国泰君安_20160309_2016年春季策略研讨_如何将阿尔法因子转化为超额收益

1 2016 年春季策略研讨会 如何将阿尔法因子转化为超额收益 姓名：刘富兵 邮箱： liufubing008481@ 电话： 021-38676673 证书编号： S0880511010017 姓名：李辰 邮箱： lichen@ 电话： 021-38677309 证书编号： S0880114060025 证券研究报告 2016 年 03 月 01 日 国泰君安证券 2016 春季策略研讨 会 国泰君安证券 2016 年春季策略研讨会 • 目录 03 01 02 引言 阿尔法因子与风险模型 阿尔法因子的组合特征 2 请参阅附注风险提示请参阅附注风险提示 04 一些稳定的阿尔法因子 05 阿尔法因子收益率的预测 国泰君安证券 2016 年春季策略研讨会 • 引言引言 3 请参阅附注风险提示请参阅附注风险提示 《基于组合权重优化的风格中性多因子选股策略》 《中证 500 之阿尔法验金石》 《如何控制跟踪误差》 Ø 较为完成的阐述了基于 A 股市场结构化多因子风险模型的构建思路，刻画了 A 股市场的风险结构。 Ø 利用组合权重优化的方法构建了基于市场中性、行业中性、风格中性、组合跟踪误差控制约束下的最优投资组合，取得了较为稳定的超额收益。 国泰君安证券 2016 年春季策略研讨会 • 引言引言 4 请参阅附注风险提示请参阅附注风险提示 组合累计收益统计（样本外： 2015.4-2016.2 ） 策略样本外累 积超额收益 13.5% ，最大 回撤 4.26%, 信息比率 2.10 策略样本外累 积超额收益 34.2% ，最大 回撤 3.80%, 信息比率 3.45 国泰君安证券 2016 年春季策略研讨会 • 引言引言 5 请参阅附注风险提示请参阅附注风险提示 自 2015 年 9 月增加跟踪误差控制后累计收益（ 2015.9-2016.2 ） 对冲沪深 300 组合设定 年化跟踪误差上限 3% 。 实际实现年化跟踪误差 3.01% 。累积收益率 4.1% ，最大回撤 0.63% ，信息比率 3.02 对冲中证 500 组合设定 年化跟踪误差上限 5% 。 实际实现年化跟踪误差 6.50% 。累积收益率 16.8% ，最大回撤 2.11% ，信息比率 5.29 国泰君安证券 2016 年春季策略研讨会 • 引言引言 6 请参阅附注风险提示请参阅附注风险提示 本系列报告《如何将阿尔法因子转化为超额收益》将在原有风险模型的基础 上，重点阐述阿尔法因子与风险模型相结合的应用问题，力争使策略在风险 精确可控的前提下获得更高的超额收益率。 Ø 我们将从阿尔法因子的组合特征分析着手，给出基于风险模型的阿尔法因子构造和检验的一般流程，并进一步对阿尔法因子收益率进行定量预测。 Ø 然而，找到有效的阿尔法因子与最终实现阿尔法因子所包含的超额收益还有着本质的区别。 Ø 系列报告将回答几个重要问题，例如： 1 ）影响阿尔法因子实际暴露的几个因素； 2 ）是否需要将阿尔法因子加入风险矩阵； 3 ）风险模型对阿尔法因子收益率的损耗及最优跟踪 误差设定等。 国泰君安证券 2016 年春季策略研讨会 • 目录 7 请参阅附注风险提示请参阅附注风险提示 03 01 02 引言 阿尔法因子与风险模型 阿尔法因子的组合特征 04 一些稳定的阿尔法因子 05 阿尔法因子收益率的预测 国泰君安证券 2016 年春季策略研讨会 • 阿尔法因子与风险模型阿尔法因子与风险模型 8 请参阅附注风险提示请参阅附注风险提示 阿尔法因子与风险模型结合的效果就是希望通过阿尔法因子创造超额收益， 同时通过风险模型控制组合风险暴露与跟踪误差，两者相辅相成，最终实现 组合稳健战胜市场基准的效果。 