不要迷恋Alpha——多因子选股系列报告(一)
股票量化投资策略研究：股票多因子策略研究
股票多因子测试入门一、前言做这个研究的目的，一是为了搞清楚股票策略研究中的一些细节问题，熟悉股票研究框架；二是为了大致了解各类因子的作用。
用米筐测，那里数据完善。
现在要做的，主要就是模仿，看别人的。
先学barra。
二、Barra Multiple-Factor Modeling来自Barra Risk Model HandBook。
（一）因子（Descriptor）筛选、单位化处理、搭配然后选择所有备用的因子descriptors（类似因子？以下简称“因子”），要先检验因子的显著性；通常，因子要显著地解释截面收益。
descriptor可来自基本面数据、市场数据（价、量）、或者其他数据。
因子的选择可分为几步：（1）初步筛选；有用的因子，通常要有意义，也就是make sense intuitively；其次，好的因子还必须能够对市场上的所有股票进行很好的分类，也就是完备性，不应当存在某些股票不属于因子中某一类的情况；因子需要有理论基础；（2）同时，增加一个因子如果不能增加解释度，那这个增加没有必要。
然后要将descriptors单位化；很简单，减去均值，然后除以标准差。
然后，要选择不同因子进行搭配，risk index formulation；如何搭配，主观判断起到一定作用；但是诸如cluster analysis之类的统计方法也经常用到。
在单位化以后，我们用收益率对行业和descriptor进行回归，每次测试一个因子，我们要统计回归的显著性；通过上面的测试结果，我们就可以选择出有用的因子；因子搭配，是一个递归的过程，我们首先加入最显著的因子；此后，再加入另一个因子（剩下的因子里面的最显著的？），如果这个因子没有显著增加解释度，则不要这个因子，否则就加入这个新的因子（注：这里依然要考虑行业暴露）。
然后，行业因素也要考虑进行；或者叫，行业暴露。
通常，一个公司只属于一个行业；但是，在美国和日本，会根据该公司营收的比例来决定各个行业暴露的权重。
alpha策略里的alpha与beta
alpha策略里的alpha与beta大家必须承认虽然个人的努力很重要，但关键是老天赏不赏饭吃。
比如说，最近大家明显感觉到波动率比较大的alpha策略比波动率比较小的alpha策略好赚钱。
低波动的alpha策略难赚钱好理解，毕竟大家把大因子都限制死了，大体上都是高换手、交易型策略——毕竟一年换手个大几十倍以上才能降低波动。
随着alpha策略接的钱越来越多，交易型策略肯定越来越面临僧多粥少、鲨多鱼少的境地，毕竟市场的流动性、波动性就这个样子，已经很多机构在研究韭菜镰刀比了，上限嘛，肯定不会无穷大，大A股长期的日均成交额也就5000亿左右的水准，总不可能天天维持1万亿以上。
至于波动率，年化总不至于一直30%以上。
既然鼓励长期资金，肯定上头是厌恶大涨大跌的。
最近被问比较多的是为啥波动率更大的中长期alpha表现不错。
其实画张图就很容易理解了：上面是几个指数相比中证500（000905）的累计超额收益率。
可以看到：1.从2017年开始是大盘股（上证50）严重跑赢了中证500，直到2019年11月底到达高点，累计跑赢了64%，之后一路回撤；2.从2016年开始创50（399673）严重跑输中证500，直到2019年7月开始咸鱼翻身，之后一路连续跑赢。
当然，创成长（399296）之前没有跑输太多，之后大幅跑赢。
由于我们是分析私募的不是run私募的，所以我们的任务就是分析私募的beta，这比创造alpha简单10000倍。
现在想一下你是一个开私募做alpha策略的，只要你不是非常严格控制风格敞口的，总归会赌一下风格，那最简单的策略就是看一下最近的风格趋势是个啥，风往哪边吹？那么当时间来到2019年7月，你作为一个开私募的老板就会观察到：1.好像大盘股风格还在持续，但估值有点贵，风格持续的概率降低了；2.创成长好像开始有点好了。
但是，如果你把这时候的数据放到统计模型里，会发现趋势还并不是特别显著，所以大部分的私募这时候风格还没转过来，一直到了2019年12月。
数量化选股策略之十二：多因子选股策略
多因子选股策略研究员：魏刚执业证书编号：S42☎✉——数量化选股策略之十二《数量化选股策略之十一：分析师预测因子分析》2011-08-31《数量化选股策略之十：股东因子分析》2011-08-30《数量化选股策略之九：交投波动因子分析》2011-08-24《数量化选股策略之八：动量反转因子分析》2011-07-27《数量化选股策略之七：盈利因子分析》2011-07-27《数量化选股策略之六：成长因子分析》2011-07-12《数量化选股策略之五：估值因子分析》2011-07-06《数量化选股策略之四：规模因子分析》2011-06-30在前面几篇报告中我们对规模因子、估值因子、成长因子、盈利因子、动量反转因子、交投波动因子、股东因子和分析师预测因子进行了分析，其中规模因子（总市值）、估值因子（市盈率TTM）、动量反转因子（前1个月涨跌幅）、波动因子（前1个月波动率）、分析师预测因子（最近1个月净利润上调幅度）等是较为显著的因子。
