技术因子体系与问题概述 [page::0][page::3]

• 多因子模型包含规模、估值、基本面和技术面因子。

- 技术面因子包括动量、换手率、波动率等，近年来收益明显缩小，部分因子出现失效。

• 本报告针对World Quant发布的101个技术面因子进行回测与筛选。

单因子测试方法及指标说明 [page::4][page::5]

• 采用带权加权最小二乘回归（WLS），权重为流通市值平方根，消除异方差性。

- 计算因子收益的t值、信息比率IC及其稳定性指标IRIC。

• 采用分层回测方法，按因子值将样本股票分为10组，统计年化收益率与波动率，观察收益单调性区分度。

原始Alpha 101 因子回测表现及代表因子分析 [page::6][page::7][page::8][page::9][page::10]

| 因子名 | t绝对值平均 | 因子收益平均 | IC平均 | IRIC |
|---------|------------|-------------|--------|------|
| alpha040 | 4.53 | 0.06 | 0.09 | 1.01 |
| alpha088 | 3.70 | 0.04 | 0.06 | 0.74 |
| alpha042 | 4.53 | 0.05 | 0.07 | 0.68 |
| alpha069 | 3.48 | 0.04 | 0.05 | 0.59 |

• Alpha040监测高价波动幅与成交量的背离，历年表现稳定。

- Alpha088复杂计算量价背离信号，2020年表现有所弱化。

• Alpha042探测日内尾盘异动，2020年仍具区分度。

- Alpha069结合成交价与量价相关性，2019年以来收益明显。

中位数调整模型显著提升因子表现 [page::11][page::12]

• 针对回测中部分因子出现极端表现的问题，构造调整公式：以股票因子值距中位数距离的平方作为新因子。

- 多数调整后因子的IRIC较原始因子提升明显。

• Adj-Alpha025因子由当日涨跌幅、平均成交量与价格差值乘积构造，收益稳定且优于原始因子。

| 调整后因子 | t绝对值平均 | 因子收益平均 | IC平均 | IRIC |
|------------|------------|-------------|--------|------|
| adj-alpha025 | 4.81 | 0.05 | 0.09 | 1.12 |
| adj-alpha047 | 4.43 | 0.04 | 0.08 | 1.01 |
| adj-alpha008 | 4.51 | 0.04 | 0.07 | 0.92 |

近期表现亮眼的新增备选因子 [page::16][page::17][page::18]

• Adj-Alpha019关联近期7日涨跌和过去一年涨跌幅，近期表现突出。

- Alpha077复杂计算，表现较稳健。

因子相关性检验支持多因子融合 [page::19]

• Alpha101因子与主流因子相关性均低，说明可作为有效补充。

报告总结及未来方向 [page::19]

• 筛选出10个表现优秀的技术面因子，纳入因子库准备与多因子模型融合。

- 强调因子持续有效性存在市场环境风险。

• 未来将报告多因子模型的实际应用结果。

技术因子的再挖掘之 Alpha 101——多因子模型研究系列之十四 报告详尽分析

---

1. 元数据与概览

报告标题：《技术因子的再挖掘之 Alpha 101——多因子模型研究系列之十四》
作者：宋旸，郭琳姗（研究助理）
发布机构：渤海证券研究所
发布日期：2020年9月22日
研究主题：基于World Quant 2015年公开论文《101 Formulaic Alphas》提取的101个技术面因子，在中国A股市场的单因子测试与回测分析，探索技术面因子的表现和改进空间，并择优筛选因子融合进多因子模型。

报告核心观点：
本报告针对技术面因子在A股市场的使用状况进行研究，指出近年来技术面因子普遍存在收益率缩水甚至失效的问题，结合世界量化先锋机构World Quant发表的101个技术面因子，对这些因子进行了初步的统计测试和分层回测。结果显示大部分因子在统计上显著，且经过对因子值的中位数调整后部分因子表现大幅提升。最终报告筛选出10个表现稳健的Alpha因子，推荐结合至多因子框架提升模型表现，同时强调市场环境变化带来的模型失效风险。[page::0,3,19]

---

2. 逐节深度解读

2.1 技术因子的再挖掘（第1章）

• 内容总结：报告系统回顾了多因子模型中技术因子的分类与作用，明确将技术因子分为动量、换手率、波动率等类型。提出近年来整体因子收益率缩小，尤其是技术面因子失效最为明显，引入World Quant 2015年发表的101个技术因子作为研究对象。[page::3]

