摘 要

多因子选股策略是当前国内量化投资基金的主要投资策略之一，其目的是获取超额收益率（ALPHA）。多因子选股模型通过统计建模寻找可以解释股价变化的因子，并以通过这些因子构建出可以获取超额收益的选股策略。但传统的多因子策略对市场上的股票不加区别的打分评价，忽视了选股因子在不同风格股票中有着不同的有效性。对属于不同行业、不同流通盘大小、不同债务杠杆水平、不同估值状况的股票可以采用不同的评估体系对选股因子评分，构建更为合适的策略。

本文以PB因子分层为例，将沪深300指数成份股全部股票分为高PB和低PB两种特征情景。对于每一种不同的情景，我们根据该情景下Alpha因子IR的值来决定其权重的高低，构建了一套情景Alpha模型。实证检验表明，根据该情景多因子模型构建的沪深300指数增强策略和模拟对冲组合在超额收益和稳定性方面都大幅战胜传统的多因子Alpha模型，纯多头时的Alpha收益达到56.7%，信息比率高达 2.504，最大回撤为8.8%。对冲组合的年化收益率为 16.9%，最大回撤仅为3.2%。

关键词：多因子选股策略；沪深300指数；因子信息系数

Abstract

Multi-factor stock selection strategy is one of the major investment strategies of quantitative investment management in domestic market today. By statistical modeling, the factors accounting for the change of stock price can be found in the multi-factor stock selection model. Based on these factors, ALPHA staregy is established to gain excess return. However, traditional multi-factor strategy weighted factors to pick stock in a same way, which ignored the characteristics of different stocks. The strategywill be more reasonable to adopt different evaluation systems to assess the factors of stocks of various indusries, market value sizes and balance sheets.

In this paper, we divided stocks in HS300 Index as high PB stocks and low PB stocks. For each of the different scenarios, we determine the weight of the alpha factor according to the factor IR and make a scenario model. The empirical test shows that this scenario model can make more profit than traditional multi factor alpha model in complete long position and after hedging. The Alpha yield of pure long is 56.7%, the IR is as high as 2.504 and the maximum retracement is 8.8%. The annualized return of hedge portfolio is 16.9% and the maximum retrancement is only 3.2%.

Key words: Multi-factor stock selection strategy；HS300 Index；factor information coefficients

目 录

第1章 绪论 1

1.1 选题背景 1

1.2 研究意义 1

1.3 国内外研究现状 2

1.4 本文研究思路和行文框架 2

1.5 创新和不足 4

第2章 多因子选股模型相关理论 5

2.1 多因子选股模型原理 5

2.2 多因子模型的发展 5

2.3情景分层多因子模型 6

2.4 因子效用检测理论 6

2.5 因子有效性相关理论. 7

2.6 多因子选股策略绩效评估指标. 8

第3章 分层因子的筛选及实证检验 11

3.1 数据准备 11

3.2 因子策略数据预处理 11

3.3 基于因子IC序列的分层因子的初步筛选 12

3.4 分层效果检验方法--以PB因子为例 17

第4章 模型构建与比较 19

4.1 构建个股的情景特征向量 19

4.2 因子等权重评分选股模型的构建 20

4.3 基于PB情景分层的多因子选股模型的构建 22

第5章 总结与展望 25

5.1 总结 25

5.2 展望 25

参考文献 26

附录A：本文所用代码 27

附录A1：因子等权重评分策略代码 27

附录A2：情景分层策略代码 29

附录A3：对冲与风险指标代码 31

附录B：本文所列因子参照表 33

附录C：PB、PE在PB分层下因子IC显著性检验结果 36

致谢 37

第1章 绪论

1.1 选题背景

经过27年的建设我国证券市场已形成了主板，创业板，中小板，新三板等多重资本市场。证券市场的快速发展一方面让投资者有更多可供选择的投资品种，同时也提高了投资者获取更大收益的难度。如何从众多股票中选取一系列股票构造股票池并获取超额收益是每个专业投资者都会关心的问题。利用股票具有收益能力的特征进行选股是投资者较为常用的方式，例如“高转送概念”投资策略，是将同样具有“高转送”属性的股票作为一个投资组合池，在里面进行选股，而多因子选股策略，就是同时考虑多个因子，将资金投资于具有这些因子特征的股票池中^[2]。选股因子能够采用行业类别、企业财务状况等基本面指标，也可以是RSI,KDJ等技术指标，多因子模型通过股票可计量的属性建立公共因子来解释投资的α收益，其目的也是为了获取更高的超额收益率^[3]。

目前国内投资界主要的选股方法是基于股票技术面和股票基本面。但无论是传统技术面指标还是传统基本面指标都依赖于投资者个人经验，难免会受到情绪波动的影响。而量化投资可以避免人的情绪干扰，并更有效率的处理股票相关数据。近年来在统计学，大数据的发展带动下量化投资基金已然成为现代基金行业发展的方向。多因子模型由于考虑情况丰富，建模过程较简单且在实际投资中收益不俗获得投资者的青睐。如今国内已有大量基金采用多因子选股的量化投资方法来操作，如天弘永定价值成长、国泰估值优势股票、中欧潜力价值灵活配置混合等。但传统多因子采用同一股票评分体系，没有考虑到股票的独有特征，而不同个股的基本面属性可能存在非常大的区别。例如，一个低市盈率、高 ROA 和高市值的大盘股，在选股模型中与一个高市盈率、低 ROA 和低市值的小盘股的实际可比性会大大降低。因此一个优质的投资策略应该考虑股票独有的风格因子，采用多样化的标准来对其进行评分，比如考虑个股所属行业，个股的成长能力等。当某个不属于多因子模型所考虑的因子发生了巨大变化时，可能干扰投资收益^[4]。对因子在不同情景下赋予不同权重，可以有效避免多因子模型在因子变化时失效。