合起来也因此成为Al pha动量策略的一条重要思路。国内方面，联合证券( 2008) 对Al pha策略系列作出分类总结，国信证券每周都会跟踪基于正Al pha选股组合的表现，王永宏( 2001) 在《经济研究》上发表《中国股市“ 惯性策略” 和“ 反转策略” 的实证分析》一文，以1993年至2000年的数据证明深沪股票市场存在明显的收益反转现象。屈云香( 2010) 通过历史数据回归的Al pha验证了超额收益的存在。总体来讲，国内的研究量化投资乃至Al pha策略的文献较少，现有研究也缺乏对整个Al pha策略的综合运用，对于Al pha动量模型的构建与发达国家还存在较大差距。另外，市场是否是有效也是本文研究的一个前提，吴振翔( 2007) 通过对我国股市统计套利的研究，证明了套利的存在，从而间接可以得A股市场目前并未达到弱势有效的结论。鉴于研究重点的不同，本文认同中国股市未达到弱势有效的观点。1．3论文主要创新点目前已有的主要研究仅以某一种Al pha策略构建模型，本文将讨论搭建的综合选股模型的可行性，此模型不仅包括传统基本面多因子选股策略，还将Al pha动量策略、波动率策略等整合到模型中，形成全新的Al pha策略综合模型。市场是最好的试金石，本文构建的综合模型如能成功、稳定地战胜经风险补偿的无风 险利率，将证明这是Al pha策略上一次正确的革新。本文对Al pha策略综合模型包含的子模型也有创新，多因子模型采取的数据均为3个月的时间窗口，数据来源是沪深300指数发布以来的最新A股市场数据，即2005年4月至2011年9月。另外，利用波动率的检测来决定使用动量策略或者反转策略是本文一个创新的尝试，从实证研究的结果来看，该策略加强了多因子选股模型生成的投资组合，具有进一步研究的价值。1．4论文章节安排第1章引言，主要介绍本文的研究目的，Al pha策略的理论研究背景，以及国内外的文献综述。第2章Al pha策略综合模型，首先对量化投资和Al pha策略进行简要介绍，并对本文Al pha策略综合模型的思路和数据进行说明。第3章多因子选股模型，建立候选因子库，利用历史市场数据和假设检验对因子进行筛选，用动态法对因子进行赋权，最终形成多因子选股模型。第4章波动策略下的动量或反转策略，通过对波动率大小与动量、反转策略之间关系的探讨，得出三者之间的联系，形成第二次选股的模型。第5章模型实现与投资组合的构建，在之前章节的基础上，用模型建立后的市场数据验证模型的表现。第6章结论，总结本文研究工作得到的结论，给投资者提供投资建议，并指出现有研究不足，以及探讨后续的研究方向。4 第2章Alpha策略综合模型2．1量化投资的策略与方法量化投资，即利用计算机技术并且采用一定的数学模型去践行投资理念，实现投资策略的过程( 丁鹏，2012) 。量化投资的优势可以归纳为五点：纪律性、系统性、即时性、准确性和分散化，其主要策略包括：量化选股、量化择时、统计套利、高频交易，等等。本文所讨论Al pha策略属于量化选股。量化投资和传统定性投资在本质上是相同的，它们都是投资人通过一定理念和策略来实现投资的过程，目的也都是为战胜市场并获得超额收益。不同的是，量化投资建立在现代金融工程理论、信息技术、统计学的基础上，具有信息处理速度、广度，对数据的客观性，严格的风险控制等多种特点，它是近十年来国际投资界兴起的新方法，正逐渐成为主流的投资方法之一。目前支持量化投资的主要理论方法包括：人工智能、数据挖掘、支持向量机、分形理论、随机过程等。2．2A Jpha策略基本思想2．2．1资产定价模型CAPM 与Al pha根据J ensenf1968) 拓展之后的CAPM 模型，我们知福建快三技巧 —首页-证券s的实际收益率满足下式：Rs=仅+rf+ps( Rm —rf) +￡s(2．1)其中，O 【为Al pha收益，Rs为现货组合的预期收益率。Bs为现货组合的p值，Rm 为市场指数的预期收益；rf为无风险利率，￡。为误差项。在，若用普通最小二乘法对该式进行回归，即可得到单只证券的历史的仅值和B。值。从回归式来看，仅衡量了一个证券或投资组合的超额收益的均值，然而不是仅越大的证券越好，还应该考虑为获得该仅所承受的风险，即￡。。