风险因子

https://bigquant.com/experimentshare/d10e7682969747bbb8c297180a844c7b

\

策略案例

https://bigquant.com/experimentshare/0b04060b41be4c89b38adc02d2bd73a4

\

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版因子分析代码：

https://bigquant.com/wiki/doc/5zug5a2q5yig5p6q5luj56cb-Od7rjBTNDQ

策略案例

[https://bigquant

{{membership}}

https://bigquant.com/codeshare/37d36e41-2184-4342-b581-9561f199eeec

\

本文内容已经过期，不再适合平台最新版本，请查看以下最新内容，作为参考资料学习。

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

众所周知，Barra因子分析是目前行业内外最常用的因子分析体系。

然而在做Barra体系分析的时候常用的一个方式就是行业或市值中性化，今天主要用最易懂的语言介绍一下什么是barra因子分析体系，以及什么是因子中性化。在这里我会避开繁琐的数学公式，尽量深入浅出的让

摘要

“量价结合”的选股因子的构建。本文将股票在短期内的量价走势分类为量价背离与量价同向，并通过量价相关性来衡量量价走势的背离/同向程度。通过回测，我们发现量价相关性在半个月的换仓周期下具有十分好的选股效果并具有显著的Alpha。在控制了常见风险因子后，该因子依旧对于股票收益具有较好的区分效果

因子多空收益明显。半个月的维度上看，该因子多空收益达1.07%。多空收益中，多头收益约占30%而空头收益约占70%，所以可以说因子具有较强的空头效应。进一步观察多头端组合（第1组、第2组）可以发现组合收益表现区分度较低，而空头端组合（第9组、第10组）从收益上看依旧具有较强的区分效果。从Ran

摘要

投资者在构建组合时,往往会对标的资产的信用风险进行一定的筛查。本文从经典的Black-Scholes-Merton期权定价模型出发，在一定的假设之下，构造了上市公司违约概率因子MPD，并将其作为对公司信用风险的表征进行了全面的实证研究。

违约概率因子MPD的分位数组合表现并不严格单调，但信用风险最高的一组一直能够比较稳定的跑输市场，我们在此基础上测试了在沪深300，中证500，中证1000及全A范围内剔除信用风险最高的20%股票后的组合表现，发现相对于其基准都有一定的增强效果，且随着股票池整体市值的下降，增强效果越来越明显。

MPD因子对于估值、反转、波动率等因子的收益表现具

摘要

本报告导读：基于股票组合的权重优化方法，构建市值中性、行业中性、风格中性的最优投资组合，可获得稳健的超额收益。

任意股票都在同一时刻暴露于多种不同的风险因素下，它们之间的共同作用形成了股票价格的波动。通过对不同风险因子的梳理研究，可实现对股票收益来源的分解剥离，从而定量的研究股价波动的成因。

量化对冲策略的目标是追求稳健的绝对收益，最优投资组合的构建是一种完美的平衡状态，投资经理应将组合充分暴露于阿尔法因子下，同时剔除其余不稳定的风格因素干扰。

通过股票组合的权重优化，实现了市值中性、行业中性、风格中性约束条件下的最优投资组合构建，获取稳健的超额收益。

基于组合权

研究结论

风险模型有三个功能：控制风险暴露、估计收益率协方差矩阵、绩效归因。不是所有功能都要用到风险因子，估计协方差矩阵可以采用纯统计方法，报告把这个领域最新学术成果和业界常用的因子模型在A股进行了实证对比。

由于股票数量多，收益率样本数量少，样本协方差矩阵的估计误差比较大，导致其矩阵条件数（最大特征值除以最小特征值）较高，输入组合优化器进行数值求解时会让结果对数据误差十分敏感。压缩估计方法即是去调整样本协方差矩阵的特征值，压缩其分布区间，同时降低估计误差。我们之前研究中一直采用线性压缩方法（LS），报告里新测试了Ledoit(2017)提出的非线性压缩估计(NLS)。

因

研究结论

传统用超额收益衡量事件效应大小的方法容易受行业和市值风格影响，错误的识别出一些“伪事件”，我们建议采用横截面回归方式剔除行业和市值影响计算事件导致的异常收益，再配合秩检验来识别能真正贡献alpha的事件。

