利⽤交易型alpha捕获低频模型短期收益
报告要点小清新翻译
Alpha的时间宽度
Alpha因⼦有着其适宜的预测时间宽度,由股票短期价量数据衍⽣⽽得的交易型alpha指标具有很强的短期收益预测,但其alpha衰减迅速;基本⾯指标的alpha衰减速率则较为缓慢。因此,⽉频度等低频alpha策略的选股指标以基本⾯指标为主,其获取市场上的长周期alpha收益。本⽂希望构建⼀套全新模式,在低频模型中引⼊交易型alpha信息,从⽽在低频模型中捕获市场中的短期alpha收益。ordinal
结构化风险模型
direct是什么
指数增强策略主要由alpha模型和风险模型组成,风险模型是指数增强策略中的重要组成部分,其能防范超额收益的⼤幅回撤和剧烈波动,本⽂参照barra USE4构建结构化风险模型。我们对因⼦协⽅差依次进⾏Newey-West调整、特征因⼦风险调整、Volatility Regime调整,对股票特质波动对⾓阵依次进⾏Newey-West调整、结构化调整、贝叶斯压缩和Volatility Regime调整,进⽽得到股票协⽅差矩阵。偏差检验结果表明股票协⽅差矩阵对投资组合风险拥有较好的刻画精度。
⽉频指数增强模型
我们在约束Size、Beta、Momentum、Residual Volatility、BTOP等风险因⼦⽆偏的情况下构建了中证500指数的⽉频增强模型。2010年以来⽉频增强模型年化超额收益17.7%,信息⽐率4.09。以该⽉频增强模型为基础,我们展⽰了在低频模型中引⼊交易型alpha信息的增益效果。
利⽤交易型alpha捕获短期收益
我们利⽤24个交易型alpha指标构建了短期交易型alpha模型。每⽉基于⽉频alpha模型得到增强模型的股票底仓,每隔3个交易⽇我们利⽤交易型alpha模型将当期持仓中alpha预测值较低的股票替换成⾼alpha股票,同时仍然约束组合风格暴露⽆偏。该⽅式在保证组合持仓特征与原始模型⼤体⼀致情况下,持续性地在低频模型中引⼊最新的交易型alpha信息。在⽉频模型中引⼊交易型alpha信息后,组合超额收益显著提⾼,2010以来模型超额基准指数23.4%,信息⽐率5.20。
正⽂
1
Alpha的时间宽度
⽂章开始,我们先提及⼀篇学术论⽂:Avraham Kamara等⼈在《Short-Horizon Beta or Long-Horizon Alpha?》中认为⼀个定价因⼦属于alpha因⼦还是风险因⼦应取决于投资者的投资区间长短,
对冲基⾦关注于短期的投资机会⽽养⽼机构等更着眼于长期的投资机会。当风险以不同的投资区间度量时,某些投资者需要规避的风险因素可能成为另⼀部分投资者所赚取的alpha。
对于⽉频(甚⾄更为低频)alpha策略,其赚取的是较长投资区间上的alpha收益,策略收益的根源在于多元化的增量alpha信息输⼊,然⽽在现有基础上挖掘增量alpha信息难度极⼤。因此,本⽂思路在于能否在保有原有alpha策略框架⼤体不变情况下,捕获来⾃于其它投资区间上的alpha收益?本⽂为低频alpha策略捕获更⾼频率下的alpha收益提供了⼀种思路。
不同的因⼦对于未来收益率的预测时间宽度并不相同。以基本⾯alpha指标SUE和交易型alpha指标clo-delay(clo,5)为例,下图展⽰了两个指标在预测时间宽度分别为1、2、3、5、10、20、40、60、80、120、240⽇情况下指标年化ICIR的衰减情况。交易型alpha指标通常对短期收益率有着较强的预测能⼒,但其alpha衰减⾮常迅速,基本⾯alpha指标ICIR的衰减速率则相对缓慢。因此不同的alpha指标适应于不同的alpha预测时间宽度,基本⾯指标适宜于⽉频模型⽽交易型指标则适宜于短周期模型。
