多因子选股流程及因子检验框架 [page::2][page::3]

• 多因子选股核心在因子构建，要求因子具备良好的预测能力（IC、ICIR）和分组单调性。

- 线性合成方式下多头组收益单调性尤为重要，A股市场做空成本高，空头收益利用受限。

• 单因子检验涉及信息系数测试、分组收益测试和因子组合纯化。

原始量价相关因子表现及传统改良方法分析 [page::4][page::5][page::6]

• 原始量价相关因子月频和周频下分组单调性差，收益集中于空头端，缺乏有效多头收益。

- 价格及成交量序列对数差分处理后，分组单调性有所改善，但仍不理想。

• 缩短计算窗口至5日显著提升多头组顶端收益与单调性，但提高交易成本，不利于实际应用。

- 原始因子纯因子组合收益存在不稳定现象，特别是在沪深300成分股中表现较差。

贝叶斯收缩因子改良框架及核心思想 [page::7][page::8][page::9]

• 先验信息假设：知情资金流入（出）比例与个股相对于行业或板块的波动（贝塔）正相关，反映个股杠杆属性，先验信息单独表现无选股能力。

- 贝叶斯收缩将原始量价相关因子的统计信息和先验信息以加权方式组合，收缩系数α取0.5。

• 收缩后的因子分组单调性得到显著改善，多头顶端收益大幅提升。

- 收缩因子月频超额年化收益提升至8.11%，周频提升至15.18%，在全A及沪深300均显示稳定的增量信息。

量价相关因子纯化与相关性分析 [page::10]

| | 反转 | 波动率 | 异质波动率 | 换手率 | 非流动性 | p |
|------|------|--------|------------|--------|-----------|------|
| 反转 | 1.00 | 0.19 | 0.30 | 0.11 | 0.02 | 0.36 |
| 波动率 | 0.19 | 1.00 | 0.79 | 0.61 | -0.13 | -0.18 |
| 异质波动率 | 0.30 | 0.79 | 1.00 | 0.51 | -0.11 | 0.14 |
| 换手率 | 0.11 | 0.61 | 0.51 | 1.00 | -0.38 | -0.06 |
| 非流动性 | 0.02 | -0.13 | -0.11 | -0.38 | 1.00 | -0.02 |
| p | 0.36 | -0.18 | 0.14 | -0.06 | -0.02 | 1.00 |

• 收缩后的量价相关因子与其他经典量价因子仅与反转因子表现出一定相关性。

- 纳入量价基础因子约束进一步纯化因子组合，增强因子增量信息的稳定性。

结论总结 [page::11]

• 因子构建阶段要求因子具有良好的分组单调性和多头收益表现，贝叶斯收缩提供新的改良思路。

- 贝叶斯收缩有效整合了行业波动等先验信息和统计量，提升了指标的多头表现和收益稳定性。

• 该方法显示出在多因子框架中改良因子的潜力，有望在后续研究中进一步优化收缩强度及适用范围。[page::0][page::2][page::4][page::8][page::9][page::11]

基于贝叶斯收缩的因子改良框架 — 国泰君安证券金融工程团队详尽分析报告解构

---

一、元数据与报告概览

• 报告标题：《基于贝叶斯收缩的因子改良框架》

- 报告作者及团队：陈奥林、刘昺轶、杨能、黄皖璇、殷钦怡、徐忠亚等国泰君安金融工程团队分析师（联系电话及邮箱详见报告头部）

• 发布日期：2020年

- 发布机构：国泰君安证券研究

• 研究主题：股票量价类因子构建与优化框架，特别聚焦于贝叶斯收缩方法对量价相关性因子的改良。

- 核心论点：
- 传统量价相关性因子的多头收益与分组单调性表现较差，导致其应用效果有限。
- 通过引入贝叶斯收缩思想，把行业内个股相对于行业波动性的先验信息与原始因子统计信息加权融合，可显著提升因子的多头收益及分组单调性。
- 实证结果显示，经贝叶斯收缩改良后，量价相关性因子月频及周频的超额年化收益均大幅提升，且分组收益呈现稳定单调趋势。