如果策略组合对各个风险因子的主动暴露控制为零，那么用中性化后的alpha因子预测残差收益和预测收益率得到的组合优化结果一致；现实操作中，为了获得更高alpha，投资者一般会主动暴露少量风险，因此上面两种预测方法得到的结果会有部分差别。本报告采用预测残差收益的方法，以便和事件驱动策略整合。

事件驱动并非多因子模型之上的额外alpha，而是两个模型给出了两个不同的未

摘要

今年以来，指数基金风靡一时，规模逆势大增。伴随机构投资者话语权的提升以及公募FOF产品的大量发行，我们预计指数化投资将更加大行其道，引领潮流。

目前市场指数众多，除各类宽基指数外，SmartBeta指数也在不断创设，如低波因子指数、红利因子指数、盈利质量指数等。那么如何对各类指数的投资机会进行把握，即如何研判各类指数的收益风险比，进而进行配置，是一个投资实践中很现实的问题。为此，我们有必要建立起一个对指数的统一评价及分析体系。

指数化投资的核心是获取Beta收益，而Beta收益的来源众多，既可能来自于市场基准收益，也可能来自于行业收益，还可能源自于如规模、估值、低波等各类市场

摘要

对于私募指数增强产品来说，指数本身的风险是一种被动的且必需的暴露，因此风险因子对指数的主动暴露成为了一种调节工具，一方面对应着选股模型的能力特点，一方面也掺杂着私募机构的主观判断。本文针对私募指数增强产品的策略流程，设计了一套相应的风险因子暴露分析方法，在数据匮乏的情况下取得了良好的效果，打开了从风险暴露的角度构造因子对私募指数增强产品进行分析的道路。

在敞口暴露因子的分析过程中，本文发现总体上大的风格敞口暴露和小的行业敞口暴露会导致指数增强产品较差的收益表现。这说明在带有主观色彩的风格因子控制中，过度放大敞口会侵蚀产品的净值；在相对统一的行业因子控制中，过严的敞口约束会削弱收

/wiki/static/upload/81/81ef2747-9d73-414d-87cb-a37f33592e20.pdf

\

策略案例

https://bigquant.com/experimentshare/db77da51e66542a783b761bca71d9d4a

\

摘要

Smart Beta 优势

Smart Beta 是一种非市值加权的指数投资，通过确定的规则或算法增加指数在某些风险因子上的暴露，能够获得相应的超额收益，而备受海内外投资者的青睐。同时，Smart Beta 策略是一种介于主动投资和被动投资之间的投资方式，具有二者的优势。Smart beta 能够帮助投资者构建更灵活、复杂的投资组合，这有利于目前宏观主导的投资环境

海外市场持续净流入

全球 Smart Beta ETF 持续发展，2018 年，全球使用 Smart Beta 的机构投资者达到 48%。美国市场发展多年，市场规模达到全球最大；亚太地区使用 Sm

摘要

本次风险模型升级效果：

1. 风险因子的逻辑性更加明确；
2. 减少风险模型带来的组合换手；
3. 降低风险预测过程中的经验性参数；
4. 提升模型对市场波动突变的敏感性

DFQ-2020因子风险模型的风险因子库仍为40个，包括十大类风格风险因子，29个中信一级行业因子和市场因子。相比DFQ-2018，我们对Trend、Growth和SOE三个风险因子的计算方法进行了改动，以使其逻辑上更合理

DFQ-2020因子风险模型对沪深300成分股的解释度最高，横截面回归Adjusted Rsquare平均能达到35.4%，其次为中证500成分股的18.6%，全

摘要

净值化时代，为满足客户的绝对收益需求，多资产配置是一种必然思路。CTA作为一类不同于股票、债券等传统资产的另类资产，策略本身的运作手段丰富，历史净值表现优异，同时众多优异的CTA产品回撤控制较好，收益风险比极佳。