由总市值、市盈率TTM、营业利润同比增长率、净资产收益率、前1个月涨跌幅、前1个月日均换手率、前1个月波动率、户均持股比例变化、机构持股变化、最近1个月净利润上调幅度等10个因子构造的等权重多因子策略表现较好。
由综合得分最高的20只中证800指数成份股构成的等权重组合大幅跑赢沪深300指数，2005年1月至2011年5月间的累计收益率为1517.29%，年化收益率达54.34%；由综合得分最高的50只中证800指数成份股构成的等权重组合同期的累计收益率为1059.72%，年化收益率达46.54%；同期沪深300指数的累计收益率为200.16%，年化收益率为18.69%。
由总市值、市盈率TTM、营业利润同比增长率、净资产收益率、前1个月涨跌幅、前1个月日均换手率、前1个月波动率、户均持股比例变化、机构持股变化、最近1个月净利润上调幅度等10个因子影响股价走势的主要因子包括市场整体走势（市场因子，系统性风险）、估值因子（市盈率、市净率、市销率、市现率、企业价值倍数、PEG等）、成长因子（营业收入增长率、营业利润增长率、净利润增长率、每股收益增长率、净资产增长率、股东权益增长率、经营活动产生的现金流量金额增长率等）、盈利能力因子（销售净利率、毛利率、净资产收益率、资产收益率、营业费用比例、财务费用比例、息税前利润与营业总收入比等）、动量反转因子（前期涨跌幅等）、交投因子（前期换手率、量比等）、规模因子（流通市值、总市值、自由流通市值、流通股本、总股本等）、股价波动因子（前期股价振幅、日收益率标准差等）、分析师预测因子（预测净利润增长率、预测主营业务增长率、盈利预测调整等）。
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。
阿尔法(ALPHA)策略
阿尔法 (ALPHA)策略Alpha策略是典型的对冲策略,通过构建相对价值策略来超越指数，然后通过指数期货或期权等风险管理工具来对冲系统性风险。
中性策略也是比较典型的对冲策略,通过构造股票多空组合减少对某些风险的暴露。
Alpha策略和中性策略在本质上差异最小，Alpha策略可以看成中性策略的一种。
但是Alpha策略的约束更小,其Alpha来源可能是行业的、风格的或者其他的；而中性策略则将更多无法把握的风险中性化了。
一、阿尔法(ALPHA)策略1.什么是阿尔法 (ALPHA)策略？投资者在市场交易中面临着系统性风险(β风险)和非系统性风险(α风险)，通过对系统性风险进行度量并将其分离，从而获取超额绝对收益的策略组合，即为阿尔法策略。
从广义上讲，获取阿尔法收益的投资策略有很多种，其中既包括传统的基本面分析选股策略、估值策略、固定收益策略等，也包括利用衍生工具对冲掉贝塔风险、获取阿尔法收益的可转移阿尔法策略。
2.阿尔法策略有哪些关键要素？Alpha策略的成败有两个关键要素：其一是现货组合的超额收益空间有多大；其二是交易成本的高低。
两者相抵的结果，才是Alpha策略可获得的利润空间。
在股市Alpha 策略中，最考验策略制定者水平的因素在于选股方法和能力。
阿尔法策略就是买入一组未来看好的股票，然后做空相应价值的期货合约，组合对冲掉系统性风险，组合的收益完全取决于投资者的选股能力，而与市场的涨跌无关，做到了市场中性。
3.阿尔法策略的优势？阿尔法策略有三大优势：一是回避了择时这一难题，仅需专注于选股；二是波动较单边买入持有策略要低；三是在单边下跌的市场下也能盈利，阿尔法与市场的相关性理论上为0。
在熊市或者盘整期，可以采用“现货多头＋期货空头”的方法，一方面建立能够获取超额收益的投资组合的多头头寸，另一方面建立股指期货的空头头寸以对冲现货组合的系统风险，从而获取正的绝对收益。
4.如何构建阿尔法策略？阿尔法策略所涉及的市场领域非常广泛，在股市、债市、商品市场等各类市场都有应用。
alpha因子 beta 因子 gamma因子
文章标题：解密投资中的Alpha、Beta和Gamma因子在现代投资理论中，Alpha、Beta和Gamma因子是投资者在进行资产配置和风险管理时经常遇到的概念。
它们不仅影响着投资组合的收益和风险，还对投资策略的制定和执行起着至关重要的作用。
本文将对Alpha、Beta和Gamma因子进行深入探讨，以帮助读者更全面地理解这些概念，并在实践中更加灵活地运用它们。
一、Alpha因子1. 什么是Alpha因子？Alpha因子是指投资组合相对于基准收益的超额收益。
它代表了超出市场预期的投资绩效，通常被视为投资经理能力的体现。
在资本市场中，Alpha因子反映了投资组合管理者通过选股或择时等操作所获得的超额收益。
2. 如何评估Alpha因子？评估Alpha因子通常采用基准收益率与投资组合收益率之间的差异来衡量。
通过各种统计方法和指标，投资者可以准确地评估和比较不同投资组合的Alpha因子，从而选取表现优异的投资组合。