该报告不仅系统阐述了因子选股流程，还针对量价相关性因子实际应用存在的问题，提出了一套理论严密、实证有效的改良框架，标志着量化投资因子改良方面的重要进展。[page::0,2,11]

---

二、逐章深度解读

2.1 引言（第2页）

• 关键内容：指出多因子选股中，因子构建的重要性及其对分组单调性的高要求。强调量价类因子IC（信息系数）及ICIR表现虽好，但多头分组单调性差，收益多依赖空头。

- 思路梳理：因子构建是多因子策略的基础，好的因子应同时具备预测能力和稳定的收益单调性。量价相关性因子因受技术指标的限制，往往存在“空头收益大于多头收益”的问题。

• 数据点：

- 原始量价相关性因子，市值行业中性化后，十分组第一组超额年化收益分别为3.65%（月频），2.42%（周频）。
- 改良后分别提升至8.11%（月频），15.18%（周频）。

• 结论：基于贝叶斯收缩的因子改良框架有效提升量价因子表现，提供稳定增量 alpha 信息。[page::2]

2.2 报告背景——多因子选股流程及单因子检验（第2-3页）

• 多因子流程：

- 因子构建、因子合成、组合优化三大模块。
- 机器学习可用于非线性因子合成，传统线性加权依赖因子分组单调性。

• 图1解读：

- 显示手工因子与机器挖掘因子不同合成路径。
- 因子构建为“Features are all you need”，突出因子（特征）质量对策略的决定性作用。

• 单因子检验流程（图2）：

- 包括中性化、信息系数（IC，ICIR）、分组测试（关注多头收益及单调性）、因子组合（增量信息）。

• 逻辑说明：

- 期望因子分组收益单调上升，尤其顶层的多头收益显著，因为A股做空难。
- 机器学习因子对单调性依赖较低，但线性合成严格要求分组单调。

• 主要问题点：

- 部分因子IC表现优异但分组单调性差，导致仅可用于负向排除而非选股。

• 常见因子改良方法：

1. 原始变量差分处理（针对非平稳时间序列）；
2. 缩短计算窗口（更重视近期信息，交易成本提升）；
3. 多项式拟合（非线性映射以改善线性关系，但可能破坏逻辑且不稳定）。

• 对多项式拟合的批判：

- 可能破坏因子原逻辑；
- 引入噪声；
- 时间上参数不稳定。

该部分为后续贝叶斯收缩改良奠定了背景和问题基础，强调传统改良方法的局限。[page::2,3,4]

2.3 贝叶斯收缩原理及应用（第4页）

• 思想本质：

- 统计量估计有无偏差但波动大，先验信息虽带假设偏差但稳健。
- 贝叶斯收缩通过权重结合两者，得到误差较小且合理的估计。

• 金融领域应用案例：

- 协方差矩阵估计（Jagannathan and Ma (2000)）将市场模型、0因子模型和样本协方差平均：
\[
\Sigma = \frac{1}{3} F + \frac{1}{3} S + \frac{1}{3} D
\]
- Barra风格模型对特质风险计算含贝叶斯收缩，可以动态调整收缩强度$\alpha$。

• 意义：通过贝叶斯收缩能克服单一估计量的噪音，提高参数稳定性。

- 为因子改良提供了理论框架。[page::4]

2.4 因子改良流程案例：量价相关性因子（第5-8页）

2.4.1 原始因子表现（5页）

• 定义：通过价格 \( Pt \) 和成交量 \( Vt \) 之间的Pearson相关系数构建量价相关性因子：

\[
\rho = \text{corr}(Pt, Vt)
\]

