量化策略演进手记系列之二：引入多维价量信息的风格因子轮动.pdf

量化策略演进手记系列之二：引入多维价量信息的风格因子轮动。本报告中，我们从传统动量、技术指标、衍生动量指标、因子估值及拥挤度、因子组合内 部分化等多维度的价量指标，对单一的因子动量筛选因子的过程进行了补充，希望能更准 确地识别当前阶段的强势因子。在指标的计算中，我们主要使用因子多头组合的数据，针 对 4 个负向因子即低波动率、低流动性、短期反转和小市值因子，我们同步尝试加入反方 向，关注可能的反向机会。

初始特征构建：

1）动量及技术指标：传统动量指标近年来在股票池、时序上分化都较为明显，2020 年之 前因子动量的有效性明显强于 2020 年后，对此我们补充了净值分位数、创新高次数指 标，衰减程度尚可。在技术指标上，我们计算了 SMA、EMA、RSI、BB、MACD 等指标， 有较多技术指标在各股票池中的衰减情况要好于经典动量、衍生动量指标，在 2021 年之 后依然保持了不错的筛选效果。

2）因子估值和因子拥挤度：我们根据因子组合的估值、换手率及其变化情况来构建估值、 拥挤度相关指标，整体来看，因子估值、拥挤度这类偏左侧的指标，在 A 股因子上横向排 序效果较差，但对部分因子尤其是大盘股中的因子有一定的高位警示作用。

3）组合内部分化指标：我们补充了因子组合内部股票的涨跌分布、分化情况指标，多个 因子 IC 的平均水平、稳定性要好于简单动量，能够作为因子筛选的补充。

多维价量指标的动态合成：我们一共计算了 60 个因子组合维度的价量特征，我们尝试静 态合成和动态合成等不同方法，将多维价量指标、因子估值等信息进行合成，对原来使用 动量筛选因子的方法进行加强。动态合成方法使用先随机森林筛选重要特征、再等权合成 的方式，比其他复杂模型更为稳健、IC 更高，从因子选择来看，中证 500 中高波动率、 高流动性、短期动量等反向因子近一年的选择频次明显较高，而中证 1000 中的因子选择 更偏向常规方向，新的合成信号比原来的 ICIR 信号对空头表现出色的异常现象明显更加 敏感。

与因子共振模型的结合：我们将动态筛选有效因子的“升级版”因子价量筛选标准和原来 因子共振模型的宏观部分进行组合，并尝试周度、月度调仓的新因子共振组合测试。新合 成信号下，周度调仓的组合相比于原因子共振组合表现有了进一步的提升，提升重点在近 三年因子动量有效性减弱之后。但周度调仓整体换手率会有所提升，因此我们也尝试仍降 至月频，每月末使用过去 4 周的信号等权合成后执行优化，沪深 300 的月频方案仍然保 持了不错的表现，但中证 500 的方案有明显下降，这也说明中证 500 中较多选择的高波 动率、短期动量等反向信号需要更高频次的监控，不宜长期使用。