需要强调的是，上述模型是在严格的假设下建立的：( 1) 所有投资者都是竞争的，他们均以达到某时期财富最大化为目标。( 2) 每个投资者在构建投资组合时独立决策，不受他人的影响。( 3) 交易成本为零，无税收。( 4) 所有资产是可无限细分的。( 5) 投资者具有相同的决策时间，对投资机会有相同的预期。基于以上，Treynor& Bl ack( 1973) 提出了改进的詹森指标，即估值LE( Apprai salRati o，又称信息比率IR) ，用单位非系统风险的超额收益率来对投资组合业绩进行评价： IR=· }(2．2)a(Rp—Rb)、。其中，盯(尺口一尺D)是对组合跟踪误差。信息比率是测定以获得业绩和未来获利机会的重要标准。2．2．2 AI pha策略的概念传统的资产管理是基于收益风险平衡的管理哲学，同时追求平均市场收益( Beta) 矛l J 超额收益( Al pha) ，然而Beta和Al pha是两种极端的收入模式，要做到两者均衡很难。以Al pha／Beta分离策略的新型基金产品正掀起一场投资界的变革。Al pha策略正是最具代表性的Al pha／Beta分离策略，是指建立了p部位的头寸后，通过衍生品对冲p部位的风险，从而获得正的阿尔法收益。如图2．1所示：图2．1Al pha策略简略不意图Al pha策略的优势在于并不依靠对股票( 组合) 或大盘的趋势判断，而是研究其相对于指数的投资价值。Al pha策略追求对冲系统风险的绝对收益，属于市场中性策略，其流程包括选择资产、优选组合、建立组合和定期调整等四步，其中策略获得成功需要重点关注两点：优秀的选股策略和期货对冲Beta时良好的风险控制。在对冲系统风险时，能否对投资组合和股指期货的Beta值准确预测是成功的关键。然而，策略获得的Al pha并不是恒定不变的，它具有时变性和周期性特点。首先，Al pha的时变性体现在它会随着时间的变化而改变。这是因为Al pha本身反映的是上市公司超越市场的预期收益，是公司资产的未来估值预期，不同时期，投资者对上市公司的盈利预期会不同，反映到证券价格上也有所差异。这种时变性给Al pha的估算带来了麻烦。可以根据对Al pha满足不同动态假设，得6；燃㈣攀 到各种计算模型。一个简单实惠的办法是假设在一定时间区间内，Al pha和Beta保持常数。换句话说，在此区间内，投资组合的基本面未出现大的变化，这和实际投资的假设相吻合。由于它调整的频率依赖于公司重大事项的出现，我们相信采用以曰或周作为周期的历史数据进行估计更为准确，同时将季度作为调整周期，也更能反映公司的季报行情。对于具体证券，上述频率可能不是最佳，但此篇报告暂且不去详细探讨这种最优时变频率。其次，Al pha具有周期性。这种周期性主要体现在交替出现的正负号上。我们认为它的周期性由行业周期和套利效应导致。一方面，不同的证券隶属于不同的行业，行业的景气周期和景气程度影响Al pha的符号和大小；另一方面，当一个组合出现较大的超额收益时，会被市场其余投资者逐渐认知和参与，最终使Al pha趋向于零。因此，本文建立的策略会根据每个季度标的股基本面、波动率、动量情况对策略组合进行调整。另外，Al pha策略的必要条件之一是沪深300股指期货，正如上文所述，卖空股指期货为Al pha策略创造了客观的条件。沪深300股指期货合约自2010年4月16日起正式上市交易。其标的沪深300指数是沪深证券交易所于2005年联合发布的反映A股市场整体走势的指数。2．3t流AIpha策略分类Al pha策略不是单一的一种策略，不同的策略在寻找不同可能带来超额收益的机会。根据目前市场上主流策略和本文对Al pha策略具体运用情况，本文将Al pha策略归为如下四类介绍。2．3．1多因子选股策略多因子模型是一类重要的选股模型，它的优点是能够综合基本面的各类信息最后得出一个选股结果。多因子模型的表现相对来说也比较稳定，因为在不同的市场情况下，总有一些因子会发挥作用。因此，在量化投资界，不同的投资者和研究者都开发了很多不同的多因子模型。各种多因子模型核心的区别第一是在因子的选取上，第二是在如何用多因子综合得到一个最终的判断。2．