统的多因子alpha模型，将可能预测证券超额收益的各种因子视为研究对象，筛选出有效因子，并通过多个alpha因子的组合进一步构建能够产生稳定超额收益的主动量化投资组合。今年以来，曾经普遍被大家当做alpha的因子出现了大幅的回撤，比较典型的因子像是规模、反转等等。
市场的本质是动态的，所处的经济金融环境在不断发生变化，原本有效的alpha因子受到监管政策、市场结构以及投资者预期变动等因素的影响，在当期可能已经退化为了风险因子。随着有效的因子不断的发掘和应用，市场也在学习和进化，传统alpha因子的有效性会逐渐减弱，因子预测能力的波动性将加剧。因子、大类风格的轮动现象普遍存在。
捕捉因子或者风格轮动的最直接方法就是对因子收益率进行建模，试图去预测未来的因子收益率，择时是一件极其困难或者说艺术性更多的任务，对于因子择时是真知还是伪命题的讨论也在投资圈长盛不衰。本次研究我们不从因子收益率预测角度出发，借鉴基于风险的资产配置思想，将更多的注意力集中在风险控制而非收益预测上，在基本保持多因子模型的预测能力的基础上尽可能地控制波动水平和最大回撤。
基于风险的配置模型波动率倒数加权模型
波动率倒数加权模型是比较简单的一种基于风险的配置模型。该模型按照证券波动性水平给组合的成份配置权重，波动大的权重较小，表现稳定的证券可相应提高权重。
最小方差模型
最小方差模型来源于上世纪50年代的Markowiz均值方差理论，即在给定约束条件下组合的期望方差最小化。其导出的优化问题的一般形式如下：
风险平价模型
对风险平价模型更一般的表述为风险预算模型。第i个证券对于组合的风险贡献度定义：
风险平价模型，即各个资产的风险贡献度相同。该非线性方程组的求解将转化为如下的优化问题：
最大分散化模型
该模型试图构造分散程度最大的投资组合，分散程度通过比较组合整体波动率和组合中资产的加权平均波动率的距离来度量，该模型可归结为以下的优化问题：
基于风险的因子动态配置模型选取如下八个主要风格因子作为配置标的：
部分因子长期来看有一定的选股能力，比如：Size、Liquidity、ResidualVolatility、EarningsYield等，但大多数因子呈现出较高的波动性，选股能力并不稳定。另外，大多数因子的相关性不高，但BookToPrice，EarningsYield，以及ResidualVolatility等因子间还保有一定的相关性。因而，合理的配置模型对于这些因子的使用至关重要。
因子收益率定义为将分位数组合（等权组合）的多头超额收益（相对于全市场等权组合）定义为对应因子的收益率。
使用上一章中介绍的四种配置模型来实现风格的配置，另外，再加上简单的等权模型作为对比基准，一共五个配置模型。每个模型将输出因子的配置权重，因子收益率的加权平均即作为该配置模型对应的投资组合收益率。以下是这五个模型的统计结果。
从上述五个模型的对比来看，相对于简单等权模型，四个配置模型在风险上都有改善。从绝对的波动水平上来看，最小方差模型的确实现了整体上最小的年化波动率，但以牺牲了较多的收益为代价。从风险调整的指标信息比率来看，RiskParity模型的效果最好，在有效的较低风险的前提下最大程度保留了收益水平。如果以回撤来衡量风险，同样是RiskParity的模型表现最为优异，最大回撤控制在3%以内，相比于等权模型有了大幅改善。
因子动态配置模型的实际应用实际投资使用中存在如下难以操作的问题：
配置模型基于的是因子分位数Top组合的超额收益率，这要求市场上存在以此为标的的风格指数基金或者本身已经有以此方法构建的子策略。当前A股市场上风格指数基金并不健全，直接投资基金并不可行；如果构建子策略，每个子策略的持股大概在只左右，即使子策略的持股有重叠，也会造成最终的策略持股数量过于庞大而难以操作。
风格因子收益率实际上是以等权市场指数为基准的超额收益率，在实际投资中的基准常常是些主流的指数，比如沪深、中证、中证等。
前面的配置模型没有考虑手续费等交易摩擦，不符合现实。
配置模型转换为因子合成问题：即以配置模型生成的权重作为风格因子合成的因子权重。
简单的增强策略模板：
在每个月的月底，先剔除不能正常交易、涨跌停或者被特别处理的股票。
为了规避行业的风险，在剩下的股票池中我们在每个中信一级行业内按照目标因子对股票进行降序排列，选择前10%的股票形成投资组合。
以中证为基准指数，每个行业以其在中证中的权重加权，行业内的股票等权。
因子收益率：以上述方法构建的目标因子的增强策略收益率作为因子收益率。
分别使用五种风格配置模型，得到的风格配置权重作为因子合成的权重，最后按照该权重将八个风格因子合成为综合的选股因子。最后，再使用该综合选股因子以上述同样的方法构建增强策略。
相对于简单等权模型，四个配置模型在风险上还是有一定的改善作用。
从绝对的波动水平上来看，依然是最小方差模型实现了最低的年化波动率，但同样牺牲了太多的收益率。
从信息比率来看，依然是RiskParity模型的效果最好。
从回撤水平来看，最小方差模型表现的最为突出，然而相比于等权模型，四个配置模型在回撤上都有大幅改善，其中RiskParity和最大分散化模型的表现也可圈可点，值得注意的是最小方差模型和最大分散化模型的最大回撤并非发生在年的上半年，并且最小方差模型在年实现了正的超额收益。
总结本文是兴业证券定量研究团队“宽海拾贝”系列报告的第八篇。在这篇文章中，我们利用基于风险的配置模型对因子配置问题进行了探讨，将每种因子看做一种可投资资产，定义因子收益率为Top组合超额收益率，据此分别构建了波动率倒数加权模型、最小方差模型、RiskParity模型以及最大分散化模型，这些模型相对于等权模型在风险控制上都有不错的改善效果。另外，鉴于实际操作上的障碍，我们以一个具体的选股策略为例，通过对风格因子收益率的修正以及将资产配置问题转换到因子合成问题，把风格配置的结果应用到了实际的投资策略构建上，同样得到了风险改善的选股策略。最后，希望这次关于风格配置问题的一点思考能给您带来启发和帮助，同时我们也将继续探索的进程，向着更高的目标前进！
详情请参阅相关研究报告，或联系兴业证券定量研究团队。
联系人：任瞳
-
E-mail:rentong
xyzq.哪儿治疗白癜风好小孩得白癜风好治吗转载请注明：http://www.bociwangnai.com/tzysbj/276.html
