因子投资软件(因子投资小册子)

领500g书库，关注公众号:程叫兽的宝藏 (长按可复制！)

热门下载区==>点此链接进入<<<

本文节选自《因子投资软件》

7.1收益率模型:获取“阿尔法?”在使用多因子模型作为量化工具来获取超额收益的实践中，收益率模型是最重要的模块。顾名思义，收益率模型就是为了预测收益率。业界很多量化研究员由二要工作下站集中了此。本节的目标就是把开发收益率模型时应注意的问题图清。7.1.1”基本术语在正式开始介绍之前，有必要阐明接下来要用到的基本术语。收益率模型的作用是预测股票的收益率，从而获得超过基准的超额收益。在主动投资中，通党把全市场指数或者某个宽基指数的收益率选为基准。开发收益率模型的目标就是找到能够预测股票收益率的变量，这些变量往往是通过股票的量价或者财务数据计算的指标。在海外业界，这些变量有一个贴切的名字:returnpredictors，即收益率预测变量。由于收益率模型的作用是获得相对基准的超额收益，而超额收益通党由cx表示，因此国内业界有时也把这些预测变量称为\"阿尔法因子”。然而，在本书基于式〈1.3)的统一视角下,“阿尔法因子”这个称呼是不准确，甚至错误的，其中存在两个问题。为了说明这两个问题，考虑以下的例子。第一，由于和收益率呈正相关，账面市值比〈(BM)和常被拿来作为预测变量放在收益模型中。第二，特质性波动率异象凸的收益率无法被定价模型解释。因此，特质性波动率〈IVOL)也是一个优秀的预测变量。在这两个例子中，BM和IVOL都是业界口中的“阿尔法因子”。下面来看第一个问题。首移，在本书围绕式〈1.3)的统一视角下没有“阿尔法因子”这个概念。而如果将“阿尔法因子\"拆成“阿尔法”和“因子\"两个词，它们在本书的术语中指的也并非预测变量。回到上述例子。BM是构建价值因子的变量，使用它构建的投资组合是价值因子，IVOL是构建特质性波动率的变量，通过它构建的投资组合是特质性波动率异象。根据1.1.3节的说明，价值因子被称为

因子投资组合 做空

定价因子，特质性波动率异象则被称为异象因子，而BM和IVOL分别是构建这两个因子的变量。学术界在实证资产定价研究中会严谨地区分这两类因子，且会区分因子和构建因子的变量。由于本书的术语遵循了学术界的惯例，因此“阿尔法?或“因子?\"在本书的术语中代表的是蜡象或者因子这些投资组合，而非它们背后的变量。这和业界使用“阿尔法因子?指代变量不同。再看第二个问题。回顾BM和IVOL的例子，前者是构建价值因子的变量，而后者是构建特质性波动率异象的变量。这两个例子说明收益率预测变量既可以对应式〈1.3)右侧的8部分(如BM)，又可以对应式〈1.3)碳侧的wx部分〈如IVOL)。而“阿尔法因子”由于强调“阿尔法”，似乎仅仅对应x部分，而忽略像BM这样也能够预测股票收益率的变量，但这显然不是业界的做法思。业界关心所有能够预测股票收益率的变量〈无论它们在学术界看来是一个因子变量还是一个异象变量)，因为只要某个变量能够区分高收益和低收益股票，就可以通过它来选股并获取超额收益。总结一下上述讨论。第一，本书遵循学术界的惯例，因此“阿尔法”和\"“因子\"指代的是异象和因子投资组合，而非它们背后的变量，反观业界使用“阿尔法因子?则是指代变量。第二，在式《〈1.3)的视角下，收益模型中的预测变量既可以是异象变量〈对应xc)，又可以是因子变量《对应84)，而“阿尔法因子”一词有强调“阿尔法”即异象变量之意。基于上述原因，下文将不会使用“阿尔法因子”这个称呼，而是使用《收益)预测变量表示收益率模型的研究对象。其实，哪种术语惯例更好是见仁见智的问题。以上的讨论并非强调学术界的术语比业界的称呼更合理，反之亦然。然而，由于因子投资包含的内容十分丰富，研究和实践因子投资的人更是数不胜数，因此一个人口中的“因子”未必是另一个人口中的“因子”。本节一

因子投资andrew ang

开篇之所以花费不小的篇幅强调术语，是希望帮助ee的概念和定义，使读者在学习因子投资时不因术语小ko。7.1.2“寻找预测变量寻找收益率预测变量是主动管理的核心所在。在业界，量化研究员的主要工作就是开发“阿尔法”模型，除了维护已有的预测变量，还得不断学习、与时俱进，不断寻找新的预测变量。在这方面，可以从以下三个方面入手:发现新异象、改进已有预测变量以及使用另类数据。第一个方向，从常见的行情数据和公司财务出发，寻找尚未被发现的变量。这类尝试在二三十年前相对容易，如今随着异象挖掘越来越深入，要找到全新的异象盒发困难，这从近年来讨论新异象的论文越来越少也可以看出端倪。第二个方向，改进已有预测变量。很多时候，已有的变量虽然有效，但在构造方法上仍存在提升和优化空间。例如，6.7.4节讨论的ROA，可以将其分解为效率和效用两部分，从而提升异象的收益率。另外还有一些变量，随着社会和经济的发展慢慢变得不再合理，因此也需要改造。这其中最典型的例子要数BM。很多新经济〈如很多科技公司)投入大量的研发费用，但它们并没有体现在净资产中;，同理，广告文出对公司商业形象和未来收入会产生持续影响，也没有考虑进兆资产。因此，对BM的一个改进思路驶是将广告和研发文出加回净资产，以它们生生分二BM。改进后的BM变量比起原始BM人能够获得更高的超额收益(Liuetal.2019)。第三个方向，利用妃类数据，寻找尚未被开芋的宝藏。传统的量价数据和财务数据，已经被挖掘到了山穷水尽的田地。受益于数据存储和计算的快捷，研究员们将目光投向了另类数据。另类数据的含义非常宽泛，只要和传统数据不同，只要可能存在新的信息，均会受到重视。常见另类数据包括交易社区数据、微观数据、ESG数据包、电商数据以及卫星和气象数据等，本书7.8.1节将会对另类数据

因子投资安德鲁电子书

综上：因子投资小册子值得推荐阅读