根据模型预测宽度的长短,我们简单地将alpha模型分为两类:⼀类如以⽉频为预测宽度的低频模型;另⼀类则是以⽇频为预测宽度的交易型alpha模型。低频模型主要以基本⾯逻辑驱动,其选股指标以基本⾯财务指标为主、辅以少量长周期的波动、换⼿等技术指标,预测⽬标为股票未来的⽉度甚⾄更长时间跨度下的截⾯收益。
相反地交易型alpha模型收益来源将更加丰富。交易型alpha模型利⽤股票⽇频(甚⾄更⾼频)的价量数据为alpha源,常见的因⼦逻辑包括趋势追随、均值回归、价量相关性等。相较于低频模型⾮常注重于基本⾯逻辑,交易型alpha模型更关注于股价的技术特征以及指标统计显著性。
Alpha策略通常以宽基指数为基准进⽽构建指数增强,模型中最重要的两部分为:alpha模型和风险模型。Alpha模型给出股票的预期收益,其是组合超额收益的来源;⽽风险模型则控制了组合相对风险,防范超额收益出现剧烈波动与⼤幅回撤。
低频的指数增强模型常以⽉度为时间预测窗⼝,其⽬标在于获取长区间上的超额收益,然⽽在alpha源有限情况下挖掘增量alpha信息难度极⼤;⽽由于alpha因⼦的预测时间宽度差异,直接在⽉频模型中使⽤交易型因⼦将效果不佳。本⽂的⽬的在于设计⼀套新的框架体系:在⽉频模型中引⼊交易型alpha信息,进⽽使其捕获到增量的短周期alpha收益。
2
瘦腰瑜伽结构化风险模型
风险模型是指数增强策略⾄关重要的组合部分,优秀的风险模型可以防范超额收益出现剧烈地波动,因此我们⾸先介绍本⽂风险模型的构建。⽬前市⾯上已有如barra,aximo等成熟的商业软件⽤于组合优化与风险控制,本⽂风险模型主要参考barra USE4构建,相关细节在USE4上有更加详细的描述。
2.1. 风险因⼦溢价
结构化风险模型认为股票截⾯收益能通过某些共同因素来解释,记这些共同因素为风险因⼦,本⽂风险模型中的风险因⼦包括⼗⼤类风格因⼦以及中信29个⼀级⾏业因⼦。在每个交易⽇利⽤上个交易⽇因⼦值对当⽇(⽉)股票收益率进⾏回归可得风险因⼦⽇度(⽉度)溢价:
由于所有股票对市场因⼦的暴露为1同时X_ns为哑变量矩阵,上述⽅程存在共线性因⽽⽆法求解。故我们在回归中增加约束条件∑w_i*f_i=0以降低回归的⾃由度,其中w_i为⾏业i的市值权重。同时假设股票收益率波动与股票的根号市值成反⽐,则上式转换为带约束的加权最⼩⼆乘问题,可通过⼆次规划直接求解。
⼗⼤类风格因⼦的历史绩效如下表所⽰,各风格因⼦均呈现出较强的截⾯显著性。Size的年化收益较⾼,但其波动同样剧烈;Beta、Residual Volatility等指标则呈现出⾼截⾯显著性、低时间序列收益,属于风险因⼦显著的特征。
2.2. 协⽅差矩阵估计
由于股票收益r可由风险因⼦f解释:r=X*f+u,其中X为股票的风险因⼦暴露矩阵,u为股票的特质收益率向量。则股票收益率的协⽅差满⾜Var(r)=XFX'+Δ,其中F为风险因⼦协⽅差,股票特质收益率独⽴
下Δ为因⼦的特质波动对⾓阵。因此估计股票协⽅差矩阵可降维转化为估计因⼦协⽅差矩阵F以及股票特质波动对⾓阵Δ
2.2.1. 因⼦协⽅差矩阵
