Loading...
墨滴

niko

2021/11/06  阅读:19  主题:橙心

因子择时

Oliver the Cat择时与轮动系列-1: 因子择时介绍

Oliver the Cat公众号量化研究系列又一个系列要开始更新了--“择时与轮动系列”。 首先说一下这个系列后边会有的内容:目前的计划是这篇介绍一下多因子框架下的因子择时,之后几篇仔细讲解方法(类似于技术文档)。 中间可能会穿插一些量化味儿没那么重的风格和板块轮动介绍(介绍具体方法的文章写起来太费劲了,还得给代码,所以中间摸摸鱼)。

同时,Oliver the Cat的量化研究就剩一个系列还没有开始了: alpha因子挖掘系列。 至于其他的一些领域的问题,比如资产配置、CTA和基本面选股,由于个人精力有限,会以杂项的形式出现而不会单独成系列。


现在开始正文

因子择时背景

多因子模型是金融研究和投资领域中最常见的方法之一。从CAPM开始至今,学术界和业界已经挖掘出不少有效的风险因子。学术界贡献了比如[Fama and French 1993] 的三因子,[Fama and French 2015]的五因子等风险因子,也找出了很多曾经可以获利异象(anomalies)。而业界在BARRA公司的框架下也分析了很多直观又有效的因子,比如BP,ROE等等。下面是一个基于常见因子的组合的收益和风险情况:(数据来源:华泰证券金工研报,结果均为行业分层框架下测试)

因子 类别 2005至今年化 最大回撤
EP 估值 29.78% 72.28%
BP 估值 33.70% 64.62%
营收(TTM)增长 成长 27.56% 71.73%
ROIC 财务质量 9.84% 42.12%

可以看到,虽然每个因子都有不错的年化收益,但是最大回撤也都很惊人。而且除了上面这些因子外,一些曾经有效的alpha波动也越来越大。同时,挖掘新的alpha因子也越来越难:人工挖掘具有经济逻辑的因子需要相当多研究人员精力、时间和经验,算法挖掘的硬件成本又很高(参考某知名量化私募用超算挖因子)

在这种背景下,如何动态调整对不同因子的暴露,或者用人话说就是怎样对不同的因子大类进行择时就变得很重要。

择时方法大致可分为三类:

  1. 基于因子自身性质择时
  2. 因子拥挤程度
  3. 通过外生变量,比如宏观经济情况和市场情况进行择时。
  4. 对重要因子具体研究(比如PB,ROE等可以用于Factor on Factor方法择时的因子)

1.基于因子自身性质择时

动量效应择时

“动量类”效应其实分为相反的两种:动量和反转。动量的解释是,过去一段时间收益率较好的因子(或其他资产)将会延续良好的上涨趋势。反转效应的直觉是:过去一段时间上涨特别好的因子(或资产)在未来会有回撤。

各个券商的研报已经很完整地介绍了这一类因子。下面一张表来自华泰金工研报和开源金工研报(处理过的动量因子), 介绍了几种常用的动量因子构造方式。 原报告测试了几种因子在选股方面的效果,不过,考虑到这些因子均通过时序构造,也可以直接运用到因子择时上来。

因子 构造方式
HAlpha 60个月收益对上证综指收益回归的截距项(回归带常数)
return_N m 最近N个月收益率, N=1,3,6,12
wgt_return_Nm 最近N个月按换手率加权的日均收益率
exp_wgt_return_Nm 最近N个月的指数移动平均
开源研报-大票优选... 最近160交易日中,振幅较低70%交易日对数收益率之和
thrust_Nday 若价格高于前N交易日,记为1

通过和选股相同的方式,我们就可以利用动量效应来判断因子收益率走势,从而判断是否要1.多因子框架调整因子权重 2.轮动策略是否进入下一周期 (更精细的时序和截面动量学习可以参考:Optimal Allocation to Time-Series and Cross-Sectional Momentum

不过在此我一定要提醒,利用动量效应择时和下面要介绍的“Factor on Factor”方法有类似,实际增加的收益可能是通过提升对动量因子的风险暴露而获得的。 具体情况需要单独分析


