基于因子组合FMP的因子加权方法-东方证券-20190415
由qxiao创建，最终由qxiao 被浏览 55 用户
研究结论
Alpha因子和因子组合FMP完全等价，在一个股票协方差下，两者可以相互转换，通过因子组合可以完全的表征alpha因子。理想情况下，均值方差优化框架下的组合权重完全正比例与因子组合的权
风险中性因子组合和风险中性因子的简单因子组合成比例，因子组合的收益受IC、因子组合标准差、股票截面波动等因素影响。
Alpha因子的线性组合和alpha因子对应的FMP的线性组合有一一对应的关系，传统的alpha因子线性加权可以等价于线性加权各个alpha因子的FMP形成目标FMP，由目标的FMP反解出加总的alpha。
均值方差优化框架下加权因子组合权重，等价于最大化目标因子组合的夏普比，在一定条件下退化为最大化ICIR加权，但这类加权方法高度依赖协方差和期望的估计。对于因子组合，可以通过采用FMP日度收益数据估计协方差，以增加样本点、减少估计误差，对于IC，建议采用协方差的LW压缩估计量。
在因子收益率未知或者很难估计的情况情况下，可以考虑参考组合风险平价的理论配置在各个alpha因子组合上配置权重，在alpha因子不存在相关性的情况下alpha因子风险平价退化为等权重配置。
最大化FMP夏普比zscore的理论组合要优于最大化ICIR，基于LW压缩估计IC的最大化ICIR显著优于基于IC样本协方差的最大化ICIR，因子大类风险平价的理想组合优于因子大类等权
在常见的指数增强中，最大化FMP夏普的方法在年化对冲收益和信息比两个维度上均优于最大化ICIR的方法，因子大类风险平价和大类等权虽然理论组合较差，但在沪深300增强中表现并不差，而且在市场风格转变时稳定性更好
正文
/wiki/static/upload/ff/ff5f688c-8a2d-42be-a349-6b677c4e1bab.pdf
\