最新 基于多因子模型的量化选股分析-精品
基于沪深300的量化选股模型实证分析——多因子模型与行业轮动模型的综合运用
基于沪深300的量化选股模型实证分析——多因子模型与行业轮动模型的综合运用基于沪深300的量化选股模型实证分析——多因子模型与行业轮动模型的综合运用摘要：本文以沪深300指数为基准，构建了一种基于多因子模型和行业轮动模型的量化选股模型，并对其进行了实证分析。
结果表明，该选股模型在较长的投资周期内具有较好的收益表现，并且相对于传统的基本面选股方法具有较好的风险控制能力。
关键词：量化选股，多因子模型，行业轮动模型，沪深300指数第一章引言1.1 研究背景随着资本市场的不断发展和信息技术的不断进步，量化投资成为投资领域的热门话题。
量化选股是指利用数学模型和计算机算法从大量的股票中筛选出符合特定条件的投资标的的方法。
相比于传统的基本面分析和技术分析，量化选股具有系统化、规则化和自动化的特点，在投资效果和风险控制方面具有一定的优势。
1.2 研究目的和意义本文旨在通过构建一种基于多因子模型和行业轮动模型的量化选股模型，对该模型的投资效果进行实证分析，并探讨其与其他选股方法的比较。
通过对沪深300指数作为基准的实证研究，可以为投资者提供一个有效的选股工具，并提高投资收益率和降低风险。
第二章相关理论和实证研究综述2.1 量化选股理论2.1.1 多因子模型多因子模型是一种通过选择和加权多个因子来评估股票投资回报的方法。
常用的因子包括市盈率、市净率、市销率、ROE等。
通过构建多因子模型，可以较为全面地评估股票的投资价值和风险。
2.1.2 行业轮动模型行业轮动模型是一种通过识别和预测不同行业的相对强弱来进行选股的方法。
通过跟踪宏观经济和行业数据，可以判断不同行业的周期性变化，从而选择处于上升周期的行业进行配置。
2.2 实证研究综述已有的实证研究表明，多因子模型和行业轮动模型在股票选股中具有较好的表现。
例如，张三等（2018）利用多因子模型和行业轮动模型构建了一种选股模型，结果表明该模型具有较好的收益表现。
李四（2019）通过纳斯达克指数的实证研究发现，多因子模型和行业轮动模型的综合运用可以提高投资回报并降低风险。
基于多因子模型的量化投资研究
基于多因子模型的量化投资研究基于多因子模型的量化投资研究1. 引言量化投资是近年来发展迅速的一种投资策略，其核心思想是利用数学模型和计算机技术对市场进行分析和预测，以期获得超越市场的收益。
而多因子模型作为一种有效的量化投资方法，通过考量多个因子对股票价格的影响，量化地评估股票的价值和风险。
2. 多因子模型概述多因子模型是一种基于统计分析的投资模型，通过将股票的收益率与多个因子进行回归分析，来解释股票收益率的波动。
多因子模型通常包括市场因子、规模因子、价值因子、动量因子等。
市场因子衡量股票相对市场的表现，规模因子衡量股票的市值大小，价值因子衡量股票的估值水平，动量因子衡量股票的价格趋势。
通过综合考虑多个因子，可以更全面地评估股票的投资价值。
3. 多因子模型的构建在构建多因子模型时，首先需要选择适合的因子。
这需要根据市场的特点和投资者的偏好进行选择。
随后，需要进行因子的数据处理和归一化处理，以消除不同因子之间的量纲差异。
然后，通过回归分析对股票收益率与因子之间的关系进行建模。
最后，通过模型的参数估计，可以量化地评估股票的价值和风险，并进行投资决策。
4. 多因子模型的优势与传统的单因子模型相比，多因子模型具有以下优势：（1）全面性：多因子模型综合考虑了多个因子对股票收益率的影响，可以更全面地评估股票的价值和风险。
（2）稳定性：多因子模型通过考虑多个因子，可以降低单个因子的不确定性对投资组合的影响，提高投资策略的稳定性。
（3）有效性：多因子模型通过统计分析和回归分析，可以对不同因子的权重进行优化调整，从而提高投资组合的收益率。
5. 多因子模型的应用多因子模型在量化投资中有广泛的应用。
一方面，多因子模型可以用于股票的选择和投资组合的构建。
通过量化评估股票的价值和风险，可以选择具有良好投资价值的股票，并构建具有较高收益率和较低风险的投资组合。
