金融工程研究報告金融工程研究組分析師：梁俊煒執(zhí)業(yè)證書編號：S1410524090001相關(guān)研究報告量化因子掘金系列（四）構(gòu)建選股復(fù)量化因子掘金系列（三）遺傳算法因量化因子掘金系列（二）應(yīng)用神經(jīng)網(wǎng)◆研究要旨：本研究運用OpenFE自動特征生成算法，搭建因子挖掘工作流。通過最大化夏普合成，獲得最終的選股因子，并根據(jù)因子值分組構(gòu)建組合。該框架融合了基本面、量價和191Alphas等三個不強(qiáng)型因子、含交互項的因子和最終的合成因子。本文對這些因子進(jìn)行了回測，分析和應(yīng)用，并對比分析不同的因子合成方法在此場景下的效果差異。控制優(yōu)異，最大回撤36.4%小于基準(zhǔn)，最大回撤持續(xù)約1個自然月，驗證了其收益與風(fēng)控的平衡?！舨呗蕴攸c：這些組合過擬合程度低，通過嚴(yán)格篩選和因子處理，降低數(shù)據(jù)中的噪聲干擾，魯棒性好。模塊應(yīng)用更便捷，運行過程更高效。調(diào)倉頻率為周度，一定程度減少了交易損耗。回撤控制優(yōu)異，回撤修復(fù)較快?！粢蜃訉Ρ龋?91Alphas和傳統(tǒng)基本面和量價因子的凈值分布均為非正態(tài)，從統(tǒng)計上看均有右偏傾向，個別因子表現(xiàn)可以非常好。在不依賴正態(tài)性的檢驗中，兩類因子的方差和中位數(shù)并無顯著差異，在較寬泛條件的t檢驗中，兩類因子的均值也無顯著差異。從總體上，不能說191Alphas顯著更強(qiáng)。但在不同時域和選股域上可能會存在個體差異。這些因子都有不同的適用場景和頻率。通過OpenFE的特征生成方法，不僅生成增強(qiáng)型因子，而且挖掘出包含不同域之間交互項的因子，充分挖掘各域因子的獨特優(yōu)勢與潛在關(guān)聯(lián)，實現(xiàn)多維度數(shù)據(jù)的有機(jī)整合，以此構(gòu)建出更具預(yù)測能力與市場適應(yīng)性的選股因子體系?！麸L(fēng)險提示：本報告中所采用的模型及其預(yù)測結(jié)果可能受到多種因素的影響，包括但不限于模型構(gòu)建方法、參數(shù)估計的準(zhǔn)確性、所依賴的假設(shè)條件以及模型應(yīng)用的局限性等。此外，市場環(huán)境和外部條件是動態(tài)變化的，歷史數(shù)據(jù)無法完全預(yù)測未來的市場走向。本文提供的信息應(yīng)僅供參考，投資者在做出投資決策時應(yīng)謹(jǐn)慎，并結(jié)合實際市場分析和專業(yè)意見。江海證券有限公司及其關(guān)聯(lián)機(jī)構(gòu)在法律許可的情況下可能與本報告所分析的企業(yè)存在業(yè)務(wù)關(guān)系，并且繼續(xù)尋求發(fā)展這些關(guān)系。因此，投資者應(yīng)當(dāng)考慮到本公司可能存在影響本報告客觀性的利益敬請參閱最后一頁之免責(zé)條款敬請參閱最后一頁之免責(zé)條款 3 3 3 5 5 72.3基本面及量價因子 8 4回測環(huán)境和因子處理 風(fēng)險提示 敬請參閱最后一頁之免責(zé)條款圖1、本研究的因子挖掘與合成工作流 4圖2、組合凈值表現(xiàn) 4圖3、不同合成方法的對比 14圖4、移動窗口的大小選擇 14圖5、因子分組回測結(jié)果 15圖6、組合凈值表現(xiàn) 16表1、組合表現(xiàn)統(tǒng)計 5 6 6 7表5、本研究使用的基本面及量價因子 9表6、基本面及量價因子在樣本內(nèi)回測的表現(xiàn) 10表7、因子對比 10表8、因子分組表現(xiàn)統(tǒng)計 15表9、組合表現(xiàn)對比 16敬請參閱最后一頁之免責(zé)條款3傳統(tǒng)量化研究依賴人工經(jīng)驗構(gòu)建因子，流程繁瑣且效率低下。