林晓明 S0570516010001 研究员
陈 烨 S0570518080004 研究员
李子钰 S0570519110003 研究员
何 康 S0570118080081 联系人
王晨宇 S0570119110038 联系人
报告发布时间:2020年3月31日
摘要
“低波动异象”在不同市场具有长期稳定的Alpha效应
低波动策略脱胎于“低波动异象”,是一种在海内外市场均长期有效的Alpha效应。相关理论认为,高波动股票往往存在被投机者炒作、估值偏高的风险,而低波动股票能够对投资者行为偏差和投机炒作行为造成的“高波动陷阱”进行有效规避,从而在长期取得优势。市场实践也证明,无论在以美国为代表的海外市场还是国内A股市场,低波动股票在长期均拥有更好的风险调整收益。
海外低波动Smart Beta:头部优势明显,需求保持增长
低波动Smart Beta产品在美国市场单因子策略类产品中规模位列第五,总规模近千亿美元。从产品分布上看,少数发行商占据市场主要份额,头部效应明显;另一方面,近年来低波动类新产品仍在持续发行,产品份额稳定增长,可以认为市场需求在保持扩张。从市场表现来看,低波动策略的收益水平和市场相近,但在波动率上优势明显,是特化于对抗市场风险的理想工具,面对今年以来的极端行情表现不俗。
国内低波动Smart Beta:近年来发展较快,多因子产品占据主流
国内市场的低波动Smart Beta产品始于2017年,整体起步较晚,但近年来发展较快。多因子产品是当前低波动类Smart Beta产品发展的热门方向,其中红利低波产品最多。从市场表现上看,国内市场的低波动策略对市场下行有较强抵抗能力,同时也能取得更高的收益水平。今年以来疫情影响仍在持续,市场未来仍可能面临波动,低波动Smart Beta产品的市场需求有望提升。
低波动因子有效性:分层保序性良好;沪深300中因子表现最优
我们进一步对A股市场的波动率因子有效性进行检验。低波动因子在分层测试中拥有较好的分离度和保序性,头部优势较明显。对于不同股票池,低波动因子在沪深300的Rank IC最高且较为稳定,中证全指次之,而中证500和创业板指则相对较弱。
波动率+动量多因子策略:稳中求进,提升收益水平
低波动策略具有稳健、抗跌的特点;在此基础上,我们尝试对其收益层面进行强化。测试结果显示,波动率因子和动量因子的结合拥有较好的表现,在回测期间策略的波动率和回撤水平优于样本空间,而绝对收益和风险调整收益均明显超过低波动单因子策略。但2020年以来,策略的表现不佳,对极端行情的抵御能力可能存在短板。
价值+波动率多因子策略:提升抗跌能力,强化回撤控制
我们进一步尝试将价值因子和波动率因子结合,在规避市场风险的同时提供安全边际的保护。测试结果显示,PE_TTM和后置波动率因子选股能够进一步控制策略的回撤,对收益率也有一定提升,整体拥有更好的风险调整收益。2020年以来,策略的优势尤其明显,推测其抗跌能力有所增强。
风险提示:Smart Beta产品的发展受市场环境影响,海外发展规律不一定适用于国内;策略的历史表现依赖于回测区间和公开数据源,不一定能代表未来有效性;报告中涉及到的Smart Beta策略仅提供客观数据分析,不代表任何投资意见;对策略构建思路的研究仅供参考,请投资者谨慎、理性地看待。
“低波动异象”:跨越时空的长期Alpha效应
风险和波动是投资领域中永远无法绕开的话题。早在20世纪50年代,哈里·马科维茨提出基于均值-方差的投资组合理论,为后续的投资学发展奠定了重要基础,其将收益率标准差作为风险测度的标准也广为其它理论所沿用。在马科维茨的观点中,理性的投资者是风险厌恶的,在给定的收益水平,极小化风险的资产组合才是“有效”的组合;换言之,高风险资产需要更高的收益水平来弥补。在其基础之上,威廉·夏普等人提出资本资产定价模型(CAPM),将风险进一步拆解为系统风险(市场风险)和非系统风险,并认为市场相关的风险才能获得溢价。
这些经典定价模型的观点均认为,风险应当与回报率相匹配,市场对高风险、高波动的股票要求更高的预期回报,这直观和逻辑上都是较为合理的。一方面,高波动性意味着收益的不确定性,对拥有风险厌恶效用的理性投资者吸引力更小;另一方面,波动率在基于复利计算的收益上拥有不对称性影响,可以证明在给定期望收益率的前提下,收益方差越大则区间收益越低。这些观点理论上导致高波动股票的估值更低,期望收益率更高。
然而,从实际的市场表现来看,高波动股票并未在收益率上展现出明显的优势。美股市场的研究者依据36个月的波动率,将市值最大的1000只股票分为五层,对从上世纪60年代至今长达50余年的历史进行回测。结果显示,不同风险分层的组合在波动率上差异明显,但超额收益水平却非常接近,低波动组合拥有更好的风险调整收益与夏普比率;在A股市场中,我们以中证全指为样本空间,按相似的思路从2011年-2019年对市场进行低波动因子的分层回测,每个组合简化为市值加权,以观察不同波动率分层组合的市场表现。同样可以发现,A股市场中低波动组合不仅在风险上有所控制,在收益层面也有着明显的优势,而处于尾部的高波动组合则表现明显不及其他分层。
可以看到,低波动组合在获取收益和风险控制上的优势跨越了地域差异,在长期的历史回测中拥有亮眼的表现。这一和经典理论相悖的现象,即是为投资者熟知的“低波动异象”。该效应在不同地域市场、不同的市场行情下具有相对稳定的长期有效性,为低波动因子策略以及其进一步作为Smart Beta指数策略提供了可靠的实践基础。
低波动策略背后的逻辑:稳中取胜,防御市场异动
实证显示,低波动策略是“能捉老鼠的好猫”,低波动策略的市场接受度也在不断提升;但是,稳健的投资策略必定有其逻辑,在搭载于相对低频、规则透明稳定的Smart Beta指数策略上时,明确的投资逻辑尤为重要。对于“低波动异象”,学界给出过源自多种角度的理论解释。最主流的解释指向了投资者的行为偏差,主要包括:
1)彩票效应/博彩偏好(Lottery Effect),即投资者对高波动性股票进行赌博式的投资,并愿意接受降低收益预期作为使用股票博彩的溢价。该投资行为导致高波动股票股价出现估值过高,其本质是投资者的非理性效用。
2)代表性偏差(Representativeness),即部分高波动股票短期表现优异,容易受到投资者热捧,但其高回报背后潜在的投机行为可能导致股价回调。
3)过度自信(Overconfidence),即投资者倾向于预测和交易不确定性较高的股票。但相比多头操作,空头的限制较多,导致投资者对这类股票的多空交易存在不对称性,促使高波动股票的高估。该效应在做空机制不够完善的A股市场可能更加明显。
4)机构效应(Agency Issue),即机构的研究更多聚焦热门的、高波动的股票,卖方分析师容易对高波动股票的预期过度乐观;反之,起伏较小的股票则更易被投资者忽视和低估。
以上观点指向相似的逻辑:高波动股票通常是市场交易的热点,背后可能隐藏着资本的炒作风险以及短期估值过高的泡沫;而低波动股票能够避开这些“诱人的陷阱”,相对更加保险;低波动股票的估值水平也倾向于处在低位,容易在长期的估值修复中获利。