另一方面，多因子模型还可以用于市场的预测和交易信号的生成。
通过对多个因子的综合分析，可以预测市场的走势，并基于此生成交易信号。
基于多因子模型的量化投资研究
随着我国资本市场日趋成熟，人们的投资理念日趋科学和理性，投资方式也变得多元化，开始将国外引入的量化投资思想结合中国资本市场的具体情况，而不是依赖于情感和过去的感性经验[1]。
这种投资模式的变化使得我国量化投资研究得到迅速发展，逐渐增加的量化基金及其他定量金融产品在投资策略中越来越重要，因此在我国金融市场中，量化投资得到了越来越多的关注[2]。
信息不对称使得我国资本市场出现较多的市场失灵现象，往往造成市场非完全有效，与内在价值偏离（定价错误）的股票也较多，因此在这样的市场中，量化策略具有特有的纪律性、分散化持股、套利组合、系统性等优势，量化投资策略的应用前景广阔[3]。
多因子选股模型作为一种应用较为广泛的量化投资策略[4]，基本原理是通过经济逻辑和市场经验，捕获模型信息并采用一系列的因子，如价值因子、质量因子、成长因子、动量因子等作为选股标准，选入满足标准的因子，并剔除冗余因子[5]。
根据中国的A股市场特性，本文试图基于多因子模型，从众多的候选因子中找出能够有效解释股票收益率且非冗余的因子，根据这些因子所占权重来构建量化投资组合，并验证其有效性，对该策略运行的风险程度进行度量。
建立一种基于多因素模型的股票量化选择策略，希望为投资者提供可行的量化投资参考。
1 文献回顾国外学者及机构投资者都将上市公司基本面作为研究客体，分别从公司的财务状况、盈利能力、长期偿债能力和现金流等方面研究相应指标对公司股票内在价值的影响[6~8]。
既往的研究成果揭示了诸多因素都会影响上市公司的账面价值[9,10]，上市公司的内在价值及股票价格涨跌的内在原因不能通过单个因素精确地反映，往往由多个因素决定[11,12]。
结合因子投资的概念，Dichtl等(2021)设计了一个灵活的框架，为传统的多资产分配构建不同的因子完成策略[13]。
他们的因子完成概念包括一个固定在多资产、多元风险模型中的最大多样化参考组合，该模型包含市场因子，如股票、持续时间和商品，以及携带因子、价值、动量和质量等风格因子，给定因子完成策略的具体性质因投资者的偏好和限制而不同。
基于多因子量化模型的A股投资组合选股分析
基于多因子量化模型的A股投资组合选股分析基于多因子量化模型的A股投资组合选股分析摘要：近年来，随着金融科技的不断发展，A股市场也掀起了一股量化投资的热潮。
多因子量化模型作为一种投资策略，通过综合考虑多个因子，对证券进行评分和排序，以期获得超越市场平均表现的投资组合。
本文以A股市场为对象，基于多因子量化模型，尝试构建一个有效的投资组合选股策略，并对其进行分析和评估。
一、引言随着金融市场的复杂性和信息的爆炸式增长，传统的投资策略面临着越来越大的挑战。
而多因子量化模型则可以通过综合考虑多个因子，通过数据挖掘和统计分析，提取出能够预测证券收益的关键因素，从而为投资者提供更有效的投资决策依据。
二、多因子选股模型的构建1. 因子选择在构建多因子选股模型时，首先需要选择适合A股市场的关键因子。
一般来说，可以考虑市值、估值、盈利能力、成长性等因素。
此外，还可以考虑技术指标、市场情绪等辅助因素。
2. 数据获取与预处理获取因子所需的历史数据，并对数据进行清洗和预处理。
清洗和预处理的过程包括对缺失值和异常值的处理，以及对数据进行调整和标准化，以便在后续的因子计算和模型建立中使用。
3. 因子计算和分析根据选择的因子，对历史数据进行计算和分析。
对于每个因子，需要研究其与股票收益之间的相关性，并通过统计分析确定其对证券收益的预测能力。
4. 因子加权和选股策略根据因子的预测能力和相关性，对各个因子进行加权，得到一个综合因子得分。
然后，根据得分对股票进行排序，选择得分较高的股票作为投资组合的成分股。
三、投资组合的构建与分析1. 投资组合的构建方法在构建投资组合时，可以采用均衡组合的方法，即根据股票的市值或其他指标，将资金分配到各个组合中，以达到风险与收益的均衡。
