中泰证券-“纯洁alpha”动量下的行业轮动策略：资产定价+统计学习-201010

《中泰证券-“纯洁alpha”动量下的行业轮动策略：资产定价+统计学习-201010（28页）.pdf》由会员分享，可在线阅读，更多相关《中泰证券-“纯洁alpha”动量下的行业轮动策略：资产定价+统计学习-201010（28页）.pdf（28页精品完整版）》请在悟空智库报告文库上搜索。

◆研究背景尽管有充分的学术文献记录表明行业回报率是可预测的，之前有关研究也显示中泰证券，国内的行业指数收益是可以预测的，但研究显示基于预测的模型稳健性不好。

考虑到行业动量效应在A股市场越来“纯洁alpha”动量下的行业轮动策略越明显，从动量的角度来构建行业轮动策略是最直观的方法。

当然，单纯的从收益率角度资产定价+统计学习来构建策略也可以，但从稳健性角度来讲，需要构建更科学、更体系的模型。

中泰证券Sarwaretal.,2017在论文中论述了运用Fama-French5因子（后简写为FF5）计算行业组合alpha，并使用该alpha动量在美股市场中实现行业轮动策略，获得了超额收益。

我们这个模型就是在参考GolamSarwar等人利用Fama五因子下alpha动量构建行业轮动策略的基础上，引入统计学上的潜在因素（Latentfactor）模型，通过获得更“纯洁”的alpha，来构造更有效、更稳健的行业轮“纯洁alpha”动量下的行业轮动策略动策略。

◆“纯洁alpha”传统FF-5alpha由于因子间的共线性，是一个有偏估计，更重要的是，我们能够观测到或者挖掘到的因子是资产定价+统计学习有限的、静态的，在衡量组合业绩时，应该考虑所有能够解释组合业绩的因子。

但是，这个中泰证券难度较大。

“纯洁alpha”动量下的行业轮动策略我们参考YangSong和QingyuanZhao（2017）提出的利用潜在因子模型来评价组合的业绩表现。

和事先指定因子集合不同，这个资产定价+统计学习方法利用组合收益率估计出因子。

直觉是中泰证券，如果因子能够解释组合的横截面收益，那么我们一定能够利用基础资产来复制出这个因子，这个因子带来的额超额收益不应该被认为是超额收益，因为他不是单个资产特有的。

关于这个方法的技术解决方案是一个成熟的统计算“纯洁alpha”动量下的行业轮动策略法――ConfounderAdjustedTestingandEstimation(CATE)，来估计潜在因子模型。

CATE当初被用来处理资产定价+统计学习基因之类的复杂数据。

计算分两步：第一步，利用极大似然估计来中泰证券找出因子，并且估计出组合资产在这些因子上的载荷。

第“纯洁alpha”动量下的行业轮动策略二步，利用横截面回归，加入潜在因子，估计出横截面alpha，此时alpha剔除了更多的共同因子，我们称之为“纯洁alpha”。

资产定价+统计学习◆行业轮动策略业绩表现回测利用20130101-20200731中信一级行业指数收益率数据。

评价文中中泰证券不同参数下的策略表现，主要看多空对冲组合的夏普比，夏普比越高，代表策略表现越好、稳健性越好，分析显示采用分三组月度调仓的模式，表现最好。

普通FF-5a“纯洁alpha”动量下的行业轮动策略lpha和纯洁alpha策略业绩对比，纯洁alpha对冲组合夏普为1.40，普通alpha下的对冲组合夏普为1.26，纯洁alpha策略夏普比有一定的提升。

纯洁alpha下的多头行业组合年化收益为20资产定价+统计学习.17%，普通alpha下的年化收益为19.46%，看似年化收益提升不多，实则潜在因子下的纯洁alpha在行业选择上已经有了大幅提升，因为我们组合选取十个优秀行业，每个行业等权配置，纯洁alpha新选入的行业收益一定是有了比较大幅的提升，才带来组合相对传统alpha的0.84%的年化超额收益。