多因子模型研究系列之六:使用thompson+sampling算法的策略混合模型

本篇报告中,我们介绍了Thompson Sampling算法,并将其应用于改进的多因子模型。Thompson Sampling算法是在线学习算法的一种,2017年年末,市值因子失效,导致大多数传统多因子模型回撤。我们想要尝试使用在线学习算法,构建可以适应这种风格转变的多因子模型

针对沪深300和中证500成分股,选取估值、盈利、成长、动量、反转、波动率、流动性、市值八大类因子建立多因子模型。使用传统多因子模型估计投资组合的未来收益,使用分层抽样方法剔除了行业的影响,单独检测市值因子在历史不同时间段的表现。我们发现,在过去较长的一段时间内,小市值组合一直占据着较为稳定的优势地位,直到2017年,市值因子风格才完全反转。

我们检测了买入持有、定期调整资产比例、Greedy、Epsilon-Greedy和Thompson Sampling五种策略应用于抽样多因子模型的历史表现。Thompson Sampling在各项指标中都处于领先地位,尤其是在2017年没有收到市场风格转换影响,表现出了较好的适应性,实现了持续盈利。

我们发现Thompson Sampling更适用于具有周期性的资产投资将会更具优势。我们又构建了股票和债券的混合模型,更明显的体现出了该方法在周期轮动情况下的适应能力。

我们认为,Thompson Sampling在现实中的应用可以与市场判断相结合。当判断市场未来更多体现震荡行情时,可以使用这种方法来平滑风险;当判断市场未来更多体现趋势行情时,可以使用其他更偏重动量的策略,以取得更高的短期投资收益。在长期投资中,总的来说Thompson Sampling方法会优于其他方法,因为没有任何趋势可以一直持续,市场的周期性已经被很多研究论证过了。

未来,我们会继续研究更多的在线学习模型,探索其适用范围、运行机制、收益来源以及成果的延续能力,并将其应用扩展到更多领域,如行业轮动、资产配置等。

风险提示:随着市场环境变化,模型存在失效风险。