2. 投资组合的风险评估在构建投资组合后，需要对其进行风险评估。
可以采用历史数据进行模拟交易，计算组合的风险指标，如波动率、最大回撤等，以评估组合的风险水平。
3. 投资组合的绩效评估根据历史数据，计算投资组合的收益率、超额收益率等指标，以评估投资组合的绩效水平。
基于多因子模型的量化选股方法研究
基于多因子模型的量化选股方法研究作者：梁晓颖来源：《中国市场》2021年第25期[摘要]股票收益受很多因素影响，比如市场环境、行业发展、投资者预期等。
“多因子模型”中的因子即影响因素，该模型就是寻找对股票收益率影響显著的因素，用这些因素来分解股票收益并进行选股。
在量化选股的实践中，由于市场环境的多变性及市场参与者或分析师的不同理解，会构建出不同的多因子模型。
文章在简述多因子模型的理论基础后，叙述了多因子模型构建过程，从而为量化选股提供方法。
[关键词]量化选股;多因子模型;因子有效性[DOI]10.13939/ki.zgsc.2021.25.031随着大数据时代的来临以及多种基础金融理论的不断发展，量化投资获得了必要的理论来源和支持，而多因子模型也顺势成为量化投资选股的重要方法。
1 多因子模型概述1.1 多因子模型的基本概念多因子量化选股模型指的是在选股过程中利用多个对股价走势有显著且有效影响的因子，通过量化不同因子对股票收益率的影响，建立起选股模型。
1.2 多因子模型的理论基础1.2.1 CAPM模型1952年马柯维茨用均值和方差来定量描述资产的收益和风险，建立了基本模型以用于确定最佳资产组合。
后来，夏普等人在他的理论基础上，发展出了CAPM模型。
模型公式：E （ri）=rf+βi（E（rm）-rf），该模型表明资产的预期超额收益与市场超额收益成正比，股票的价格只与市场风险有关，跟上市公司基本面并没有关系，并且高的股价需要高的β值来支撑。
1.2.2 套利定价理论由于CAPM模型假设条件过于苛刻，后来的学者们打破原有假设，导出套利定价理论（APT模型）。
模型公式：E（ri）=rf+bi1F1+bi2F2+…+binFn， binFn为证券i第n个因素的敏感度。
该模型比CAPM模型的假设更宽松，但是无法从模型中获知哪些因子起到决定性的作用。
1.2.3 Fama-French三因子模型经过学者们的研究，很多现象不再可以用CAPM模型来解释，比如市场中的小市值、价值股表现明显超过市场。
基于多因子模型的量化选股分析
基于多因子模型的量化选股分析基于多因子模型的量化选股分析导言：随着金融市场不断发展，越来越多的投资者开始关注量化投资策略，在股票市场中利用大数据和数学模型进行选股，以获得更好的收益。
其中，多因子模型是一种常用的量化选股方法，利用多个因子对股票进行评估和排序，从而选出具有较高收益潜力的股票。
本文将详细介绍基于多因子模型的量化选股分析方法。
一、多因子模型概述多因子模型是一种通过选取多个因子，并将这些因子进行综合分析，从而对股票进行评估和选择的模型。
多因子模型的核心思想是通过对多个不同来源的因子进行综合评估，降低单一因子的风险，提高选股的准确性和稳定性。
常用的因子包括基本面因子、技术指标因子、估值因子等。
二、多因子选股模型的构建1. 因子筛选在构建多因子模型之前，需要根据投资策略的具体要求筛选合适的因子。
常用的筛选方法包括统计分析、相关性分析和经验验证等。
这些方法可以帮助我们确定适用于选股的有效因子。
2. 因子打分对于筛选出的因子，我们可以通过对每个因子进行打分来衡量股票在该因子上的表现。
打分过程可以采用等权重法、市场中性法等。
在打分过程中，可以根据历史数据对每个因子进行调整，以提高因子的预测准确性。
3. 因子综合通过对打分后的因子进行综合，可以得到最终的选股得分。
在综合过程中，可以给予每个因子不同的权重，以反映其在选股中的重要程度。
综合得分高的股票即为选股模型中的优选股票。
三、多因子模型的应用多因子模型可以应用于不同的投资策略中，以下举例几种常见的应用情况。
1. alpha策略通过选取多个自变量（因子）与市场收益率的相关性，构建多因子模型，并通过回归计算得到股票的预期收益率。
