多因子系列行业内选股初探-国盛证券-20200218
由alkaid创建，最终由alkaid 被浏览 143 用户
摘要
随着全市场基本面alpha增量信息的挖掘变得越来越困难，行业内选股模型开始备受关注
一方面，分行业建模能够更方便的加入行业特质因子，另一方面，由于不同行业特性不同，分行业建模预测准确度可能更高。基于上述两个原因，我们尝试构建行业内选股模型，期望该方法能够对原有的全市场模型有所改进。
我们采用测试和逻辑相结合的方法来寻找行业内适用的因子
行业内适用因子的寻找有很多不同的方法，但我们在研究过程中发现基于纯测试的方法和基于纯逻辑的方法都存在一定的问题，因此我们采用了测试和逻辑相结合的方法。由于行业成份股较少，缺乏大样本的显著性，对于每一个因子，我们都尝试寻找到其合理的行业逻辑，以降低过拟合的概率。
不同行业行业内建模的表现有所差别
银行和证券行业行业内模型要显著好于全市场建模，而其他行业，二者差别较小，部分行业行业内建模较优，而部分行业全市场建模较优。行业内建模与全市场建模的预测相关性并不是很高，将二者结合后，基本在每个行业，行业内模型都要优于原来的全市场模型。
300增强组合有所提升，而500增强组合提升不明显
我们基于结合后的预测分别构建了两个增强组合并进行了归因，发现300增强的主要超额收益的贡献来自于银行和券商两个行业，其他行业的增量有限。而对于500增强模型，提升不明显。这可能是由于500的权重行业例如医药、电子等，我们并没有找到很多的特质因子，因此增量信息并不多，另一方面，500的行业权重较为分散，如果想要有显著的提升，可能需要对大部分行业都要有比较明显的提升。
对未来行业内选股研究的展望
本文是我们对行业内选股的初步探索，我们采用传统多因子的方法，发现对原有组合的提升较为有限，只有银行券商有较明显的提升效果，这与目前市场上的研究结论较为一致。对于未来行业内选股的研究，我们认为有三点改进方向，首先，应将精力集中在新信息的寻找，而非原有因子分域逻辑的研究。其次，对于因子的寻找可以抛弃传统多因子大样本的思路，从细分样本的特质逻辑出发。最后，并不是所有行业使用行业内建模都一定会有提升，我们需要针对具体的策略对一些行业进行有针对性的建模。
风险提示：以上结论均基于历史数据和统计模型的测算，如果未来市场环境发生改变，不排除模型失效的可能性。
正文
/wiki/static/upload/5c/5c4899fb-a7e0-466d-9ff8-d8cd15d0744d.pdf
\