可以看出,基于“低波动异象”的Smart Beta策略着眼于规避市场的异动股票,无论市场行情好坏均能够发挥抗风险的作用,是具有普适性、抗周期性的稳健型策略;另一方面,低波动策略着眼于长期走势,对于低频、持有期长的被动型Smart Beta产品有着天然的适应性。也因此,低波动策略常被冠以“穿越牛熊”的名号。可以认为,低波动因子提供了一个寻找Alpha收益的相对独特且稳健的视角,低波动策略在Smart Beta产品中的应用也值得关注。
低波动与Smart Beta:市场与产品概览
美国低波动Smart Beta ETF市场:平均规模较大,呈现头部聚集
作为成熟的市场先行者,海外Smart Beta市场发展历程更长、博弈更为充分,其产品的格局能够一定程度上反映市场的长期需求。以美国Smart Beta ETF市场为例,根据ETF.com截至2019年3月27日的数据,目前美国市场低波类产品总规模排名第六;除去分类较为宽泛的多因子产品外,低波动产品与占据市场主导地位的成长、价值和红利类仍有一定差距,总规模和基本面产品接近;另一方面,可以看出低波类产品的数量在所有产品类型中最少,产品的平均规模和市场头部集中度很高。
为进一步了解美国市场低波类Smart Beta产品的发展历程,我们统计了截至2019年末产品历年的发行情况。从下图可以看出,低波动类ETF在美国市场的历史并不长,但增长趋势相对稳定;其中2017年产品发行数量出现高峰,2019年也有5只新产品问世,新产品的增长趋势仍在持续。可以认为,美国市场对于低波动产品的需求尚未充分饱和。
低波动Smart Beta ETF头部:发行商垄断格局明显,存在先发优势
头部效应会跟随发展阶段的推移和市场的博弈而逐步显现,位居市场龙头地位的产品往往具有较好的代表性。我们以当前基金的资产管理规模作为排序指标,罗列了美国市场低波类Smart Beta ETF中规模前十的产品及其基本情况,结果如下图所示。
通过观察以上低波类Smart Beta ETF头部产品可以发现,基金规模呈倒金字塔状分布,资金主要集中在前三只产品,其中排名第一的USMV管理规模遥遥领先,接近三倍于排名第二的SPLV;前三只产品占据了排名前十产品规模总和约75%,优势相当明显。
从发行时间来看,尽管低波动ETF的历史并不长,但仍旧表现出一定的先发优势;最早发行的五只产品占据了前五的交椅;排名前十的产品中,仅USMC一只产品在2013年后发行。从费率来看,头部产品的管理费率普遍集中在0.20%-0.25%,没有明显的差异,推测对竞争格局的影响较小。
低波类Smart Beta产品近年来规模与份额快速增长
除了产品发行数量,基金的规模增长是反映市场需求的重要指标。我们统计了当前规模前五的基金自发行以来的规模变化,分别是Blackrock旗下的四只基于不同样本空间的产品USMV、EFAV、ACWV和EEMV,以及Invesco旗下的SPLV。如下图所示,五只产品的管理规模总体上呈现上升趋势,其中Blackrock集团的产品USMV增长幅度和速度远高于其他四只产品,当前总规模在300亿美元左右。以规模最大的USMV为例,ETF的总规模与份额在2015年底和2018年开始都有明显的上升,基本对应美股市场下跌和大幅震荡的阶段,推测在美股市场,低波动产品更多地作为功能性投资工具,与市场的波动存在相关性;而不同的产品如果没有明显的差异化定位,资金可能会单一地向头部产品流入。
值得一提的是,2020年以来受极端行情影响,美股市场大幅下跌,各基金产品的总规模均有明显下降;但整体而言,低波类产品的总份额相对保持稳定,未出现大幅赎回换取流动性的迹象。
美股低波动Smart Beta的市场表现:以守为主,市场下行期的防御工具
我们进一步观察低波动Smart Beta产品的市场表现。在上述5只低波类Smart Beta产品中,USMV和SPLV均以美股市场作为样本空间,我们以S&P500作为基准指数,重点对这两只基金的表现进行跟踪。我们首先通过归一化计算得到基金的单位净值,观察低波类Smart Beta产品在长期市场行情下的特征;此外,为更好地对比基准指数S&P500,我们通过产品的净值除以S&P 500的净值,得到产品相对S&P 500指数的相对强弱曲线。
可以看到,在回测区间内,两只低波动产品和S&P500走势整体接近,并没有显著跑赢市场,其中SPLV的区间表现略差于市场;但在相对强弱走势中,可以看到指数在不同区间下的特征:2014年三季度、2015年三季度、2016年一季度和2018年二季度这几个节点,低波动产品相对基准指数展现出明显的优势,而这几个时期刚好对应了美股市场迅速下跌的行情;在这种行情下,低波动产品展现出明显的抗跌防守性能,有效地控制了回撤。为更清晰地观察这个现象,我们按年份对以上净值的风险收益水平进行统计,如下表所示:
从上表可以更清晰地看出,在市场快速上行时期,美国市场的低波动产品未必能够紧跟市场的步伐;但在市场小幅震荡或者下跌时,低波动产品展现出明显的防御优势。另一方面,低波动产品在波动率上明显且稳定优于市场,佐证了基于历史波动率的低波动策略能够有效控制风险的观点。从长期来看,美股市场的低波动产品收益率和市场接近,但对于不期而至的风险能够更好地抵抗。这一点和前文引述的实证观点一致,即美股的“波动率异象”更多体现在“收益不败,风险占优”的层面。放眼近期,在2020年以来的极端行情下,低波动策略的表现明显强于市场,防御价值更加凸显。
另外,可以看到不同策略之间的表现也存在不小的差异,USMV在收益和风险指标上都整体优于SPLV,在风险调整收益上也胜过市场;而SPLV仅在波动率上相对市场拥有优势。可以认为,低波动策略存在差异化和优化的空间;后续我们也将在市场的实证中,尝试构造和优化更适应A股市场的低波动策略。
国内低波动Smart Beta市场:迅速崛起的新生力量
在美国市场,低波动Smart Beta产品的历史并不算长;而在国内,低波类Smart Beta基金更是标准的“新生代”,所有低波类基金均发行于2017年后。然而,低波动产品的发展势头不可小觑,低波类多因子产品尤是如此。截至2020年二月底,我们统计了国内所有低波类Smart Beta基金和含低波要素的多因子类Smart Beta基金列表如下:
可以看到,低波动Smart Beta在国内仍处于起步阶段。其中低波单因子策略的覆盖面有限;自2018年首支低波单因子产品发行以来,截至2020年2月底,国内基于低波动单因子策略的Smart Beta产品仅5只,且整体规模偏小。从股票池分布上看,当前沪深300、中证500等大中型股票池已有产品发布;其他中小型股票池虽未有跟踪对应低波动策略的产品,但已经有相应的指数覆盖,低波动单因子产品的开发空间受到一定挤压。但从美股市场的经验来看,低波单因子产品作为功能性配置工具存在一定的市场潜力,产品规模仍有望攀升。