根据预期收益率与实际收益率之间的差异，选择预期收益率较高的股票作为投资对象。
2. 套利策略通过选取多个自变量与股票的估值因子相关性，构建多因子模型，并从中发现市场上被错误估值的股票。
通过买入被低估的股票，并同时卖出被高估的股票，获得套利利润。
基于多因子模型的量化选股分析
基于多因子模型的量化选股分析作者：徐景昭来源：《金融理论探索》2017年第03期摘要：基于量化投资中常用的多因子模型，对使用较为广泛的11个因子利用回归法进行有效性检验，选出有效因子分别构造了适合一般投资者使用的基本多因子模型、基于货币周期的行业轮动多因子模型以及基于固定效应下的多元回归模型。
通过实证分析比较不同模型间所构建的投资组合的收益率与市场收益率，验证了量化选股策略的有效性，也为不同层次的投资者提供了研究数据与选股策略。
关键词：量化投资；多因子模型；行业轮动效应；多元回归分析中图分类号：F830.91 文献标识码：A 文章编号：2096-2517（2017）03-0030-09Analysis on Quantitative Investing Strategy Based onMulti-factor ModelXu Jingzhao（Jiangxi University of Finance and Economics， Nanchang 330013， China）Abstract： Based on the multi-factor model commonly used in quantitative investment， this paper uses the regression method to test the validity of 11 factors， then selects some effective factors to construct the basic multi-factor model， which is suitable for the ordinary investors. Moreover，based on the monetary cycle and the multiple regression models on the fixed effect， the paper compares the yield and market rate of return of the portfolio constructed by different models through empirical analysis， demonstrates the effectiveness of the stock selection strategy， and provides the research data and stock selection strategy for different investors.Key words： quantitative investment； multi-factor model； industry wheeling effect；multiple regre-ssion analysis随着中国资本市场复杂程度日渐加深和规模日益庞大，投资品种和数量与日俱增，无论是个人或是机构投资者所拥有的投资渠道与投资方法也在逐渐增多。
基于多因子量化模型的A股投资组合选股分析
基于多因子量化模型的A股投资组合选股分析一、引言A股市场作为全球最大的单一市场，吸引了大量投资者的关注和参与。
然而，在这个庞大而复杂的市场中，如何有效地进行股票选取成为了每个投资者面临的重要问题之一。
随着计算机和数据科学的发展，量化投资成为了一个备受重视的投资方式。
本文旨在介绍并探讨方法。
二、多因子量化模型介绍多因子量化模型是一种利用多个因子对股票进行评估和排序的方法。
传统的股票分析常常依赖于财务数据和基本面分析，但往往忽视了其他影响股价的因素。
多因子量化模型通过收集和分析大量数据，结合统计学和机器学习算法，从不同的角度综合评估股票的投资价值。