• 实证观察：

- 量价背离型股票具有超额收益。
- 但单因子检验显示分组单调性差，收益过于集中在空头端（多头收益非单调），月频和周频均如此。

• 图3、4解读：

- 均呈现前半（低组）收益为正，后半组收益为负，且多头端无规律上升趋势。

• 问题本质：

- 量价类因子虽然负向风控有效，但由于做空难，实际策略盈利效率低。

• 纯因子组合收益不稳定（图5、6）：

- 月频和周频均有因子累积收益出现反向，时间序列稳定性不佳，尤其在2015年4-9月显著。
- 沪深300因子表现优于全A市场。

• 总结：

- 原始量价相关性因子具备一定信号，但存在分组单调性和时间序列稳定性问题。[page::5]

2.4.2 传统改良方法尝试（5-7页）

• 首要改良方向：差分处理

- 由于成交量非正态分布（图7），计算Pearson相关系数违反假设，导致估计偏差。
- 差分价格和成交量公式：
\[
Pt^{diff} = \ln(Pt) - \ln(P{t-1}), \quad Vt^{diff} = Vt - V{t-1}
\]

• 效果改进：

- 图9、10显示差分后的分组单调性有改善，但依然不够理想。
- 图11、12显示全A市场因子收益稳定性较差，沪深300更稳健。

• 进一步分析多头逻辑：

- 认为多头端量价背离现象可能由附带的“知情资金”流入或锁仓推动（“锁仓惜售”，“越跌越买”）。
- 但噪声交易也可产生背离形态，系统性信息可能受限。
- 长时间计算窗口难以捕捉短期事件驱动的资金流入。

• 缩短计算窗口试验（5日差分相关系数）：

- 图13、14展示缩短计算窗口极大地改善了多头组收益和单调性，顶端年化超额收益提升5.33%。
- 但同样交易成本大幅增加（周频调仓交易成本8%），交易成本难以接受，权衡后不可取。

• 结论：

- 差分和缩短窗口提升效果不一，不能根本解决噪声和行业资金流动问题。[page::5,6,7]

2.4.3 贝叶斯收缩改良（7-9页）

• 核心问题归纳：

- 如何剔除噪音资金导致的量价背离形态？
- 如何捕捉行业层面的知情资金流入？

• 提出假设：

1. 知情资金拥有有限投研优势，只能判断到行业层面。
2. 投研优势有限，知情资金追求杠杆约束下最大收益（Frazzini和Pedersen 2014）。

• 推导先验信息：

- 同行业或板块内个股的知情资金流入比例应与其相对行业的波动（Beta）成正比，即：
\[
\rhoi^{target} = -\frac{1}{N{ind}} \sum{j \in ind} \text{Cov}(Pi^{diff}, Pj^{diff})
\]
- 该指标描述个股在行业波动中的杠杆属性。

• 先验分组收益（图15）：

- 顶端组反而负收益，没有明显多头预测能力，但作为先验却稳定且低噪声。

• 贝叶斯收缩公式：

\[
\rhoi^{shrink} = \alpha \rhoi^{target} + (1-\alpha) \rhoi^{sample}
\]
其中，
\[
\rhoi^{sample} = \text{corr}(Pi^{diff}, V_i^{diff})
\]
取 $\alpha = 0.5$，先验与统计信息权重相等。

• 收缩框架（图16）:

- 结合先验及统计信息，降低噪声，增强多头信号。

• 结果检验（图17-20）：

- 收缩后因子月频和周频多头分组收益单调性明显改善，顶端收益倍增且稳定。
- 全A与沪深300阶段回测均显示收缩因子收益优于原始因子，提升显著。

• 总结：

- 贝叶斯收缩极大增强了因子的多头逻辑表达，克服了噪声问题，提高策略可操作性。[page::7,8,9]

2.5 因子纯化及组合表现（第10页）

• 目的：因子可能与其他量价因子相关，需进一步纯化以提取独立增量信息。

- 相关性分析：
- 量价相关性因子与其他量价因子（反转、波动率、异质波动率、换手率、非流动性）相关性普遍较低，尤其与非流动性相关极低（0.02）。

• 纯化方法：

- 在构造因子组合时加入暴露为0的约束，剥离基础因子共性风险。

• 纯因子组表现（图22-23）：

- 收缩后的纯因子组合无论在全A还是沪深300市场，月频及周频均展现出更加稳定和持续的超额收益，且改善幅度明显。

• 结论：

- 贝叶斯收缩改良因子结合纯化过程，可获得更高质量的选股alpha信号。[page::10]

