多因子模型的标准化流程
 
多因子策略通常可以灵活动态地暴露于不同因子，是因子投资中的重要类别。据FTSE Russe丨调查统计6,资产管理者中采用了多因子策略的比例在逐年增长，在2017年达 64% (图24)，其次是低波动和低估值Smart Beta。

 
虽然多因子基金产品使用的策略并不像Smart Beta指数规则是对外完全透明的，但仍 有一套标准流程可以遵循。我们这里提出一套在不同多因子模型之间比较优劣时的基准 流程，任何在模型上的改进应该首先优于这套基准。当决定好使用哪些因子之后，多因 子模型的标准流程大致可以分为三个步骤：数据预处理、利用因子模型产生因子得分、 利用风险模型产生投资组合中个股权重（图25)。

 
我们以沪深300为例，在成分股中根据上述流程，使用最常用的因子（上节所述因子）， 最简单的等权重打分模型和最常用的Markwitz均值方差优化生成不同风险水平下的沪 深300增强策略。这些组合就可作为沪深300增强策略的最低标准，当采用更复杂的 如新型正交化方法7、非线性alpha模型、风险优化模型等改进方法时，产生的结果应 当优于这个最低标准（因为这个最低标准几乎是无成本的，且比沪深300指数高出不 少）。图26是不同限制条件下的最低标准组合的有效前沿，回测区间为2007至2018 年，其中“严限制”是指个股偏离基准不超过2%，行业偏离不超过2.5%，市值偏离不 超过±0.25; “宽限制”是指个股偏离不超过5%，行业偏离不超过5%，市值偏离不超 过±0.50; “极宽限制”是指仅限制单只个股权重不超过10%; “简单排序”是指直接按 照因子得分排序取前p%的等权重组合；除此之外也可以依样生成其他限制条件下的最 低标准，即最低标准是一套方法论而非具体数值。以往多数多因子策略研究中新模型只 产生一个投资组合、只与沪深300指数比较，这里我们提出的标准流程对新策略的要求 更高：在相同信息量和限制条件下任何改进的策略产生的有效前沿应当比最低标准更 高，因为最低标准和基准指数一样几乎是零成本的。

 
另外从图26可以看出，如果要求极高的超额收益，必然导致持仓更加集中，多因子流 程中的第三步风险优化的结果和直接排序的结果并无多大差别；但如果追求以更小的跟 踪误差实现同等的合理超额收益，风险模型则有很大优势。
 
图27和图28分别为2007年至2018年和2018年当年最低标准的有效前沿中最大收 益的组合（图26中的上端点）相对沪深300的比价，相同因子信息量下，“严限制”增 强组合的最大年化超额收益为9.77%，跟踪误差5.70%，IR1.71; “宽限制”组合最大 年化超额收益12.28%，跟踪误差10.99%，IR1.17; “极宽限制”组合最大年化超额 收益为17.23%，跟踪误差14.92%，IR1.15; “简单排序”组合最大年化超额收益为 15.75%，跟踪误差15.51%，IR1.02。2018年，“严限制”累积超额收益为6.43%，跟 踪误差8.98%, IR0.78; “宽限制”组合最大年化超额收益为8.79%,跟踪误差13.66%，IR0.70; “极宽限制”组合最大年化超额收益为8.20%,跟踪误差15.75%, IR0.57; “简 单排序”组合最大年化超额收益为9.83%，跟踪误差17.48%，IR0.61。



文章来源：长江证券
作      者：邓越