`

博弈论在因子加权中的应用

创建于 更新于

摘要

报告创新性地将博弈论结合因子加权,通过非合作博弈计算博弈收益,再用Shapley值分配权重,提升多因子组合的超额收益和稳定性。与传统IC加权、等权方法相比,该方法能更全面反映因子组合效果和边际贡献,同时结合市场状态进行情景分析,回测显示策略有效提升风险调整后收益,尤其调整因子方向后表现更优,策略具有较强的实用价值和风险提示[page::0][page::2][page::4][page::9][page::10][page::11][page::13]

速读内容


博弈论加权方法核心逻辑 [page::2][page::3][page::4]

  • 博弈参与者为7大类因子,策略为细分因子(每类2个策略)。

- 使用非合作博弈计算因子组合与市场基准的纳什均衡收益,结合Shapley值分配权重。
  • 纳什均衡保证策略组合最优,Shapley值衡量因子边际贡献,实现多因子权重分配。


博弈收益矩阵构建及因子权重示例 [page::6][page::7][page::8]

  • 以市场涨跌为状态分类,采用因子ICIR度量收益,构建收益矩阵。

- 所有7类因子及其组合共128种形式的组合收益计算纳什均衡,得到组合的博弈收益。
  • 计算Shapley值,确定大类因子及细分因子的权重分配,如规模、动量、估值等占比较高。


回测及多因子组合表现比较 [page::9][page::10][page::11]


  • 博弈论因子加权组合实现超额收益提升,波动率小于IC加权,回撤少于等权策略。

- 通过调整因子权重方向(基于IC均值正负),显著提升回测收益,避免回撤,如2021年回撤明显改善。


| 年份 | IC加权 | IC
IR加权 | 因子等权 | 博弈论加权(固定方向) | 博弈论加权(调整方向) |
|------|---------|------------|------------|---------------------|---------------------|
| 累计 | 466.7% | 619.39% | 676.56% | 624.16% | 818.00% |
| 年化 | 12.97% | 14.92% | 15.55% | 14.97% | 16.95% |

风险调整后收益表现及风险指标对比 [page::11]


| 组合 | 年化收益 | 年化波动 | 年化夏普比 | 最大回撤 | 平均回撤持续天数 |
|--------------------|----------|----------|------------|----------|------------------|
| IC加权 | 13.37% | 25.73% | 0.52 | 18.37% | 102天 |
| IC_IR加权 | 15.32% | 25.54% | 0.60 | 17.54% | 107天 |
| 因子等权 | 15.95% | 25.54% | 0.62 | 16.33% | 119天 |
| 博弈论加权(固定方向) | 15.37% | 24.52% | 0.63 | 14.80% | 99天 |
| 博弈论加权(调整方向) | 17.34% | 25.48% | 0.68 | 11.29% | 52天 |

超额收益回撤与风格波动关联分析 [page::12]


  • 超额收益最大回撤多发生在市场市值风格或成长价值风格快速切换时。



博弈论加权法的特点与创新点 [page::13]


  • 综合考虑因子组合整体效果及单因子边际贡献,非单因子表现简单加权。

- 因子IC滚动均值与实际权重相关性有波动,证明组合权重更科学。
  • 可融入多种指标如IC、半衰加权,实现情景化因子表现分析。


深度阅读

分析报告:《博弈论在因子加权中的应用》详尽解析



---

一、元数据与概览


  • 报告标题:博弈论在因子加权中的应用

- 发布机构:华西证券研究所
  • 分析师:杨国平(副所长)、张立宁(高级分析师)

- 发布日期:2023年11月23日
  • 研究主题:将博弈论方法结合多因子模型,通过非合作与合作博弈相结合,创新性地为多因子投资组合中的因子分配权重,提升因子组合的收益表现和稳定性。

- 核心论点:报告强调传统因子加权方法(IC均值加权、ICIR加权、因子等权)局限在于只关注单一因子表现,而博弈论能综合考虑因子组合间的边际贡献和市场状态情景,利用非合作博弈的纳什均衡与合作博弈的Shapley值有机结合,计算出的因子权重更优化,带来更佳的超额收益及风险调整表现。
  • 主要结论:博弈论方法在因子加权中实现了更高、且更稳定的超额收益,超额收益回撤天数明显减少,风险调整后指标全面改善,具备较强的可操作性和理论创新价值。[page::0,1]


---

二、逐节深度解读



1. 博弈论基本概念


  • 论点总结:多因子加权经典方法多依赖因子IC均值或ICIR加权,忽视因子组合之间的互动效应。博弈论以资产(即因子)为参与者,定义具体策略(细分因子),通过收益矩阵体现因子与市场基准间的零和博弈,采取纳什均衡寻找策略最优分布,通过Shapley值分配合作收益以确定权重。

