因子模型

本文14323字，阅读约28分钟

导语：本文旨在用精炼的语言阐述实操层面的机器学习量化应用方法，包括给出实践中一些常见、实际问题的处理方案，并结合了量化应用实例。读完后大家可以在本平台进行实践检验。

文章概览：

1.人工智能量化投资概述

2.人工智能技术简介

3.机器学习在量化投资中应用的具体方法解析

AI相对于传统量化投资的优势 传统的量化投资策略是通过建立各种数学模型，在各种金融数据中试图找出市场的规律并加以利用，力所能及的模式或许可以接近某一个局部的最优，而真正的全局“最优解”或许在我们的经验认知之外。如同不需要借助人类经验的Alpha Zero，不仅

像一些复杂的因子合成方法怎么实现呢，有没有相关的算子模块或者代码分享呢

消息在股票交易中有很大的影响力，如果没有对消息的处理会导致策略经常中雷，怎么办呢？

https://bigquant.com/codeshare/4515d40b-c2f4-4439-a2c9-92931adb0c6d

\

导语

本文介绍了因子模型、对冲以及Bet的相关内容，并针对如何进行市场风险对冲给出了具体的案例。

因子模型

因子模型是通过其他若干项资产回报的线性组合来解释一项资产回报的一种方式，因子模型的一般形式是：

这看起来很熟悉，因为它正是多元线性回归模型。

什么是beta?

一项资产的$beta$是该资产收益率与其他资产收益率通过上述模型回归拟合的beta。比如，我们用回归模型 ![{w

转帖自 http://bbs.pinggu.org/thread-4446808-1-1.html7

Fama-French三因子模型

• Fama和French 1992年对美国股票市场决定不同股票回报率差异的因素的研究发现，股票的市场的beta值不能解释不同股票回报率的差异，而上市公司的市值、账面市值比、市盈率可以解释股票回报率的差异。Fama and French 认为，上述超额收益是对CAPM 中β

本文主要取材于Kok U-Wen, Jason Ribando和Richard Sloan发表在Financial Analyst Journal上的文章"Facts about formulaic value investing"。由于篇幅长度分成两篇。

1. 量化价值投资真的管用吗？（一）
2. 量化价值投资真的管用吗？（二）

本篇的主题是价值因子的阿尔法来源于小市值成长股的过高估值。能否有效地做空小市值成长股是能否获取量化

本文主要取材于Kok U-Wen, Jason Ribando和Richard Sloan发表在Financial Analyst Journal上的文章"Facts about formulaic value investing"。由于篇幅长度分成两篇。

1. 量化价值投资真的管用吗？（一）
2. 量化价值投资真的管用吗？（二）

本篇的主题是简单的价值比率（如净市率）并不能有效地鉴别被市场错误估值的股票，事实上，它们常常筛选出

投资“常识”：残差项是噪声，离得越远越好

近50年前，Fama提出石破天惊的有效市场假说(EMH)，市场有效这一理念随之深入人心。典型的资产定价模型(例如CAPM和Fama-French三因子模型)指出，一项资产或投资组合的收益由以下三个部分构成：

• 承担系统性风险获得的补偿(beta)；
• 卓越的超额收益，特别是选股能力(alpha)；
• 不可分散的异质性风险(均值为0，与系统性风险无关，且不同资产的异质性风险也相互无关)。

换言之，一项资产的收益，由系统性风险补偿，资产超额收益和随机残差项组成。无论从统计的角度，还是从金融逻辑的角度，随机残差部分都不包含任何有意义

\

摘要

两年前，因子动物园推送第一篇推文，正式同您认识。两年来，我们也一直在思考，因子与因子模型可以做些什么，以为我们提供更多的洞见。本文将结合近年的新研究，和我们的理解，对此进行探讨。

