金融工程量化多因子選股框架

核心觀點【核心結(jié)論】本報告詳細介紹了量化多因子選股的流程與框架，涵蓋因子預(yù)處理、評價及收益預(yù)測模型等關(guān)鍵步驟?！緢蟾媪咙c】系統(tǒng)性整理了從因子測試、因子篩選到組合構(gòu)建的全過程，為高效構(gòu)建量化投資組合提供了清晰路徑?！局饕壿嫛繂我蜃訙y試介紹單因子預(yù)處理的基本方法，主要包括去極值、標準化、中心化。因子檢驗的評價維度和評價方式，其中評價方式主要有ICIR法、分組測試法、雙變量排序法和回歸法。收益預(yù)測模型對因子進行篩選，判斷其是否能夠納入多因子組合。用一系列篩選得到的因子預(yù)測個股收益，這一步本質(zhì)可理解為多因子的聚合。常見方法可分為線性和非線性，其中線性法主要有加權(quán)和回歸兩種方式，非線性主要包括神經(jīng)網(wǎng)絡(luò)、樹模型等。組合構(gòu)建基于得到的個股收益預(yù)測，計算組合的凈值曲線和收益風(fēng)險特征。組合構(gòu)建的主要步驟包括設(shè)定選股池與調(diào)倉周期、以及確定選股邏輯和權(quán)重。其中，選股邏輯和權(quán)重一般基于人工邏輯直接構(gòu)建得到，或者利用優(yōu)化算法在更復(fù)雜的選股約束下進行求解。我們基于上述框架，結(jié)合多因子復(fù)合打分構(gòu)建了一個中證500指數(shù)增強策略，業(yè)績表現(xiàn)優(yōu)于基準。風(fēng)險提示：數(shù)據(jù)來源第三方，或有遺漏、滯后、誤差；選股研究框架及篩選指標為西部證券自建，或有考慮不周之處；股票歷史業(yè)績不代表未來表現(xiàn)，研究框架也會隨時間變化。請仔細閱讀尾部的免責(zé)聲明 2請仔細閱讀尾部的免責(zé)聲明量化多因子選股基本框架3資料來源：西部證券研發(fā)中心收益預(yù)測因子篩選預(yù)測股票收益風(fēng)險管理預(yù)期跟蹤誤差組合風(fēng)格偏離組合風(fēng)險貢獻組合優(yōu)化給定風(fēng)險約束最大化預(yù)期收益收益預(yù)測模型：通過歷史估計給出股票未來的預(yù)期收益率。風(fēng)險管理模型：控制組合與業(yè)績基準之間的跟蹤誤差。組合權(quán)重優(yōu)化：在給定的風(fēng)險約束下，最大化組合的預(yù)期收益率。圖：多因子組合構(gòu)建基本流程目 錄ENTS目 錄CONTENTS收益預(yù)測模型組合構(gòu)建020301單因子測試1

單因子測試請仔細閱讀尾部的免責(zé)聲明5資料來源：西部證券研發(fā)中心參考文獻：Active

Portfolio

Management,

by

Grinold

and

Kahn.備選因子IncisiveIntuitiveInteresting首字母■□□公司地點■■□股票盈利■■■1.1

備選因子：基于原始指標或開發(fā)；挑選時需要注意因子是否直接、直觀且有意義。直接（incisive）：通過因子能夠明確對股票進行分類。直觀（intuitive）：對股票的分類標準具有可以解釋的邏輯性。有意義（interesting）：分類后的股票風(fēng)險收益特征具有明顯差異。表：確定備選因子的3個I1.2

因子預(yù)處理請仔細閱讀尾部的免責(zé)聲明6資料來源：西部證券研發(fā)中心?01-

去極值?02-

標準化?03-

中性化1

單因子測試1.2

因子預(yù)處理01

-

去極值：因子數(shù)據(jù)中的極端值會影響分析結(jié)果，離群值會扭曲因子與收益率之間的相關(guān)性估計。去極值的基本邏輯：確定上下限，將超出范圍的因子值修改為上下限。常見的去極值方法有：①

MAD法：上下限為

????

±

??

?????????，

????:

序列????的中位數(shù)，????????:

序列|????-????|的中位數(shù)②

3??法：上下限為

????

±

??

?