国泰君安证券 2016 年春季策略研讨会 • 目录 9 请参阅附注风险提示请参阅附注风险提示 03 01 02 引言 阿尔法因子与风险模型 阿尔法因子的组合特征 04 一些稳定的阿尔法因子 05 阿尔法因子收益率的预测 国泰君安证券 2016 年春季策略研讨会 • 阿尔法因子的组合特征阿尔法因子的组合特征 10 请参阅附注风险提示请参阅附注风险提示 研究阿尔法因子需回答 3 个问题： 1 ）阿尔法因子如何定义？ 2 ）一个阿尔法因子包含了怎样的信息？ 3 ）如何才能深入本质的探究纯粹的阿尔法因子？ Ø 第一个问题，定性的回答，即： 所谓阿尔法因子，是对股票收益率具有显著且稳定影响的某一变量，同时 该影响是剔除所有因子对股票收益的作用而独立存在的。 其中，显著性、稳定性和独立性是阿尔法因子定义的 3 个必要条件。 Ø 后面 2 个问题，我们通过阿尔法因子的组合特征进行分析，即构造一个可以 反应阿尔法因子内在特征的组合。 国泰君安证券 2016 年春季策略研讨会 • 阿尔法因子的组合特征阿尔法因子的组合特征 11 请参阅附注风险提示请参阅附注风险提示 阿尔法因子的组合特征 Ø 简单因子组合（ Simple Factor Portfolio ） Ø 纯因子组合（ Pure Factor Portfolio ） Ø 最小波动纯因子组合（ Minimum Volatility Pure Factor Portfolio ） 国泰君安证券 2016 年春季策略研讨会 • 阿尔法因子的组合特征阿尔法因子的组合特征 12 请参阅附注风险提示请参阅附注风险提示 Ø 简单因子组合（ Simple Factor Portfolio ） 例如：对某一类因子暴露值选取前 20% 构建多头，选取后 20% 构建空头。 Ø 简单因子组合是一种便捷有效的研究因子特征的方法，其构建的多空组合往往包含了阿尔法因子的部分特征。 Ø 以离散度因子为例，在每自然月末选择全市场离散度因子值最低的 20% 等权重做多，离散度因子值最高的 20% 股票等权重做空，不计交易成本。其中，离散度因子的计算方 法为： 其中 为 Fama–French 三因子回归方程的残差， 即为特质波动率， 则为回归方程的解释系数。 2 1() Dispersion ititit xRs e=- it e 2 it R 国泰君安证券 2016 年春季策略研讨会 • 阿尔法因子的组合特征阿尔法因子的组合特征 13 请参阅附注风险提示请参阅附注风险提示 离散度简单因子组合收益统计分析 年化收益率20.69% 年化波动率9.63% 月交易胜率76% 信息比率2.14 月频率最大回撤6.25% 月超额收益盈亏比1.59 收益回撤比 3.47 国泰君安证券 2016 年春季策略研讨会 • 阿尔法因子的组合特征阿尔法因子的组合特征 14 请参阅附注风险提示请参阅附注风险提示 Ø 但是，虽然简单因子组合是研究因子阿尔法特性的有效方法，其缺点也同样十分明显，即简单因子组合提供了阿尔法因子的选股逻辑，但却无法证明超额收益来源于该选股逻辑， 更无法反应仅属于目标因子的内在收益风险特征。更重要的是，简单因子组合的超额收益在多因子选股逻辑下无法线性叠加，使得多因子选股的效果大打折扣。 Ø 利用归因模型分解离散度简单因子组合收益率来源，如下图： 国泰君安证券 2016 年春季策略研讨会 • 阿尔法因子的组合特征阿尔法因子的组合特征 15 请参阅