从最大化复合因子单期IC角度看因子权重

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

未经授权，严禁转载

前言



本文沿用 Qian 的最优化体系获取因子权重，与之不同的是，我们将优化目标由最大化复合因子 IC_IR 变为最大化复合因子单期 IC。通过多个例子的实证研究发现，最大化单期IC能有效解决“等权”的配置偏差问题，在绝大部分因子空间，最优 IC 加权所构建的组合，其表现均优于按照“等权”方式所构建的组合。

研究目的
本文参考广发证券研报《从最大化复合因子单期 IC 角度看因子权重》，根据研报分析，现阶段应用较多的因子加权方法主要有以下几种: 等权加权、 IC 加权和 IC_IR 加权、以及最优化 IC_IR 加权。其中，等权加权是因子加权最传统的方法，这种方法受因子之间有效性差异、线性相关性影响明显。而 IC 加权、 IC_IR 加权对等权方式忽视了因子有效性差异的问题进行了改进，在大部分情况下会优于等权加权形式。最大化复合因子 IC_IR 加权已运用较广。

研究内容
（1）传统因子加权方式的局限性: 选择 ZZ800 为股票池，以市值因子和营业利润同比增长率为例，分析等权加权与 IC 加权的差异，根据回测结果分析两种因子加权方式的效用；

（2）设计最大化复合因子单期 IC 的理论最优比例: 本文沿用 Qian 的最优化体系获取因子权重，与之不同的是，我们将优化目标由最大化复合因子 IC_IR 变为最大化复合因子单期 IC。理论解析解的形式表明，最大化复合因子单期 IC 的权重与两方面因素有关: 一是因子的有效性，即因子 IC; 二是因子之间的相关系数。

（3）最大化复合因子单期 IC 的应用: 本文通过例子实证研究发现，最大化单期 IC 能有效解决“等权”的配置偏差问题，在绝大部分因子空间，最优 IC 加权 所构建的组合，其表现均优于按照“等权”方式所构建的组合。

研究结论
（1）通过对市值因子与营业利润同比增长率为例进行分析，IC 加权对等权方式忽视了因子有效性差异的问题进行了改进，在大部分情况下会优于等权加权形式。

（2）本文沿用 Qian 的最优化体系获取因子权重，与之不同的是，我们将优化目标由最大化复合因子 IR 变为最大化复合因子单期 IC，并根据该方法进行因子权重的计算。理论解析解的形式表明，最大化复合因子单期 IC 的权重与两方面因素有关: 一是因子的有效性，即因子 IC; 二是因子之间的相关系数。

（3）通过以下 7 个因子: 市盈率(PB)、市净率(PE)、市销率(PS)、营业利润同比增长率、资产负债率、反转(前 1 月累计收益)、换手率(前 10 个交易日日均换手率)，进行不同因子加权方法的测试。文章实证结果也表明，最大化单期 IC 能有效解决“等权”的配置偏差问题，在绝大部分情况，最优 IC 加权所构建的组合，其表现均优于“等权”方式 所构建的组合，最大化单期 IC 能够获得最佳的结果。

>>> 因子等权加权
1.1 日期列表获取
在每个月的月末对因子数据进行提取，因此需要对每个月的月末日期进行统计。

输入参数分别为 peroid、start_date 和 end_date，其中 peroid 进行周期选择，可选周期为周(W)、月(M)和季(Q)，start_date和end_date 分别为开始日期和结束日期。

函数返回值为对应的月末日期，如选取开始日期为 2017.1.1，结束日期为 2018.1.1。

1.2 股票列表获取
股票池: ZZ800股票筛选: 剔除 ST 股票，剔除上市 3 个月内的股票，每只股票视作一个样本以 ZZ800 为例，取 2016-08-31 当天的股票成分股

1.3 数据获取
本章旨在分析因子等权加权回测效果，股票选为 ZZ800，回测时间为 2013.1.1 至 2018.1.1，因子选定为市值和营业利润同比增长率，在每个月最后一个自然日，获取当前最新的因子数据以及对应的股票超额收益。

1.4 数据分析
考虑一个包含市值、营业利润同比增长率的两因子模型，本章分别基于两种加权方式计算复合因子值，然后选择复合因子值最高的 100 只股票构建组合。其中，组合 1 为等权组合，即市值和营业利润同比增长率按照等权的方式加总为复合因子; 组合 2 为 60/40 组合，即市值和营业利润同比增长率因子的加权比例分别为 60%、40%。

股票池: ZZ800，剔除 ST 股票以及上市 3 个月内的股票对比基准: ZZ800交易费用: 千分之 1.5调仓周期: 月



















第一张图统计了两因子等权组合及 60/40 组合的净值曲线图，上表统计了两个组合的超额收益指标对比。从中可看出，提高了市值权重的60/40 组合，收益率高于等权组合，同时风险（最大回撤、年化波动率）也高于等权组合。此外，从月度角度来看，等权因子组合和 60/40 组合的稳定性都非常高。