3．2动量／反转策略动量策略投资于有价格动量、收益动量或者分析师对收益预期或评级进行调整( 动量) 等等的股票。动量策略是指在一定持有期内，如果某只股票或者某个 股票组合在前一段时期表现较好，那么，下一段时期该股票或者股票投资组合仍将有良好表现，即动量效应( M om entumEfi ect)。相反地，反转策略是指股票( 组合) 在一段时间内如果表现较差，则在接下来的一段时间内会表现较好。2．3．3波动性策略波动性策略( Vol ati l i ty Capture) 主要通过对市场中个股运动的观察和分析，找到那些波动性大、收益相关性低的股票，并不断进行动态的调整，以此获取超额收益。另外，也有多因子选股模型将股票波动性作为单一因子考察，波动性策略常与其他策略结合出现。2．3．4其他策略除此之外，Al pha策略还包括行业轮动、行为偏差等策略。行业轮动策略以充分把握市场行业轮动作为获取超额收益的关键，从而实现各行业间投资的准确择时。行为偏差策略旨在观察到市场中存在过度反应或反应不足等“ 行为的偏差” ，利用投资者对股票有不同的评价获得超额收益。由于各种策略的特性不同，以上这两种策略没被纳入本文的综合模型中，因此其具体策略在此不作详述。2．4综合化的AIpha策略模型本文的主要创新之一是建立综合多因子选股策略、动量／反转策略、波动性策略的选股模型。综合模型能够提高量化模型处理信息的广度和深度，在数据进行有效处理的前提下，综合模型能够提供给投资者更优越的投资决策。 图2．2综合Al pha策略模型流程示意图如图2．2所示，本文建立综合Al pha策略模型的思路为：首先利用2005年4月至2011年9月的沪深300成份股历史数据筛选因子建立多因子模型；然后将多因子模型应用于当期数据中进行第一次股票筛选；最后再应用波动率下的动量或反转策略对第一次股票筛选的结果再次筛选，形成最终选股结果。2．5数据说明实证过程中，本文使用的数据为公开的市场交易数据和上市公司财务报表的季报与年报，具体来自锐思金融研究数据库和国泰安CSM AR金融经济数据库。鉴于季报、年报发布日期的延后性，本文的数据均截取于每年的4月30日、8月31日、10月31日附近的交易数据。综合考虑数据发布时间和换手的交易成本，设定每期组合调整时间为3个月，本文涉及到成份股的数据均经过时间窗口加权处理，例如，股票市值数据是每月发布的，但模型只使用每季的时间点上的数据。 第3章多因子选股模型笔者把多因子选股模型体系分为4个组成部分：候选因子的选取，用历史数据验证各期因子，提出冗余因子，为获选因子赋予权重。3．1候选因子的选取影响股票收益的因素很多，候选因子可能是估值类指标，如市盈率、市净率等，也可能是盈利类指标如RO A，RO E，或者现金流量类。选择更多、更有效的候选因子将无疑增强模型信息捕获能力，是提高超额收益的关键因素之一。根据现有研究经验以及数据时间窗口，笔者把因子分为5类，如下表所示。表3．1因子候选库估值类盈利类成长类现金流量类营运能力类每股净资产增长率( ％) ( 同比，下同)主营业务收入增长率经营活动产生的现金流量净额比总市值经营活动产生的现金流量净额比营业收入固定资产周转率销售净并0率(％)PERO E( 净资产收益率)PB(％)存货周转率经营活动产生的现金流量净额比营业收入净收RO A( 资产收益率)PS净利润增长率( ％)总资产周转盎益流动资本周转率长期债务与营运资金比盎毛利率PCF总资产增长率( ％)营业费用比例预测市盈率(％)股东权益增长率( ％)财务费用比例经营活动产生的现金流量净额(％)息税前利润与营业总收入比本文排序打分法作为因子回报的度量方法，该方法的原型由Fam a和Frenchl 993年提出，具体做法为通过对因子按值分组排序，排名靠前的组合减去排名靠后的组合下一期的平均收益定义为因子回报。排序打分法优点在于简单直观，目前已被广泛使用。需要特别说明的是，在排序时为保证数据的可比性，估值类因子采取倒数后再排序的处理，营业收入、现金流量等指标必须除以打分时间点的收盘价、流通l O 市值、营业收入来作为加权处理。3．