论文部分内容阅读
随着大数据时代的来临,量化投资技术日益发展和普及,市场规模和份额不断扩大,投资业绩相当亮眼。多因子模型是量化模型中的重要一环,通过有效因子选出更值得投资的股票构建投资组合,更有可能获得稳定的高收益。 本文选择了39个可以预测横截面股票收益的因子作为备选因子,并根据其性质特征将其分为估值类因子、基本面因子、趋势类因子、技术类因子、风格类因子以及偿债能力类因子。以2011年第一季度至2016年第二季度为样本期,以A股1694只股票为样本,分别对备选因子进行有效性检验、相关性检验、聚类分析和主成分分析,最终选出14个有效因子或因子组合加入B arra模型。 通过估计入选因子在样本期内各个季度的因子载荷和显著程度,最终提炼了9个总体有效因子、8个熊市有效因子、4个牛市有效因子和8个震荡市有效因子,构建总体因子选股模型和分市场因子选股模型,并根据两个模型分别构建总体因子股票组合和分市场因子股票组合,按季度调仓,通过历史回测,两个组合均有不俗的表现,相对于市场基准沪深300而言获得了较高的超额收益。同时,分市场因子股票组合比总体因子股票组合表现更为优异,与市场的关联度更好,敏感性也更强。此外,相比于牛市而言,主动选股策略在熊市和震荡市中更为有效。