基于条件期望的因子择时框架-海通证券-20170612
由qxiao创建，最终由qxiao 被浏览 77 用户
摘要
2017年以来，传统的多因子组合皆出现了不同程度的回撤
通过分析可以发现传统模型之所以出现大幅回撤是因为模型中权重配臵较高的市值、反转以及特异度等因子皆出现了不同程度的失效。在这样一种大背景下，投资者对于因子择时研究的需求也在逐渐上升。本文基于条件期望这一思路，在传统多因子模型权重分配框架下对于因子择时进行了应用，为投资者提供了一个量化的因子择时框架
本报告主要分为三部分。第一部分介绍了基于条件期望的因子择时模型；第二部分展示了不同因子集合、不同历史数据时间窗口下不同条件变量因子择时模型的表现；第三部分引入了AIC筛选法并提出了AIC筛选下的多条件变量因子择时模型
因子择时实际上就是对于因子收益以及收益协方差矩阵进行预测
什么是因子择时？在笔者看来，因子择时就是对于因子权重进行更加动态地调整。那么怎样才能更好地做到因子权重的动态调整呢？在大多数因子权重分配框架下，更好的因子权重分配需要投资者对于因子收益以及因子收益协方差有更加精准的预测
使用条件期望模型可对于因子收益以及协方差预期进行调整
在条件期望框架下，传统模型中的因子收益预测以及因子收益协方差预测实际上可以被看作是因子收益以及收益协方差的无条件期望，而改进后的预测实际上可以被看作是上述两个指标的条件期望。通过引入外生变量，择时模型能够根据市场环境的变化对于因子收益以及收益协方差的预测进行更加及时的调整
大部分波动率类指标、部分涨跌幅指标、个别指数估值、换手率指标具有一定的因子择时效果
从整个区间回测效果上看，对于未加入市值类因子的多因子模型，因子择时模型对于TOP100组合具有一定的提升效果。而在加入了市值因子后，仅有个别波动率类指标能够在区间年化收益上产生进一步的提升。从分年度收益上看，大部分因子择时模型能够在2016年战胜原始模型，部分因子择时模型能在2014年、2017年等年份跑赢原始模型，但是仅有极少数因子择时模型能在2015年跑赢原始模型
基于AIC信息准则可构建多条件变量因子择时模型
AIC筛选下的多条件变量因子择时模型TOP100组合在区间年化收益上略低于原始模型TOP100组合，但是从分年度收益上看，因子择时模型的组合分年度收益分布更加均衡并且组合在风格剧烈切换的市场环境中也能够获得不错的收益表现。2017年以来，因子择时TOP100组合获得了约1%的收益，而原始模型同期收益为-19.6%
正文
/wiki/static/upload/9a/9a615a6a-e5ea-4cf8-a002-54f9b5196df7.pdf
\