2.因子的因子(Factor on Factor)

2.1. 为什么和动量分两类来讲:

前面有说:动量效应进行因子择时和“Factor on Factor”方法很像。不过在Oliver the Cat量化择时体系中,我将二者分开:因为Factor on Factor (后称FoF方法)考虑的是研究目标因子的多空组合/多头组合/FMP(Factor Mimik Portfolio,BARRA的纯因子组合)的因子暴露情况。 而且,在FoF方法中,用来研究被择时因子的因子往往是具有很好性质的基本面/量价因子。

2.2.争议

目前对FoF方法的争议主要集中在“因子价值”上,即用BP因子来对其他因子择时,超配“便宜”的因子,减配“贵”的因子。 AQR的Asness认为该方法会增加组合在估值因子上的暴露,从而增加了组合的风险,但是Research Affiliates的Arnott认为Factor Valuation有效。 除此之外, MSCI和J.P.摩根都有介绍过该方法。

2.3. 择时方法:

在单因子测试时,我们会得到一个几个分层组合/一个FMP组合。我们用来择时的自变量就是这些组合内部股票的特征,比如市值/ROE/PB/换手率。

由于不同券商的研报使用了不同的因子定义,这里分开介绍

中信建投《因子估值在A股市场是否有效? 从因子估值到因子换手率的因子择时》

利用多空组合来定义“因子估值”Value Spread

上边的定义还可以用于PB,PS等估值因子。

原文发现因子估值与未来期望收益有明显的负相关性 负相关性明显

不过文章发现"PE on Factors"择时,效果甚至不如原因子效果好,同时策略会随着PE因子回撤一起回撤。 于是文章总结了两点:

  1. 要用长期有效,回撤小的因子来做因子择时。
  2. 当因子与被择时因子之间相关性超过某一阈值时,剔除。 于是文章改为用换手率因子来进行因子择时,最终择时策略IR明显超过因子等权组合的IR。

3.因子拥挤度(利用泡沫盈利)

拥挤交易是资产泡沫的直接原因。而当过多投资者使用同一策略(因子)时,对应的个股就会出现明显的泡沫: 这种现象在主观投资领域也很明显,比如今年过多公募涌进白酒和biotech赛道,之后就出现了大规模回撤。

如果我们考虑行业因子,这就是白酒行业因子和biotech行业因子过分拥挤导致的泡沫。

为了捕捉这种“泡沫”,可以参考 [Kinlaw 2019, Crowded Trades: Implication for Sector Rotation and Factor Timing, Journal of Portfolio Management]中的方法:用“资产中心性”和“相对估值”。 前者判断因子拥挤程度,后者判断退出时机。 当“资产中心性”开始上升时超配因子,当“相对估值”开始下降时,一般资产中心性会继续上升---因为泡沫在继续。此时减配因子。

具体的指标构造方法请参考原文或者国泰君安证券《基于拥挤交易的板块轮动与因子择时策略》研报。


4.外生变量择时--利用宏观经济状态或者市场状态判断因子收益

这个方法是目前最常用也最有经济意义也最有效的方法。

大致描述一下: 当经济上行时,大量公司都在加杠杆,导致杠杆因子的判断能力下降。但是在经济下行时,有能力加杠杆的公司大多是真正有潜力的公司,所以因子信号信噪比上升。

在上面这个例子中,PMI、GDP平减指数等宏观指数都可以用来对杠杆因子择时。 同时,也有其他的例子,下面介绍

人工简单通过宏观/市场状态划分

这个方法更依靠分析师的经济、金融知识,通过自己推理来得到一个大致分划。

下面引用兴业证券的一个ppt上的人工划分结果:(利用市场强弱状态划分) 1 2 3 稳健性检验 还有一些其他的划分。大家可以自己试试从宏观经济学知识上找找有择时能力的宏观数据

条件期望:天风证券 Modified HKQ模型

<-深度好研报 震惊我全家 强推->

这篇研报基于 [Ronald Hua, Dmitri Kantsyrev, Edward Qian]的研究,假设因子收益和一些外生变量,比如宏观数据和市场数据,服从联合正态分布