相比单因子产品,低波类多因子Smart Beta在国内市场更加活跃。自2017年底首只红利低波基金发行以来,截至2020年3月,国内已有16只低波类多因子产品。从时间上看,产品的规模并未和发行期展现出明显的相关性;从产品种类上看,截至统计截面,红利低波动产品已发行共计12只,占据低波多因子产品的绝大多数;其余产品采用低波动因子与成长、质量等因子进行结合。
低波类Smart Beta基金规模:多因子产品稳步增长
我们在下图中展示了国内低波类Smart Beta基金和含低波要素的多因子类Smart Beta基金整体数量和规模随时间变化情况。
通过上图可以看到,低波类Smart Beta产品始于2017年,此后数量和管理规模持续增长,在2019年发展尤为迅猛。截至2020年3月27日,低波相关产品的总规模已超过50亿元;另一方面,目前全球疫情仍在持续中,国内外市场均出现较明显的波动,低波动类产品的需求有望进一步提升。
A股低波类Smart Beta指数表现:市场风险防线,长期配置良方
直观上看,低波动策略是一个长于风险控制的策略,具有稳健、抗跌的意义,在美股的实证测试和产品属性也佐证了这一观点;另一方面, A股市场中的“低波动异象”在收益层面也有所体现。如何在A股市场定位和应用低波动Smart Beta,是值得关注的问题。我们选取市场上几只代表性低波相关指数以及其他因子类Smart Beta指数,并对比基准指数在不同市场行情下的表现。这里我们选取市场代表性较强、指数策略覆盖较多的沪深300票池作为基准,统计结果如下:
从净值走势可以看到,上述因子策略Smart Beta指数整体优于基准。其中300SNLV指数(沪深300行业中性低波动指数)和300红利LV指数(沪深300红利低波动指数)走势较为接近,在2015年后市场行情崩塌时有效控制回撤,从而形成明显优势;在2016年开始的震荡上行区间也有一定增强。从相对强弱走势可以更明显地看到,2015年间低波类指数的上升幅度显著优于其他指数,推测低波动策略在A股市场大幅波动时同样有较好的效果;但在其后2017年和2019年市场稳定上升阶段,低波动策略相对基准走弱,和红利、价值等策略趋势相似。在同期,300成长指数相对走强,在较稳定的上行期表现出色。
整体来看,低波动策略和价值、红利类策略的表现有一定相似性,但在市场剧烈下跌期对风险的抵抗能力更为出色,在市场震荡期间也有较好的表现;但在市场快速拉升时,低波动策略未必能够战胜市场。从长期来看,波动上行应当是市场的主旋律;对于长期配置的资产,低波动策略能够在平稳期获利,也能在市场风险不期来临时撑起“保护伞”,是较为理想的底层配置工具。
而在2020年以来,受疫情等因素影响,全球市场普遭遇不小回撤;从上图可以看出,近期低波类策略相对沪深300指数明显走强,抗跌表现亮眼。目前疫情等风险因素仍在持续释放影响,低波类策略的价值或能进一步体现。
低波动Smart Beta指数编制方法对比
目前市场现存的低波动策略可以分为两大类。一种属于启发式方法(Heuristic Approach),即依据直观或经验构造算法,在可接受的成本内给出优化问题的一个可行解。包括采用波动率、Beta等指标排序优选成分股以及采用波动率加权调整成分股权重的方法在内,其本质在于增加组合在低波动因子上的暴露,从而获取因子的Alpha收益。这类方法并没有明确的优化目标函数,拥有逻辑清晰、低成本、自由度高的特点。从之前的汇总也可以看到,该方法是目前市场上的绝对主流。
另一种思路即最优化方法(Optimization-based Approach),典型如前述MSCI旗下的MSCI USA Minimum Volatility Index指数。优化法着眼于资产组合的层面,考虑股票间的相关性并优化资产组合的整体风险,常用的方法包括最小方差组合、风险平价组合、Barra优化算法等,基于持仓组合整体的目标函数进行优化得到持仓配比。该方法有明确的理论逻辑,但协方差矩阵的参数估计导致在股票大样本下计算和维护成本显著升高,优化组合也容易受到卖空机制的限制。该方法在当前Smart Beta市场应用较少,目前以A股为标的指数仅有MSCI中国低波系列指数,以及目前已停止维护的300最小方差指数。
尽管两种方法都在追求低波动,但其背后存在明显的逻辑差异。以股票排序筛选为主的启发式方法旨在获取“低波动异象”的Alpha收益,更加贴近于传统的因子策略;而组合优化方法则是通过优化控制资产的未来预期风险,和基于低波动因子的传统Smart Beta思路有一定差异。
海外代表性低波动Smart Beta产品指数构建方法
海外Smart Beta市场的发展历程较长,经历了较为充分的市场博弈和筛选,海外产品的开发理念或能为国内市场提供一定的借鉴价值。MSCI、S&P Dow Jones、Nasdaq旗下均有低波相关策略的指数发布;我们选取了部分具有代表性的指数编制方案,按指数编制的步骤简要总结其编制思路和细节处理,如下表所示。
整体来看,上表中的编制方法存在两种思路。其一为MSCI低波动指数采用的优化法,同时达到选股和配权的目的;其余指数则是按照经典的因子筛选方法,属于启发式方法,该类方法在参数选取上更加主观自由,不同指数间存在细节上的差异。
在对行业的处理上,SSGA旗下指数采用了行业分层方法;MSCI对母指数板块偏差进行了限制;其余两只指数则相对简洁,并未对行业多加处理。在因子选用上,后三只指数分别采用了近一年日收益率、近一年月收益率和近五年月收益率;直观来看,长期、低频的波动率计算更注重长期稳定性,选出的成分股变动率也相对较低,而偏中短期的指标时效性更强,但可能导致高换手。
权重分配方式是以上指数的一个明显差异点,包括优化配权、波动率倒数加权、方差倒数加权和自由流通市值加权。基于月收益的波动率相对日收益率数值基准更大,采用方差倒数可能对造成进一步放大。在调仓频率方面,SSGA旗下指数以较低的年频调仓,和其长期稳定性的特征相符;其余指数均在半年频或季频,和市场主流调仓频率更加吻合。
以上指数只展示了部分编制思路,无法在统计意义上描述美股市场的主流或偏好;但可以看出,即使是以低波动单因子作为策略,不同指数仍可以通过方法或参数上的差异,实现策略的不同定位。
国内代表性低波动Smart Beta产品指数构建方法
相似的,我们选取部分国内指数公司中证指数和国证指数编制的低波类指数,作为示例统计于下表:
从上表可以看出,国内低波指数编制思路主要是使用波动率因子在特定指数作为样本空间进行选股,但在波动率因子的处理上高度同质化,均采用近一年日收益率的波动率;从加权方式上看,以上指数均应用波动率倒数,即因子得分进行加权。沪深300和中证500行业中性低波动指数在行业处理上有所差异,分别在中证一级和二级行业内部选股,这一差异也对后续波动率倒数加权的系数产生影响。整体来看,以上指数的差异更多体现在样本空间的差异,包括其中的行业划分的影响,而在波动率本身的刻画上较为相似。