2历史数据验证笔者以沪深300成分股为标的，时间区段为2005年6月至2011年9月，收集模型所运用的指标因子取值，因子一般截取于季报与年报，由于报告的延时性，因此笔者将因子打分的时间点设置为该季度延后3个月，例如2005年半年报的数据于2005年9月前获得，另外，每期股票的因子得分之前要对其原始数据进行去极值化处理。排序打分法具体而言，对于任意一个候选因子，在模型的因子打分时间点开始计算市场中每只正常交易股票的该因子的大小，按从小到大的顺序对样本股票进行排序，并平均分为5个组合，持有期为一个季度，在下次打分时间点再按同样的方法重新构建5个组合并持有到月末，每月如此，一直重复。组合构建完毕后，5个组合中，计算超配组合跑赢低配组合的概率，也即因子胜率，它等于因子回报大于0的概率，计算出年化复合信息比率瓜。计算公式如下：IR=—"fac—tor(3．1)其中仅facto，代表因子的年化超额收益，即因子组合收益与沪深300基准组合收益之差，而13"fa。。o，代表因子年化跟踪误差。信息比率作为研判因子表现好坏的指标考虑到了两个方面：首先，年化超额收益越大，证明因子在盈利方面的能力越强；其次，标准差越小，证明该超额收益越稳定。因此，信息比率越大，因子越有效。最后，还需要通过对指标结果和因子逐年收益表现的t检验来研判单个因子的有效性。t检验一般用于样本容量小于30的平均值差异性检验，在此用来检验IR是否显著不等于0。假设H o：IR=0，通过计算确立P值，参照下表判断IR的差异显著程度。表3．2 P值与差异性关系表P值IR与零的差异显著程度差异十分显著差异显著差异不显著P<=0．05P<=0．1P>0．13．2．1盈利类因子打分首先，笔者对盈利类因子在过去6年股票市场的表现进行统计，如表3．3所不。 表3．3：盈利类因子评价指标对比因子因子胜率年化信息比率t检验P值因子换手率销售净利率(％)RO E( 净资产收益率)RO A( 资产收益率)44．29％一O ．153064．36％6．61％58．57％0．330421．38％7．80％61．43％0．427415．27％7．24％毛利率50．00％一O ．131462．40％6．35％营业费用比例(％)财务费用比例(％)息税前利润与营业总收入比50．00％一O ．014051．34％6．27％54．29％0．119638．68％5．51％51．43％一0．054055．1 7％6．04％从因子胜率的角度来看，该类别中仅“ RO A' ’ 能获得60％的因子胜率。表明在我们的历史回溯区间里，沪深300里资产收益率较高的股票往往会获得较高的股票收益。而从年化信息比率的角度去研判，我们发现RO A还是拥有最高的年化信息比率，表明该因子的风险超额收益较同类因子要高。t检验结果显示所有盈利因子里面，并没有哪个因子的P值能低于10％，所以并不能有效证明该类因子的收益统计上显著不为0。但RO A因子的P值为15．27％，与10％的“ 可选” 边界相去不远。表3．4：盈利类因子逐年累计收益2005( 7个月)2006( 12个月)2007( 122008( 12个月)2009( 122010( 122011( 9个月)日期个月)个月)个月)销售净利率0．1239- 0．0088一O ．1891- 0．0466- 0．08250．0453- 0．0403(％)RO E(净资产收益率)RO A( 资产收益率)O ．1350O ．1663一O ．0877—0．2348O ．1725O ．2612一O ．0169O ．11780．0620一O ．0932一O ．1 303O ．21430．3684一O ．0505毛利率营业费用比例( ％)财务费用比O ．1331- 0．0036一O ．2370一0．0094一O ．0838O ．0604- 0．0543O ．1025—0．0020一O ．1526一O ．0315—0．03410．0434- 0．0243O ．05930．0360—0．1640—0．1035O ．1164O ．1649一O ．0268例( ％)息税前利润与营业总收入比0．1082一O ．0020—0．11960．0467- 0．1099O ．0256一O ．