尤其在面對高頻數(shù)據(jù)（如Level2）或復(fù)雜財務(wù)報表時，人工遍歷所有可能的特征組合不可行。因此，我們希望在《江海潮涌，星辰引航：量化因子掘金系列》中提出一些實用性強(qiáng)的因子構(gòu)建方法。OpenFE是一種自動特征生成算法，旨在通過特征增強(qiáng)和兩階段評估框架，高效準(zhǔn)確地識別數(shù)據(jù)中的有用特征。實驗表明OpenFE在多個基準(zhǔn)數(shù)據(jù)集和Kaggle競賽中優(yōu)于現(xiàn)有方法，甚至能與人類專家生成的特征相競爭。并且其使用簡便，與因子挖掘框架結(jié)合度大。因此，我們嘗試使用OpenFE生成因子，評價其效果。通過枚舉法生成海量候選因子，覆蓋傳統(tǒng)方法難以觸及的組合形式。而在Reduce階段，采用兩階段篩選（連續(xù)二分法+多因子檢驗快速剔除冗余特征，保留信息增益顯著的因子。此框架將人工經(jīng)驗轉(zhuǎn)化為系統(tǒng)化流程，解決了“特征空間爆炸”與“計算效率低下”的雙重難題。通過梯度提升思想快速評估特征增量貢獻(xiàn)，避免重新訓(xùn)練模型的耗時操作。而GPU加速與內(nèi)存優(yōu)化，顯著提升運算速度。本研究的模型訓(xùn)練是在云計算中實現(xiàn)的。OpenFE的引入本質(zhì)上是數(shù)據(jù)驅(qū)動與算法驅(qū)動的結(jié)合。在數(shù)據(jù)維度爆炸、策略同質(zhì)化加劇的背景下，其通過自動化特征工程打破人工經(jīng)驗上限，同時兼顧可解釋性與計算效率。這一技術(shù)路徑不僅適應(yīng)當(dāng)前高頻、多源數(shù)據(jù)的研究需求，也為因子挖掘提供了可復(fù)用的方法論框架，成為量化研究從“人工密集型”向“算法密集型”轉(zhuǎn)型的實用工具。的因子，經(jīng)過回測、篩選和因子處理后，作為OpenFE輸入，生成增強(qiáng)型的敬請參閱最后一頁之免責(zé)條款因子。然后，通過進(jìn)一步回測篩選和因子處理，再次輸入OpenFE，生成包含不同域之間交互項的因子。再對這些因子進(jìn)行回測、篩選、共線性去除和組合測試。最后通過最大化夏普合成，獲得最終的選股因子，并根據(jù)因子值分組構(gòu)建組合，如圖1所示。初篩去極值、初篩樣本內(nèi)樣本內(nèi)輸入池樣本內(nèi)樣本內(nèi)輸入池基礎(chǔ)量價因子初篩樣本內(nèi)樣本內(nèi)初篩樣本內(nèi)樣本內(nèi)輸入池基礎(chǔ)基本面因子標(biāo)準(zhǔn)化、輸入池基礎(chǔ)基本面因子建立交互項初篩樣本內(nèi)樣本內(nèi)初篩樣本內(nèi)樣本內(nèi)輸入池輸入池輸共線性輸共線性樣本內(nèi)合調(diào)整合調(diào)整面因子和量價因子也做了相應(yīng)的工作，并對比分析了不同的因子合成方法在此場景下的效果差異、不同因子組合的效果。組合凈值表現(xiàn)、累計超額及與基準(zhǔn)（中證全指）的對比如圖2所示。