• 数据和图表解读：

- 图1（一个月收益率因子历史分层回测）显示从2009年至2020年，收益率因子表现波动大，2014、2015年波动较大，且近年来收益回撤明显。

- 图2（一个月波动率因子历史分层回测）可见波动率因子表现同样不稳定，2020年终有显著负收益趋势。

- 图3（一个月换手率因子历史分层回测）展现换手率因子涨跌同样剧烈，说明包括动量、波动率与换手率因子表现均出现明显失效迹象。

这些图表直观反映技术因子近年来失效的问题，支持报告提出的技术面因子收益下滑论断。[page::3-4]

---

2.2 单因子测试流程（第2章）

• 流程说明：

- 利用横截面加权最小二乘回归（WLS），权重为流通市值平方根，控制行业影响但未考虑市值、行业因素所带来的交叉影响。

- 通过回归计算因子收益与t值，从而得出因子收益的统计显著性、稳定性指标。

- 计算因子信息系数（IC）及其标准差，最终生成核心筛选指标IRIC（IC平均值/标准差）。

- 因子筛选标准包括t值绝对均值接近或超过2，IRIC较大，因子收益与IC正负方向概率高，排除接近0.5的无效因子。

- 使用“分层回测”方式对因子选股能力做直观检验，分别对整个样本区间及按不同年份分层，追踪不同分层的收益表现评估因子区分效果。[page::4-6]

---

2.3 原始 Alpha 101 因子回测结果（第3.1章）

• 关键数据与结论：

表1列出了依据IRIC排名前15的因子，均具有较高的t值绝对均值（均大于2），平均IC值0.02-0.09不等，IC标准差普遍较小，IC>0概率较高，说明这些因子具有统计上稳定且正向的预测能力。其中表现最好的alpha040，t值均值4.53，收益t值7.75，IC平均值0.09，IC标准差0.08，IRIC1.01，IC>0概率0.85，表现突出。

• 具体因子分析（部分代表性因子）：

- Alpha040：结合过去10日最高价的波动率及最高价与成交量的相关性，捕捉量价背离。表现持续优异，分层回测收益呈现稳健上升差距明显。[图4-5,page::6-7]
- Alpha088：复杂定义，结合价格开盘、最低、最高、收盘的排名及成交量的移动加权，表征量价动态结合。2020年前表现显著，2020年略有弱化。[图6-7,page::7-8]
- Alpha042：聚焦成交价加权均价与收盘价的差异，捕捉尾盘异动。收益持续显著，2020年后表现仍稳健。[图8-9,page::9]
- Alpha069：结合行业中性化成交价排名及成交额相关系数，收益表现突出，2019年后效果尤佳。[图10-11,page::9-10]

---

2.4 改进后的 Alpha 101 因子的回测结果（第3.2章）

• 问题与改进策略：

报告发现部分因子分层回测中间值优于两端，表明原因子对极端值（高或低排名）容忍度差，操作风险较大。

• 改进方法：

通过对因子值与横截面中位数距离做平方负值处理，将接近中位数的标的因子值提升，远离的标的排名降低，降低极端值影响，提升因子稳定性时效性。

\[
Adjusted\ Alphai = - (Alphai - Median(Alpha))^2
\]

• 改进效果：

调整后因子表现整体提升，部分因子IRIC均提高明显，表2列示调整后排名前20因子数据中，adj-alpha025 t值平均4.81，IRIC最高1.12，超过原alpha040。其他adj-alpha因子也表现优异。[表2,page::10-12]

• 重点调整后因子分析示例：

- Adj-Alpha025：乘积型因子包含当日涨跌幅、20日平均成交量、VWAP以及当日最高价与收盘价之差。调整后因子顶层-底层收益差扩大，收益更稳健。[图12-15,page::11-13]
- Adj-Alpha047：复杂多步算式结合收盘价倒数加权量能相关，捕捉价格与成交量多维关系，分层回测表现出色。[图16-17,page::13-14]
- Adj-Alpha008：关注5日开盘价与涨跌幅的变化，衡量加速期风险，调整后因子表现良好，倾向选股风险较小标的。[图18-19,page::14-15]
- Adj-Alpha011：从3日维度分析VWAP与收盘价差异，观察尾盘拉升和急跌趋势，识别短期价格异常现象，分层收益稳定。[图20-21,page::15-16]