0457从逐年累积收益表现情况来分析，RO A因子在07，08年里的下调幅度明显小RO A因子收益便呈现一种快速上涨的趋势，所于其他因子，而从09年开始，以该因子在09，10年的表现也是稳稳的战胜了其他因子。而从单个因子的滚动12 月收益的表现来看，也证明此观点。综合三个指标的分析结果以及对因子收益的研究，我们觉得RO A因子的长期表现值得认可，将被纳入我们最终多因子模型的备选因子行列。3．2．2估值类因子打分估值类因子一直都是重要的选股指标，研究员一般都运用不同的估值指标来研判个股的价值水平。若估值过低，那么该股票有可能被低估，估值修复就能为股票带来良好的收益。若估值过高，该股票就用可能被高估，在回复合理价位时就会导致亏损。所以，利用估值因子来选股效果无容置疑。实证的结果也印证了上述观点，如表3．5所示。表3．5：相对估值因子评价指标对比年化信息比率因子因子胜率t检验P值因子换手率PE(倒数，下同)67．14％1．3258O ．10％15．75SPB57．14％O ．509811．12％13．68％PS64．29％1．42140．05％9．57{6PCF61．43％1．009lO ．87％18．21％预测市盈率70．00％1．36960．07％19．85％从因子胜率来分析，PE，PS和PCF胜率都在60％以上，而值得选取。年化信息比率来看，除了PB，其他所有的估值因子都获得高于l 的信息比率，捕获风险调整收益的成效十分显著。而从t检验的结果来看，除相对PB以外，其他3个因子均能获得小于5％的P值，收益十分显著。从上述结果可推导出沪深300成分股里，估值水平较低的股票长期都有优于相对估值较高股票的表现，投资者应好好运用。表3．6：相对估值因子逐年累计收益2005( 7个月)2006( 12个月)2007( 12个月)2008( 12个月)2009( 122010( 122011( 9个日期个月)个月)月)PE0．1169O ．36480．44620．1497O ．1314O ．1 0400．0487PB—O ．1126—0．05510．4469O ．2236O ．1 576一O ．1 543O ．0557PS—O ．01 21O ．1223O ．7805O ．0175O ．33470．0020O ．0375PCF0．1160O ．091 5O ．0852O ．1783O ．0291O ．1467一O ．0193预测市盈蛊0．07380．17180．47540．0304O ．31700．08880．0463从逐年累积收益的结果分析，除了相对PB收益表现不太理想以外，所有其他估值因子表现十分优异。无论在牛市或熊市，这些估值因子都能获得正收益。 特别是预测市盈率，平均年收益可达17％。在07年以及09年的牛市里均能获得47％和31％的正收益，获利能力惊人。鉴于估值类因子的卓越表现，笔者把除PB以外的所有因子纳入到最终因子备选库。3．2．3成长类因子打分表3．7：成长类因子评价指标对比因子因子胜率年化信息比率t检验P值因子换手率每股净资产增长率(％)(同比，下同)主营业务收入增长率(％)净利润增长率(％)总资产增长率(％)股东权益增长率(％)经营活动产生的现金流量净额58．57％O ．289624．33％12．28％52．86％0．535710．00％7．89％54．29％0．67095．48％11．15％58．57％0．448014．15％10．43％55．71％O ．372318．58％10．58％61．43％0．97931．04％12．26％整体来看，成长类因子的普遍表现较优。在因子胜率方面，经营活动产生的现金流量净额( 同比增长率) 该因子胜率最高，有61．43％的成功率。年化信息比率方面，所有因子都能捕获正值的信息比率，经营活动产生的现金流量净额( 同比增长率) 因子也是拥有最高的信息比率，接近于1。而从t检验P值的结果来看，主营业务收入增长率( ％) ( 同比) 因子和净利润增长率( ％) ( 同比) 因子都小于或等于10％，所以我们认为该两个因子的收益从历史表现来看显著不为0。而经营活动产生的现金流量净额( 同比增长率) 因子的P值为1] 04％，结果显示该因子收益十分显著，值得选取。