累計超額等權(quán)合成值加權(quán)中證全指敬請參閱最后一頁之免責(zé)條款在A股選股場景中，OpenFE生成的組合年化收益率為24.8%，年化超優(yōu)異，最大回撤36.4%小于基準(zhǔn)，最大回撤持續(xù)約1個自然月，驗證了其收益與風(fēng)控的平衡，如表1所示。組別回測凈值年化收益率年化超額年化波動率阿爾法夏普勝率周勝率盈虧比最大回撤最大回撤起止超額最大回撤超額最大回撤起止等權(quán) 這種組合的優(yōu)勢是，過擬合程度低，通過嚴(yán)格篩選和合成因子控制，降低數(shù)據(jù)中的噪聲干擾，魯棒性好。模塊應(yīng)用更便捷，運行過程更高效。調(diào)倉頻率為周度，一定程度減少了交易損耗?；爻房刂苾?yōu)異，回撤修復(fù)較快。期交易型阿爾法因子。這些因子以捕捉市場微觀交易特征為核心，通過統(tǒng)計方法挖掘價格與成交量之間的動態(tài)關(guān)系，為量化策略提供選股依據(jù)和超額收益來源。所有因子均基于日頻價格與成交量數(shù)據(jù)構(gòu)建，適合捕捉市場短期波動規(guī)律。通過交易型阿爾法策略的研究，發(fā)現(xiàn)交易型阿爾法收益的空間更大、收益穩(wěn)定性更強(qiáng)。本研究使用聚寬平臺提供的因子數(shù)據(jù)，這些因子均來自于個股日頻率的價格與成交量數(shù)據(jù)，并且在編寫短周期交易型因子時，對缺失部分和不合理部分的因子公式進(jìn)行了調(diào)整。這些因子并非都適用于A股市場，因此分別對每個因子進(jìn)行單因子回測，并進(jìn)行初步篩選。191Alphas因子的樣本內(nèi)回測結(jié)果如表2所示。其中因子敬請參閱最后一頁之免責(zé)條款編號編號編號編號編號編號編號123456789可見部分因子表現(xiàn)較優(yōu)秀，可進(jìn)一步應(yīng)用。注意到部分因子的方向不同，在使用時最好進(jìn)行調(diào)整。除了根據(jù)分組回測的凈值表現(xiàn)外，還需考慮曲線形態(tài)，綜合考慮因子的回撤情況、波動性和進(jìn)攻防守能力，如表3所示。圖中編號為對應(yīng)的alpha因子編號。篩選后，這些基礎(chǔ)因子將應(yīng)用OpenFE進(jìn)一步生成特征。敬請參閱最后一頁之免責(zé)條款下面對本研究重點使用的幾個191Alphas因子進(jìn)行介紹，計算方法及說名稱計算方法說明風(fēng)險調(diào)整后的趨勢或反轉(zhuǎn)信號成交量波動短期價格修正與資金行為Alpha100因子的核心是計算過去20日成交量（VOLUME）的標(biāo)準(zhǔn)差。成交量標(biāo)準(zhǔn)差高時，可能伴隨價格波動加劇，反映市場情緒劇烈變化（如利空/利好信息釋放、主力資金異動）。低標(biāo)準(zhǔn)差則可能預(yù)示市場處于觀望期，價格趨勢未明（如橫盤整理階段）。高成交量波動可能暗示流動性枯竭或資金分歧，需警惕價格反轉(zhuǎn)（如高位放量滯漲）。成交量突然放大（標(biāo)準(zhǔn)差驟升）可能捕捉事件沖擊（如業(yè)績公告、政策變動）后的短期交易機(jī)會。分子部分通過VWAP-CLOSE反映當(dāng)日成交均價與收盤價的偏離程度。若VWAP>CLOSE，表明盤中成交均價高于收盤價，可能隱含盤中買方力量較強(qiáng)但尾盤拋壓導(dǎo)致價格回落，形成短期反轉(zhuǎn)信號。若VWAP<CLOSE，則可能暗示尾盤資金流入推動價格上漲，形成動量信號。分母作為標(biāo)準(zhǔn)化參考，敬請參閱最后一頁之免責(zé)條款消除價格絕對水平的影響，便于將因子值轉(zhuǎn)化為相對比率，增強(qiáng)跨股票可比性。