多因子量化模型的核心思想是选取与股票收益相关性高的因子，并将它们进行加权组合。
常见的因子包括市盈率、市净率、股息率、流动性、成长性等。
投资者可以根据不同的策略和假设选择适合自己的因子。
三、A股市场投资组合选股方法1. 数据收集与整理在进行A股市场投资组合选股之前，首先需要收集和整理大量的市场数据。
包括股票价格、财务数据、经济指标等。
这些数据将作为多因子量化模型的输入。
2. 因子选择与筛选在多因子量化模型中，选择适合A股市场的因子是一个重要的环节。
可以从财务指标、市场行情、板块轮动等方面进行因子的选择与筛选。
例如，股票的市盈率和市净率可以反映其估值水平，股息率则反映了股票的分红能力。
3. 因子加权与建模在确定了适合的因子之后，需要对不同因子进行加权，构建多因子模型。
加权的目的是根据因子的重要性和影响力，给予不同因子不同的权重。
这样可以更准确地评估股票的综合投资价值。
4. 组合优化与回测在建立了多因子模型之后，可以进行投资组合优化和回测。
投资组合优化是指根据投资者的风险偏好和收益目标，通过调整权重，选择最优的投资组合。
回测则是利用历史数据测试模型的有效性和盈利能力。
四、案例分析以某A股市场的投资组合选股为例进行分析。
假设选取了市盈率、市净率、股息率、流动性和成长性作为因子，并根据各因子的权重进行投资组合优化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于多因子模型的量化选股分析随着中国资本市场复杂程度日渐加深和规模日益庞大，投资品种和数量与日俱增，无论是个人或是机构投资者所拥有的投资渠道与投资方法也在逐渐增多。
量化投资作为一种来自海外资本市场的先进技术，在海外资本市场中受到了广泛追捧，著名的西蒙斯与大奖章基金便是利用了量化投资技术，于1989~2007年间获得了高达38.5%的平均年收益率。
中国的量化投资发展虽仍在起步阶段，、金融学、科学相结合的优势来寻求超额收益。
据统计显示，截至2016年10月，中国公募基金中共有48支基金以“量化”命名，其中长信量化先锋基金（519983），申万菱信量化小盘股票基金（163110）与大摩多因子策略混合基金（233009）等均表现出色，具有较高的年化收益率。
而无论是在个体投资或是基金投资中，多因子选股模型均是较为广泛的量化模型之一。
本文基于多因子模型策略，利用2011~2015年的数据对投资过程中的常用因子进行有效性检验，并使用有效因子构建基本多因子模型，根据假设创造性地使用简单打分法构建投资组合，基于2014~2016年的历史数据进行实证分析，为广大一般投资者提供了一种简单可行且收益率超过市场表现的投资策略。
最后结合行业轮动效应与面板数据的多元回归分析对基本模型进行了深化与修正，创新性地提出了基于多因子模型的更多投资策略，也为较深层次的理论研究者提供了思路与数据参考。
一、文献综述关于量化投资选股策略的研究涉及许多方面，常见的包括多因子模型、风格轮动模型、动量反转模型、趋势追踪模型等。
对于多因子模型，最重要的环节便是有效因子的选取。
大多数论文对于有效因子的选取通常采用因子评分法，此方法最早由Piotroski（2000）提出，常见操作为：将股票池中的股票按N个候选因子的大小依次排序，按照每个排序选取排名靠前的股票等权重构建N个极端的股票组合持有到期末，计算N个组合的平均收益率并与基准的指数收益率进行比较，用此方法能成功获取alpha收益组合所使用的排序因子即为有效因子[1]。
另外一种方法则是回归法，通过计量模型求得单个因子对股价波动的贡献与显著性。
丁鹏曾在其《量化投资——策略与技术》一书中使用1997~2006年的历史数据对常用的因子进行了有效性检验[2]，大多数检验多因子模型的论文所使用的数据也均在2012年前。
本文所选数据在2011~2016年间，更具有时效性，且本文在选取有效因子的部分中采用Fama-Macbeth regression的基本思路，对候选因子进行时间序列回归，再对得到的所有β值求t统计量检验其显著性，通过检验的即为有效因子。