传统上，因子和因子模型都是以预测股票未来收益（和风险）为目的。无论从学术研究（资产定价）还是投资实践来看，这都是非常自然的事情。由此自然地构建起了一套以各种公司特征为基础的因子（定价因子和异象），以及包含不同因子的因子定价模型（往往只包含较少数量的因子，以保证模型的简约性）。关于这些经典问题，可以参考任意一本关于实证资产定价的书，以及我们 BetaPlus 小组的拙作——《因子投资：方法与实践》。

东方

20150626-东方证券-《因子选股系列研究之一》：多因子模型的基石——单因子有效性检验.pdf

20150909-东方证券-《因子选股系列研究之二》：低特质波动，高超额收益.pdf

20151207-东方证券-《因子选股系列研究之三》：投机、交易行为与股票收益（上）.pdf

20151214-东方证券-《因子选股系列研究之四》：基于交易热度的指数增强.pdf

20160216-东方证券-《因子选股系列研究之五》：剔除行业、风格因素后的大类因子检验.pdf

20160512-东方证券-《因子选股系列研究之七》：投机、交易行为与股票收益（下）.pdf

20160525-

摘要

见贤思齐焉。当我们在研究为什么有些基金表现优异的时候，我们总想知道这些目标基金到底在哪些因子上有所暴露，对目标基金因子暴露的研究有利于投 资者构建自己的投资组合。传统方法是根据公募基金的定期报告中的持仓数据来 计算基金在某些因子上的暴露度，但是由于定期报告发布时间存在较长滞后，这 种传统方法在实际使用中也存在较长时滞。我们尝试使用基金净值序列和因子收 益序列来反推基金在某因子上的暴露度走势。使用 LSTM 算法进行计算，经过一 系列测试，取得了一些初步成果。

对于基金在各因子上的暴露度迁移的研究，有利于我们对目标基金进行研究。 不管是对基金进行因子业绩归因还是波动率拆解，都需要

摘要

文献来源：Chow, Tzee-Man, Feifei Li, and Yoseop Shim. "Smart beta multifactor construction methodology: Mixing versus integrating." The Journal of Index Investing 8.4 (2018): 47-60.

推荐原因：我们的研究主要集中在一个实际问题上，这个问题在此之前关注度较低：市场参与者如何在权衡后选择采用不同方法构建的多因子投资组合作为投资工具。具体来说，我们研究和比较了两种不同的方法。第一种方法（以下称为整合法），是在

研究结论

风险模型有三个功能：控制风险暴露、估计收益率协方差矩阵、绩效归因。不是所有功能都要用到风险因子，估计协方差矩阵可以采用纯统计方法，报告把这个领域最新学术成果和业界常用的因子模型在A股进行了实证对比。

由于股票数量多，收益率样本数量少，样本协方差矩阵的估计误差比较大，导致其矩阵条件数（最大特征值除以最小特征值）较高，输入组合优化器进行数值求解时会让结果对数据误差十分敏感。压缩估计方法即是去调整样本协方差矩阵的特征值，压缩其分布区间，同时降低估计误差。我们之前研究中一直采用线性压缩方法（LS），报告里新测试了Ledoit(2017)提出的非线性压缩估计(NLS)。

因

摘要

文献来源：Vyas, K., and Van Baren, M. 2021. Should equityfactors be betting on industries? The Journal of Portfolio Management 48(1),73–92.

推荐原因：资产管理公司越来越多地将非传统股票因子应用于选股。这些因子存在不同程度的行业暴露。部分选股因子会因行业暴露获取更高的超额收益，而有些则会降低收益。本文评估了价值、质量、动量、低波和规模等五大投资风格中的21个选股因子的行业配置效率。结果表明，同一投资风格的不同选股因子在行业配置上的回报表现出显著

文献摘要

HML因子中的细节

文献来源: Clifford Asness andAndrea Frazzini, 2013, The Devil in HML’s Details, The Journal of Portfolio Management, volume 39 number 4.