- 支撑逻辑
- 非合作博弈部分侧重纳什均衡,实现均衡策略下因子组合的最优收益。
- 合作博弈中,考虑多因子组合的边际贡献,通过Shapley值量化每因子的权重份额。
  • 关键数据:《表1》展示估值因子与市场基准的简单收益矩阵,体现零和博弈理念,估值因子选择策略BP时纳什均衡收益为0.9687,市场基准为负收益,具体数值用于后期计算。[page::2,3]


---

2. 博弈的参与者与策略


  • 观点:选取7个大类因子(规模、估值、动量、成长、波动、流动性、盈利能力)作为博弈参与者,每个参与者设置2个细分因子作为策略。市场基准指数为对手,策略包括市场涨跌、波动等状态分类。

- 细节
- 大类因子用细分因子策略做博弈决策,策略层级设计逻辑严谨。
- 对所有因子进行方向调整,确保收益非负,便于Shapley值计算,且因子收益数据经过去极值、标准化处理。
  • 关键数据:详见《表3》,说明7大类因子及对应的具体策略细分因子和方向属性,比如规模因子包含总市值和自由流通市值,方向为反向(即市值越大权重应越低)。[page::5]


---

3. 博弈的收益矩阵


  • 关键论点

- 通过过去N日历史数据,根据市场状态分类(日涨、跌等),计算各细分因子在对应状态下的收益指标(ICIR等),并对其聚合形成收益矩阵,是后续博弈纳什均衡计算的基础。
- 捕捉不同市场状态下因子的表现差异,实现情景化因子加权,区别于传统加权方法。
  • 关键数据

- 《表4》给出了7大类因子各自策略与市场两种状态(上涨、下跌)对应的调整后收益矩阵,数值均非负,例如“20日波动率”上涨时收益为0.5670,下跌时为1.8302。
- 实际收益通过整体减去最小收益调整确保Shapley值计算的非负性。
  • 推导

- 结合多个因子策略,形成更复杂收益矩阵。例如《表5》展示规模、估值、成长三因子组合的8种策略收益,组合收益纳什均衡计算得3.4307的收益值,用以Shapley值权重分配。
- 进而计算全因子组合的128种形式,得到《表6》大类因子Shapley值及对应权重分布,规模因子约占18.13%。[page::6,7,8]

---

4. 博弈论因子加权组合效果


  • 实证结果

- 基于中证800指数的回测(2010-2023年)显示,相较于IC加权、IC
IR加权和因子等权,博弈论方法在固定因子方向时超额收益高于前两者,稳定性更高,但略低于因子等权,图3呈现各加权方法的超额收益净值走势。
- 在调整因子方向(使用过去IC均值判断正负方向)后,博弈论因子加权组合超额收益大幅提升,且特别避免了2021年初因小盘股下跌带来的回撤,图4清晰反映了这一点;累计超额收益达到818.00%,年化16.95%,显著优于其他方法。
  • 风险指标:《表9》统计持有期最大回撤幅度和持续天数,博弈论调整方向的最大回撤平均幅度8.33%,显著低于其他方法,回撤天数仅52天,风险更可控,且年化经历收益率和夏普比率均较优。[page::9,10,11]


---

5. 博弈论因子加权组合有效性分析


  • 观察:超额收益的最大回撤期通常对应市场风格(市值风格或成长价值风格)快速转变,比如2014末期,博弈论方法亦难以快速反应,具有一定局限性。

- 图示说明:图5和图6分别展示博弈论调整方向加权组合超额收益与市值风格、小盘股/大盘股比率及成长/价值风格指数的对应关系,蓝色竖条标明主要回撤区间,突出风格转变对策略表现的影响。
  • 结论:即使博弈论方法在因子组合权重上复杂建模,仍受限于市场风格变动的转变速度,提供了未来可能的改进方向。[page::12]


---

6. 博弈论因子加权方法的特点


  • 区别于传统方法

- 方法不仅关注单因子表现,更重要的是侧重因子组合的整体收益贡献及边际贡献,权重调整更为精细且动态。
- 因子权重与因子IC滚动均值之间存在时点错配,甚至负相关,体现出方法消解单因子表现与组合表现的差异,避免单一因子过度加权。
  • 灵活整合性

- 可嵌入因子IC、ICIR及半衰加权等传统指标以提升收益矩阵和方向判断的准确度。
- 具备情景分析能力,可依据市场状态分类设定博弈策略,适应多样市场环境。
  • 图7展示因子IC与因子权重之间的相关性波动,验证理论的实际表现。 [page::13]