关于行业轮动效应的研究，有学者将行业轮动与多因子模型相结合，对基于经济周期的行业板块轮动效应进行了实证分析，后续相关文章也大多照此思路，运用宏观经济指标来调整不同行业间的权重。
本文在吸取前人研究的基础上，结合最新的货币周期动态，提出以货币增速剪刀差为分界点的行业轮动策略，并使用2014~2016年的最新数据进行了实证分析。
二、多因子模型的理论基础三、候选因子与有效性检验首先使用多因子模型将量化投资中的11个常见因子按价值因子、成长因子、质量因子、动量因子进行划分，如表1所示。
可见，在2011~2015年间的中国股市中，较为有效的因子有市盈率、市净率、净资产收益率增长率、资产负债率与月平均换手率。
由于市盈率与市净率同属于价值因子部分，为了追求基本模型的简单明确，防止冗杂因子出现，比较之下本文选择市净率作为价值因子代表，成长因子中选择ROE增长率为代表，质量因子中选择资产负债率为代表，动量因子中选择月平均换手率为代表，用以构建后续的基本模型。
四、基本的多因子模型构建与实证分析重新回顾Fama-French三因素与五因素模型，两个模型在多次修正与检验中都坚持使用了一个重要的影响收益的因素——市值。
从上文的有效检关的有效因子。
从现实来看，A股市场的投资者结构表明，大多数投资者的确是对高市盈率、总市值大的股票避而远之，对该类股票不拥有持有的信心，甚至具有较强的看跌预期。
本文选用市净率作为价值因子的代表，但是考虑到市盈率与市值的影响，本文将市值加入多因子选股策略中，强调选择股票池中市值较小的股票进行优先投资，结合上文中提到的另外四个有效因子，构建基本的多因子模型如下：其中，PB代表市净率，MV代表总市值，MTO代表月平均换手率，从上文的因子有效性分析可知，这三个因子与投资组合预期收益存在负相关关系；ROEg表示净资产收益率的同比增长率，DAR表示资产负债率，与投资组合预期收益存在正相关关系。
该因子模型的选股思路在于，选用ROE增长率与资产负债率作为两个有效因子挑选符合条件的股票同时，考虑到市值、市净率与月平均换手率对收益的负作用，在进行比较时倾向选择总市值小、市净率低且换仓月平均换手率较低的股票建立投资组合。
首先，采用简单打分法进行投资组合的构建。
按照每个因子值进行排序，正相关的因子按降序排列，负相关的因子按升序排列，并按照该排序给沪深300中的每只股票从1到300给每项因子排序并依次打分，最后将5项因子得分的平均成绩按升序排列，股票得分越低表示在该模型上的表现越好。
注意，此处打分法中最后的平均得分是基于因子等权重的假设，目的是方便一般投资者能简单运用该模型进行选股策略，同时也为了验证量化选股的强有效性。
后文中会放开该假定重新计算不同因子的各项权重。
其次，考虑组合中的股票个数。
根据Fama对资产组合中证券数量与资产组合风险关系的实证分析结论可知，最初几种股票加入资产组合时能显著降低组合标准差，但当股票数量增加到20种时，再增加证券就不能明显降低资产组合标准差。
所以本文在剔除缺省值与极端值影响的情况下，选取得分表现最好的前20只股票构建资产组合，半年进行一次调仓。
由于进行因子打分时需要使用上市公司半年报与年报的相关披露数据，根据相关法律规定，上市公司年度报告的披露不应当晚于次年的4月30日，半年度报告的披露不应当晚于当年的8月31日。
因此，将实证分析的起始时间定于2014年11月1日，半年调仓时间为2015年4月23日左右，该时间已确保了在进行调仓时上市公司的数据已披露，所构建的投资组合如表3所示。
本文选取2014年11月1日至2016年11月4日的历史数据对投资组合的收益进行实证分析。
选取该时间段的原因是：首先该数据时效性较强，可证明该模型在现今中国股市中的有效性；其次考虑到该时间段经历了牛市开始、牛市顶点、牛熊市切换、熊市低点与市场回升五个阶段，具有比较全面的覆盖性，可以得出该模型在市场的不同阶段的具体表现。
选用的基准指数为沪深300指数，比较沪深300指数收益与多因子模型所构建的资产组合在2年内收益，具体操作为：每半年视为一期，每期采用相同的初始资金，每期初均对投资组合的股票进行等金额的投资，半年后清仓并调仓，比较每期投资组合与同期沪深300指数的持有至到期收益，如图1、图2和表4所示。
