Alpha预测-东方证券-20161025
由qxiao创建，最终由qxiao 被浏览 128 用户
研究结论
策略Alpha收益的定义取决于投资者控制了哪些风险，Alpha因子的ZSCORE可以通过多期横截面回归取平均的方式转化成预测收益率，输入后续的组合优化过程。
在两个变量满足正态分布时，Pearson 和Spearman相关系数的数值很接近，但Spearman秩相关系数在做显著性检验时不依赖于变量的正态分布特性，更稳健，因此因子选股计算IC时多采用后者。
Alpha因子是否需要做风险中性化处理取决于做组合优化时是否做了对应的风险暴露控制，并非风险因素剔除的越多越好。当构建的组合完全控制了风险暴露时，风险调整IC（risk adjusted IC）会比Purifed alphaIC更能准确反映组合的未来收益。但实际投资中，投资者或多或少都会暴露一些风险来获取更高的alpha，个股权重也会有上下限限制，风险调整IC的预测能力和理论有出入。再加上近些年A股市值效应明显，而风险调整IC更偏好大盘股数据，因此实证测试下来，Purified alpha效果优于风险调整IC。
Alpha因子加权最麻烦的地方在于因子间的相关性处理。“因子按逻辑分类“的方法对技术类因子的适用性差，而且逻辑上同属一类的因子在做完风险中性化处理后，同类因子间相关性可能低于异类因子间相关性。Qian(2007)的alpha优化方法过于强调稳健性，会牺牲比较多的alpha收益，在无法做空、杠杆交易难度大的国内市场，这种方法的适用性有限。
我们在之前报告中提出的因子筛选方法可以很好的剔除重复信息的因子，降低因子数量。因子筛选过程产生了一系列相互正交的“残差因子“，用这些因子做IC_IR加权可以规避因子间的共线性问题，也就是本报告的”增量正交化“方法。或者直接对筛选出的因子的原始ZSCORE做IC_IR加权，这两种方法用来做多空组合或指数增强表现都非常不错，但后者受因子数量、因子间共线性的影响更明显，在不同因子库上的效果需要做单独测试。
风险提示
量化模型失效风险
市场极端环境的冲击
正文
/wiki/static/upload/5b/5b0f8d5a-e7c4-489f-9ed6-2be2650ca25b.pdf
\