??，

????:序列????的均值，??：序列????的標準差③

百分位法：上限分位數(shù)和下限分位數(shù)（一般為97.5和2.5）。請仔細閱讀尾部的免責(zé)聲明7資料來源：西部證券研發(fā)中心1

單因子測試1.2

因子預(yù)處理02

-

標準化：不同的因子數(shù)據(jù)往往具有不同的單位和數(shù)值范圍，這種差異會導(dǎo)致數(shù)值較大的因子在分析中占據(jù)過大的比重，而數(shù)值較小的因子則會被相對削弱。因此，通常需要對這些因子數(shù)據(jù)進行標準化處理，以消除量綱的影響。常見標準化方法有：①

Z-score②

Max-Min③

取對數(shù)④

排序標準化請仔細閱讀尾部的免責(zé)聲明8資料來源：西部證券研發(fā)中心1

單因子測試1.2

因子預(yù)處理03

-

中性化：剔除因子數(shù)據(jù)中顯著的風(fēng)險暴露，因為若使用具有明顯風(fēng)險暴露的因子值作為選股條件，會導(dǎo)致篩選出的股票集中在特定的風(fēng)險暴露上。中性化的基本邏輯：因子值作為y，風(fēng)險因子作為x，進行線性回歸，回歸殘差即為風(fēng)險中性后的因子值。常見中性化方法有：①

行業(yè)中性②

市值中性③

其他風(fēng)險因子中性請仔細閱讀尾部的免責(zé)聲明9資料來源：西部證券研發(fā)中心1

單因子測試1.3

因子檢驗因子的評價維度：因子單調(diào)性：因子單調(diào)性越好，收益區(qū)分能力越強。因子有效性：因子對未來收益的解釋能力。因子穩(wěn)定性：因子的有效性是否穩(wěn)定、可持續(xù)因子時效性：在過去有效的因子，現(xiàn)在或?qū)聿灰欢ㄓ行?。請仔細閱讀尾部的免責(zé)聲明10資料來源：西部證券研發(fā)中心1

單因子測試1.3

因子檢驗因子評價方式：01

-

IC、IR：常用于評價因子有效性和穩(wěn)定性。02

-

分組測試：將股票按照因子值大小分組，統(tǒng)計每組在下一周期的收益。03

-

雙變量排序：計算控制因子1下的因子2分組收益，以防止排序受其他因子的干擾。04

-

回歸法：將T期的因子暴露與T+1期股票收益率進行線性回歸。請仔細閱讀尾部的免責(zé)聲明11資料來源：西部證券研發(fā)中心1

單因子測試1.3

因子檢驗01

-

IC、IR：常用于評價因子有效性和穩(wěn)定性。Pearson相關(guān)系數(shù)（IC）：當(dāng)期因子值與下期股票收益之間的線性相關(guān)性。Spearman相關(guān)系數(shù)（RankIC）：當(dāng)期因子與下期股票收益之間的序數(shù)相關(guān)性。ICIR信息比率（ICInformation

Ratio）：IC的均值與IC標準差之比，代表因子獲取穩(wěn)定Alpha的能力。請仔細閱讀尾部的免責(zé)聲明12資料來源：西部證券研發(fā)中心1

單因子測試請仔細閱讀尾部的免責(zé)聲明13資料來源：Wind，西部證券研發(fā)中心1.3

因子檢驗02

-

分組測試：將股票按照因子值大小分組，統(tǒng)計每組在下一周期的收益。每組間的收益差異越大、單調(diào)性越明顯，因子有效性越好。圖：PB因子分組月均收益（2018.01-2024.07）1

單因子測試0.8%0.6%0.4%0.2%0.0%-0.2%-0.4%-0.6%-0.8%G1 G2 G3 G4 G5 G6 G7 G8 G9 G10注：橫軸為t月按照股票的PB從小到大等分成10組，縱軸代表每個PB組合t+1月收益的均值1.3

因子檢驗03

-

雙變量排序：計算控制因子1下的因子2分組收益，以防止排序受其他因子的干擾。（有條件）雙變量排序流程：按因子值1將股票分為10組。在各因子值1分組中按因子值2分為10組。將不同因子值1分組內(nèi)相同因子值2排序分組的收益加總，得到控制因子值1下的因子值2的分組收益。請仔細閱讀尾部的免責(zé)聲明14資料來源：西部證券研發(fā)中心1

單因子測試1.3

因子檢驗04

-

回歸法：將因子T期的因子暴露與T+1期股票收益率進行截面線性回歸。r??+1=????????+

????回歸系數(shù)????

