因子选股

因子选股研究通常采用月频调仓模式，但是Alpha因子的效用并非在未来一个月均匀分布，而是呈现逐步衰减的形态，也就是说我们从月初获得的alpha要比月末获得的alpha高，持仓一个月不动的调仓方式在当月后半段资金利用效率较低，有必要在alpha衰退之前调仓

子的alpha衰减速度可以用其IC的半衰期度量，基本面因子、估值因子的衰减速度较慢，例如CFP_TTM指标的半衰期长达四个月；而技术类指标的衰减速度较快，CGO_3M指标11天左右IC即衰减了一半

实证发现，不论是做主动量化还是做指数增强组合，周频调仓方式在交易成本较低的情况表现都明显优于月频调仓组合，但当单边交易成本达到0.5%时，高频

研究结论

流行差的股票有横截面溢价，但非流行性本身不能被直接观测，其一方面表示交易者若想立即成交必须对股价做出的让步，另一方面是单位主动订单对股价的冲击

我们参考学术界的研究和投资界的习惯，选择了相对买卖价差（Percent Quoted Spread）、实际交易价差（Percent Effective Spread）、价格冲击弹性（Lambda）三个指标作为非流动性指标的微观度量，同时以Amihud（2002）提出的ILLIQ和换手率作为非流动性的低频代理变

通过考察各个非流动性因子的alpha属性，我们发现在风格中性下除实际交易价差外的其他非流动性指标均有预测横截面收

机器学习容易给人“黑箱模型”和“过拟合”的印象，但事实上一些机器学习算法的逻辑和结果都非常直白，而且算法自身带有一套避免过拟合的参数估计机制。众多的实践研究说明，机器学习方法的预测能力大部分情况下都强于线性模型，很值得在量化投资中测试使用。本报告主要讲述机器学习的基本原理和用其来做量化选股的实证结果

机器学习模型众多，不存在所谓的最强模型，不同的数据，不同的问题适用不同的模型。我们测试了LASSO、SVM、增强型决策树、随机森林等几种常见机器学习方法，最终选择用随机森林，主要是因为它结构简单、参数少、过拟合概率低，同时还具有非常强的样本外预测能力

机器选股模型省去了“因子筛选”、“因子加权

传统多因子Alpha模型大多是在全市场范围内对股票一视同仁地进行打分评价，忽视了个股之间的基本面情况差异和选股因子在不同风格股票池里的适用性，能够捕捉不同股票之间差异性的动态情景模型(Dynamic Contextual Alpha Model)应运而生, 并且在海外市场获得了优异的业绩

本文借鉴了国外同行的先进经验，并根据中国A股市场作出了相应调整，将全市场的股票按照规模、估值、成长、盈利能力和流动性水平进行了划分，并且在不同的股票类型中采取最优的因子权重配置方式，构建了一套动态情景alpha模型

实证检验表明，动态情景alpha模型能够更加精确地捕捉横截面股票定价信息，并且大幅提升了模

A股呈现明显的市值效应和行业效应，不少选股因子的alpha也大部分来源于此。如果采用因子的原始数据和股票收益率做相关性检验，选出的股票会明显受到市场风格因素的影响，我们有必要从因子原始数据中剥离这些因素，检验因子是否能贡献行业、风格因素之外的alpha，本报告用新的方法对估值、成长、技术、风险四类因子过去十年的表现重新做了检验总结，并综合给出了最新的推荐选股因子

估值类因子能够稳定地提供超额收益，但是高估值股票的负alpha普遍要比低估值股票的正alpha更为显著，呈现出明显的不对称超额收益，在A股市场缺乏有效的个股做空机制的情况下，难以充分获得估值类因子的alpha

成长类因子在财务因子

在本篇中，我们借鉴统计套利的思想，提出了价差偏离度的概念，试图捕捉股票相对其同类型股票的高估低估程度。价差偏离度因子本质上是一个相对意义上的反转因子，价差偏离度低，近期跑输其同类股票，股票相对处于低位，有向上回复的动力，有正的预期超额收益，价差偏离度越高，股票处于相对高位，后期有回调的压力

价差偏离度因子业绩表现优异，过去10年月度RankIC-0.095，IR-0.85，分组的top组合相对市场等权年化超额收益17.8%，而且，其稳定性也较高，IC正显著比例9.8%，负显著比例69.9%，多空组合月胜率76.4%，最大回撤15.16%

价差偏离度和传统的市值因子、估值因子相关性弱，通过因

前期的专题报告《投机、交易行为与股票收益（上）》中我们提出利用特质波动率、特异度、价格时滞、市值调整换手四个交易行为类指标可变相度量个股被投机的程度，进一步分析我们发现特异度、和市值调整换手两个指标几乎可以包含四个交易行为类指标的所有有效信

通过加总特异度、市值调整换手的信息得到一个的反应个股被投机程度的综合指标——交易热度。交易热度和市值相关性低于0.01，同时展现出超强的预测超额收益的能力，信息系数（IC，spearman）高达-0.118，最低交易热度的分组年均超越市场等权21.2%，而且特异度稳定性较高，多空组合胜率高达80.9%。

考虑交易成分后交易热度对沪深300指数仍有一定的

多因子选股模型的整个投资流程包括alpha模型的构建，风险模型的构建，交易成本模型的构建，投资组合优化过程以及组合业绩的归因分析。从国内市场上已公开的量化模型看，采取的大多是打分法选股或者行业、市值分层构建组合，这种组合构建方式缺乏对风险和alpha的精确控制，最终组合可能偏离预定的投资目标

多因子结构化风险模型(如Barra, Axioma)目前仍然是市场上的主流风险模型。股票收益率的样本协方差矩阵面临的主要问题是：在股票数量N超过时间样本区间T时，协方差矩阵不可逆，并且包含着较大的估计误差，这些都会严重影响到投资组合优化，使得优化器给出错误的权重分配。

根据Ledoit and Wo

摘要

择时：顺势而为，把握右侧确定性机会

因子选股：半年度复盘与展望

一月以来，市场延续去年四季度缓慢上涨格局；春节后，市场受疫情影响出现月度周期调整；三月末开始，市场情绪逐步修复，重新进入上涨区间。

从宽基指数年初至今收益率来看，创业板指领涨，年初至今收益率54.52%；上证50相对表现欠佳，年初至今收益率9.42%。

从中信一级行业指数年初至今收益率来看，消费者服务、医药拔得头筹。收益表现靠前的行业有：消费者服务、医药、食品饮料、电子、计算机；石油石化、银行、煤炭钢铁、建筑、交通运输收益表现殿后。

正文

[/wiki/static/upload/24/2416e5

/wiki/static/upload/d3/d3420be6-cba8-4a0f-9d72-594e6bcfe4c7.pdf

\