bastard什么意思我们将因⼦组合按⽅差从⼩到⼤排序并进⾏Bias检验,其中Bias检验统计量可简单理解为组合实际波动率与估计波动率的⽐值。结果如下图所展⽰,低波动因⼦组合的实际波动远超过了因⼦协⽅差矩阵所给出的波动估计,且波动率的低估程度与波动率的估计值呈现出明显的单调性。为此barra对Newey-West因⼦矩阵再进⾏了特征因⼦风险调整。通过⽣成随机变量重复模拟特征组合波动率的估计偏误,对与每个特征根可给出⼀个调整系数v以修正其在对应特征组合上的估
lwjj
随机变量重复模拟特征组合波动率的估计偏误,对与每个特征根可给出⼀个调整系数v以修正其在对应特征组合上的估计偏误。
因⼦协⽅差矩阵的最后⼀步修正是Volatility Regime调整,该调整实质上是对于因⼦协⽅差矩阵的⾃适应放缩。当协⽅差矩阵对因⼦波动率在过去⼀段时间呈现出低估或⾼估时,可根据实际偏误情况计算调整系数λ_F⾃适应地放缩协⽅差矩阵以修正偏误:
2.2.2. 股票特质波动率
股票收益率中⽆法被风险因⼦所解释部分即为特质收益率,股票特质收益率相互独⽴假设下,股票特质收益率协⽅差矩阵为对⾓阵Δ。同因⼦协⽅差矩阵F估计⽅式相⼀致,我们采取半衰加权⽅式利⽤股票过去⼀段时间特质收益率估计其特质波动率,同时由于特质收益率的⾃相关性,我们对特质协⽅差矩阵⼝进⾏Newey-West调整:
特质波动率修正的第三步为贝叶斯压缩调整。Bias检验表明股票特质波动的估计值σ_n存在低估低特质波动股票风险⽽⾼估⾼特质波动股票风险的倾向。为解决特质波动的估计偏误,我们对σ_n进⾏贝叶斯调整得到σ_n^SH,如下图所⽰经过贝叶斯调整之后不同波动率分组发风险估计偏误得到很⼤改善,其中调节参数q取0.3时调整效果较好。
2.2.
3. 股票协⽅差矩阵
由于Var(r)=XFX'+Δ,通过因⼦协⽅差矩阵F、股票特质波动率对⾓阵Δ以及股票在各个风险因⼦上的暴露X可得全市场股票的协⽅差矩阵。
为检验股票协⽅差矩阵的估计精度,我们在全市场中各⽣成100个随机股票多空组合和纯多头组合,每个组合随机持有200只股票。纯多头组合random portfolio按市值加权持有200只随机股票;多空组合random active portfolio在持有200只随机股票的前提下按市值权重卖空整个股票池股票。
3
⽉频指数增强模型
基于风险模型我们⾸先介绍⽉频增强模型的构建,并以此为基础利⽤价量性指标增强愿模型。⽉频alpha模型要求拥有较长的预测时间宽度,常⽤的选股因⼦以基本⾯财务指标为主,包括估值、成长、盈利、分析师财务预期等指标,这些指标刻画了优秀股票应有的基本⾯特征。⽉频alpha模型中常见的另⼀类选股指标为长周期的技术指标,如低换⼿、低流动性指标获得了流动性溢价,反转因⼦刻画了过度追涨杀跌导致的错误定价,规模因⼦赚取了A股市场长期存在的⼩市值溢价。技术指标的使⽤见仁见智,其可能⾯临更⼤幅度的回撤风险。
我们利⽤上表中的选股因⼦构建⽉度的alpha模型,这些因⼦均有着较长的收益率预测时间宽度。我们将选股因⼦标准化、⾏业和市值中性化、对称正交处理,之后按指标过去12个⽉的ICIR将选股因⼦加权得到股票打分:
基于马科维茨均值⽅差理论我们利⽤alpha模型和风险模型构建投资组合,组合优化中不同的风险约束所构建的股票组合可能截然不同。常见的风险控制维度为Size和⾏业风险,由于⾏业和市值是A股市场最为显著的两类风格,该⽅式在很⼤程度已能控制组合风险。但在特殊的市场⾏情下下只控制这两类风格组合仍然可能出现明显的相对回撤,然⽽全部控制风险模型中的10⼤类风格将导致组合收益⼤