2.6 总结与展望（第10-11页）

• 重申因子构建在多因子选股中的核心地位，及采用线性合成对多头分组单调性的需求。

- 量价相关因子传统上表现出空头收益大于多头的通病。

• 引入贝叶斯收缩框架，将先验（行业相对波动）与样本统计（差分相关性）结合，有效提升多头收益和分组单调性，实现“变废为宝”。

- 实证超额收益提升显著（月频由3.65%提升至8.11%，周频由2.42%提升至15.18%）。

• 展望后续将改进收缩系数动态调整与多因子应用扩展。

- 这表明贝叶斯收缩方法在因子改良及量化投资策略优化领域具有广阔应用前景。[page::10,11]

---

三、图表深度解读

• 图1（第2页）：多因子选股流程

- 展示因子构建（手工及机器挖掘）、线性及非线性因子合成及组合优化模块体系。
- 突出因子构建的重要性，强调特征为机器学习瓶颈。

• 图2（第3页）：单因子检验流程

- 流程清晰展示中性化、信息系数计算、分组测试、多因子组合形成。
- 突出分组测试中多头收益及单调性的检测关键性。

• 图3-4（第5页）：原始量价相关因子分组收益（月频、周频）

- 量价相关因子收益分布显示典型的多头不单调，且多头收益低或负，空头端收益集中。
- 表明因子不适合基于线性加权策略多头持仓。

• 图5-6（第5页）：原始因子累积收益（月频、周频）

- 显示因子收益不稳定，期间出现反转，纯因子组合累积收益明显走低。

• 图7-8（第6页）：成交量及其一阶差分分布

- 成交量偏离正态，差分后分布更接近正态，支持差分改良思想。

• 图9-10（第6页）：差分后因子分组收益

- 差分处理改善多头分组单调性，但依然缺乏理想表现。

• 图11-12（第6页）：差分因子累积收益

- 全A收益有阶段性不稳定，沪深300表现较好。

• 图13-14（第7页）：短周期计算窗口因子分组收益

- 短窗口显著改善顶部组收益，分组趋势更明确。
- 但交易成本急剧上升。

• 图15（第8页）：先验信息因子分组收益

- 先验信息因子分组无多头收益，验证是假设，非直接选股信号。

• 图16（第9页）：贝叶斯收缩框架示意

- 展示先验信息与统计信息通过加权收缩融合生成最终因子的逻辑图。

• 图17-18（第9页）：贝叶斯收缩后因子分组收益

- 显示分组单调性明显改善，多头组收益大幅提升。

• 图19-20（第9页）：贝叶斯收缩后因子累积收益

- 收缩因子累积收益明显优于原始因子，且较为稳定。

• 图21（第10页）：各量价因子截面相关性矩阵

- 显示相关性低，说明所构因子有效剥离其他因子贡献。

• 图22-23（第10页）：纯化后因子组合累积收益

- 复合约束提高因子纯净性，显著改善组合表现。

以上图表以更贴切示范贝叶斯收缩法对原始因子的显著改良效果，视觉上体现了收益质量的本质提升。[page::2-10]

---

四、估值分析

本报告不涉及具体估值模型或目标价，而是聚焦于量价因子在选股中的表现改良以及因子收益的提升，属于策略及方法论研究，非单纯的公司估值报告。因此估值分析部分不适用。

---

五、风险因素评估

报告未明确列出风险因素章节，但通过内容可识别相关风险：

• 先验假设的偏差风险：

- 贝叶斯收缩依赖假设知情资金对行业波动比例敏感，若该假设失真，改良效果减弱。

• 交易成本增加：

- 缩短计算窗口虽提升收益，但交易频率上升显著，成本高企，实际时点策略不可直接使用。

• 时间稳定性及样本外风险：

- 量价因子收益随市场环境波动存在反转风险，需动态调整收缩系数和因子权重。

• 市场环境变化：

- A股市场结构及制度变化可能影响因子表现，部分量价信号可能失真。

报告虽对收缩系数调整和多因子拓展提出展望，但未细致说明风险缓解手段，建议后续研究进一步完善。[page::7,11]