同时,我们选取了部分市场中包含波动率因子的多因子类Smart Beta指数的编制方案,汇总于下表所示。
从上表的多因子策略中可以看到,不同指数的差异更多体现在波动率以外的其他因子或是样本空间上,但对波动率因子的处理则非常相似;此外,以上多因子策略无一例外地将波动率因子放在策略的最后一环进行筛选,其作用空间相对较小。从直观逻辑上看,这种方式下的波动率因子依赖于其他因子优选后的条件分布,受因子相关性的影响更大。
对比国内外低波类指数构建方式的异同,可以发现美国市场中的低波指数编制更多在低波动因子和其他参数细节上进行差异化,通过改变策略模型以实现不同的策略定位以及模型的灵敏度;相比之下,国内的编制方法差异点更多依赖于样本空间,而对低波动指标的细化程度较低,构建思路相对简洁。进一步细化波动率指标的构建,或许是未来的发展方向之一;此外,结合其他因子构建多因子策略能够进一步丰富低波动策略的定位,也是较为理想的开发思路。
值得一提的是,当前国内市场中仅有基于Barra Optimizer优化方法的MSCI中国A股国际红利指数拥有跟踪产品,基于优化法的低波动Smart Beta策略在国内普及度较低。另一方面,优化法扎根于理论基础,为资产组合提供了精确的风险收益定位,作为功能性配置工具特点较为明确;在前述美股市场的实证中,MSCI旗下基于优化法的低波动策略也拥有较好的风险调整收益。作为低波动Smart Beta策略的另一大分支,优化法策略或许是未来低波动Smart Beta策略可行的开发思路之一。
低波动策略的特征分析
基于前述分析可以看出,基于“低波动异象”的低波动策略在A股市场是长期有效的,国内的低波动Smart Beta市场也正在由蓝海逐渐转入竞争态势;目前来看,各大股票池均有低波相关指数覆盖,但编制的方法存在一定的同质化。在本报告中,我们定位于更贴近因子策略的启发式方法,着重对基于波动率因子的Smart Beta策略进行细究,探讨如何构建特征明显、功能性更加突出的低波动相关策略。
因子有效性:中长期波动率表现较好,沪深300票池优于其他票池
市场的实证显示,基于“低波动异象”的低波动策略长期具有Alpha效应;但在应用于Smart Beta策略上时,我们需要观察因子相关参数对回测表现的影响,包括作用的样本空间、因子的观察期、因子筛选比例、与其他因子的组合等等,从而在一定程度上对指数策略进行优化。
首先,我们通过Rank IC作为低波动因子收益的度量,计算不同市值票池和因子观测周期下,因子对截面未来六个月(与常用调仓间隔一致)的收益解释能力。票池中我们选用了中证全指、沪深300、中证500和创业板指等宽基指数,对截面前三个月、六个月、十二个月和十八个月股票收益波动率进行测试。由于波动率因子本身为负向因子,这里我们取波动率的相反数计算Rank IC。测试结果如下:
可以看到,在大市值倾向的沪深300中,偏长期的十二个月与十八个月波动率Rank IC最高;在中等市值为主、整体波动性更高的中证500和创业板指中,则是短期的三个月波动率因子Rank IC最高。排除Rank IC最低的创业板指,整体来讲六个月和十二个月波动率的表现总体更好,但差异并不明显。
波动率因子的观察期越短,对短期市场操作越灵敏,但可能导致策略稳健性的下降,以及换手率过高导致的成本提升;观察期相对调仓期过长,会出现观测区间高度重叠,导致因子的自相关性过高,难以反映趋势性的变化。目前市场上采用的波动率观测周期以十二个月为主流,从测试结果和逻辑上看都是相对合理的,我们选择将其作为后续测试的参数。
从不同票池上看,沪深300在Rank IC上明显高出其他票池,推测大盘股的低波效应更强;中证全指次之,而在以中小盘、高成长属性居多的创业板指中,波动率的Rank IC则明显低于其他票池。推测沪深300这类大市值票池作为低波动因子的选样空间更有优势。
波动率分层净值:波动率分层保序性良好,震荡期稳中获利
基于对样本空间和波动率参数的大致定位,我们进一步探究低波组合在长期市场中的走势特点,从而对低波动策略的应用进行指导。在指数策略中,通过因子排序按比例筛选是最为常见的选股方法之一,通过因子值进行分层测试方法对策略的构建有较大的参考价值。
我们首先基于分层法检验因子的有效性。测试将样本空间按照过去十二个月日收益波动率划分为五层,以半年为频率调整各分层组合的成分,并对各分层采用市值加权。在样本空间上,我们选取前述相对有效的沪深300和中证全指,作为样本空间进行测试。分层1~5对应波动率从低到高的组合,基于2011年6月30日至2020年3月27日的回测结果如下:
可以看到,在中证全指票池中,低波动组合中第一层整体优势明显,第二、三层和样本空间接近;末尾组合则有明显劣势。根据相对强弱走势从时间维度上看,中证全指中的低波动组合在市场过热、泡沫累积时期,收益能力不及高波动股票,典型如2015年以及2019年市场快速爬升阶段;但在如2016-2018的市场波动上升期,低波动组合拥有较稳定的优势;而在2015年下半年的市场泡沫破裂后的衰退期、2018年的持续下行期,低波动组合的回撤明显低于其他组合。长期来看,低波组合能够积累可观的优势。
沪深300票池的分层和中证全指相似,但头尾部组合的分离程度更加明显;同时可以看到,第一层组合并没有形成绝对优势,相比之下第二层在整体走势上更加稳定平滑。
整体来看,波动率因子分层的组合在收益上拥有良好的保序性,低波动组合明显优于高波动组合;细化来看,低波动组合在市场下行时拥有显著的防御能力,在震荡市则有相对稳健的累积超额收益,因此在在长期持仓中逐步形成优势。可以认为,低波动策略在市场大幅下行时拥有较强的抗跌能力,在震荡市则能够稳中取胜,是一种长期偏稳健、攻守兼备的策略。
从Smart Beta策略应用层面看,可以推测中证全指的优势成分或聚集在最顶层;而在沪深300票池中,前40%的表现差距不明显,尾部劣势较大,应用于尾部剔除也是可行的思路之一。
低波动股票行业分布:交运、电力等行业存在偏重
部分关于低波动策略的论述提到,波动率存在行业上的聚集,单纯的低波动策略可能导致个别行业的较大暴露度。目前市场上现有的低波动单因子策略,也大多采用了行业分层的中性化方法。为实证这一观点,我们仿照分层回测的方法,以半年期为调整频率,提取了中证全指中各期波动率最低的20%的股票组合,并分析组合的行业构成相对中证全指的超配情况。
从上表来看,低波组合在交运、电力、商贸、银行等行业有一定程度的超配;电子、计算机、通信等高新技术行业天然波动性偏高,存在较明显低配;机械、基础化工和电新在中证全指中绝对占比较高,对偏差有一定放大作用。从总体来看,低波组合与中证全指的行业配置存在一定偏差,但并没有明显的过度聚焦。
低波动多因子Smart Beta策略的应用思路
