量化投资策略报告：基金重仓股的量价因子增强策略

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：lixc02@zts.com.cn 分析师：汤伟杰 执业证书编号：S0740523050001 电话：18217397163 [Table_Report] 相关报告 《“财经新闻”挖掘与“股票策略”构建——FarmPredict 机器学习框架》 固收+基金资产组合探测——机器学习系列之四 [Table_Summary] 投资要点  量价因子在基金重仓股上的应用是一个不小的挑战，尤其当因子数量较多时，对所用模型更是一种考验。范剑青（2021）提出的 FarmPredict 模型非常适合处理高维因子的挖掘问题，本文基于该模型在基金重仓股上构建量价因子的增强策略  策略分为两步：结合基金行业仓位探测结果构建基础股票池、用 FarmPredict 模型给股票池中的股票打分。策略月度换仓，每月选出 20 只股票，回测结果表明，从 2019 年至 2023 年 9 月，策略年化收益率 53.53%，Sharpe 为 1.78，最大回撤 26.62%，相对基准表现优异  2019 年以来策略累积收益率如下： 来源：wind，中泰证券研究所  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 基金重仓股的量价因子增强策略 证券研究报告/量化投资策略报告 2023 年 10 月 23 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、理论基础 ...................................................................................................... - 3 - 2.1 惩罚项 ................................................................................................... - 3 - 2.2 降维 ...................................................................................................... - 5 - 三、基础股票池构建 ........................................................................................... - 7 - 四、选股模型的构建 ........................................................................................... - 9 - 2.1 alpha101 量价因子 ................................................................................ - 9 - 2.2 FarmPredict 框架下的选股模型 ........................................................... - 10 - 五、回测结果 .................................................................................................... - 12 - 风险提示 ............................................................................................................ - 14 - SVOXUV0XWVXUXUbRaO6MsQqQtRsRfQpOqRlOpPsR6MpOsPwMnQoRMYoMrN 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 一般认为，公募基金对基本面的研究代表了业内的最高水平，因此，如果想要通过基本面因子在基金重仓股的基础上构建组合来获取稳定的超额收益较为困难。而如果从量价因子入手，在 2015 年 WorldQuant LLC 量化交易对冲基金公布了《WorldQuant Formulaic 101 Alphas》研究报告，提出了 101 个量价因子，但是多年来这些因子的有效性，尤其是在 A 股市场的有效性一直受到质疑。业界通常的做法是，如同开矿一般不断地挖掘新的量价因子，验证单因子的有效性之后，剔除掉该因子中能被已有的因子解释的部分，再和已有的因子进行复合。这种做法的难点在于，随着因子个数的增加，特征的维度也是不断增加，对处理算法和硬件条件的要求也越来越高。 过往的研究者所构建的因子和收益之间的预测模型，可分为线性模型和非线性模型两大类，大量的研究表明，非线性模型（包括广义线性模型）的预测效果远远好于传统的线性模型。在我们之前的报告《“财经新闻”挖掘与“股票策略”构建——FarmPredict 机器学习框架》中，我们介绍了范剑青（2021）提出的FarmPredict 框架，并用其处理文本数据挖掘与价格预测问题。这一框架主要基于主成分分析（PCA）以及 Lasso 回归，其适用场景非常广泛，尤其善于处理上文所提到的高维特征，包括海量的量价因子。本文将尝试使用该框架，先结合我们对公募基金行业仓位探测的结果选出一个大的基金重仓股股票池，然后在该股票池基础上用 alpha101 量价因子构建增强选股组合。 二、理论基础 2.1 惩罚项 首先构造资期望回报的预测模型如下： ( ),1,()()ti ti tE rgz (1) 1,……,tiN=是资产的索引，1,……,tT=是时间序列索引，P 维度向量z ,i t代表预测变量。简单线性模型要求条件期望( )( )g   可以用原始预测变量和参数向量q的线性函数来近似表示，即: 请务必阅读正文之后的重要声明部分 - 4 - 量化投资策略报告 ,,(i t ; )i tg zz  