而本类因子的平均换手率则在11％附近，主营业务收入增长率(％)(同tL)因子拥有较低的换手率。14 表3．8：成长类因子逐年累计收益2005( 7个月)2006( 12个月)2007( 122008( 12个月)2009( 12201O ( 12个月)2011( 9个月)日期个月)个月)每股净资产增长率0．0865O ．21 77O ．0267—0．0180—0．1 5320．04290．0092(％)主营业务收入增长率(％)O ．0802O ．1046O ．1664一O ．15970．2074O ．0161O ．0196净利润增长率( ％)O ．10260．2428O ．1619- 0．0963一O ．0811O ．2407O ．0563总资产增长率( ％)0- 0499．O ．1670一O ．0205—0．0171O ．0503O ．0892O ．0204股东权益增长率0．12430．2933—0．1294一O ．09810．02450．14920．0023(％)经营活动产生的现金流量净额0．0473O ．0869O ．1005一O ．0682O ．2385O ．1739一O ．0124从逐年累计收益的结果来分析，主营业务收入增长率( ％) ( 同比) 该因子表现较优，除了08年获得负收益外，其他年份基本保持了正的年收益。而净利润增长率( ％) 因子也有不俗表现。可以看到该因子在06，07年的大行情里面比同类因子拥有明显的优势。在10年的震荡行情中也有十分好的表现。经营活动产生的现金流量净额因子则为最稳定的因子，在08年的熊市里因子也只是出现小幅回落。仔细观察该因子的累积收益变化，发现是一个稳步上扬的趋势，波动要较同类其他因子较小，也印证了信息比率最优的观点。以上提及的三个因子都将会纳入我们的最终备选因子库，用以构建多因子模型。 3．2．4现金流量类因子打分表3．9：现金流类因子评价指标对比因子胜盎因子年化信息比率t检验P值因子换手率经营活动产生的现金流量净额比总市值55．71％O ．72194．28912．369经营活动产生的现金流量净额比营业收入经营活动产生的现金流量净额比营业收入净收益50．00％一0．297876．28％9．07948．57％一O ．163265．27％11．369现金流类因子两极分化较为严重，仅经营活动产生的现金流量净额比总市值因子能获得正值的年化信息比率。该因子的胜率虽然低于60％，但已经是同类最高。而较高的年化信息比率，以及十分显著的P值，都证明了该因子的有效性。表3．10：现金流因子逐年累计收益2005( 72006( 122007( 122008( 122009( 122010( 1220l l ( 9日期个月)个月)个月)个月)个月)个月)个月)经营活动产生的现金流量净额比总市值O 。0372一O ．0270O ．3128一O ．0184O ．243l—O ．09090．0260经营活动产生的现金流量净额比营业收入O ．0218一O ．0616- 0．0741一O ．0l 70一O ．0266一O ．0532一O ．0195经营活动产生的现金流量净额比营业收入净收盟一O ．00970．0073O ．02140．0292- 0．0372一O ．1481O ．0159从逐年累积收益的结果来看，也基本印证了上面观点。经营活动产生的现金流量净额比总市值因子在06年的小牛市、08年的熊市以及10年的震荡市中虽然出现小幅回落，但在牛市的时候捕获收益能力较强，驱使累积收益向上。我们看好该因子未来表现，并将它纳入最终因子库。3．2．5营运能力因子打分16 表3．11：营运能力因子评价指标对比年化信息比率因子因子胜率t检验P值因子换手率固定资产周转率存货周转率总资产周转率流动资本周转率52．86％O ．255126．99％10．12％58．57％1．1777O ．29％1 0．95％60．00％O ．68965．02％10．34％52．86％O ．62196．88％10．63％因子胜率方面，总资产周转率胜率刚好达60％，证明沪深300里总资产周转率同比增速较大的个股表现较为优秀。而年化信息比率来看，存货周转率因子拥有很高的信息比率，证明该因子能捕获长期稳定的收益。