基于前文对国内低波动Smart Beta产品的统计,低波动指数在各个股票池的覆盖率较大,但低波单因子基金无论在数量还是规模上相对有限,低波多因子Smart Beta产品在市场上更为活跃。当前Smart Beta趋于快速、多元化发展,投资者对Smart Beta产品作为投资标的有着更加细化的需求。可以认为,更丰富的多因子策略是未来低波动Smart Beta发展的理想方向。我们将重点关注基于低波动因子的多因子策略有怎样的特征和应用前景。
因子间相关性:波动率与估值、红利高相关;与动量相关性不显著
因子间的相关性是影响多因子策略构建以及实际效果的重要因素之一,因子间的不同的结合顺序也会由于因子相关性的存在而产生不同效果,后续我们将具体进行测试。在这里,我们基于市值、红利、质量、价值、成长、动量等维度的因子,选取较有代表性的指标,采用计算截面秩相关系数的方法,观察不同因子与波动率的相关性情况。同之前处理方式,由于波动率本身为负向因子,为直观起见,我们取波动率相反数(即低波动指标)计算Rank IC,本章节所提及的波动率因子均为相反数。
从因子相关性上看,波动率因子和市值、股息率等因子呈现正相关性,其中与股息率的各期截面相关性稳定为正,但和市值的相关性则波动较大。价值因子和低波动因子同样呈现明显且稳定的相关性,和“低波动异象”的理论解释吻合,佐证了低波动因子更倾向于处于估值洼地的股票。
对于财务质量指标,波动率和毛利率呈现负相关,和ROE则呈现正相关,相关系数的绝对值较低;成长因子中的营业收入和净利润同比,与波动率均呈现较微弱的负相关。整体来看,质量、成长类因子和波动率的绝对线性相关性不高,但标准差也同样较低。T检验显示,相关系数在95%置信度下显著,具有一定程度的稳定性。
以过去收益率为指标的动量因子中,三个月和六个月收益率在相关系数绝对值上较低,而标准差明显高于其他类因子,截面相关系数的正向占比接近0.5;近一年收益率和波动率的相关性陡然上升,但标准差也明显高过其他因子,正向比例并不明显。从T检验的P值来看,以上动量指标和波动率的线性相关性并不显著。该结果也揭示了一个易被误解的逻辑,即股价上涨并不一定导致波动率升高;低波动策略着重针对股票异动造成的高波动,但稳健上涨的股票未必会被排除。
基于低波动因子的多因子组合思路
低波动策略往往具有稳健、抗跌的特点;在此基础上,能否通过结合其他因子对低波动策略进行特定方向的强化,是值得探索的问题。在当前国内市场上,波动率和红利、成长、质量等因子的结合均已有先例,其中红利低波动产品更是市场的绝对主流;但在后续的测试中,我们发现价值、动量等因子与波动率的结合策略,能够在不同层面对低波动策略进行提升。
在对多因子策略的回测中,我们采用模拟指数编制的方法,更贴近Smart Beta的实践应用。鉴于沪深300票池的低波动因子有效性较强,这里我们以沪深300作为样本空间。为增加可比性,我们选取全收益指数作为对照,回测的主要参数设置如下:
在因子的选择上,之前测试结果显示6个月和12个月的波动率指标均表现较好。简洁起见,我们以市场上主流的过去12个月日收益波动率作为低波动因子。此外,我们着重对以下参数进行调试:
1. 因子筛选比率。由于最终指数成分股定为50只,我们只对第一层因子筛选指标进行调整测试。
2. 因子结合顺序,即前置或后置波动率因子。在目前国内外低波动类Smart Beta策略中,波动率基本作为“后置”的筛选条件,仅在狭小空间进行最终选择;但基于分层测试,波动率分层靠前的组合整体拥有明显优势,故测试变换因子顺序的影响。
3. 是否采用行业中性化。该调整基于中信一级行业分类标准;由于指数的最终成分股较少,我们仅对行业权重进行中性化,各选中行业的权重和母指数对应行业之间的相对权重比例保持一致;由于最终成分股较少,我们不对股票数量另行控制,未被选中的行业所在权重设为0。
4. 成分股加权方式,即采用自由流通市值或波动率倒数加权。
基于以上变量,我们采用类似网格测试的方式,对所有参数组合进行回测。由于数据维度过大,为简洁起见,我们将简要描述各参数的影响,并展示最优参数组合下的策略。
波动率+动量:稳中求进,提升收益水平
从因子相关性分析可以看到,动量和波动率之间的线性相关性不明显,或能够提供不同方向上的暴露。另一方面,低波动重在稳健,可谓因子策略中的“盾”,而动量看中高收益股票的延续性,颇有些“矛”的意味,将两者结合可能起到互相补足的效果。此外,动量因子在国内相对少见,拥有进一步开垦的价值。我们对波动率和动量因子的组合进行测试;从测试结果得到以下结果:
1. 近6月收益率指标表现较好,整体优于近3个月和近12个月的收益率指标。
2. 前置波动率的方法表现更优,在收益、风险和回撤层面均优于波动率后置的方法。推测在和动量因子结合中,波动率前置进行总风险的把控更加有效。
3. 跳过最近一个月的动量指标比直接选取近N月收益率的指标表现更好,推测短期反转效应存在一定影响。
4. 行业中性对于该策略的效果不佳。动量因子反映股票的趋势性,能够一定程度上跟随行业周期的切换,限制优势行业暴露可能不利于动量策略。
5. 自由流通市值加权整体表现优于波动率倒数加权,推测后者需要配合行业中性化以提高稳健性。
综合以上结论,我们展示如下了表现最好的参数组合,作为低波动-动量因子组合的多因子改进策略:
1. 在样本空间(沪深300票池)中,按照近一年日收益波动率升序排序,选取波动率最低的前60%成分股。
2. 对于剩余成分股,计算截面T过去第T-7个月到第T-1个月的区间收益率,按降序排列选取收益最高的前50只股票。
3. 对成分股按照自由流通市值加权。
基于上述策略,我们将策略的回测净值与300SNLV全收益指数、沪深300全收益指数进行对比分析,观察策略拥有怎样的收益风险特性。
从净值曲线对比可以看到,加入动量指标的组合策略相对单纯的低波动策略,在收益层面提升明显;从相对强弱走势来看,结合动量因子的策略在收益率上整体呈现较平稳的优势;策略对大盘上升期的收益捕捉能力相对较强,不容易错过盈利的市场机会。
进一步观察收益指标统计可以看出,策略的波动率和回撤水平介于300SNLV和沪深300指数之间,整体收益率则明显优于样本空间和低波动单因子策略,可以认为兼具了低波动因子的防御性和动量因子的进取性;纯粹的动量策略通常稳定性一般,但在低波动因子作为前置筛选条件、降低了风险因素之后,可以认为动量因子能够更好地发挥作用。整体而言,改进策略在风险调整收益上有了明显的提升。
值得注意的是,策略在2020年以来出现较明显的表现下滑,组合策略相比沪深300和300SNLV均呈现劣势。一方面,2020年至今窗口期较短,策略的表现可能存在一定偶然性;另一方面,动量指标依赖于行情的延续,推测该策略对于短期的行情颠簸以及“黑天鹅”事件缺乏适应性,在特定的市场行情下仍旧存在短板。
价值+波动率:拓宽安全边际,强化回撤控制
价值投资理论认为,估值较低的股票具有内在价值,能够提供更高的安全边际作为支撑;市场实践也证明,价值投资策略具有稳健、抗跌的特点。相比低波动因子对异动股票的规避,价值因子在市场估值的层面为策略提供了另一层保护。我们尝试结合这两种防御型因子,以检验能否进一步强化策略的抗跌能力。我们选取PB_LF、PE_TTM、PS_TTM等常用的估值因子,与波动率指标组合成多因子策略并测试,并得到以下结果:
1. PE_TTM表现相对最佳,优于PB_LF和PS_TTM指标。
2. 后置低波动因子效果更好,整体收益和回撤优于前置的策略;在价值与低波动结合的策略中,波动率指标可能更适合低估值股票的大框架下进行局部优选。
3. 行业中性化后的策略在收益、波动率、回撤等指标均优于无行业中性的策略。行业中性化旨在控制个体行业的暴露,而估值指标在不同行业间标准差距较大,中性化的意义更加明显。
4. 自由流通市值加权和波动率倒数加权整体表现接近,在回测区间内自由流通市值加权略微占优。
综合以上结论,我们展示如下了表现最好的参数组合,作为价值-低波动因子组合的多因子策略:
1. 在样本空间(沪深300票池)中,按照PE_TTM的倒数,对成分股进行降序排序并选取前50%的股票
2. 按照近一年日收益波动率升序排序,选取波动率最低的前50只成分股。
3. 对成分股按照自由流通市值加权。
基于该策略,我们将回测净值与300SNLV全收益指数、沪深300全收益指数进行对比分析,观察策略的收益风险特性。
从净值曲线来看,改进策略在回测区间内相比样本空间沪深300拥有较大的优势,相比300SNLV略有提升,但差距不明显。进一步观察指标统计,改进策略在分年度统计上整体占优,全局最优比例占到70%;同时,可以注意到改进策略在市场大幅下行的2011、2018和2020年间表现均占优,在2020年近期的行情中优势尤其明显,可以推测策略对极端行情的抵抗力更强。从回测区间整体来看,改进策略损失了小部分波动率,但在回撤水平上有了进一步控制,夏普比率、Calmar比率等风险调整指标均有所提升。考虑到低波动因子和估值因子的相关性较高,策略效果的提升相对有限是符合预期的。
总体而言,结合价值因子的低波动策略的亮点更多在于对市场大幅下行的防御;在极端风险来临时,处于估值洼地的价值型股票拥有更强的支撑力,能够更有效地控制回撤。从定位上,该复合策略对盈利水平的提升并不明显,但其抗跌能力有所增强。近年以来市场波动较大,未来的不确定性仍在延续,这类防御性策略或许更能发挥其配置价值。
总结
低波动策略脱胎于“低波动异象”,是一种在海内外市场均长期有效的Alpha效应。相关理论认为,由于博彩效应、代表性偏差、过度自信等投资行为偏差以及机构效应影响等因素,高波动股票往往存在被高估、被投机者炒作的风险,而低波动股票能够对这些市场上的异动股票进行规避,从而在长期取得优势。而市场的实践也证明,无论在以美国为代表的海外市场还是国内A股市场,低波动股票在长期均拥有更好的风险调整收益。
在Smart Beta产品的应用上,低波动策略相对较为“年轻”;但就规模而言,基于低波动策略的Smart Beta产品在较成熟的海外市场已然不容小觑。低波动Smart Beta产品在美国市场最早出现于2011年,目前在单因子类Smart Beta产品中规模已经位列第五,总规模接近千亿美元。从规模分布上看,美国的低波动Smart Beta市场呈现较明显的头部聚集效应,少数发行商占据主要规模;但同时,近年来仍有低波动类新产品持续发行,可以认为市场对低波动产品的需求仍在增长。从市场表现来看,低波动策略的收益水平和市场相近,但在波动率和回撤上优势明显。
国内市场的低波动Smart Beta产品始于2017年,整体起步较晚,但近年来发展较快。从类别上看,低波动单因子产品数量和规模都较为有限,而包含低波动因子的多因子产品则是迅速崛起的新领域。截至2020年3月底,国内已有16只低波动相关多因子产品,总规模超过50亿元;在其中,红利低波类产品共计12只,占据较大比重,其余多因子产品包括质量低波、成长低波等类型。从市场表现上看,国内市场的低波动策略不仅在风险层面展现优势,也能取得更高的收益水平。
对照海内外现有的低波动Smart Beta指数编制方法,海外低波动策略对低波动因子的应用细节上较为多样,更多在低波动因子指标和其他参数上实现差异化,通过改变策略模型以实现不同的策略定位以及模型的灵敏度;国内的编制方法更多依赖样本空间实现差异化,但对低波动指标的细化程度较低,构建思路较为简洁。进一步细化波动率指标的构建、开发多因子策略以及开发基于优化法的低波策略,是国内未来低波动Smart Beta产品实现创新可以参考的思路。
进一步对低波动因子在A股市场的有效性进行检验,我们发现低波动因子在沪深300股票池的Rank IC最强,中证全指次之,而在中证500、创业板指等中小盘股票池中较弱;在指标细节上,六个月和十二个月日收益波动率的表现较好,其中十二个月日收益率计算的波动率为当前国内市场主流采用的波动率指标。从分层测试上看,波动率因子在沪深300和中证全指中均有良好的分层分离度和保序性,其中沪深300前40%的成分整体较优,而中证全指中最顶层组合的优势相当明显。从行业分布上看,低波动股票在交运、电力、商贸、银行等行业有一定偏重,而在电子、计算机、通信等成长性行业上存在低配;整体而言,低波动组合的行业倾斜不算极端。
多因子策略是当前市场上低波动Smart Beta产品的一大发展趋势。目前现有产品已经覆盖了红利低波、质量低波、成长低波等多因子策略,我们尝试进一步研究如何基于低波动因子构建创新的多因子策略。在进取和收益的层面上,我们发现低波动因子和动量因子的结合能够有效提升收益水平,在波动率、回撤均优于样本空间的同时,收益率、夏普比率和Calmar比率相比纯低波动策略有了较明显的提升。但同时,该策略对于极端行情的抵抗能力可能是一大短板,在2020年以来表现有所下滑。
另一方面,我们尝试对低波动策略的抗跌性能和风险抵御能力进一步强化,选用估值因子与低波动指标进行结合。回测结果显示,组合策略除了对收益率有小幅提升外,进一步控制了策略的回撤,在2020年以来展现出亮眼的优势。可以认为,该策略对极端行情和下行风险的防御能力有所提升。
风险提示
Smart Beta产品的发展受市场环境影响,海外发展规律不一定适用于国内;策略的历史表现依赖于回测区间和公开数据源,不一定能代表未来有效性;报告中涉及到的Smart Beta策略仅提供客观数据分析,不代表任何投资意见;对策略构建思路的研究仅供参考,请投资者谨慎、理性地看待。
免责声明与评级说明
公众平台免责申明
本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求,本公众号内容仅面向华泰证券客户中的专业投资者,请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者,请取消关注本公众号,不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限,若给您造成不便,烦请谅解!本公众号旨在沟通研究信息,交流研究经验,华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。