：因子當(dāng)期的收益率（因子溢價）。因子收益率顯著度水平（t-test）：對于每一期的截面回歸，都可以得到一個因子收益率????

，對于????序列進行??檢驗，以觀察因子收益率序列的方向一致性。請仔細閱讀尾部的免責(zé)聲明15資料來源：西部證券研發(fā)中心1

單因子測試目 錄ENTS目 錄CONTENTS收益預(yù)測模型組合構(gòu)建0203單因子測試0201因子因子計算方式風(fēng)格市值log（總市值）非線性市值log（總市值）Z-score的平方預(yù)期EP一致預(yù)期凈利潤/總市值行為反轉(zhuǎn)前1個月累計收益率換手率前1個月日均換手率波動率Fama-French時間序列回歸殘差波動率財務(wù)ROE單季度ROESUE(凈利潤(t)-凈利潤(t-4))/過去4期凈利潤變化的波動率請仔細閱讀尾部的免責(zé)聲明17資料來源：西部證券研發(fā)中心2.1

單因子篩選：判斷因子是否納入多因子組合單因子篩選方式：單因子有效性因子間相關(guān)性表：常見選股因子列表及其計算方式2

收益預(yù)測模型2.2

收益預(yù)測：用一系列個股因子預(yù)測個股收益，本質(zhì)可理解為多因子的聚合????：個股的一系列因子圖：收益預(yù)測模型風(fēng)格行為財務(wù)預(yù)期行業(yè)預(yù)期收益規(guī)模價值收益率換手率波動率…盈利能力盈利增長…目標收益分析師覆蓋度…行業(yè)輪動????? =

??(????) ???

?? ??????

??2

收益預(yù)測模型請仔細閱讀尾部的免責(zé)聲明18資料來源：西部證券研發(fā)中心2.2

收益預(yù)測：用一系列個股因子預(yù)測個股收益，本質(zhì)可理解為多因子的聚合因子聚合方式：線性：加權(quán)法：等權(quán)法、IC加權(quán)法、IC-IR加權(quán)法、IC半衰加權(quán)法。回歸法：通過因子收益率估計個股收益。非線性：神經(jīng)網(wǎng)絡(luò)、樹模型。請仔細閱讀尾部的免責(zé)聲明19資料來源：西部證券研發(fā)中心2

收益預(yù)測模型2.2

收益預(yù)測回歸法：通過因子收益率估計個股收益???

。T期股票收益率對因子T-1期的因子暴露進回歸，得到因子收益率?????1:r??=?????1?????1+

?????1因子預(yù)期收益率?????+??一般采用過去12個月因子收益率

????均值作為估計。計算個股預(yù)期收益???，即，個股最新因子暴露與因子預(yù)期收益率的乘積：???

=?????

?????+??請仔細閱讀尾部的免責(zé)聲明20資料來源：Active

Portfolio

Management,

by

Grinoldand

Kahn，西部證券研發(fā)中心2

收益預(yù)測模型請仔細閱讀尾部的免責(zé)聲明21資料來源：西部證券研發(fā)中心個股因子時間序列RNNNN收益預(yù)測2

收益預(yù)測模型2.2

收益預(yù)測神經(jīng)網(wǎng)絡(luò)：通過深度學(xué)習(xí)估計個股收益???

。模型框架：循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）+全連接神經(jīng)網(wǎng)絡(luò)（NN）金融數(shù)據(jù)的特征和RNN模型較為適配。RNN提取金融時間序列中的信息，NN將RNN處理后的信息轉(zhuǎn)化為收益預(yù)測。圖：深度學(xué)習(xí)預(yù)測個股收益流程圖請仔細閱讀尾部的免責(zé)聲明22資料來源：Wind,

西部證券研發(fā)中心2.3

收益預(yù)測模型評價模型預(yù)測選股收益的IC、RankIC，絕對/相對勝率。預(yù)期收益多頭組合（Top10）相對市場等權(quán)組合的表現(xiàn)。表：收益預(yù)測模型的選股收益表現(xiàn)示例（復(fù)合因子，2018.01-2024.07）ICRankIC多頭收益空頭收益多空收益月均值2.43.50.8-0.31.0月勝率54.956.952.949.057.8信息比0.210.260.13-0.040.222