---

7. 风险提示


  • 模型和结论均基于历史统计规律,存在历史规律失效的风险。

- 量化策略通常面临市场结构变化带来的模型适应性问题,投资者使用时需关注模型适用环境。 [page::14]

---

三、图表深度解读



图1:博弈论方法应用过程


描述多个资产组合通过纳什均衡计算组合收益,再应用Shapley值分配权重的流程框架,体现了非合作与合作博弈的结合机制,清晰展示了算法整体逻辑。[page::4]


图2:收益矩阵生成过程


展示市场状态分类、因子收益度量和收益聚合三者合成收益矩阵的过程,体现数据驱动收益矩阵灵活生成,契合实际市场动态。
图片 [page::6]

图3 & 4:博弈论因子加权超额收益对比

  • 图3(固定因子方向)与图4(调整因子方向),均价净值指数显示博弈论方法超额收益在调整方向后显著超越传统方法,如波动幅度下降,超额收益提升。

图3
图4 [page::9-10]

图5 & 6:超额收益与风格变化关系


描绘风格转变期(小盘股/大盘股比率、成长/价值比率波动)与策略超额收益的互动,指出策略回撤多发生于风格急速切换时。
图5
图6 [page::12]

图7:因子IC与因子权重相关性


展示时间序列中因子IC与博弈论计算权重的相关变化,波动明显,说明权重调整并非简单比例分配,而是综合考虑了因子间组合贡献。
图7 [page::13]

---

四、估值分析



该报告不涉及企业估值或证券价格预测,焦点为因子加权权重配置模型和策略表现,故无估值分析章节。

---

五、风险因素评估


  • 主要风险源于历史规律失效,如量化模型构建基于过去数据统计规律,一旦市场结构大幅变化,模型准确性和适用性将受影响。

- 在快速风格转变期,模型反应滞后,可能导致超额收益回撤。报告并未显式提出风险缓解办法,但强调灵活调整因子方向和情景分析有助于缓解风险。 [page::14]

---

六、批判性视角与细微差别


  • 创新性与复杂性权衡:报告提出的博弈论加权方法兼顾了单因子和因子组合表现,理论上更全面,但计算资源需求较大,涉及2^N组合计算,当因子数目增多时计算复杂度提升迅速,实际操作可能受限。

- 历史依赖性:所有权重和收益依赖历史数据,尽管引入情景(市场状态)分析,仍受历史周期选择及市场极端状态数据稀缺的影响。
  • 权重与因子IC负相关现象:图7显示部分时期存在负相关,表面看似权重调整合理,但也可能使得表现良好的因子权重被无序削减,值得后续深入验证因果关系。

- 回撤时点选择:回撤分析局限于选定段落,未充分评估极端市场情况下策略表现,风险提示较为笼统。
  • 策略灵活调整能力有限:市场风格快速切换期表现不佳,提示该方法对短期市场风格变化的响应速度依然不足。


总体而言报告具有严密的理论架构和实证验证,但在实际应用及风险评价方面仍留有提升空间。

---

七、结论性综合



本报告系统介绍了将博弈论的方法创新应用于多因子加权的完整框架:将因子作为博弈参与者,市场状态作为策略环境,利用非合作博弈求纳什均衡得到组合收益,再以合作博弈的Shapley值分配权重,实现单因子及组合效果的综合优化。数据层面通过历史因子收益及市场涨跌等状态分类构建收益矩阵,运用模型计算出的博弈论因子权重在回测中表现出优于传统IC加权、IC
IR加权及因子等权的超额收益、回撤控制及风险调整收益。

图表清晰展现了该方法的计算逻辑(图1、2)、收益矩阵(表4、5)、权重分配(表6、7)及实证表现(图3、4,表8、9)等,进一步结合市场风格指数分析揭示了策略回撤与市场风格急剧切换的关联(图5、6),同时因子权重与传统因子IC的相关性波动突出因子组合权重动态调整的特点(图7),体现了博弈论方法的深入挖掘价值。

总体来看,博弈论因子加权方法标志着因子投资组合优化向多因子边际贡献与市场状态关联推演的进阶,对量化投资研究具备理论和实操双重贡献。报告也提醒投资者关注历史规律失效和策略灵活调整不足等风险,以审慎态度做出投资决策。

---

参考标注



所有结论、数据、图表相关解读均基于原文第0-14页内容,具体页码附于相关段落末尾,符号为 [page::页码]

---

以上为《博弈论在因子加权中的应用》报告的极其详尽和全面解读。

报告