由多因子选股模型运行结果和基准收益率的趋势对比我们可以看出，当股市处于牛市行情时（2014.11~2015.5），多因子选股模型相对于基准收益率而言有极好的表现，半年间持有至收益率高达135.05%，远高于基准收益率89.35%，说明该模型在牛市的环境下选股能力比较强。
当股市处于牛熊市切换时（2015.6~2015.11），该模型开始时同样有较好的表现，半年累计收益率维持在-16.7%，相对于指数在牛熊市切换时产生的大幅下跌（-25.6%），该模型在该阶段表现出较强的防御能力。
当市场进一步下跌处于熊市低点时（2015.11~2016.2），该模型在前半段时间仍表现出很强的防御能力，但后期市场开始出现反弹行情时（2016.2~2016.5），略低于基准收益率，不过差别较小。
而一旦市场出现持续较强反弹回升的行情时（2016.6~2016.11），该模型也能成功获得较高超额收益。
总体来看，该多因子选股模型在样本期间总体表现较为优异，但当该投资收益相对应的波动率超过了市场的总体水平时，该模型仍存在一定风险。
且该模型的选用具有较强的阶段性，适合在整体股市进入牛市、牛熊市切换或是出现较强反弹行情时使用，但在市场出现剧烈波动时有效性有所下降。
修正根据行业轮动模型来看，自上而下的投资分析方法认为，宏观经济决定了资产的收益率。
所以投资者应先关注宏观经济运行状况再进行资产配置或是调整投资组合的风格。
利用宏观经济指标驱动行业配置的理念与作用在行业因子中也是股票收益的重要贡献因子，通过行业层面分析，选择适合当前经济运行状况的行业进行配置，获得超额收益的概率也会较高。
当宏观经济指标下行时，应投资于非周期性行业；当宏观经济指标上行时，则投资于周期性行业。
而中国资本市场的投资者在近几年来经常参考的一个宏观经济指标便是货币政策与货币周期。
狭义的货币政策股市传导机制由Chami 等（1999）提出，主要分析了货币政策影响通货膨胀率而导致股东权益变化进而引起的投资变化；广义的货币政策传导机制认为货币政策影响股市的两个重要操作指标是利率和货币供应，通过资产替代效应、预期效应、成本效应、股票定价效应等一系列机制影响股票市场[5]。
可见掌握货币政策，分析货币周期的确对投资者的资产配置有着一定的指导意义。
我国的货币政策主要通过中央银行调整存款准备金率、调整再贴现率与公开市场操作等手段来控制货币供应量。
我国现行的货币统计制度将货币供应量划分为三个层次：第一，流通中现金（M0），指单位库存现金和居民手持现金之和。
第二，狭义货币供应量（M1），指M0加上单位在银行的可开支票进行支付的活期存款。
第三，广义货币供应量（M2），指M1加上单位在银行的定期存款和城乡居民个人在银行的各项储蓄存款以及证券公司的客户保证金。
统计2014~2016年中国M1与M2的同比增长率，如图3所示。
其中，y为沪深300指数收益率序列数据，x 为行业指数收益率序列数据，n为区间内根据时间频度决定的收益率个数，此处均采用年化数据进行计算。
行业划分按照Wind一级行业划分，行业指数使用Wind资讯行业指数，计算出以沪深300为样本数据的行业β值，如表5所示。
根据前文所选出的投资组合，进行考虑行业β时，赋予β值较小的行业较高的仓位，当货币周期处于扩张时，则做相反处理，具体仓位计算如下：六、基于多元回归分析的多因子模型修正在前文的基本多因子模型中曾使用简单的打分法，假设因子同权重时对股票池中的股票进行排序打分建立投资组合。
但现实中每个因子对收益率的贡献一般不会出现均等情况。
为了修正该假设，本文采用构建面板数据进行多元回归分析的方式来比较因子间的权重大小。
具体操作为：利用2012~2015年间的历史数据建立短面板数据，由于不同因子间的量纲差距较大，先对单项因子进行线性标准化处理，即通过数学变换将各因子的取值换算为（0，1）内的数字来解决因子间的不可公度性，计算公式为：其中，n代表沪深300中不同股票的观测值（n=1，2，…，300），t代表时间。