关于组合换手的若干问题-东方证券-20200105
由qxiao创建，最终由qxiao 被浏览 65 用户
研究结论
理论上，组合权重的变化源于风险模型的变化或者预期收益率的变化，降低预期收益率的换手除了选取换手比较慢的因子也要注意不能频繁变更各个因子的权重。
组合优化时由于约束的存在以及股票相对收益的变化，换手率存在下限，当换手惩罚系数大到一定水平时组合换手率逼近这一临界水平，同样由于换手率存在下限，组合优化时直接对换手率进行比较严格的约束有可能导致组合优化无可行解。
由于交易成本的存在，我们需要在组合优化时对换手或者交易成本进行约束或者惩罚，当交易成本越大、组合固有的换手率越高时对换手或者交易成本的惩罚应该更严格。
对于单期优化，换手率约束和换手率惩罚两种换手率控制的方法等价，但从多期考虑时，由于换手率惩罚能够实现组合换手与alpha的换手情况相适应，所以长期平均换手率相差不大时采用换手率惩罚的组合业绩略优于采用换手率约束的组合。
由于组合优化时交易成本惩罚的存在，组合权重不能及时反应最新的alpha信息，导致组合权重不仅受当前信息影响，还受过去的信息影响，相应的，组合的收益不仅和alpha当期的IC相关，也和不同滞后期的IC相关，也就是说和IC的期限结构有关。
评价因子表现时不仅需要关注因子对当期收益的影响，也应该考虑对随后多期收益的预测，在存在换手惩罚时，当期IC更高的alpha因子不一定能够给组合带来更高的收益。
在指数增强组合中，考虑多期IC的最大化RankIC加权方法相对单期的最大化RankIC加权方法在换手惩罚下有明显的业绩提升，周频全市场增强沪深300组合在年化2倍单边换手时前者相对后者有高达3.5%的年化收益提升。
多期最大化RankIC方法相对单期最大化RankIC新增了一个参数𝜌，但参数𝜌在相当宽的一个取值范围内均可以大幅战胜相应的单期最大化RankIC方法，加权方法对参数敏感性低。
本文以最大化RankIC方法作为示例展示了在换手惩罚下因子加权方法考虑因子对多期收益影响后的效果，对于回归、机器学习等其他的动态加权方法投资者也可以做相应的经验性调整
正文
/wiki/static/upload/4c/4cc2eb38-dc5f-483a-8516-7cbe13159f4e.pdf
\