因子测试框架及样本筛选 [page::3][page::4]

• 使用稳健回归（RLM）对全A股2006-2017年区间因子暴露与收益进行截面回归。

- 样本剔除ST、PT、上市未满一年及停牌股票，数据用MAD方法清洗异常值和缺失值替代。

• 因子标准化采用Z-score方法，控制行业和市值因子影响。

多指标综合筛选优质因子 [page::5][page::6][page::7][page::8]

| 筛选指标 | 指标说明 | 打分标准 |
|--------------|----------------|------------------|
| FactorRet | 最近60个月因子收益率均值 | >0.002 |
| FactorRettvalue | 因子收益t值 | >2 |
| IC | 信息系数 | >0.02 |
| IR | 信息比（IC均值/标准差） | >0.2 |
| Monotony | 单调性评分 | >2 |

• 44个因子通过大于3分的综合评分入选，涵盖估值、规模、成长、技术等多种风格。

- 以波动因子为例，拆分为价格波动和成交量波动因子，选择代表性指标STD1M和VSTD1M。

• 筛选后的12个核心因子包括BPLR、LnMC、Momentum1M、RSI等，相关性较低，适合组合构建。

动态最优化IR模型构建及参数测试 [page::9][page::10][page::11][page::12]

• 使用因子IC均值和协方差矩阵构造最优权重向量，最大化复合因子的信息比（IR）。

- 动态最优化权重基于滚动36个月的IC序列，定期调整权重以应对市场环境变化。

• 滚动窗口参数N在24-48月测试，N=42时信息比最高达3.45，回撤和波动率表现良好。

持仓数量与组合表现分析及对比 [page::12][page::13][page::14]

| 持仓数(M) | 年化收益 | 信息比 | 夏普比率 | 最大回撤 |
|----------|---------|--------|--------|---------|
| 50 | 31.4% | 2.97 | 1.06 | -44.6% |
| 100 | 31.1% | 3.39 | 1.04 | -46.9% |
| 150 | 30.9% | 3.67 | 1.04 | -48.6% |
| 200 | 29.8% | 3.62 | 1.00 | -48.7% |

• 持仓100只以上，信息比稳定超过3，150只持仓时表现最优。

- 近年数据显示激进型50只组合收益更高，但波动与回撤相对更大。

• 动态最优化模型显著优于静态因子权重，尤其是样本外2017年后的表现。

动态与静态因子赋权及不同调仓权重方式对比 [page::14][page::15]

• 动态赋权组合年化收益31.1%，信息比3.39，夏普率1.04，明显优于静态因子权重组合。

- 采用等权重调仓组合信息比优于复合因子得分加权组合，后者波动较大且信息比下降。

• 因子得分加权使得权重差异变大，部分因子权重过高增加组合波动风险。

光大 Alpha 1.0 多因子组合介绍 [page::15][page::16]

• 基于上述动态最优化IR模型，选用N=36，M=150，等权重构建多因子组合“光大Alpha 1.0”。

- 历史表现稳健，累计超额收益稳定，回撤控制良好，跑赢中证500指数。

• 组合名单定期更新，共计150只个股，按复合因子得分排序。

报告分析与解读 —— 《多因子组合“光大 Alpha 1.0”》

发布机构：光大证券研究所

分析师：刘均伟（执业证书编号：S0930517040001）

发布日期：2017年5月1日

主题：基于多因子模型的量化投资组合设计与实证表现

---

一、元数据与概览

本报告是光大证券多因子系列报告之三，承接之前两篇因子测试相关研究，聚焦于基于因子信息系数（IC）构建和优化一个动态最优化的信息比（IR）多因子组合——“光大 Alpha 1.0”。
该报告旨在说明如何通过全面的因子测试框架，选取预测能力卓越且相对独立的因子，再通过动态调整因子权重，最大化组合的IR，提升风险调整后收益。
报告中详细展示了因子筛选、优化方法、模型组合表现的对比和实证结果，并最终推介了“光大 Alpha 1.0”组合。报告未给出传统意义上的目标价或评级，而是专注于研究方法论以及量化模型的实证效果。
核心信息：