推荐原因：Fama 和 French标准的价值（B/P）度量方法是一个合理的、保守的选择，对这个领域起到了很好的作用。但这不是最好的选择。本文对B/P计算指标的时效性进行了研究，会对组合投资策略的有效性产生很大的影响，时效性越强的B/P在使用价值和动量对策略做风险调整

摘要

文献来源：Dopfel, Frederick E., and Ashley Lester. "Optimal blending of smart beta and multifactor portfolios." The Journal of Portfolio Management 44.4 (2018): 93-105. 推荐原因：随着机构投资者增加对smart beta基金的配置，以及多因子投资方法带来的复杂性提升，投资者们需要一个smart beta产品组合的配置指引。在设计一个多样化和高效的投资组合时，需考虑到因子的偶发性敞口和特殊敞口。因此，本文开发了一个标准框架，以

研究结论

上篇报告我们提出的协方差矩阵谱分解近似方法可以兼顾统计模型的高效便捷和因子模型的组合优化提速，不过其中K值（保留的最大特征值数量）的设定比较偏经验，本报告通过数学推导给出了此方法近似误差上限的简洁表达式，并基于此动态调整K值，保证理论一致性，同时可以在不显著影响策略表现的条件下，实现组合优化过程的大幅提速。

压缩估计量方法是基于个股收益率在时间序列上独立同分布的假设，对近期市场变化反应迟钝。我们借鉴CCC-Garch 模型的思想，设计了一套波动率调整方案，可以让压缩估计量对近期市场变化更加敏感。用波动率调整后的风险模型可以降低策略跟踪误差和回撤。

跟踪误差惩罚项可

摘要

主要结论

稳健优化的逻辑：组合优化问题要求投资者输入每只个股的预期收益， 使用因子模型对个股预期收益进行预测不可避免会导致一定的偏差，为 了降低收益预测偏差对最终策略绩效的影响，我们介绍了两类稳健优化 问题，其基本思想是：找出可能发生的最糟糕的情形，然后最大化该情 形下策略的期望收益。

稳健优化的绩效表现

在实证环节，本文验证了不同参数设置下，稳健优化对中证 500 指数增强策略的影响，结果显示，两类稳健优化问题都可以显著降低策略的换手率；当原本已经施加了较为严格的跟踪误差限 制及个股主动仓位上下界限制时，稳健优化对于策略绩效的提升有限， 而当约束条件较

报告摘要

因子是驱动投资组合风险和收益的主要来源，无论在学术界还是在投资界，因子都被广泛研究。因子投资（Factor Investing）主要围绕如下三个部分展开。 因子模型（Factor Models）帮助投资者理解和管理组合风险的来源。 因子策略（Factor Strategies）帮助投资者捕捉因子收益带来的溢价。 因子配置（Factor Allocation）帮助投资者在不同的资产类别之间进行配置，单个资产类别则充当工具型产品。

进化（Evolution）

基本面因子经久不衰的成功，得益于他们既有学术理论的支撑，又有实证经验的支持，重要的是他们还能够反映实际的投资决

问题

如题，

如何在代码中获取因子值？

谢谢

众所周知，Barra因子分析是目前行业内外最常用的因子分析体系。

然而在做Barra体系分析的时候常用的一个方式就是行业或市值中性化，今天主要用最易懂的语言介绍一下什么是barra因子分析体系，以及什么是因子中性化。在这里我会避开繁琐的数学公式，尽量深入浅出的让Barra体系以及市值中性化清晰易懂。

做因子分析之前首先我们需要有一个因子计算方式，在这里我们用一个动量因子来举例。

因子：

mean(close_0, 44) / close_0 - 1

这个因子是用过去（44天收盘价/当日收盘价）-1的方式获得，任何一只上市超过44天的股票都可以获取到这个因子。所以假如市场上有5

策略案例

https://bigquant.com/experimentshare/1301144b2d574e4bbf0f3897d7ae0458

\