對分子和分母分別進(jìn)行全市場截面排名，進(jìn)一步消除市場整體波動的影響，突出個股的相對強(qiáng)弱特征。最終，篩選出VWAP與收盤價偏離程度顯著且相對穩(wěn)定的股票，用于捕捉短期價格修正或量價背離信號。分子較大，可能反映尾盤拋售壓力，次日存在價格反彈可能性。此時因子值較大，可能觸發(fā)買入信號；分子較小，可能暗示尾盤資金搶籌，次日延續(xù)上漲趨勢，形成動量效應(yīng)。因此本因子進(jìn)一該因子同樣由兩部分組成，通過波動性排序反轉(zhuǎn)與價量相關(guān)性的乘積構(gòu)建復(fù)合信號。第一部分，-1*RANK(STD(HIGH,10))。首先計算過去10日最高價（HIGH）的標(biāo)準(zhǔn)差，衡量價格波動性。波動性越高，表明價格短期波動劇烈。然后，對全市場股票的價格波動性進(jìn)行截面排序，波動性越大，排名越靠前。最后，對排序結(jié)果取反，使得波動性越小的股票排名越靠前。這部分反映對低波動性股票的偏好，用于捕捉穩(wěn)定型或反轉(zhuǎn)機(jī)會。與成交量（VOLUME）的時序相關(guān)系數(shù)，范圍[-1,1]。正相關(guān)提示價量齊升/齊跌，反映趨勢延續(xù)（即動量效應(yīng)）的可能；負(fù)相關(guān)提示價量背離，提示反轉(zhuǎn)風(fēng)險。將波動性排序反轉(zhuǎn)（偏好低波動）與價量相關(guān)性結(jié)合，綜合篩選低波動且價量協(xié)同性強(qiáng)的股票，或高波動但價量背離的股票。Alpha042通過波動性排序與價量相關(guān)性的交互作用生成信號。其核心優(yōu)勢在于風(fēng)險與收益的平衡設(shè)計，適合作為多因子模型中的輔助指標(biāo)。本研究使用的基本面因子及量價因子如表5所示。這些因子經(jīng)過因子看板初篩入池。敬請參閱最后一頁之免責(zé)條款計算方式或說明經(jīng)營活動凈收益普通股賬面價値+優(yōu)先股賬面價值+長期債務(wù)賬面價值)/普通股賬面價值賬面市值比最新一季財報的賬面價值與當(dāng)前市值的比值（PB的倒數(shù)）現(xiàn)金流量市值比盈利能力因子描述對銷售或盈利增長預(yù)期不同而產(chǎn)生的收益差異杠桿因子描述高杠桿股票與低杠桿股票之間的收益差異解釋由股票相對的交易活躍度不同而產(chǎn)生的收益率差異每股凈資產(chǎn)(歸屬母公司所有者權(quán)益合計-其他權(quán)益工具)除以總股本預(yù)期利潤市值比每股留存收益每股留存收益捕捉大盤股和小盤股之間的收益差異每股盈余公積表征股票相對于市場的波動敏感度殘差歷史波動率殘差波動率因子描述過去兩年里相對強(qiáng)勢的股票與弱勢股票之間的差異年度平均月?lián)Q手率個交易日為半衰期。對這些因子進(jìn)行樣本內(nèi)回測，回測凈值和凈值曲線如表6所示。基礎(chǔ)因子可以和經(jīng)過OpenFE生成的因子進(jìn)行合成，進(jìn)一步增強(qiáng)組合表現(xiàn)。但要注意去除共線性，及進(jìn)行因子組合測試，觀察其復(fù)合效果。敬請參閱最后一頁之免責(zé)條款111111111111191共有49個因子符合標(biāo)準(zhǔn)，量價及基本面因子有22個因子符合標(biāo)準(zhǔn)。從統(tǒng)計結(jié)果上看，alpha191因子的凈值均值、中位數(shù)、標(biāo)準(zhǔn)差都小于量價及基本面因子。