---

六、批判性视角与细微差别

• 报告在贝叶斯收缩框架中对先验信息假设较强，缺乏足够实证对该假设的外部验证，存在一定设定偏差。

- 因子收益分析重点放在分组单调性和顶端收益，可能忽略了中间组合的表现细节和风险暴露。

• 缩短计算窗口交易成本问题虽讨论，但未提供有效降低交易成本的切实策略。

- 收缩强度统一设为0.5，未充分展开动态调整机制，实际应用中可能进一步提升表现。

• 报告显示量价相关因子改良效果显著，但对其他因子改良成果仅有简略提及，相关结论待补充。

- 非常依赖市值行业中性化，分组测试的有效性有赖于市场分层的合理假设。

总体而言，报告基于合理逻辑和充分实证，但对于部分关键参数设定和风险识别存在进一步探索空间。

---

七、结论性综合

国泰君安证券金融工程团队《基于贝叶斯收缩的因子改良框架》报告系统地剖析了量价相关性因子在A股市场中的结构性缺陷：IC表现优秀但分组单调性差，多头收益偏低且非稳定。通过差分处理和缩短计算窗口虽有所改进，但仍无法根本消除噪声干扰。

创新点在于从知情资金行为逻辑角度假设先验信息：同一行业或板块内个股的行业相关波动性与其知情资金流入比例正相关。将此先验作为行业内排序的修正依据，结合原始因子统计信息，运用贝叶斯收缩思想获得新的改良因子。

实证分析显示：

• 收缩后的因子分组单调性明显改善，多头组收益显著提升（如月频超额年化收益从3.65%增加至8.11%，周频从2.42%升至15.18%）。

- 收缩因子在全A及沪深300市场均表现稳定且增量显著。

• 对多个相关量价因子进行暴露剥离后，纯化因子仍保持强劲的稳定增量alpha。

- 框架充分体现了贝叶斯收缩在平衡先验理论假设和样本统计信息间的有效性，为量价类因子改良提供了全新思路。

报告在图表数据、因子逻辑和统计方法之间建立了牢固联系，提供了可落地的因子优化方案和策略提升路径。尽管对于收缩强度的动态调整和其他因子的拓展仍待深化研究，报告的成果对量化投资领域因子改良具有明显借鉴价值。

最后，报告严谨声明了信息来源与免责声明，彰显其专业性与合规要求。

— END —

[page::0-12] 原因子多头逻辑 --> 合理假设下的先验信息 --> 加权收缩。

在本例中，量价相关性因子的多头逻辑在于呈现量价背离形态的个股可能有知情资金买入或锁仓。然而这一现象也可能由噪音资金的随机行为导致，所以存在估计误差，是为统计信息。

在知情资金具有投研或信息优势，且追求收益最大化的前提下，我们认为同一行业或板块内个股知情资金流入（出）比例应与其相对于行业或板块的波动（贝塔）成正比。它呈现的是个股的一种杠杆属性，从逻辑和结果上并无显著的多头预测能力。

但将其作为先验信息去修正量价相关性因子的行业内排序后，可显著提升后者多头预测能力，这就是贝叶斯收缩的核心思想。

原始量价相关性因子经市值行业中性化后，十分组第一组超额年化收益为 $3.65\%$ （月频）， $2.42\%$ （周频）。经贝叶斯收缩后的量价相关性因子超额年化收益显著提高，分别为 $8.11\%$ （月频）， $15.18\%$ （周频），且分组单调性得到明显改善。