>>> 因子IC加权
2.1 因子 IC 分析
对比市值和营业利润同比增长率的 IC 序列统计特征可发现，市值因子的IC均值（0.09）明显优于营业利润同比增长率（0.028），同时前者IC 序列的波动性也高于后者。从 IR 来看，市值因子效果更好，这种效果相差明显的情况下，简单的等权加权并不能体现市值因子的强有效选股效应，从而拖累了多因子组合的表现。

2.2 因子 IC 等权组合分析











第一张图统计了两因子等权组合、60/40 组合以及 IC 加权因子组合的净值曲线图，上表统计了这三个组合的超额收益指标对比。从中可看出， 出IC 加权组合的收益率明显高于等权组合以及60/40 组合，同时风险（最大回撤、年化波动率）也高于等权组合以及 60/40 组合。但是从夏普比率来看，因子 IC 加权组合的收益风险比高于其余两个组合。从月度收益来看，因子 IC 加权组合的月胜率为 85%，可见模型收益稳定性得到进一步提高。

进一步分析发现，在市值、营业利润同比增长率的例子中，两因子按照 IC 加权的权重分别为 76.90% 和 23.10%；市值因子的权重高于等权形式，也高于主观的 60/40 组合。也就是说，因子 IC 加权组合增加了收益高、波动大的“市值因子”权重，减少了收益低、波动小的“营业利润同比增长率”权重，从而使得 IC 加权组合的整体收益、波动均高于等权组合。

>>> 最大化复合因子单期IC
3.1 理论最优比例的计算
由前面的分析可知，在对因子加权时，需考虑因子本身的有效性（IC），但因子 IC 加权并非在所有情况下都优于等权组合。那么，从理论上看若以最大化复合因子单期 IC 为目标，最优加权比例与哪些因素相关呢？

假设有 M 个因子，分别为 F1、F2、…、Fm，它们基于权重序列W=（w1,…，wm）加总为复合因子Fc,即





按照前面的说明，我们最优化的目标函数为：





假设两因子横截面协方差为：





相应的协方差矩阵为





同时对每一期的因子值进行标准化处理，使得因子标准差变为1，则上面的复合因子IC可简化为如下形式：





从上面的解析式可看出，最大化复合因子单期IC 的理论最优权重与两方面的因素有关：因子之间的协方差，以及因子IC。为说明相关系数（协方差）与最优权重的关系，我们以两因子模型的例子进行说明。在一个只包含两个因子的模型中，上述等式可以简化如下形式：





从上面的简化形式可以看出，若两因子为正相关关系，则相比于 IC 加权，最优 IC 加权方式会增加有效性更高（即 IC 更大）的因子权重；若两因子为负相关关系，则最优 IC 加权会增加有效性相对较低的因子权重，以稳定组合的收益。




3.2 组合测试

接下来，利用前一部分推导的最优 IC 加权方式，针对 7 个因子构建多因子模型: 市盈率(PB)、市净率(PE)、市销率(PS)、营业利润同比增长率、资产负债率、反转(前 1 月累计收益)、换手率(前 10 个交易日日均换手率)。每个月最后一个自然日，获取这 7 个因子数据以及下个月相对 ZZ800 的超额收益。为综合比较前文所提及的三种加权方式，在此部分的应用中我们仍然构建 3 个组合进行对比，分别是因子等权组合、因子 IC 加权以及最优 IC 加权组合。

股票池: ZZ800，剔除 ST 股票以及上市 3 个月内的股票对比基准: ZZ800交易费用: 千分之 1.5调仓周期: 月





在上述 7 个因子的例子中，回测时间在 2013 - 2018，等权组合的年化超额收益为 19.87%，但夏普比率较低，为1.00。因子 IC 加权组合的收益表现略优于等权组合，年化收益增加至 22.27%，夏普比率也比其更高，为 1.09。三个组合中表现最好的是最优 IC 加权组合，其年化超额达 23.61%，夏普比率在三种也是最高，为 1.17。

总结
目前而言，应用较多的因子加权方法主要有以下几种: 等权加权、IC 加权和 IC_IR 加权、以及最优化 IC_IR 加权。其中，等权加权是因子加权最传统的方法，这种方法受因子之间有效性差异、线性相关性影响明显。而 IC 加权对等权方式忽视了因子有效性差异的问题进行了改进，在大部分情况下会优于等权加权形式。

Qian 在《Quantitative Equtiy Portfolio Management》一书中提出以最大化复合因子 IC_IR 获得因子权重，综合考虑了因子的 IC 大小以及 IC 时间序列的稳定性，目前已有许多文章对此种加权方式进行了测试。

本文沿用 Qian 的最优化体系获取因子权重，与之不同的是，我们将优化目标由最大化复合因子 IR 变为最大化复合因子单期 IC。理论解析解的形式表明，最大化复合因子单期 IC 的权重与两方面因素有关: 一是因子的有效性，即因子 IC;二是因子之间的相关系数。同时，文章实证结果也表明，最大化单期 IC 能有效解决“等权”的配置偏差问题，在绝大部分因子空间，最优 IC 加权所构建的组合，其表现均优于“等权”方式 所构建的组合。

点击【阅读原文】，查看研究原码~

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：量化投资 机器学习 人工智能