French - Data LibraryKen French 教授的 精彩資料庫 (特別是 49 Industry Portfolio 資料集),在華爾街的大佬們也經常用到的資料,對於多因子的研究,這裡提供了高質量的研究資料和方法
- 線性迴歸 -- 隨機森林迴歸 -- 支援向量迴歸 -從影象中我們可以清楚地看到,無論基於哪種迴歸演算法,我們都能得到單調的分檔超額收益率,而其對數收益曲線界限也非常明朗,這證明了該因子在該段時間內是顯著有效的,這也就意味著如果我們採用純
》中策略所使用的33個因子進行計算,構建的線性迴歸模型如下:以股票某一個交易日的因子資料為特徵x,之後某一段時間股票的漲幅為結果y,各個股票為樣本的訓練集m
但就像因子投資能增強股票收益一樣,基於因子的動態貨幣對沖策略也能為組合增值
資料來源於萬德基金資料瀏覽器-基金概念類-量化基金在這裡,量化基金別分成3類,主動型,被動型,對沖型截止到2016年12月6日,總共有63只公募量化主動型產品規模規模最大的三隻是長信量化先鋒(74億)、大摩多因子策略(41億)、光大核心(3
資料來源:因子研究SMART BETA 超額回報儘管考慮到這些提供高分散收益的因素,投資者應該分配到構建為多空投資組合的因子,但大多數投資透過只做多的 smart beta ETF
所謂“多因子模型”,就是尋找那些對股票收益率最相關的影響因素,用這些(因子或指標)來刻畫股票收益並進行選股
小編聽說小市值股票收益好,如果把市值這個因子也加進去會怎麼樣呢
迴歸法所謂迴歸法,就是用過去的股票的收益率對多因子進行迴歸,得到一個迴歸方程,然後再把最新的因子值代入迴歸方程得到一個對未來股票收益的預判,然後再以此為依據進行選股,並對選股模型的有效性和收益率進行評價
MFM多因子模型定量刻畫了股票預期收益率與股票在每個因子上的暴露程度及每個因子的預期收益率之間的關係
Research Affiliates透過對大量基金的業績追蹤和分析得到了以下結論:交易成本——始終是最重要的因素:— 儘可能降低交易成本— 降低交易費用— 避免績效滑點——需要簡單而透明的制度深思熟慮的策略設計同樣重要:— 對於‘
題目說明:多因子模型假設大量股票的未來收益率中的可預測部分由少數幾個因子決定
多因子模型的構建多因子量化選股的原理不難理解,即認為股票收益率是由一系列因素(因子)決定的,根據經濟金融理論或市場經驗尋找這些因子,然後透過對歷史資料的擬合和統計分析進行驗證和篩選,最後以這些因子的組合作為選股標準,買入滿足這些因子的股票
本系列Live將分八期,以下是各期主要內容,以供選擇參考:(一)模型概述(二)相關金融基礎與Matlab資料處理技巧(三)基礎資料、因子構建與單因子檢驗(四)篩選有效因子、構建選股模型(五)組合最佳化器、歷史回測與迴歸分析(六)進階技術與閱
如果此時只看解釋力度較大的前面m個主成分,將忽略掉的主成分組合收益之和記為,並且讓收益時序在時間維度上展開:這個公式和多因子(一)對比可知,如果將各個主成分組合的收益時序看作是一個因子的收益時序,那麼PCA分析相當於一個每隻股票有一個不隨時
如果組合存在基準組合,則需要根據基準組合在各個行業的權重分佈,確定行業偏離約束4.3 因子暴露約束:多因子模型本身是一個追求寬度的模型,所以為避免在某些因子上暴露過大導致風險過高,需要對因子暴露進行一定的約束4.4 個股上下限約束:因為賣空
1、規模類因子:總市值,流通市值,自由流通市值2、估值類因子:市盈率(TTM),市淨率,市銷率,市現率,企業價值倍數3、成長類因子:營業收入同比增長率、營業利潤同比增長率,歸屬於母公司的近利潤同比增長率、經營活動產生的現金流金額同比增長率4
在使用QEPM中的最大化因子IC_IR的最佳化方法組合多個因子後,能夠明顯提升因子選股的穩定性,資訊比率達到4.0,對沖指數後最大回撤僅4.4%
在足夠長的時間內,某基金經理使用特定的多因子模型進行選股,那麼:1 如果他所使用的多因子模型和業績歸因的多因子模型使用同一套因子,那麼業績歸因的因子貝塔值將會顯著地不等於0,模型能夠準確捕捉他的投資風格