3. 如何获取Alpha因子？获取Alpha因子需要投资者具备深厚的市场分析与投资经验，以便找到低估的个股或时机，在市场中实现超额收益。
也可以通过投资于主动管理的基金或参与量化投资等方式来获取Alpha因子。
二、Beta因子1. 什么是Beta因子？Beta因子是指投资组合相对于市场的波动性，它代表了投资组合相对于市场表现的波动程度。
在风险评估中，Beta因子通常被用来衡量资产或投资组合的市场风险敞口。
2. 如何评估Beta因子？评估Beta因子通常通过市场模型中的Beta系数来进行，Beta系数的大小反映了资产或投资组合对市场变化的敏感程度。
较大的Beta系数意味着较高的市场波动性，而较小的Beta系数则表示相对较低的市场波动性。
3. 如何管理Beta因子？管理Beta因子的方法主要包括风险敞口的控制和资产配置的优化。
投资者可以通过多元化投资组合来降低Beta因子，从而降低整体投资组合的风险。
20160812-东方证券-《因子选股系列研究之十》：Alpha因子库精简与优化
三、实证结果 ............................................................................................... 11
3.1 数据说明.................................................................................................................... 11 3.2 改进统计方法的效用..................................................................................................12 3.3 Alpha 优化的效用 .......................................................................................................13 3.4 因子筛选的效用 .........................................................................................................13 3.5 Bootstrap 方法 ...........................................................................................................16
1.1 CAPM 和 APT ............................................................................................................3
股票量化投资策略研究：多因子研究框架和初步测试结果
Stock Multifactor Strategy一、股票多因子研究框架多因子模型由APT模型（或者CAPM？理论上的东西有点乱，不重要。
）发展而来。
多关注实际操作。
用什么测试呢？米框还是自己写？米框有个好处就是方便跑模拟盘。
其实大家都看重策略吧，用什么平台不重要。
但是用米匡回测，又特别慢。
还是自己写吧。
今晚把研究框架搞好。
明天开始回测！（一）多因子模型构建主要流程多因子模型构建流程主要包括：因子筛选、收益预测、风险预测、组合优化。
第一，数据处理及因子筛选，要将数据标准化，然后识别有效因子。
第二，收益预测，步骤依次为，进行大类因子分析（即逻辑上相似的因子，也就是可能有共线性的因子），因子共线性分析，残差异方差分析（可用WLS代替OLS，权重为流通市值，来自barra），多元线性回归（通过多元线性回归计算每一期的因子收益），计算因子预期收益（由于因子每期收益或多或少存在不稳定性，为保证模型的稳定性，需要对因子历史收益序列进行分析，给出下一期因子收益的合理预期值。
因为很多因子存在明确的经济含义和投资逻辑，所以因子收益的方向（±号）需要进行约束；），计算股票预期收益率（根据因子收益和每个股票的因子载荷计算出个股的预期收益率）；第三，风险预测，步骤依次为，计算因子历史收益率协方差矩阵（用因子历史收益率序列），残差风险估计（计算个股的残差风险）；第四，组合优化，步骤依次为，确定组合的收益目标和风险目标（确定收益率、最小化风险，或者确定风险、最大化收益率），行业权重约束（根据风险目标确定行业风险的暴露。
如果组合存在基准组合，则需要根据基准组合在各个行业的权重分布，确定行业偏离约束），因子暴露约束（多因子模型本身是一个追求宽度的模型，所以为避免在某些因子上暴露过大导致风险过高，需要对因子暴露进行一定的约束），个股上下限约束（因为卖空约束以及避免在个股上暴露过高的风险，所以需要对个股权重的上下限进行约束），二次规划求解组合权重分配（根据上面的各种限制，计算组合中个股的权重），模拟业绩回溯。