本公众号研究报告有关内容摘编自已经发布的研究报告的,若因对报告的摘编而产生歧义,应以报告发布当日的完整内容为准。如需了解详细内容,请具体参见华泰证券所发布的完整版报告。
本公众号内容基于作者认为可靠的、已公开的信息编制,但作者对该等信息的准确性及完整性不作任何保证,也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期,华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。
在任何情况下,本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断,应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料,有可能会因缺乏解读服务而对内容产生理解上的歧义,进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果,华泰证券及作者均不承担任何法律责任。
本公众号版权仅为华泰证券股份有限公司所有,未经公司书面许可,任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失,华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格,经营许可证编号为:91320000704041011J。
华泰金工深度报告一览
金融周期系列研究(资产配置)
【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生,顾短也兼长20200121
【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日,大周期赢未来20200116
【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法
【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增,待趋势明朗把握或更大20191022
【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826
【华泰金工林晓明团队】如何有效判断真正的周期拐点?——定量测度实际周期长度提升市场拐点判准概率
【华泰金工林晓明团队】基钦周期的长度会缩短吗?——20190506
【华泰金工林晓明团队】二十载昔日重现,三四年周期轮回——2019年中国与全球市场量化资产配置年度观点(下)
【华泰金工林晓明团队】二十载昔日重现,三四年周期轮回——2019年中国与全球市场量化资产配置年度观点(上)
【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究
【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告(上)
【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(四)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(三)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(二)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(一)——华泰金工周期系列研究
【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索
【华泰金工林晓明团队】金融经济系统周期的确定(下)——华泰金工周期系列研究
【华泰金工林晓明团队】金融经济系统周期的确定(上)——华泰金工周期系列研究
【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列
【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探
周期起源
【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六
【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四
【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三
【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二
【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一
FOF与金融创新产品
【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究
【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一
因子周期(因子择时)
【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三
【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二
择时
【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列
【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用
行业轮动
【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二
【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一
【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十
【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九
【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八
【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七
【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六
【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五
【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四
