截面回归法因子考察研究中信证券_20180228

由vampire7777创建，最终由vampire7777更新于2023-06-01 14:28 被浏览 85 用户

研究要点

多因子模型是量化投资领域中最为经典、应用最为广泛的方法体系之一。本文使用改进后的截面回归法，在因子定价逻辑基础上对技术类、预期类、财务类因子的历史收益进行了考察，构建了多因子跟踪体系。

（1）截面回归在使用中面临的最大问题是因子之间的共线性问题，本文采用逐步回归法进行规避。

（2）逐步回归法的含义是，每一步回归中只对单一变量进行回归，即仅估计单一因子的收益率，而每一步回归时将前一步回归的残差项作为这一步回归的因变量。

（3）逐步回归法在实践中100%的规避了共线性问题，而且从逻辑上说，相当于在每步回归时将残差中和单因子有关的信息全部剔除，而后续因子的收益率可认为是已剔除了前序因子影响的纯收益。

（4）我们以主观逻辑认识设定因子的考察顺序，并认为不需要对因子的顺序进行过多的筛选优化。当因子的顺序调换后，因子的含义已经发生了本质性改变，即原始考察中按照哪一个顺序来进行，那么在后续的研究中也遵从该顺序即可。

（1）对于概念相似、数量较多、且暴露度相关性较高的部分因子来说，我们建议对因子进行复合，以复合后的综合因子进行最终的组合构建。

（2）如果暂不考虑权重优化问题的话，选择等权加权即可。

（3）一般来说，复合因子对总波动的解释度要高于使用单一因子。

（1）在逐步、单步考察中，我们通过对比同一因子两种不同方式得到的收益率序列的差异，以及对总波动解释度的差异来判断其与前序因子共线性的高低。

（2）全部因子中任意两因子间均具有一定的相关性，而逐步回归方法相当于将属于前一个因子的全部可解释收益归于该因子，后一个因子则用于解释剔除了前一个因子的剩余部分。但如果某一因子的剩余部分占该因子原本总解释度较低的话，则说明该因子与前序因子的共线性较高，应予剔除。