量化投资策略报告：机器学习系列之一，挖掘资产定价中的隐式因子

请务必阅读正文之后的重要声明部分 [Table_Title] 分析师：李新春 执业证书编号：S0740520080002 电话：18019761462 Email：lixc@r.qlzq.com.cn 研究助理：汤伟杰 电话：18217397163 Email：tangwj@r.qlzq.com.cn [Table_Report] 相关报告 《“纯洁 alpha”动量下的行业轮动策略》 《剖析 ETF 的手术刀——Lyxor ETF 效率指标》 《优选稳健 alpha 基金——基于多因子的业绩预测模型》 《寻找细分赛道风口——基于多因子的医药子行业轮动策略》 [Table_Summary] 投资要点  本文从显式多因子模型的投影残差中挖掘出数个隐式因子；加入隐式因子后的混合因子模型在解释资产的风险溢价和构建投资策略方面都有显著提升。挖掘隐式因子采用了“三步法”：计算残差矩阵、挖掘特征方向和估计风险溢价；其中挖掘因子的特征方向使用了主成分分析（PCA）复现因子空间，而估计因子的风险溢价使用了稳健回归（Huber）。  在 2012 年初至 2022 年 Q1 的回测区间内，基于混合因子的股票型 ETF 轮动策略的表现在累计收益率、年化收益率、夏普比率和月度胜率等指标上强于基于 FF3 和 FF5 的策略；最大回撤与后者相当或略好。综合考虑轮动策略在 2022 年 5 月底选出的强势指数（按类似基本面因素去重），以及中泰金工报告《Lyxor ETF 效率指标》，我们推荐的ETF 组合为：煤炭 ETF 515220.SH，酒 ETF 512690.SH，能源 ETF 基金 159945.SZ，汽车 ETF 516110.SH 和旅游 ETF 159766.SZ。  A 股的市场情景中，达成要求解释力度的主成分个数变动幅度不大，这说明满足资产定价所需要的隐式因子数量是相对稳定的。这个特性对本文的研究工作是很重要的“基石”。传统的显式因子，大致可以按信息量从高到低排序为：MKT > SMB，HML > RMW，CMA，这也是历史上发现这些因子的顺序；但是这些因子的风险溢价（绝对值）随时间变化不具备显式的规律。因为使用了 PCA 算法，隐式因子天然是按照信息量从高到低选择的；但自身的风险溢价（绝对值）随时间变化也不具备显式的规律。相比之下，FF3+2 中的两个隐式因子风险溢价（绝对值）更大，有如下排序关系： 隐式因子 1>隐式因子 2>RMW>CMA，且两两间关系在 T 检验下显著。  风险提示事件：本报告结论完全基于公开的历史数据进行统计、测算，文中部分数据有一定滞后性，同时存在第三方数据提供不准确风险；模型均基于历史数据得到的统计结论且模型自身具有一定局限性并不能完全准确地刻画现实环境以及预测未来；模型根据历史规律总结，历史规律可能失效；模型结论基于统计工具得到，在极端情形下或存在解释力不足的风险，因此其结果仅做分析参考。 挖掘资产定价中的隐式因子——机器学习系列之一 证券研究报告/量化投资策略报告 2022 年 6 月 13 日 请务必阅读正文之后的重要声明部分 - 2 - 量化投资策略报告 内容目录 一、引言 .............................................................................................................. - 3 - 二、研究方法综述 ............................................................................................... - 5 - 2.1 经典模型对 alpha 估计有偏 ................................................................... - 5 - 2.2 挖掘隐式因子的“三步法” ........................................................................ - 7 - 2.3 混合因子模型解释力度显著提升 ............................................................ - 8 - 三、基于混合因子模型的行业轮动策略 ............................................................ - 10 - 3.1 底层资产集合 ....................................................................................... - 10 - 3.2 行业轮动策略回测分析 ........................................................................ - 12 - 3.3 ETF 轮动策略回测分析........................................................................ - 17 - 3.3 基于不同模型的 ETF 轮动策略对比..................................................... - 21 - 3.4 不同模型预测 alpha 的效果对比 .......................................................... - 23 - 四、隐式因子特征分析 ...................................................................................... - 23 - 4.1 达成要求解释力度的主成分数量相对稳定 ........................................... - 23 - 4.2 特征方向与风险溢价的分布特征 .......................................................... - 24 - 风险提示 ............................................................................................................ - 27 - pOrMpPmMsNrRrPuNtMnOrR9PdN8OmOpPmOpNiNoOsMeRoPtP7NqRqOMYnQpNNZnNnP 请务必阅读正文之后的重要声明部分 - 3 - 量化投资策略报告 一、引言 本文从显式多因子模型的投影残差中挖掘出数个隐式因子；加入隐式因子后的混合因子模型在解释资产的风险溢价和构建投资策略方面都有显著提升。这样的研究方法对资产类型没有特定要求，所