---

2.5 近期表现较好的 Alpha 因子（第3.3章）

• 报告强调2020年后多数历史优异因子失效，仅Alpha040、Alpha042和Alpha069保持较好表现。

• 新增两因子作为观察备选：

- Adj-Alpha019：结合7日涨跌与过去一年涨跌幅，反映短期趋势与长期趋势的关系，2020年表现亮眼，分层差距扩增明显。[图22-23,page::16-17]
- Alpha077：复杂多级衰减加权相关系数计算，猜测为数据挖掘产物，分层回测表现尚可。[图24-25,page::17-18]

---

2.6 因子相关性检验（第3.4章）

• 通过分析表明选出的Alpha101因子与主流因素（如规模、市值、估值等）及彼此之间相关性均较低，说明它们提供了较为独立的信息，有助于多因子组合的收益稳定性和风险分散。[图26,page::18-19]

---

3. 图表深度解读

• 技术因子历史表现图（图1-3）：

描述了近十余年内动量因子（return1m）、波动率因子（std1m）、换手率因子（turn_1m）月度分层表现。

这些图形代表不同分层组别股价相对表现，整体看趋势和区间波动性。

• 分层回测图：

反映因子分层为10等份，各等份的累计收益率变化情况，右侧展示Top-Bottom差距，数值越大差异越显著，因子区分能力越强。

• 按年度分层柱状图：

展示因子在不同年度对收益预测的分层收益差异，检测因子时效性和稳定性。

• 相关性热力图（图26）：

展示Alpha101大因子与传统因子的相关系数矩阵，浅色低相关，深色高相关，表明所选因子多呈低相关，适宜组合。

---

4. 估值分析

本报告主要聚焦于因子研究和回测，并无明确估值模型和目标价，报告结尾附带投资评级定义供后续应用参考，不包含具体投资建议评级。[page::21]

---

5. 风险因素评估

报告多次强调技术因子因市场环境变化呈现失效风险，尤其是技术面因子波动性和回撤周期带来的收益稳定性问题。明确提醒投资者因子模型不能固定不变使用，需动态评估与调整。[page::0,19]

---

6. 批判性视角与细微差别

• 报告的单因子研究主要基于历史数据回测，尽管覆盖周期较长，但对未来事件驱动及市场微观结构变化的适应能力未深入讨论。

• 对因子调整方法（如中位数归一平方惩罚）的选择虽有效，但缺乏更系统的理论支撑或多维优化验证，实际操作中可能面临过拟合风险。
• 部分因子定义复杂难懂，源自数据挖掘式量化方法，透明度有限，实操验证难度较大。
• 报告未显著讲解因子组合构建方法及效应，后续研究的多因子整合效果及风险控制仍需关注。

---

7. 结论性综合

本报告系统研究了World Quant提出的101个技术面Alpha因子，在中国A股市场进行统计检验及分层回测，验证大部分因子具有统计显著的收益能力，但受限于技术因子敏感性和市场环境变化，2020年出现失效趋势。通过创新的中位数调整方法改进因子，进一步提升了部分因子的稳定性和收益表现。最终筛选出10个表现优异、时效性较好且相互低相关的技术因子，建议将其作为多因子模型的有益补充来源，以期提升模型的预测能力和跨周期稳健性。

图表揭示技术因子近十年表现波动剧烈，部分技术因子如Alpha040（波动率与量价背离）、Alpha042（尾盘成交价均值和收盘价对比）等依然有效；改进型adj-alpha025等因子通过去极端化显著增强表现。

整体来看，报告不仅深化了国内多因子模型中技术因子的应用实践，也为未来的多因子组合优化提供了坚实的数据和方法基础，明确指出持续关注技术因子的动态调整及因子失效风险的重要性。

---

参考文献及溯源

• 宋旸, 郭琳姗. 《技术因子的再挖掘之 Alpha 101——多因子模型研究系列之十四》, 渤海证券研究所, 2020年9月22日 [page::0-22]

---

图表示例（部分）

• 图1 一个收益率因子历史分层回测结果示意：

• 表1 原始Alpha101因子统计回测结果示例：

详见正文“原始 Alpha 101 因子回测结果”部分，包含因子t值均值、IC指标、IRIC等关键指标数据分析。

• 图14 Adj-Alpha025分层回测结果示意：

• 图26 因子相关性热力图示意：

---

以上为该报告的详尽结构分析与图表解读，全面覆盖了报告的因子定义、测试方法、回测结果、改进方案、因子表现评估及风险提示，力求为用户提供系统而深入的决策支持参考。

报告