收益預(yù)測模型注：復(fù)合因子為對市值、PB、SUE、ROE、動量因子等權(quán)打分。目 錄ENTS目 錄CONTENTS收益預(yù)測模型組合構(gòu)建02單因子測試0103計算組合的凈值曲線和收益風(fēng)險特征確定選股池基本池：滬深A(yù)股中，剔除ST股、上市不足3個月的股票以及停牌股。其他要求：如流動性要求（剔除選股池中過去1年日均總市值和成交額排名靠后20

的股票）。確定調(diào)倉周期季頻、月頻、雙周頻、周頻。確定選股邏輯及權(quán)重，計算凈值曲線請仔細閱讀尾部的免責(zé)聲明24資料來源：西部證券研發(fā)中心3

組合構(gòu)建確定選股邏輯及權(quán)重人工邏輯選股個數(shù)：基于收益預(yù)測選擇top100、top10

的股票。加權(quán)方式：等權(quán)、股息率加權(quán)、市值加權(quán)。組合優(yōu)化基于收益預(yù)測構(gòu)建優(yōu)化目標，如，最大化組合收益。添加更復(fù)雜的選股約束。選股個數(shù)及加權(quán)方式由優(yōu)化器求解得到。請仔細閱讀尾部的免責(zé)聲明25資料來源：西部證券研發(fā)中心3

組合構(gòu)建請仔細閱讀尾部的免責(zé)聲明26資料來源：Quantitative

Finance

with

Python,

by

Chris

Kelliher，西部證券研發(fā)中心確定選股邏輯及權(quán)重組合優(yōu)化——常用于指數(shù)增強目標函數(shù)最大化組合預(yù)期收益約束條件個股權(quán)重偏離、組合風(fēng)格暴露行業(yè)、市值等風(fēng)險約束換手率約束求解最優(yōu)化問題，得到股票權(quán)重。????????′?????s.t.??′??

=

??, ??≤??≤

??′????

????? ≤

?????

????′??{??∈??}=

?????????,???????,???????=??≤

??3

組合構(gòu)建請仔細閱讀尾部的免責(zé)聲明組合分析風(fēng)險收益指標累積收益、年化收益、超額收益、

最大回撤、換手率、勝率信息比率

IR、夏普比率、卡爾瑪比率、索提諾比率歸因分析收益歸因風(fēng)險歸因27資料來源：西部證券研發(fā)中心3

組合構(gòu)建基于復(fù)合因子構(gòu)建中證500指數(shù)增強策略復(fù)合因子：對市值、PB、SUE、ROE、動量因子等權(quán)打分。選股池：滬深A(yù)股中，剔除ST股。調(diào)倉周期：年頻。增強組合優(yōu)化約束構(gòu)建：個股權(quán)重：個股上限2，個股偏離±2；組合風(fēng)格暴露：市值、PE偏離±0.5。行業(yè)約束：行業(yè)偏離±10。換手率約束：單邊換手率上限30。請仔細閱讀尾部的免責(zé)聲明28資料來源：Wind,

西部證券研發(fā)中心3

組合構(gòu)建增強組合中證500年化收益率3.63-3.84年化波動率19.4820.40最大回撤33.0041.69夏普比率0.19-0.19卡瑪比率0.11-0.09月勝率53.8543.963

組合構(gòu)建1.71.51.31.10.90.70.5圖：復(fù)合因子構(gòu)建指數(shù)增強策略凈值（2016.12.30-2024.07.25）增強組合 中證500表：復(fù)合因子構(gòu)建指數(shù)增強策略表現(xiàn)（2016.12.30-2024.07.25）基于復(fù)合因子構(gòu)建中證500指數(shù)增強策略增強組合年化收益3.63，相對中證500年化超額收益7.47。請仔細閱讀尾部的免責(zé)聲明29資料來源：Wind,

西部證券研發(fā)中心風(fēng)險提示請仔細閱讀尾部的免責(zé)聲明301、本報告分析所用數(shù)據(jù)、信息均基于公開信息，第三方平臺等，數(shù)據(jù)或有遺漏、誤差、滯后；2、各類型選股研究框架為西部證券自建，涉及權(quán)重數(shù)據(jù)或者劃分標準均為西部證券制定，或有考慮不周之處，或隨著市場變化不斷完善；3、股票歷史業(yè)績不代表未來表現(xiàn)，分析框架亦會隨著市場變化有所變化，不構(gòu)成投資建議，投資需謹慎。投資評級說明西部證券—投資評級說明行業(yè)評級超配： 行業(yè)預(yù)期未來6-12個月內(nèi)的漲幅超過市場