因子选股与事件驱动的Bayes整合-东方证券-20170601
由qxiao创建，最终由qxiao 被浏览 88 用户
研究结论
传统用超额收益衡量事件效应大小的方法容易受行业和市值风格影响，错误的识别出一些“伪事件”，我们建议采用横截面回归方式剔除行业和市值影响计算事件导致的异常收益，再配合秩检验来识别能真正贡献alpha的事件。
如果策略组合对各个风险因子的主动暴露控制为零，那么用中性化后的alpha因子预测残差收益和预测收益率得到的组合优化结果一致；现实操作中，为了获得更高alpha，投资者一般会主动暴露少量风险，因此上面两种预测方法得到的结果会有部分差别。本报告采用预测残差收益的方法，以便和事件驱动策略整合。
事件驱动并非多因子模型之上的额外alpha，而是两个模型给出了两个不同的未来残差收益预测值，最终结果应该是两个模型预测值的加权，而不是直接相加。预测能力更强的模型应该给予更高的权重。我们借鉴Black-Litterman模型的Bayes推导过程，以多因子模型预测残差收益为先验分布，事件驱动模型预测结果为观察值，得到残差收益的后验分布。后验分布均值具有非常简洁的表达形式，它是多因子模型预期残差收益和事件预期残差收益的线性加权，权重为预期残差收益方差的倒数。
我们用多因子月频中证500成份股内增强策略、四个利空事件和两个利好事来考察模型整合的效果。实证显示，由于A股缺乏做空机制，利空事件的alpha非常稳健，残差收益预测能力强，整合后可以增强多因子模型的预测能力；而利好事件由于大部分alpha在公告前反应玩，公告后alpha不显著，残差收益预测能力弱，整合后反而会降低多因子模型的预测能力。因此，事件策略库并非越大越好，只有能提供稳健alpha收益、对残差收益的预测能力强于多因子模型的事件整合到多因子模型中才是有益的。
目前来看，A股利空类事件的使用价值最高，但数量有限，事件在股票池里的覆盖率低，对月频多因子模型的增强幅度有限。实际操作中，投资者可以考虑提高调仓频率，多挖掘一些短线事件来提升事件的增强效果
风险提示
量化模型失效风险
市场极端环境的冲击
正文
/wiki/static/upload/41/4169d77d-d45e-4174-b529-ca756ad68a51.pdf
\