中信期货-权益因子择时专题报告：初探因子择时的模型和方法选择-220613

《中信期货-权益因子择时专题报告：初探因子择时的模型和方法选择-220613（21页）.pdf》由会员分享，可在线阅读，更多相关《中信期货-权益因子择时专题报告：初探因子择时的模型和方法选择-220613（21页）.pdf（21页精品完整版）》请在悟空智库报告文库上搜索。

因子择时：收益与风险并存。

由于时序时数据的低信噪比特点，择时策略虽具有理论可行性，但预期表现并不稳定。

对择时策略可偏谨慎参与，将其作为收益增厚方案或卫星策略进行配置。

因子的因子：选择因子估值、因子换手、因子beta、因子离散度、因子收益波动率和因子动量作为因子的择时指标。

这些指标均能从一定程度上反映因子某一维度的预期收益能力，可以用于生成因子择时信号。

传统回归法在因子择时中的效果：使用经典时间序列回归和主成分回归对因子收益率进行择时。

对于动量因子而言，二者差距不明显，但对于波动率因子主成分回归要优于时间序列的直接回归。

机器学习与AI算法在因子择时中的应用初探：采用非线性和机器学习算法或能进一步捕捉因子与因子收益率之间的非线性关系。

在测试的逻辑回归、支持向量机、单层神经网络和XGBoost四种算法中，XGBoost较线性策略而言提升最为明显，其余算法在一定参数下也多有更优表现。

后续可以考虑一般线性和机器学习算法的组合信号进行因子择时，进一步优化策略的择时能力。

风险提示：模型/方法/参数失效、数据区间有限、时序噪音和择时的不确定性。