• 多因子库涵盖估值、规模、成长、质量、杠杆、动量、波动等10大类，100多个细分因子。

- 采用稳健回归（RLM）和IC计算多指标全面测试因子有效性。

• 动态按因子IC序列优化权重，实现信息比最大化，模型显著优于静态权重模型。

- 推荐“光大 Alpha 1.0”，滚动36个月因子窗口、150只持仓的动态等权组合，年化收益31%，信息比3.67。

• 组合超额收益稳定，且相对回撤较小。

---

二、逐节深度解读

1. 因子测试框架回顾（第3-5页）

报告总结了前期工作内容：

• 样本筛选：样本覆盖全A股，时间跨度2006年1月至2017年4月，剔除ST/PT股票，上市不足1年，停牌无法买入等不符合条件股票。

- 数据清洗：采用中位数绝对偏差（MAD）方法处理异常值，缺失值则小于20%用行业中位数填充，大于20%剔除。

• 因子标准化：选择Z-score标准化代替Rank标准化，保持因子原始信息。

- 因子测试模型：采用截面RLM稳健回归，剔除行业与市值效应，通过单因子回归得到因子收益$fj$，并通过t检验考察显著性。

• 因子有效性检验：用因子收益序列检验(如t值等)，并重点计算因子暴露与未来收益的IC值（Spearman秩相关系数），以及信息比IR，用于衡量因子预测能力和稳定性。 分层回测法检验因子单调性，为多维度评估指标体系。

关键点：RLM回归结合市值和行业哑变量中性处理，有效抵抗异常值，保证因子测试的鲁棒性。IC与IR指标直接体现因子的预测价值和组合稳定性，为后续筛选与优化提供数据基础。[page::3,4,5]

2. 因子的初步筛选（第5-8页）

基于多指标评分体系，因子必须满足以下5个条件中的至少3个：

• 60个月因子收益均值 > 0.2%

- 因子收益t值 > 2

• IC均值 > 0.02

- IR > 0.2

• 单调性得分 > 2

单调性得分定义为最高分组年化收益率与最低组差分与中间组差分的比值，反映因子表现的单调递增性。

根据打分体系，筛选出44个因子作为优质候选。技术因子中的动量和波动类因子表现突出，但存在高共线性。报告进一步通过计算因子IC相关矩阵，筛选出共线性较低的代表性因子用于组合构建。

• 以波动因子为例，价格波动（STD1M等）与成交量波动（VSTD1M等）两类因子共线较弱，分别选取代表。

- 最终筛选12个表现优异且互相关联度适中的因子，包括估值类（BPLR、OCFPTTM）、规模因子（LnMC）、成长类（TargetReturn、EEChange3M）、技术类（Momentum1M、RSI）、波动类（STD1M、VSTD1M）等。

• 统计数据体现部分负收益与负IC：这表明因子可能反向因子（比如规模因子一般负相关收益），是合理的。

- IC相关矩阵显示大多数因子相关性适中或较低，保证组合多样性和优化潜力。[page::5,6,7,8]

3. 因子权重的优化——基于因子IC（第9-15页）

3.1 优化方法原理

基于Qian《Quantitative Equity Portfolio Management》所述，IR最大化问题转为因子IC均值向量与其协方差矩阵的组合优化。

• 复合因子权重向量\(\mathbf{v}^\) 的最优解为协方差矩阵逆乘以IC均值向量，即：\(\mathbf{v}^ = s \Sigma_{IC}^{-1}\overline{IC}\)。