【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三
【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二
【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一
Smartbeta
【华泰金工林晓明团队】投资优质股票:红利类Smart Beta——华泰Smart Beta系列之三
【华泰金工林晓明团队】博观约取:价值和成长Smart Beta——华泰Smart Beta系列之二
【华泰金工林晓明团队】Smart Beta:乘风破浪趁此时——华泰Smart Beta系列之一
【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一
多因子选股
【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三
【华泰金工林晓明团队】桑土之防:结构化多因子风险模型——华泰多因子系列之十二
【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一
【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十
【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九
【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八
【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七
【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六
【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五
【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四
【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三
【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二
【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一
【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二
人工智能
【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七
【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六
【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五
【华泰金工林晓明团队】投石问路:技术分析可靠否?——华泰人工智能系列之二十四
【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三
【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二
【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一
【华泰金工林晓明团队】必然中的偶然:机器学习中的随机数——华泰人工智能系列之二十
【华泰金工林晓明团队】偶然中的必然:重采样技术检验过拟合——华泰人工智能系列之十九
【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八
【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七
【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六
【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五
【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三
【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二
【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一
【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十
【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九
【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八
【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七
【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六
【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五
【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四
【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三
【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二
指数增强基金分析
【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告
【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证
基本面选股
【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究
【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究
【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究
【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究
基金定投
【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四
其它