在需要进行择时的时候,宏观数据和市场数据就是给定的了,于是我们可以计算此时因子收益的条件分布。然后取此时的均值作为因子收益。

这样做有很大的好处: 我们能够计算置信区间,进行假设检验。回归到传统概率模型后一切都变得直观又简单。

具体公式较为复杂,大家可以取看原报告。想自己推导多元正太分布的条件分布的朋友可以参考何书元老师的概率论课本里多元正太分布一节的内容。

当然,这个方法也有它自身很大的缺陷: 实际投资中相对因子等权组合提升不大。 可能因为正太分布的假设过强。

分类模型:机器学习择时

将因子收益的正负打上 二分类标签,选取一些宏观和市场数据作为特征。 然后用树模型/SVM判断下一期的因子收益的正负。

之后可以根据预测结果,使用多种方法来做因子择时。比如收益为负的因子直接扔出下一期的预测因子池,或者在因子合成过程中相应地提高权重降低权重

机器学习分类算法来进行因子择时效果其实相当好,而且简单。


5. 重要因子具体分析: 市值因子/ROE因子

之所以要对重要因子进行单独分析,是因为这些基本面因子可以用在前边的 Factor on Factor方法:当用来择时的因子收益上升时,用该因子对目标因子调整动态合成权重。当因子被判断开始回撤时,使用其他处于上升期的因子进行因子择时,或者直接改为等权。

中信建投《因子深度研究系列: 市值因子择时》和兴业证券《因子轮动研究系列之四: 基于宏观趋势状态的ROE因子择时研究》都有详细介绍。 大家可以参考具体研报。


最后附上一些因子择时研报: 链接:https://pan.baidu.com/s/1ostCGBsUPInYL7468YR5WQ 提取码:0000 --来自百度网盘超级会员V4的分享 扫码下载


免责声明: 本报告仅供Oliver the Cat公众号订阅者使用,Oliver the Cat公众号及其运营人不会因接收人收到本报告而视其为客户。本报告中的信息、意见等均仅供客户参考,不构成所述证券买卖的出价或征价邀请或要约。该等信息、意见并未考虑到获取本报告人员的具体投资目的、财务状况以及特定需求,在任何时候均不构成对任何人的个人推荐。客户应当对本报告中的信息和意见进行独立评估,并应同时考量各自的投资目的、财务状况和特定需求,必要时就法律、商业、财务、税收等方面咨询专家的意见。对依据或者使用本报告所造成的一切后果,本公司及/或其关联人员均不承担任何法律责任。 本报告所载资料的来源被认为是可靠的,但不保证其准确性或完整性,也不保证所包含的信息和建议不会发生任何变更。Oliver the Cat并不对使用本报告所包含的材料产生的任何直接或间接损失或与此相关的其他任何损失承担任何责任。 本报告所载的资料、意见及推测仅反映于发布本报告当日的判断,本报告所指的证券或投资标的的价格、价值及投资收入可升可跌,过往表现不应作为日后的表现依据;在不同时期,Oliver the Cat可发出与本报告所载资料、意见及推测不一致的报告;Oliver the Cat公众号不保证本报告所含信息保持在最新状态。同时,Oliver the Cat对本报告所含信息可在不发出通知的情形下做出修改,投资者应当自行关注相应的更新或修改。 除非另行说明,本报告中所引用的关于业绩的数据代表过往表现。过往的业绩表现亦不应作为日后回报的预示。我们不承诺也不保证,任何所预示的回报会得以实现。分析中所做的回报预测可能是基于相应的假设。任何假设的变化可能会显著地影响所预测的回报。 Oliver the Cat公众号之运营人对本报告保留一切权利。未经Oliver the Cat公众号之运营人事先书面授权,本报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品,或再次分发给任何其他人,或以任何侵犯本公司版权的其他方式使用。未经授权的转载,Oliver the Cat运营人不承担任何转载责任。

niko

2021/11/06  阅读:19  主题:橙心

作者介绍

niko