<s id="iwbjp"><object id="iwbjp"><blockquote id="iwbjp"></blockquote></object></s>
      <tbody id="iwbjp"></tbody>
      <button id="iwbjp"><object id="iwbjp"></object></button>
      1. <button id="iwbjp"><object id="iwbjp"><menuitem id="iwbjp"></menuitem></object></button>
        1. <th id="iwbjp"></th>
          <tbody id="iwbjp"></tbody>
          黑山量化投資社區

          【量化周報】市場震蕩,藍籌回暖

          米筐金工2021-06-10 09:09:59

          本周(2018-03-12至2018-03-16)市場遭遇大跌,市場整體風險偏好較低。量價因子表現較好,基本面因子表現不佳。大盤股方面建議關注流動性高的中盤藍籌,小盤股方面建議關注反轉因子。


          一、重要指數表現

          ?本周和近一月的重要指數漲跌幅情況如下:

          ?本周重要指數震蕩加劇,尤其在周五時各大指數因中美貿易戰而普遍大幅下跌。在四個板塊指數(上證綜指、深證成指、中小板指、創業板指)之中,上證綜指本周的跌幅最小,為3.58%,近一月的收益率為-4.14%;深證成指本周的跌幅最大,達到5.53,近一月的收益率為-2.09%??紤]到創業板最近的正超額收益,其或將在接下來的調整中遭遇較大調整幅度。


          在五個規模指數(上證50、滬深300、中證500、中證1000、中證全指)之中,上證50本周的跌幅最小,為2.76%,近一月收益率為 -5.60%;中證1000本周的跌幅最大,為5.92%,近一月收益率為-2.09%。整體而言,本周的大盤股表現略優于小盤股。


          二、 申萬行業表現

          本周和近一月的重要指數漲跌幅情況如下:

          在申萬28個行業分類之中,本周沒有行業得到正收益率。其中,農林牧漁本周的跌幅最小,為0.36%,近一個月收益率為1.31%;其次為生物醫藥,跌幅為0.94%,近一月收益率為6.44%。而鋼鐵行業本周的跌幅最大,達到9.42%,近一月收益率為-14.93%;其次為建筑材料,跌幅達到7.56%,近一月收益率為-2.87%。本周市場整體為震蕩下跌。


          三、 單因子表現

          我們利用細分因子構建了beta、估值、規模、流動性、動量、反轉、成長、特質波動率、財務質量共九個風格因子(附錄一)。針對這些風格因子,我們分別在滬深300成分股、中證500成分股、中證1000成分股和全市場A股中計算它們的單因子收益率(附錄二),和進行市值與行業中性化后Rank-IC值(附錄三)。


          從Rank-IC來看,本周基本面類因子表現不佳,量價因子相較之下表現良好,流動性、反轉、特質波動率在四類股票池中皆表現突出,但是beta出現回落。規模因子的分化明顯,僅在滬深300成分股中得到顯著正值,而在其他股票池遭遇回撤。結合單因子收益率結果來看,規模因子收益率不佳。


          根據最近一個月的風格因子Rank_IC圖,和A股全市場中的純因子收益率走勢,流動性因子表現最為突出;其次為反轉因子,除滬深300成分股之外,在其他各類股票池中皆取得正收益。同時,由于規模因子定義成與市值方向一致,我們可以發現近一月的規模因子的收益與股票池的市值風格成反比關系,即股票池的平均市值越小,其中的市值越大跌幅越大。


          綜合月度和周度數據,大盤股方面建議關注流動性高的中盤藍籌,小盤股方面建議關注反轉因子。


          附錄一:風格因子定義


          子類因子合成為大類因子的流程:

          1. 先對各個子類因子值進行極值處理,極值處理方法為MAD法

          2. 計算極值處理后因子的Z-Score

          3. 將各個因子的Z-Score值按照各子因子的權重進行相加,得到大類因子值

          4. 對合成得到的大類因子值進行Z-Score處理,作為最終的因子暴露度


          附錄二:純因子收益率計算方式說明

          結構化多因子風險模型

          1. 收益率模型


          則對于擁有N只股票的投資組合,其收益率可以寫為:

          其中,r是超額收益率(N維列向量),X是因子暴露度(N*K維矩陣),f是因子收益率(K維列向量),u是特異收益率(N維列向量)


          為了有效估計因子收益率,Barra建議采用廣義最小二乘法(GLS)回歸,為每個收益率觀測樣本賦予與其特異方差的倒數成正比的權重。但在實際建模過程中,通常用市值平方根代替特異方差的倒數來對每個觀測值加權。


          2. 純因子組合

          如果一個投資組合,對模型中某因子的暴露度為1,對其他所有因子的暴露度為0,則稱該組合為這個因子的純因子組合。


          舉例來說,對于一個包含N只股票的投資組合,假設組合中各個股票的權重為

          ,則組合的收益率可以表示為:

          由于因子k的純因子組合投資組合對于第k類因子具有單位暴露度,而對其他所有因子具有零暴露度,故其約束條件可以表示為:

          規劃求解得到的w所對應的投資組合即為因子k的純因子組合。


          換個角度來看,在加權最小二乘法(WLS)下,因子收益率的估計值的數學表達式為:

          其中,X是暴露度矩陣,是加權回歸中的回歸權重,r是超額收益率向量。


          可以發現,對于每一個具體因子而言,其收益率是投資組合中各資產超額收益率的加權和

          于是,因子k的收益率可以看作是一個投資組合的收益率,其中組合的權重為C_k,n。而因子組合的權重是根據因子暴露度和回歸權重計算得到,是先驗已知的,因此純因子收益對應的權重可以輕松解得。但需要注意的是,該種方法解出來的權重是多空頭寸共存的,在A股并不具有實際的投資指導作用,如果需要構建純多頭的純因子組合,仍需通過約束求解。


          附錄三:因子Rank-IC計算說明

          1. 計算附錄一的各個細分因子的暴露度;


          2. 對各細分因子使用絕對值中位數法去極值,針對某個細分因子的具體方法如下:第一步,找出所有因子值的中位數 Xmedian;第二步,得到每個因子與中位數的絕對偏差值 Xi?Xmedian;第三步,得到絕對偏差值的中位數 MAD;最后,確定參數 n,從而確定合理的范圍為 [Xmedian?nMAD,Xmedian+nMAD],并將超出此范圍的因子值重置為相應的邊界值。


          3. 對細分因子進行標準化:將去極值后的因子值減去現在的均值,再除以現在的標準差。


          4. 對細分因子進行中性化處理:使用OLS方法對因子值進行橫截面回歸

          其中,Factor_i為股票i的alpha因子,MktVal_i為股票i的總市值,Industry_j,i為行業虛擬變量,即如果股票i屬于行業j則暴露度為1,否則為0,而且每個股票i僅屬于一個行業,不對其所屬行業進行拆分。


          我們以上述回歸方程的殘差項作為原因子在中性化后的新因子。其中,規模因子僅對行業進行中性化處理。


          5. 大類因子合成:對處理后的各個細分因子進行等權合成為相應的風格因子,由此我們得到了單因子暴露度。


          6. 將因子暴露度與個股下一截面期的收益率計算Spearman秩相關系數,即為Rank-IC值。


          注:對于本周(近一個月)的Rank-IC值計算,分別在上周五(前推一個月)計算因子暴露度,并進行相應數據處理。對應的個股收益率應為從本周一(前推一個月的次日)開始,截止到本周五的累計收益率。