- IR最大化类似均值方差模型，但目标函数是"均值/标准差"而不是纯均值，同时无风险厌恶参数。

• 权重可以任意比例缩放。实际应用中通常归一化权重和为1。

3.2 动态最优化IR模型及实证

考虑因子预测能力随时间动态变化，使用历史IC序列形成滚动窗口动态调整权重，对抗市场风格变化。

• 测试不同滚动窗口长度N（24,30,36,42,48个月）对组合表现影响，调整持仓数M=100，每月调仓，单边交易成本0.3%。

- 结果显示N=42时信息比最高3.45，年化收益约31.7%，最大回撤-49.6%，相对基准中证500最大回撤约9%。

• 历史分年度表现显示该动态模型能稳定跑赢基准，中长期期间尤其显著（如2014年、2015年收益在70%-80%以上）。

- 持仓数对表现影响显著，M=50组合收益较高但波动较大；M>=100组合信息比均超过3，M=150达到最高3.67，波动和最大回撤稍大于M=100。

• 动态权重明显优于静态权重组合，尤其在样本外（2017年）表现差异明显，静态组合2017年回撤6.2%，跑输动态组合近10%。

- 动态组合赋权方式以等权为主，复合因子得分加权虽提高收益但带来更大波动，整体信息比不升反降。

报告图表（图1-4）清晰展示了上述动态参数调整的净值曲线及相对收益表现，视觉上动态模型曲线涨幅更平稳且优于中证500及静态模型。[page::9,10,11,12,13,14,15]

4. “光大 Alpha 1.0”组合介绍（第15-17页）

基于以上实证，报告推荐动态最优化IR多因子组合组合“光大 Alpha 1.0”，采用滚动36个月窗口、持仓150只、等权重配置，达到信息比3.67，年化收益31%。

• 该组合在PMS系统中可查询。

- 图5展示了组合整体绝对和相对基准的历史收益走势，超额收益稳定积累，回撤控制良好。

• 最新组合名单涵盖150只股票并按复合因子得分排序，名单涉及多行业和各类因子选出的股票，呈现多样化配置优势。

- 组合成员得分形成多层次梯度，反映量化打分对个股贡献的量化度。

这一部分重点增强报告的实操意义与投资导向，体现因子多元化组合的落地策略。[page::15,16,17]

---

三、图表深度解读

图1与图2 （第11-12页）

• 图1展示动态最优化因子权重组合在不同历史观测期参数N下的净值走势及中证500比较。

- 曲线显示N=36、42、48期间净值明显优于市场基准，中证500表现相对平缓。特别在2014-2015年牛市行情期间，动态组合大幅领先。

• 图2则是相对中证500的超额收益，N=42参数下表现最佳，超额收益超过5倍基准收益水平，说明参数选择对策略胜率影响显著。

图3（第13页）

• 展示动态最优化组合在不同持仓数M下（50,100,150）净值走势，均远超中证500。

- M=50收益最高但回撤也较大，M=150波动略升但风险控制较佳，体现组合持仓数量与组合风险收益的权衡。

图4（第14页）

• 动态赋权与静态赋权因子组合的净值对比。动态模型净值线持续高于静态，静态模型2017年后明显下行。

- 该图视觉演示了动态权重调整对改善策略适应市场变化、减小回撤的关键作用。

图5（第16页）

• “光大 Alpha 1.0”组合历史净值与中证500对比。走势更为平滑，累计收益远超基准，且回撤明显较小，表明模型有效性。

表格解读

• 表1至表6详细列出因子筛选标准、入选因子名单、因子IC相关矩阵。尤其表5对因子之间的相关性作了充分披露，保证因子多样化。

- 表6至表13覆盖动态参数调整、持仓数影响、赋权方式比较等关键实验结果，对比全面详尽。

• 表14提供了最新组合股票名单，反映模型实际应用结果。

---

四、估值分析

本报告核心在于量化因子组合模型研发与实证，不涉及传统的公司估值分析或目标价格预测，故不包含DCF、PE或EV/EBITDA估值内容。权重优化目的是最大化多因子组合的IR，通过动态回归与IC序列优化以实现投资组合的超额收益。