幅缩减。
为了更好的控制组合风险,中我们基于风险模型中风格因⼦的T统计量以及信息⽐率,将T统计量显著⽽信息⽐较低的风格均视作风险因素。因此,除了Size和⾏业风险外我们还约束Beta、Momentum、Residual Volatility、BTOP相对基准⽆偏,同时约束组合跟踪误差⼩于5%。
⽆偏,同时约束组合跟踪误差⼩于5%。
基于以上风格约束以下我们构建中证500指数的⽉频增强模型:
•我们在全市场股票中剔除ST、暂停上市、上市不⾜6个⽉等股票构成股票池;
•约束组合相对基准风格⽆偏、⾏业中性,跟踪误差⼩于5%;
•个股层⾯约束个股最⼤权重1.5%,股票相对基准指数最⼤权重偏离0.5%;
•以最⼤化组合预期收益为⽬标每个⽉末求解以上优化,并于次⽇按开盘价买卖,其中考虑停牌与涨跌停因素,交易成本按双边0.3%扣除。
小托福>猜拳脱脱小游戏⽉频度的中证500增强模型在回测区间内超额收益稳定,2010年以来组合年化超额基准指数17.7%,
跟踪误差3.9%,信息⽐率4.09,每年单边换⼿约6倍。下⽂中我们将以该模型为基础展⽰交易型alpha对于低频模型的增强作⽤。
4
利⽤交易型alpha捕获短期收益
交易型alpha因⼦由股票价量数据衍⽣⽽得,其通过股票市场短期内的趋势、反转以及价量相关性等特征获取超额收益。本⽂所使⽤的交易型alpha指标如下表所⽰,我们不做过度地alpha挖掘,所有的24个指标均来⾃于《101 Formulaic Alphas》等公开资料。
⾸先我们对各指标做标准化和⾏业市值中性化处理,中性化后指标的截⾯秩相关性如下图所⽰,交易型alpha指标整体相关性较低,但少数指标间仍存在较⾼的相关性。
为剔除各指标间的相关性,我们在截⾯上对指标作对称正交处理。同时为了增强交易型模型的alpha稳定性、减缓alpha 衰减速度,我们将交易型alpha与原有低频alpha模型复合构建最终的alpha预测。以未来3⽇收益率为预测⽬标,交易型alpha模型滚动20期(3个⽉)的IC均值以及ICIR如下图所⽰,交易型alpha模型在时间序列上表现出稳定的短期alpha预测能⼒。
由于交易型alpha模型以捕获股票市场的短期alpha收益为⽬标,其alpha能⼒衰减速率较快,在⽉频模
型中直接使⽤交易型alpha指标作为选股因⼦将难以取得理想效果。因此我们按如下⽅式调整组合以在模型中捕捉市场上的短期alpha收益:
1.每个⽉末根据⽉频模型构建投资组合,得到原始⽉度模型的股票组合;
2.为捕获短期alpha机会,利⽤交易型alpha模型将当期持仓中alpha预测值较低的10%仓位股票替换成短期alpha较⾼
的股票,同时仍然约束组合风格相对基准⽆偏;
3.每隔3个交易⽇进⾏⼀次以上替换调仓操作,直⾄下个⽉底时重新根据⽉频模型得到股票底仓。
按照以上调整⽅式,每个⽉内⾄多6次调仓机会,因⽽每个⽉⾄多增加60%的换⼿率。但按照时间加权,每个⽉时间区间上模型⾄少有(100%+90%+⋯+40%)/7=70%的股票仓位与原始模型是相⼀致的,其等价于在构建模型之初直接调整30%仓位的股票。这保证模型的持仓特征与原始模型的持仓特征整体⼀致,同时借助于交易型alpha间断的调整了30%仓位的股票以捕获市场中的短期alpha收益。
在⽉频模型中引⼊交易型alpha信息调整持仓后,增强模型收益出现显著提⾼。2010年以来组合年化超额收益23.4%,信息⽐率5.20;超额收益最⼤回撤为3.2%,起⽌时间分别为2015年7⽉7⽇和2015年8⽉17⽇,其余年份回撤⼤多在2%以下。引⼊交易型alpha信息后复合模型相对于原始⽉频模型的al