但進(jìn)一步通過統(tǒng)計檢驗，并不能說明這些因子具有明顯的均值、中位值和方差的差異。集來自于正態(tài)分布。t檢驗檢測兩組數(shù)據(jù)的均值。嚴(yán)格意義上，t檢驗基于數(shù)據(jù)是正態(tài)分布的假設(shè)，且兩組數(shù)據(jù)方差相等，其H0為兩組數(shù)據(jù)均值相等。樣本內(nèi)統(tǒng)計數(shù)據(jù)分布為不能拒絕均值不 非正態(tài)分布相等的假設(shè)相等的假設(shè)差相等假設(shè)中位數(shù)相等的假設(shè)敬請參閱最后一頁之免責(zé)條款11Welcht檢驗適用于兩組數(shù)據(jù)方差不等或樣本量差異較大的情形，其H0與t檢驗一致。Levene檢驗是一種方差檢驗方法，更穩(wěn)健且不依賴正態(tài)性，H0為兩組數(shù)據(jù)中位數(shù)相等。除S-W檢驗的p值較小可以拒絕原假設(shè)之外，其余檢驗的p值均較大，不能拒絕原假設(shè)。即，兩類因子的凈值分布均為非正態(tài)，從統(tǒng)計上看均有右偏傾向，個別因子表現(xiàn)可以非常好。在不依賴正態(tài)性的檢驗中，兩類因子的方差和中位數(shù)并無顯著差異，在較寬泛條件的t檢驗中，兩類因子的均值也選股域上可能會存在個體差異。這些因子都有不同的適用場景和頻率。OpenFE是一種自動特征生成算法，旨在通過特征增強(qiáng)和兩階段評估框架，高效準(zhǔn)確地識別數(shù)據(jù)中的有用特征。實驗表明OpenFE在多個基準(zhǔn)數(shù)據(jù)集和Kaggle競賽中優(yōu)于現(xiàn)有方法，甚至能與人類專家生成的特征相競爭。此外，OpenFE證明了特征生成在深度學(xué)習(xí)模型中的價值，能夠進(jìn)一步提升模型性能1。是自動特征生成領(lǐng)域中流行使用的框架，其基本思想是先通過原始特征創(chuàng)建一個候選特征池，然后消除無效的候選特征。在擴(kuò)展階段，通過數(shù)學(xué)運算符（如加減乘除、log、平方等）和組合規(guī)則（如GroupBy、聚合統(tǒng)計）對原始特征進(jìn)行一階或多階變換，生成大量候選特征?？s減階段，通過兩階段篩選（連續(xù)二分法+特征重要性歸因）高效剔除冗余特征，保留對模型預(yù)測能力提升顯著的特征。種有效的評價新特征總量性能的算法，類似梯度提升的思想，通過殘差學(xué)習(xí)快速評估新特征的增量性能。不用像傳統(tǒng)方法一樣重新訓(xùn)練模型。Feature比如，用已有特征訓(xùn)練初始模型后，僅用新特征擬合殘差，避免全量模型重訓(xùn)練，顯著節(jié)省計算資源。兩階段篩選包括粗篩和精篩，鑒于有效特征一般都是比較稀疏的，采用從粗篩到精篩的剪枝算法。粗篩使用連續(xù)二分法1敬請參閱最后一頁之免責(zé)條款12（SuccessiveHalving）動態(tài)分配計算資源，快速淘汰無效特征，精篩結(jié)合特征重要性歸因（如SHAP值），考慮特征間的交互影響，保留高貢獻(xiàn)特征。詐偵測和2016年法國巴黎銀行的索賠管理競賽中，有數(shù)千支數(shù)據(jù)科學(xué)團(tuán)隊參賽?；贠penFE的一個簡單基準(zhǔn)模型，可以分別打敗99.3%和99.6%的數(shù)據(jù)科學(xué)團(tuán)隊。OpenFE在10個基準(zhǔn)數(shù)據(jù)集上達(dá)到了SOTA，并證明OpenFE在特征生成方面與人類專家能力相當(dāng)。