这符合量化策略研究报告本质，重在模型有效性及投资组合表现，非公司定价分析。

---

五、风险因素评估

报告未单独列风险章节，但从内容中可隐含识别以下风险：

• 因子稳定性风险：因子IC存在波动，模型通过动态调整权重降低此影响。

- 市场风格切换风险：如果市场风格出现大幅转变，历史IC可能失效，导致模型表现波动。

• 数据质量与异常值风险：使用RLM稳健回归和MAD清洗降低异常值影响。

- 交易成本与流动性风险：模型假设手续费0.3%，实际中高换手率可能加大成本，影响收益。

• 共线性风险：因子间高共线性可能导致组合表现不稳定，报告通过IC相关矩阵筛除高共线性因子。

- 模型过拟合风险：静态模型表现不佳，动态模型优异部分由于参数窗口长度和持仓调整，未来表现存在未知不确定性。

报告通过敏感性测试和样本内外验证降低风险，但未明确缓解措施，仅提醒需要持续监控模型表现。

---

六、批判性视角与细微差别

• 报告对波动因子和动量因子的依赖较强，且这些因子间存在较高相关性，虽试图剔除高共线部分，但可能导致因子库偏离基本面因子，模型在不同市场周期有效性需进一步验证。

- 动态调整窗口N的选择对策略表现有较大影响，报告虽做敏感性分析，但最优选择较为经验化，未来可能需要进一步优化。

• 强调等权赋权优于得分加权，归因于得分加权增大波动和尾部权重风险，体现量化组合的权重分配权衡。

- 组合波动和最大回撤仍较大（接近50%），表明虽然相对基准表现优异，绝对风险仍需关注。

• 更新的组合名单庞大，持仓数150只及以上，虽然多样化，但对实际操作成本和流动性有较高要求，未深入探讨。

- 报告整体较为客观严谨，但较少提及宏观经济与政策风险对策略的潜在影响。

---

七、结论性综合

该报告体系系统介绍了光大证券基于全面因子测试框架开发和优化多因子量化模型的过程，围绕因子收益显著性、预测能力（IC）、稳定性以及互相关性，筛选出12个优质且相对独立的代表性因子，涵盖基本面和技术面两大领域。

利用因子IC序列的滚动窗口动态最优化IR方法，通过计算IC协方差矩阵，构建复合因子权重向量，显著提升组合信息比，降低静态权重模型的潜在过拟合和风格切换带来的波动风险。组合在不同参数设置中均展现出理想年化收益（超过30%）、信息比（最高3.67）和夏普比，优于中证500基准指数。

图表详实呈现了参数敏感性测试（滚动窗口N，持仓数M）、动态与静态权重对比、不同赋权方式效果，表现出动态调整、适度持仓及等权重配置的最佳平衡。最终形成“光大 Alpha 1.0”组合，兼具多因子收益优势与稳定超额收益，实际股票组合多元，体现实操价值。

整体而言，报告展现了一套科学严谨的多因子量化投资框架，强调数据清洗、因子测试、动态权重调整的重要性。通过实证验证，该模型能够持续创造显著的风险调整超额收益，具有较高的应用价值和推广潜力。

---

图表示例

图1：动态最优化因子权重组合在不同参数N下的累计净值走势



（可见N=36等参数走势较优，明显跑赢中证500）

图4：动态v.s.静态因子赋权法净值走势对比



（动态调整模型净值优于静态，表现动态优化效果明显）

---

结尾说明

以上详细分析涵盖了报告的因子选择、优化方法、实证结果、图表解读及潜在风险，帮助理解“光大 Alpha 1.0”多因子组合的构建逻辑和实际表现。报告结合了详实的数据处理和模型推导，具备良好操作参考价值，适合有专业背景的量化投资者深入研读。[page::0,3-18]

---

【全文引用页码】
[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18]

报告