pha获取能⼒显著提⾼。
此外,我们⽤纯交易型alpha构建组合,在相同的风险约束下以及相同的调仓换⼿模式下构建组合。由于我们的交易型alpha经过⽉频alpha模型的复合调整,其衰减速度与稳定性得到较⼤改善。但对⽐三个模型的历史绩效,复合模型在历史上表现出最⾼的超额收益以及信息⽐率,⽽交易型模型近3年市场表现均在三个模型中排⾏末位。
复合调整后的交易型alpha仍然不适合长周期的收益预测,在近两年市场风格切换的情况下尤为明显。在每隔3个交易⽇调仓10%的模式下,交易型模型完全替换全部持仓需要30个交易⽇,但⼤多数交易型指标alpha能⼒早已衰减殆尽。以低频模型构建底仓,利⽤交易型alpha间断调整持仓是在原有模式下获取短期alpha的⼀种思路。
商品流通企业总结
Alpha因⼦有着其适宜的预测时间宽度,由股票短期价量数据衍⽣⽽得的交易型alpha指标具有很强的短期收益预测,但其alpha衰减迅速;基本⾯指标的alpha衰减速率则较为缓慢。因此,⽉频度等低频alpha策略的选股指标以基本⾯指标为主,其获取市场上的长周期alpha收益。本⽂希望构建⼀套全新模式,在低频模型中引⼊交易型alpha信息,从⽽在低频模型中捕获市场中的短期alpha收益。
指数增强策略主要由alpha模型和风险模型组成,风险模型是指数增强策略中的重要组成部分,其能防范超额收益的⼤幅回撤和剧烈波动,本⽂参照barra USE4构建结构化风险模型。我们对因⼦协⽅差依次进⾏Newey-West调整、特征因⼦风险调整、Volatility Regime调整,对股票特质波动对⾓阵依次进⾏Newey-West调整、结构化调整、贝叶斯压缩和Volatility Regime调整,进⽽得到股票协⽅差矩阵。偏差检验结果表明股票协⽅差矩阵对投资组合风险拥有较好的刻画精度。
我们在约束Size、Beta、Momentum、Residual Volatility、BTOP等风险因⼦⽆偏的情况下构建了中证500指数的⽉频增强模型。2010年以来⽉频增强模型年化超额收益17.7%,信息⽐率4.09。以该⽉频增强模型为基础,我们展⽰了在低频模型中引⼊交易型alpha信息的增益效果。
我们利⽤24个交易型alpha指标构建了短期交易型alpha模型。每⽉基于⽉频alpha模型得到增强模型的股票底仓,每隔3个交易⽇我们利⽤交易型alpha模型将当期持仓中alpha预测值较低的股票替换成⾼alpha股票,同时仍然约束组合风格暴露⽆偏。该⽅式在保证组合持仓特征与原始模型⼤体⼀致情况下,持续性地在低频模型中引⼊最新的交易型alpha信息。在⽉频模型中引⼊交易型alpha信息后,组合超额收益显著提⾼,2010以来模型超额基准指数23.4%,信息⽐率5.20。
天风⾦⼯专题报告⼀览
多因⼦选股系列报告
《短周期视⾓下的指数增强策略》2019-02-11
《基于机构风格追随的业绩增强策略》2018-10-11
《基本⾯视⾓下的⾷品饮料⾏业选股研究》2018-08-03
《》2018-06-15
《多因⼦模型的业绩归因评价体系》2018-04-10
《风险预算与组合优化》2018-03-05
recognize什么意思
《》2018-02-05
《》2017-11-17
《因⼦正交全攻略——理论、框架与实践》2017-10-30