OpenFE提供簡潔API，通過Python庫可以快速方便地使用。本文的訓(xùn)練過程是在云計算中實現(xiàn)的。）：5元，滑點設(shè)置：0.2%，每周一按照開盤價調(diào)倉。進(jìn)行單因子回測時，考慮費率但不考慮滑點，進(jìn)行多因子及組合回測時，均考慮費率及滑點。去極值：為減少異常值對模型的干擾，采用標(biāo)準(zhǔn)差法，將2.5倍標(biāo)準(zhǔn)差之外的值調(diào)整為2.5倍標(biāo)準(zhǔn)差的邊界值。極端值會顯著扭曲均值、方差等統(tǒng)計量，導(dǎo)致統(tǒng)計失真，誤判規(guī)律，影響合成效果。標(biāo)準(zhǔn)化：去除量綱差異，使不同特征具有可比性，便于多因子研究。首先根據(jù)股票市值加權(quán)計算均值，然后進(jìn)行標(biāo)準(zhǔn)化處理。即：x=x-mean(x)/std(x)歸一化：將數(shù)據(jù)縮放到[0,1]的范圍。歸一化后可在同一尺度和方向下分析數(shù)據(jù)的變動模式。在組合優(yōu)化中，歸一化可以防止個股因數(shù)值較大而權(quán)重過高。對正向因子進(jìn)行min-max歸一化，對負(fù)向因子進(jìn)行反向的歸一化。使不同向、不同量綱的因子更加可比，便于合成。正向：x=x-min(x)/(max(x)-min(x))反向：x=max(x)-x/(max(x)-min(x))敬請參閱最后一頁之免責(zé)條款13另外，開盤漲停的股票不買入且不能向上調(diào)整，當(dāng)天帶ST標(biāo)識的股票不買入，開盤跌停的股票不能調(diào)出且不能向下調(diào)整，當(dāng)天不能交易的股票不能進(jìn)行任何操作，股票價格采用后復(fù)權(quán)形式，以盡量模擬真實交易環(huán)境。獲得包含不同域的多個交互項的因子后，在樣本內(nèi)對比不同合成方法的效果，如圖3所示。合成前，因子需要去極值化、標(biāo)準(zhǔn)化和歸一化。其中，線性合成指把各因子值簡單加總。Max_ICIR以歷史一段時間的因子平均IC值作為對下一期IC值的期望；以歷史IC值的協(xié)方差矩陣對總體進(jìn)行估計，作為因子下一期的期望波動率，以最大化合成因子的ICIR值2。RollingIC指滾動計算因子過去20天的RankIC值，作為下一期IC的期望，根據(jù)此值計算因子加權(quán)比例。線性斜率合成，指根據(jù)因子的凈值曲線，進(jìn)行線性擬合，以回歸系數(shù)乘以R-square為斜率，斜率越大的曲線權(quán)重越高，這樣同時考慮機(jī)制，全連接層中以線性函數(shù)為合成方式，Tanh為激活函數(shù)，并以排名損失（RankLoss）為損失測度，進(jìn)行訓(xùn)練和合成。線性回歸，指使用線性模型，以因子值為獨立變量，隔日收益率為依賴變量，滾動30天進(jìn)行回歸訓(xùn)練，根據(jù)當(dāng)期因子值與回歸系數(shù)相乘加總合成。最大化夏普，指根據(jù)各因子的回測凈值曲線，滾動計算夏普值，根據(jù)夏普值的大小作為權(quán)重合成。在《量化投資組合管理研究系列之（五）寬基指數(shù)的多因子擇時模型》中，我們同樣發(fā)現(xiàn)最大化夏普合成的效果更好。首先，關(guān)于GRU模型。我們對GRU模型進(jìn)行過多次的調(diào)整和優(yōu)化，但結(jié)果依然不佳。