从多资产配置视角看，对于CTA策略，首先我们需要明了的是，什么样的宏观及市场环境下，CTA策略具有较好的性价比，因为CTA策略也有小年和大年，当环境不利时，即使表现再好的CTA策略，可能收益也不及中性、股票多头等其他策略，此时从自上而下的视角看，最优的选择应该是增配其他更优的资产，而不是在CTA策略中“火中取栗”。这其实就是CTA策略的择时问题。本文中，我们构建了一套

摘要

本篇报告介绍了基于因子投资的资产配置方法。因子投资的核心思想认为，资产配置的本质在于配置资产背后的风险因子而非资产本身。Andrew（2014）将因子定义为“长期来看具有高收益的投资风格”。 遵循其对因子是否可投资的区分，我们将因子分为了两类进行讨论：一类是不可直接投资的宏观因子，刻画了各资产类别间的共同风险；另一类是可投资的风格因子，解释了各资产类别内的风险溢价。

基于因子的资产配置方法并不需要完全颠覆传统的资产配置决策体系，而是在原有的框架里优化各层次组合的风险收益表现来更好地达到配置目标。报告介绍了三种将因子投资应用于资产配置的路径，分别是对组合风险的尽职调查、对风格因

摘要

风险因子与因子。我们将主动权益基金的因子库归类成风险因子与因子两大类，风险因子也可称为广义上的Beta因子，特指长期来看并不能产生正收益的因子，包括市场面、风格面以及行业面，而Alpha因子特指长期来看能够产生正收益的因子，包括技术面与基本面。每一支基金的收益均可分解为风险因子贡献、Alpha因子贡献以及基金经理PureAlpha三部分，其中风险因子所占据的比重最大。

业绩排名靠前的基金一定是好基金吗？从FOF择基角度，这些基金并不一定是FOF择基的最佳选项。行业收益和风格收益是主动基金亮眼业绩的最主要的贡献来源。我们认为，这些基金的亮眼业绩是否能持续，取决于：如若基金经理坚持

报告摘要

从行为金融学去寻找alpha因子传统的因子研究均基于历史上有效市场风格的选取、回测，但今年以来风格因子全面失效，风格因子逐渐从Alpha因子转为风险因子。行为金融学则是从微观个体行为以及产生这种行为的心理等动因来解释、研究和预测市场的发展，其挖掘的是市场波动的更深层次的驱动因素，自20世纪80年代起随着行为金融学的发展，越来越多的结论在市场上得到了定量化的论证。利用市场上长期存在的市场非理性行为可以为多因子体系贡献新的有效的alpha因子。

处置效应与前景理论投资者在投资股票时，倾向卖出盈利的股票、继续持有亏损的股票，这就是行为金融学上的处置效应。处置效应导致了当投

研究结论

风险因子可以帮助投资者控制组合收益波动，提升稳健性。但学术和实务研究材料中都没有对风险因子做出准确定义，我们根据BARRA CNE5 文档风险因子的统计特征，从因子稳定性、对股价影响显著、因子收益率波动大三个角度设计了一套风险因子定量判定程序。

个股在某个风险因子上的暴露度，我们建议采用BARRA的市值加权方法，而不是简单的zscore标准化，因为全市场市值加权组合比等权组合更符合风险分散的特征。不过这两种计算方法对alpha因子风险中性化处理和股票组合优化结果没有影响，受影响的主要是组合的绩效分析。

风险模型的作用主要有三个：识别风险、估计股票收益率协方差矩阵和

风险模型有三个功能：控制风险暴露、估计收益率协方差矩阵、绩效归因。不是所有功能都要用到风险因子，估计协方差矩阵可以采用纯统计方法，报告把这个领域最新学术成果和业界常用的因子模型在A股进行了实证对比

由于股票数量多，收益率样本数量少，样本协方差矩阵的估计误差比较大，导致其矩阵条件数（最大特征值除以最小特征值）较高，输入组合优化器进行数值求解时会让结果对数据误差十分敏感。压缩估计方法即是去调整样本协方差矩阵的特征值，压缩其分布区间，同时降低估计误差。我们之前研究中一直采用线性压缩方法（LS），报告里新测试了Ledoit(2017)提出的非线性压缩估计(NLS)。

因子模型(FM)的构建参考了B