万流归宗多因子系列研究（一）：基于量价因子的多因子决策树

证券研究报告·金融工程·金工专题报告 东吴证券研究所 1 / 42 请务必阅读正文之后的免责声明部分 金工专题报告 20230904 万流归宗多因子系列研究（一）——基于量价因子的多因子决策树 2023 年 09 月 04 日 证券分析师 高子剑 执业证书：S0600518010001 021-60199793 gaozj@dwzq.com.cn 研究助理 凌志杰 执业证书：S0600123040053 lingzhj@dwzq.com.cn [Table_Tag] [Table_Summary] 前言 ◼ 从《量稳换手率选股因子 ——量小、量缩，都不如量稳？》到《换手率变化率的稳定 GTR 因子——助推换手率的所有家族成员》，东吴金工在过去两年中发布了共计 15 个各具特色的量价类选股单因子。2023 年上半年，大量选股因子包括部分量价类因子，出现了同时失效的情况，我们希望通过构建多因子模型的方式来降低单因子失效的风险。 ◼ 传统的多因子模型，往往是在不同大类因子间做组合，如在估值类因子、一致预期类因子、技术类因子间做一个合成因子。每个大类因子内部，往往是采用等权相加或是挑选近期表现最好的因子作为代表等较为简单的方法来进行处理。我们希望能找到一个多因子模型，既能够在不同类因子间使用，也能够在同大类因子内使用，使我们的大类合成因子不仅能够比最好的单因子好，也能比等权组合好。 多因子决策树框架 ◼ 基于量价因子的决策树框架，其底层模型包含 3 种线性滤波模型与 4 种非线性模型，通过构建综合得分矩阵与信息偏离度矩阵，能够合理调用底层模型，对因子进行分类合成。通过类决策树的构架，层层递进，直到合成最终因子。 ◼ 通过决策树框架合成的最终因子，其绩效表现全面战胜作为基准的等权组合以及最好的单因子。以 2006/01/01-2023/07/31 为回测区间，合成因子在全体 A 股中的月度 IC 均值为-0.086，年化 ICIR 为-3.028；十分组多空对冲的年化收益为 39.60%，年化波动为 11.83%，信息比率为 3.349，月度胜率为 80.00%，最大回撤为 9.20%。 ◼ 风险提示：模型所有统计结果均基于历史数据，未来市场可能发生重大变化；单因子的收益可能存在较大波动，实际应用需结合资金管理、风险控制等方法；模型测算可能存在相对误差，不构成实际投资建议。 请务必阅读正文之后的免责声明部分 东吴证券研究所 金工专题报告 2 / 42 内容目录 1. 引言 ...................................................................................................................................................... 5 2. 传统的多因子组合方法 ...................................................................................................................... 6 2.1. 等权............................................................................................................................................. 6 2.2. ICIR.............................................................................................................................................. 7 2.3. 横截面因子值回归下一期收益率............................................................................................. 8 2.3.1. 学术常用方法................................................................................................................... 8 2.3.2. 最小二乘法....................................................................................................................... 9 2.3.3. 岭回归............................................................................................................................. 10 3. 线性多因子的组合 ............................................................................................................................ 11 3.1. 横截面因子回归本期收益率................................................................................................... 11 3.2. 滤波方法................................................................................................................................... 13 3.2.1. 小波滤波......................................................................................................................... 13 3.2.2. 卡尔曼滤波..................................................................................................................... 15 3.2.3. 高斯滤波...............................................................................................................