多因子模型研究系列之十三:基于机器学习模型的因子择时框架

类别:金融工程 机构:渤海证券股份有限公司 研究员:宋旸/张世良 日期:2020-03-31

  核心观点:

      2017 年以来,随着市场上量化策略的增多,许多之前十分有效的因子,如市值因子、动量因子、波动率因子等,都出现了比较明显的震荡或者失效。

      想要靠传统多因子模型取得超越基准的稳定收益变得越来越难。对于因子择时模型的研究需求也在持续上升。

      本篇报告分为三部分:

      首先,我们介绍了因子择时常用的几个指标,包括因子估值差与配对相关性等,并测试了其与因子未来收益的相关性。

      然后,我们使用随机森林函数,构建因子择时模型。与大多数因子择时模型不同,我们的预测目标是因子收益的历史移动平均与实际因子收益的差距。对于收益波动较大的因子,移动平均比较难抓到因子短期的趋势。而择时模型可以在一定程度上预测因子的短期走势,在移动平均曲线之前捕捉因子收益的波动。

      最后,我们将因子择时结果与多因子模型结合。我们使用线性规划来构建多因子模型,优化目标为组合收益,限制条件为组合的行业中性,以及组合在风险因子上的暴露为0。在使用因子择时模型的组合中,我们将每一期的风险因子设为择时模型判定当期因子实际收益可能会偏离历史平均值的因子。作为对照组,我们选择了只做行业中的选组合,和同时满足行业中性和市值的选股组合。通过回测我们发现,使用择时模型的组合,不管是趋势行情,还是震荡行情中,相对两个对照模型都能取得更好的收益。

      风险提示:随着市场环境变化,模型存在失效风险。