『因子掘金』從有效到撲街---特質波動率與特異度

參考:東方證券金工:《投機、交易行為與股票收益——因子選股系列研究三》

全篇最難的部分還是在數據處理這塊,比如說缺失值的填充,有的是用中位數,有的用均值,有的用行業均值等等。最近Alpha這麼亂,還是安心賭風格吧。

1.特質波動率

1.1 計算方式

研報中給出的公式:

每個月底使用該月的日度數據回歸以上方程。其中MKT,SMB,HML分別為市場收益率,市值因子收益率,估值因子收益率。n其中殘差項的年化標準差(T=243)即為我們所求的特質波動率IVOL:

注意:

  • 市值因子收益率計算我使用了樣本空間內因子值最小的1/3股票構建的流通市值加權組合與最大1/3股票構建的流通市值加權組合收益率之差
  • 估值因子收益率計算我使用了樣本空間內因子值最大的1/3股票構建的流通市值加權組合與最小1/3股票構建的流通市值加權組合收益率之差

1.2 特質波動率因子數據的獲取

總共需要4組數據,股票的收益率數據,市場收益率數據,市值因子數據,估值因子數據

這裡直接調取優礦的因子數據:DataAPI.MktStockFactorsOneDayGet

1.3 計算因子

代碼實現部分

1.4 單因子分析

看一下特質波動率因子的具體表現

1.4.1 分組超額收益

1.4.2 因子歷史表現

1.4.3 因子市值分布

因子多頭每月小市值暴露

1.4.4 因子預測能力

mean of IC:-0.0942576301346 ; median of IC: -0.099903223865

1.4.5 多空組合月度收益

1.5 特質波動率因子回測選股表現

1.5.1 組合凈值

1.5.2 不同5分位組合回測評價

2 特異度

2.1 計算方式

在每月月底基於本月的日交易數據回歸Fama-French方程: 研報給的公式:

每個月底使用該月的日度數據回歸以上方程。其中MKT,SMB,HML分別為市場收益率,市值因子收益率,估值因子收益率。n定義特異度為:

其中R_{Fama-French}^{2} 為回歸方程的擬合優度

2.2 因子的計算

在第一節已經把數據準備好了,所以直接計算就可以了,略過計算過程。

2.3 單因子分析

2.3.1 分組超額收益

可以看到特異度因子選股不同分位數組合的超額收益呈很好的單調性。

2.3.2 因子歷史表現

2.3.3 因子市值分布

可以看到特異度因子沒有明顯的小市值暴露。

2.3.4 因子預測能力

mean of IC:-0.0839785176113 ;median of IC: -0.0824039517756

2.3.5 多空組合月度收益

2.4 特異度因子選股回測表現

2.4.1 組合凈值走勢

2.4.2 不同5分位組合分組回測評價

上圖顯示出,特異度因子選股不同五分位構建等權組合,在uqer進行真實回測的凈值曲線;顯示出特異度因子的選股能力,不同五分位組合凈值曲線隨時間推移逐漸散開。

3 參考文獻

  • 《投機、交易行為與股票收益——因子選股系列研究三》
  • Ang, A.,HODRICK, R.J., Xing, Y.H., Zhan, X.Y. The Cross-Section of Volatility and Expected Returns.THE JOURNAL OF FINANCE, 1:259-296,2006

作者:wade2018

原文鏈接:特質波動率與特異度

其他文章推薦:

Alpha因子庫的精簡-上

克隆!測算近期的最強因子

基於AdaBoost演算法的多因子合成選股策略

高轉送logistic預測模型

選股因子數據的異常值處理和正態轉換

歡迎試用優礦專業版,隨時隨地跟蹤因子表現:優礦專業版試用

推薦閱讀:

【量化】採用多元線性回歸法進行多因子分析
『多因子』多因子模型水平測試題(強答中)
barra風險模型因子計算中的半衰期?
多因子選股+權重排序策略3.0
多因子模型的因子有效性檢驗?

TAG:多因子模型 | 量化 | 股票 |