在后续的研究中，我们将对压缩系数进行更深入的研究，以及展示其他因子的改良成果。

本公司具有中国证监会核准的证券投资咨询业务资格

分析师声明

作者具有中国证券业协会授予的证券投资咨询执业资格或相当的专业胜任能力，保证报告所采用的数据均来自合规渠道，分析逻辑基于作者的职业理解，本报告清晰准确地反映了作者的研究观点，力求独立、客观和公正，结论不受任何第三方的授意或影响，特此声明。

免责声明

本报告仅供国泰君安证券股份有限公司（以下简称“本公司”）的客户使用。本公司不会因接收人收到本报告而视其为本公司的当然客户。本报告仅在相关法律许可的情况下发放，并仅为提供信息而发放，概不构成任何广告。

本报告的信息来源于已公开的资料，本公司对该等信息的准确性、完整性或可靠性不作任何保证。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，本报告所指的证券或投资标的的价格、价值及投资收入可升可跌。过往表现不应作为日后的表现依据。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。本公司不保证本报告所含信息保持在最新状态。同时，本公司对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。

本报告中所指的投资及服务可能不适合个别客户，不构成客户私人咨询建议。在任何情况下，本报告中的信息或所表述的意见均不构成对任何人的投资建议。在任何情况下，本公司、本公司员工或者关联机构不承诺投资者一定获利，不与投资者分享投资收益，也不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。投资者务必注意，其据此做出的任何投资决策与本公司、本公司员工或者关联机构无关。

本公司利用信息隔离墙控制内部一个或多个领域、部门或关联机构之间的信息流动。因此，投资者应注意，在法律许可的情况下，本公司及其所属关联机构可能会持有报告中提到的公司所发行的证券或期权并进行证券或期权交易，也可能为这些公司提供或者争取提供投资银行、财务顾问或者金融产品等相关服务。在法律许可的情况下，本公司的员工可能担任本报告所提到的公司的董事。

市场有风险，投资需谨慎。投资者不应将本报告作为作出投资决策的唯一参考因素，亦不应认为本报告可以取代自己的判断。
在决定投资前，如有需要，投资者务必向专业人士咨询并谨慎决策。

本报告版权仅为本公司所有，未经书面许可，任何机构和个人不得以任何形式翻版、复制、发表或引用。如征得本公司同意进行引用、刊发的，需在允许的范围内使用，并注明出处为“国泰君安证券研究”，且不得对本报告进行任何有悖原意的引用、删节和修改。

若本公司以外的其他机构（以下简称“该机构”）发送本报告，则由该机构独自为此发送行为负责。通过此途径获得本报告的投资者应自行联系该机构以要求获悉更详细信息或进而交易本报告中提及的证券。本报告不构成本公司向该机构之客户提供的投资建议，本公司、本公司员工或者关联机构亦不为该机构之客户因使用本报告或报告所载内容引起的任何损失承担任何责任。

评级说明

1.投资建议的比较标准

投资评级分为股票评级和行业评级。以报告发布后的12 个月内的市场表现为比较标准，报告发布日后的 12 个月内的公司股价（或行业指数）的涨跌幅相对同期的沪深 300 指数涨跌幅为基准。

2.投资建议的评级标准

报告发布日后的 12 个月内的公司股价（或行业指数）的涨跌幅相对同期的沪深 300 指数的涨跌幅。

国泰君安证券研究所

	评级	说明
股票投资评级	增持	相对沪深300指数涨幅15%以上
	谨慎增持	相对沪深300指数涨幅介于5%～15%之间
	中性	相对沪深300指数涨幅介于-5%～5%
	减持	相对沪深300指数下跌5%以上
行业投资评级	增持	明显强于沪深300指数
	中性	基本与沪深300指数持平
	减持	明显弱于沪深300指数

上海		深圳	北京
地址	上海市静安区新闸路669号博华广场	深圳市福田区益田路 6009 号新世界 商务中心34层	北京市西城区金融大街 28号盈泰中 心2号楼10层
邮编	20层 200031	518026	100140
电话	（021） 38676666	（0755）23976888	（010）59312799
E-mail: gt jaresearch@gt jas.com