总资产周转率因子排名第二。而从t检验结果来进行研判，存货周转率因子还是占绝对优势，收益率十分显著。而总资产周转率因子P值也压边界在5％，有效性也十分明显。表3．12：营运能力类因子逐年累计收益2005( 72006( 122007( 122008( 122009( 122010( 12个月)2011( 9日期个月)个月)个月)个月)个月)个月)固定资产鼠辕盎一0．0088O ．2459一O ．0013一O ．0237O ．3056O ．1 3270．0134存货周转率急餐产周转率流动资本周转盎一0．0299—0．35930．1624- 0．0641—0．01670．0418一O ．0166O ．0172O ．0669O ．2103一O ．10980．4412O ．3015—0．02350．0046—0．0976O ．2 333—0．0953O ．0755O ．0671一O ．0232长期债务与营运资金比率O ．1358O ．3071一O ．1523- 0．17900．0661O ．1l 35一O ．0239从累计收益的角度来看，固定资产周转率与总资产周转率两个因子历史收益一直呈现上升趋势，我们对该两个因子后续表现较为乐观。结合前面指标的分析，我们决定把该两个因子纳入到最终因子库。3．2．6多因子库的构建总结上文对每一类因子的分析结果，选择有效的Al pha因子汇总如下： 表3．13：备选因子库(未剔除多余因子)因子胜童年化信息比盎t检验P值因子换手蛊备选因子库( 未剔除多余因子)RO A(资产收益率)61．43％O ．427415．27％7．24％RO E( 净资产收益率) 增长率( 同比，下同)64．29％0．458713．59％11．42％主营业务收入增长率( ％)净利润增长率(％)经营活动产生的现金流量净额增长率52．86％O ．535710．00％7．89％54．29％O ．67095．48％11．15％61．43％O ．97931．04％12．26％总资产周转率60．00％O ．68965．02*／,10．34％存货周转率PE(倒数)PS(倒数)PCF(倒数)58。57％1．17770．29％10．95％67．14％1．32580．10％15．75％64．29％1．42140．05％9．57％61．43％1．0091O ．87％18．21％预测市盈率70．O O ％1．36960．07％19．85％不同的选股因子可能由于内在的驱动因素大致相同等原因，所选出的组合在个股构成和收益等方面具有较高的一致性，因此其中的一些因子需要作为冗余因子剔除，而只保留同类因子中收益最好，区分度最高的一个因子。具体的冗余因子剔除步骤为：( 1) 计算市场中所有个股在不同的选股因子下的得分，再计算这些因子分值的相关性矩阵，最后计算整个样本期的相关性矩阵平均值。具体的相关性平均值矩阵如表3．14所示。表3．14：备选因子库相关性矩阵净经营活动产生的现金流量净额增长盎吕’ 、譬利润增长盎资存产周转率货周转盎预测PE( 倒数)主营业务收入增长率PE( 倒数)PS( 倒数)PCF( 倒数)RO ARO ERO A( 资产收益率)RO E(净资产收益率) 增长率( 同比，下同)主营业务收入增长率O ．331．00O ．20O ．181．00O ．1 90．320．281．00 (续表)经营活主营业务收入动产蕾的现金流量净额增长蛊预测PE净利润增长率总资产鼠转率存货周转奎(倒数)增长蛊PE( 倒数)PS( 在4数)PCF( 倒数)RO ARO E净利润增长蛊O ．42O ．320．27O ．241．O O经营活动产生的现金流量净额增长盎O ．11O ．300．23O ．160．051．O O总资产周转盎0．090．21O ．15O ．160．060．311．O O存货周转率O ．030．37O ．270．140．11O ．34O ．701．O OPE(倒数)O ．55O ．100．06O ．070．O OO ．25O ．30O ．281．00PS(倒数)0．02O ．390．44O ．11O ．38O ．26O ．17O ．29O ．101．00PCF(倒数)O ．09O ．02O ．05O ．