- 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)。
1、貌似 Alpha 的超额收益
假如某天，我们通过指标筛选和实证检验，找到了一个投资组合，其表现如图 1： 图 1：一个有超额收益的组合表现
资料来源：Wind 资讯，长江证券研究部
从图中我们发现这个组合从 07 年开始一直到 2010 年中期都相当不错，稳定跑赢大盘。 如果我们对其中的股票进行单因子(沪深 300)的归因分析，发现组合的 Beta 是在 1 附近的， 而平均的年化 Alpha 超过 8%。 表 1：单因子归因一个有超额收益的组合
-1.1159 -0.9790 -0.8865 -1.0679 -1.1414 -0.5709 -1.0255
-0.4204 -0.5469 -0.6378 -0.4517 -0.3718 -0.9416 -0.5679
资料来源：Wind 资讯，长江证券研究部
我们发现三因子模型的结果与单因子有很大的区别，用三因子归因以后，发现这个组合 的 Alpha 其实是负的。 同时这个组合的股票在大小盘因子和高低估值因子上都有很明显的负 的 Beta。这说明这些股票都是典型的小盘+低估值的股票，但是组合中的股票并没有达到同 类型股票的平均水平。 因此，这个组合的“超额收益”实际上来自于小盘+低估值的风格属性，而无巧不巧的 是，在样本模拟期内，这个风格的确表现出了明显的强势。而如果我们用这个时间段作为建 模区间，去筛选财物或者估值指标，很容易就找出类似的模型，但是这样的模型其实并不靠 谱，在其他时间，这个组合并没有表现出明显的超额收益。
4
请阅读最后一页评00248 000150 600165 000975 600225 均值
实达集团 延长化建 宜华地产 宁夏恒力 科学城 天津松江
-33.6115% 6.7971% 8.2883% 8.8051% 2.2180% -2.5417% 8.4844%
2
请阅读最后一页评级说明和重要声明
金融工程
一、Alpha 真的存在么？
在我们做数量化研究的过程中，数量化选股总是一个很有吸引力的题目，大家都希望能 找到某一个或者一组指标，可以筛选出长期跑赢市场的股票。那么是不是真的能找到这样的 指标呢？或者说这样的方法适用性到底有多大呢？ 其实这是一个很难证伪的命题，因为哪怕我们可以证明 N 种选股模型或者指标无效， 也不能证明这个方法完全无效。但是从目前来看，选股策略带来的超额收益是有局限性的。
表 1：单因子归因一个有超额收益的组合 ................................................................... 3 表 2：三因子归因一个有“超额收益”的组合 ........................................................... 4 表 3：因子相关性表 ................................................................................................... 7
1.0029 1.1492 1.2240 0.9855 1.0286 1.1444 1.0675
-46.8496% -0.5736% -6.0976% -5.4609% -2.6807% -0.8467% -7.1883%
0.9820 0.9328 1.0800 0.9016 0.9560 1.1351 0.9711
怎么用数量化的方法寻找 Alpha? 如果用静态的方法把 Alpha 视为一个 “黑箱” ， 并不能很好的获得超额收益， 很容易陷入数量化方法的陷阱。因此我们更倾向于用因子的方法分解收益， 并且监控这些因子的变化。
因子的选择 因子的选择必须考虑足够的维度，避免共线性，当然还需要有经济学意义。 在这里我们选择了沪深 300，大小盘和高低估值三个因子。
yuwb@
请阅读最后一页评级说明和重要声明
正文目录
一、Alpha 真的存在么？ ...................................................................... 3
1、貌似 Alpha 的超额收益 .................................................................................... 3 2、关于数量化方法寻找 Alpha 的思考 .................................................................. 5
金融工程 研究报告 多因子选股系列报告(一)
2010-10-21
不要迷恋 Alpha
报告要点
是否真的能产生 Alpha? 我们研究发现， 很多貌似产生 Alpha 的定量化方法找到的其实只是一些市场 风格因子的超额收益， 如果用多因子模型来归因的话， 会发现这些股票其实 并没有战胜它们的同类，而只是“幸运”的处在了某一个市场阶段的热门风 格中。