在此情景中并不適合使用，其更適用于更直接的描述變量，比如開盤價、收盤價、交易額、大單流入等變量。其次，線性回歸模型圍繞均值震蕩，反映出這些因子的非線性關(guān)系，線性模型不能很好描述這些因子的非線性關(guān)系。對比xgboost，采用梯度提升樹模型，合成凈值表現(xiàn)提升，部分非線性關(guān)系得以捕捉。再者，根據(jù)IC方法合成的凈值曲線，波動率比較小，但合成效果遜色于xgboost，是因為下一期的IC期望與歷史敬請參閱最后一頁之免責(zé)條款變化，導(dǎo)致估計失真；最后，最大化夏普綜合考慮了因子的風(fēng)險調(diào)整后收益，如果因子表現(xiàn)較穩(wěn)健，那么歷史夏普的參考意義較大，因此合成效果較好。實際上，如果因子足夠純粹，線性相關(guān)性較低，那么簡單的線性合成（非線性回歸，即簡單加總）表現(xiàn)就已經(jīng)很好，如圖3所示。1關(guān)于最大化夏普合成中，滾動計算的窗口大小問題。在樣本內(nèi)，測試不同窗口的回測凈值大小，如圖4所示。其曲線出現(xiàn)先增大后減小的震蕩變化趨勢。為避免數(shù)據(jù)挖掘，結(jié)合經(jīng)驗判斷及回測結(jié)果，我們選定窗口大小為30。窗口大小（天）窗口大?。ㄌ欤獦颖緝?nèi)回測凈值多項式(樣本內(nèi)回測凈值)敬請參閱最后一頁之免責(zé)條款15因子分組回測結(jié)果如圖5所示，因子值最大，組別號越大。其中左圖為分組后，各股票等權(quán)買入；右圖為以合成的因子值為權(quán)重，加權(quán)買入。加權(quán)的方式更適合量化交易系統(tǒng)，進(jìn)行精細(xì)化調(diào)倉。加權(quán)的方式也可觀察是否適合做指增產(chǎn)品。左邊的分組結(jié)果顯示，各組區(qū)分明顯，且單調(diào)性良好，其中共有四組的表現(xiàn)優(yōu)于中證全指，分組結(jié)果實用性較好。右邊的分組結(jié)果顯示，加權(quán)合成提升了凈值表現(xiàn)，反映了因子的有效性：不僅對于分組有效，而且因子值的大小與收益相關(guān)，能較好預(yù)測收益率。最大化夏普合成_因子分組_等權(quán)統(tǒng)計各組表現(xiàn)，如表8所示。其中第一組年化收益率為20.5%，年化超益明顯，勝率較高。最大回撤為36.3%低于基準(zhǔn)，最大回撤起止約為1個自2212345 6789---- 敬請參閱最后一頁之免責(zé)條款因子合成后，根據(jù)因子值進(jìn)行選股，取其中第一組。其中每組大約有4月28日為樣本外回測?？梢姡€在樣本外的表現(xiàn)優(yōu)秀，性能延續(xù)，最大回撤能快速修復(fù)，超額穩(wěn)定性和持續(xù)性較好。累計超額等權(quán)合成值加權(quán)中證全指組合表現(xiàn)統(tǒng)計如表9所示。其中加權(quán)組合年化收益率為24.8%，年化超小于基準(zhǔn)，最大回撤持續(xù)約1個自然月，超額最大回撤為26.4%，超額最大回撤持續(xù)約5個自然月。加權(quán)組合幾乎各項均優(yōu)于等權(quán)組合，再次展現(xiàn)因子的有效性。兩種組合的最大回撤和超額的最大回撤起止一致，顯示系統(tǒng)性風(fēng)險下的一致修復(fù)能力。組別回測凈值年化收益率年化超額年化波動率阿爾法夏普勝率周勝率盈虧比最大回撤最大回撤起止超額最大回撤超額最大回撤起止等權(quán) 敬請參閱最后一頁之免責(zé)條款