04O ．03O ．02O ．02O ．1lO ．05O ．141．O O( 2) 本文的得分相关性阀值取0．5，即相关性超过0．5的一对因子必须从中剔除一个，上表中的PE和预测PE相关性为O ．55，总资产周转率和存货周转率相关性为O ．70，这些因子的相关性均超过阀值，因此综合考虑超额收益相对较高、数据包含关系，最终剔除的因子为预测PE、存货周转率，最终剩下9个选股因子，在表3．15中列示。表3．15：经过筛选后的因子库因子胜盎年化信息比盎t检验P值因子换手盎最终入选的因子RO A( 资产收益率)61．43％0．42741 5．27％7．24％RO E( 净资产收益率) 增长率( 同比，下64．29％0．458713．59％11．42％同)主营业务收入增长率(％)净利润增长率(％)经营活动产生的现金流量净额增长率总资产周转率PE(倒数)PS(倒数)PCF(倒数)52．86％0．535710．00％7．89％54．29％0．67095．48％11．15％61．43％O ．97931．04％12．26％60．00％O ．68965．02％10．34％67．14％1．3258O ．1 0％1 5．75％64．29％1．42140．05％9．57％61．4 3％1．00910．87％18．21％ 3．3为各因子赋予权重在挑选好因子后，我们即将要面对的问题便是如何在不同时点去利用好挑选出来的因子，发挥因子的最大效用，使得从多因子模型挑选出来的超配组合长期有优于低配组合的表现。而要发挥因子的效用，就牵扯到为因子合理分配权重的问题。权重代表的是因子对于模型的重要性，是一个客观的定量指标。若一个因子有优于其他因子的表现，就应该从它的每期权重分配中体现出来。所以，合理分配权重是构建多因子模型的重要环节。信息比率作为优秀的绩效评估比率，将再次在因子赋权时被使用。赋权的目标是使因子组合IR的最大化，在该目标下寻求最优的权重配置。本文引用马克维茨均值方差理论，该理论依据了以下几个假设：其一，投资者在进行投资时，他是根据单个“ 股票” 预期收益来估测投资组合的风险。其二，投资者的决定仅仅是依据“ 股票"的风险与收益。其三，一个理性投资者应该在给定期望风险水平下对期望收益进行最大化，或者在给定期望收益水平下对期望风险进行最小化，这与我们的IR最大化目标不谋而合。最优组合权重的公式应该为：17+=∑五1R(3．2)17+为最优权重向量，R为各因子的平均收益向量，∑云1为因子收益协方差矩阵的逆矩阵，计算得动态权重如表3．16所示。表3．16：因子赋权最终入选的因子RO A(资产收益率)动态权重O ．0863RO E( 净资产收益率) 增长率( 同比，下同)主营业务收入增长率(％)净利润增长率(％)经营活动产生的现金流量净额增长率总资产周转率PE(倒数)PS( 倒数)0．1228O ．15890．09420．05330．0894O ．1676O ．1 312PCF( 倒数)O ．09633．4模型的评价及持续改进20 到此为止，完成本文Al pha综合模型的第一步——建立多因子选股模型。然而，多因子模型建立之后并不是一成不变。一方面，由于数量选股的方法是建立在市场无效或弱有效的前提之下，随着使用多因子选股模型的投资者数量的不断增加，有的因子会逐渐失效，而另一些新的因素可能被验证有效而加入到模型当中；另一方面，一些因子可能在过去的市场环境下比较有效，而随着市场风格的改变，这些因子可能短期内失效，而另外一些以前无效的因子会在当前市场环境下表现较好。因此在多因子选股模型的使用过程中，应该在每个新时期对选用的因子、模型本身做持续的再评价和不断的改进以适应变化的市场环境。 第4章波动策略下的动量或反转策略动量反转策略的起源可以追溯到有效市场理论的起源。1900年法国数学家Bachel i e首先发现股票价格的变化服从布朗运动，但这一发现当时并没有受到广泛的关注。直到1950年Kendal l 在经济时间序列分析中强调股票遵循随机游走的模型之后，现代资本市场理论体系才得到了长足的发展。这一理论一经问世，很多学者对其进行了大量的研究，学术界对有效市场假说的检验分为两类：一是股价收益率分布的检验；二是市场有...