交易代码 000925 600093 600553 600074 000909 股票简称 众合机电 禾嘉股份 太行水泥 中达股份 数源科技 年化 Alpha 24.5583% 35.9479% 21.3387% -2.9525% 11.3182% Beta 0.8670 0.9704 1.2273 0.9752 1.1101
力合股份 亚盛集团 武汉塑料 长百集团 江苏索普 中茵股份 湖南海利 格力地产 永安林业 实达集团 延长化建 宜华地产 宁夏恒力 科学城 天津松江
9.9229% 5.7168% 11.5995% 13.7033% 2.8638% 3.4202% 22.8887% 4.1822% 15.2237% -33.6115% 6.7971% 8.2883% 8.8051% 2.2180% -2.5417% 8.4844%
请阅读最后一页评级说明和重要声明
3
000532 600108 000665 600856 600746 600745 600731 600185 000663 600734 600248 000150 600165 000975 600225 均值
注：收益率以周为单位 资料来源：Wind 资讯，长江证券研究部
1.1123 0.9612 1.0450 1.2808 1.0647 0.9909 1.0024 1.1596 1.0483 1.0029 1.1492 1.2240 0.9855 1.0286 1.1444 1.0675
看上去是一个不错的结果，但是如果我们做一个三因子的模型来分解收益，如表 2 所 示： 表 2：三因子归因一个有“超额收益”的组合
二、用多因子模型解释超额收益 ........................................................... 5
1、超额收益的来源 ............................................................................................... 6 2、选择合适的因子 ............................................................................................... 6 3、更高的拟合效果，更低的 Alpha ...................................................................... 7 4、因子的可预测性 ............................................................................................... 9
单因子模型 交易代码 000925 600093 600553 600074 000909 000532 600108 000665 600856 600746 600745 600731 600185 000663 股票简称 众合机电 禾嘉股份 太行水泥 中达股份 数源科技 力合股份 亚盛集团 武汉塑料 长百集团 江苏索普 中茵股份 湖南海利 格力地产 永安林业 年化 Alpha 24.5583% 35.9479% 21.3387% -2.9525% 11.3182% 9.9229% 5.7168% 11.5995% 13.7033% 2.8638% 3.4202% 22.8887% 4.1822% 15.2237% Beta 0.8670 0.9704 1.2273 0.9752 1.1101 1.1123 0.9612 1.0450 1.2808 1.0647 0.9909 1.0024 1.1596 1.0483 年化 Alpha -7.0722% -0.8227% -0.9431% -10.6612% -5.1756% -4.9990% -6.5441% -9.1756% -8.4538% -2.2495% -13.3286% -4.8014% -5.4014% -1.6289% 多因子模型 市场 因子 0.8670 0.8605 1.1283 0.8582 1.0183 1.0389 0.9154 0.9268 1.1003 0.9396 0.8684 0.8553 1.0703 0.9873 大小盘 因子 -1.4703 -1.2803 -1.0140 -1.0030 -1.1414 -1.2542 -1.1454 -0.9233 -1.0392 -0.9770 -0.8482 -1.0387 -0.7256 -0.8875 高低估值 因子 -0.5910 -0.3898 -0.6511 -0.6284 -0.4609 -0.3305 -0.4356 -0.6504 -0.5325 -0.5913 -0.7151 -0.5243 -0.8266 -0.6605