多因子系列报告之十:因子正交与择时,基于分类模型的动态权重配置

2017年以来,一些传统的多因子选股模型遭遇了较大回撤,其中市值、反转等因子风格转变的显著性和持续时间均超乎预期。因此,如何预测因子的有效性并进行因子权重配置的调整成为投资者关心的课题。本文在因子择时的方向上做出了尝试,首先为了保证择时模型的有效性,对所使用的因子进行对称正交变换,并选择因子收益作为衡量因子有效性的指标,然后基于宏观经济和市场状态等变量对因子收益构建分类模型预测来因子收益的方向。

因子正交化处理有效提高预测能力。我们采用对称正交方法,对因子进行正交化处理。对比施密特正交和规范正交,对称正交的优势在于正交后因子值与原始值的相似程度高于其他正交方法,且计算效率高。对因子值对称正交变换后,我们所选的外部特征变量对于因子收益的解释能力有较为显著的提升。

因子择时模型的主要类型:分类预测模型&条件期望模型。分类模型的实现方法一般为使用决策树、逻辑回归、支持向量机等模型,对未来因子收益的方向进行预测。条件期望模型则是基于一个较为严格的假设:因子收益与条件变量服从联合正态分布,而在常用的因子收益解释变量中这个假设较为难以满足。因此在本篇报告中,我们主要探讨了上述三种分类预测模型在因子择时中的应用效果。

从宏观经济环境、货币政策、市场状态、因子收益及衍生变量四个角度挑选因子收益预测的外部解释变量。因子的收益往往受到宏观经济环境,货币政策,市场状态变量,以及因子自身收益与波动的影响,因此我们从这四大类变量中精选了包括CPI,PPI,因子收益动量等15个变量,作为因子择时模型的解释变量。

模型实证效果:支持向量机预测能力较强,随机森林样本外表现稳定。支持向量机模型能较好的处理小样本的预测,基于决策树的随机森林则具有较为清晰的逻辑,同样较为适合进行因子收益预测。从样本外预测准确率来看,支持向量机SVM的预测准确度更高;而从样本外因子择时组合的收益来看,随机森林表现更胜一筹。

随机森林因子收益预测模型表现最优:该模型构造的因子择时组合,样本外(2016-01-01~2018-02-28)绝对年化收益8.8%,年化超额收益20.8%,信息比2.34,表现较为稳定。

风险提示:测试结果均基于模型,模型存在失效的风险。