因子共振指数增强组合构建

（以下内容从申万宏源《因子共振指数增强组合构建》研报附件原文摘录）
　　1. 宏观+因子动量配置方法回顾 在因子新视野系列报告中，我们将依托于经济、流动性、信用三大维度指标的敏感性测试方法应用于风格因子上，我们发现不同风格对宏观因子的敏感性存在差异，主要的结论如下： 1） 估值因子对经济的敏感性最强，经济复苏初期在大盘股中体现为权重股的估值修复、在小盘股中体现为超跌股票的估值修复，盈利等基本面因子在经济下行时表现更好； 2） 小市值因子受益于流动性的宽松，红利在利率上行时受影响较小； 3） 成长因子对以社融为代表的信用最为敏感，而红利、低波等防御属性因子对信用敏感程度低。 以上结论整体稳定性较强，也与逻辑较为符合，因此我们尝试根据因子对宏观敏感性的得分排序与每期宏观指标给出的方向性观点，得到每期重点配置的因子。具体的计算方式为： 1） 每月末，根据历史的GDP同比变化方向、申万金工流动性综合指标、信用综合指标计算因子的宏观敏感性； 2） 根据申万金工的经济前瞻指标、流动性综合指标、信用综合指标方向性观点及滚动计算的因子敏感性调整宏观敏感性得分，然后加总得到各因子每期的综合得分； 3） 若流动性与信用指标未发生背离，则将调整方向后的经济、流动性、信用得分直接加总得到综合分数，若发生背离，则仅将经济、信用得分加总得到综合分数。 最终根据综合分数，选择前三的因子作为当期宏观方法配置的因子。 在复盘宏观方法的因子选择结果时，我们进一步发现通过宏观方法筛选整体在选择时点上偏左侧，与常用的根据因子IC、IR加权或筛选的方法存在差异，因此我们尝试与因子动量的方法进行结合。经过胜率的统计我们发现，宏观方法整体对基本面因子的筛选效果更好，而因子动量方法对于宏观敏感性较弱的价量因子有更好的效果，而两者共同选到的“共振”因子胜率提升都较为明显。因此，最终我们按照如下方案进行因子筛选： 从筛选到的因子的多空表现、股票多头组合表现来看，宏观和因子动量结合后的因子组合都能有更好的表现。 2. 指数增强组合对应因子筛选过程 在目前跟踪的申万金工指数增强组合中，我们主要使用成长、盈利、价值、低波动率、低流动性、长期动量、短期反转、市值、分析师预期、红利十个大类因子，与我们此前报告中使用的因子略有差异，为了保持后续跟踪的一致性，在此次增强组合构建中，我们使用这十个因子的数据进行因子的筛选和股票的选择。 在宏观因子的筛选过程中，我们仍然对所有因子进行敏感性测算，以经济为例，将2009年以来所有月份区分为GDP同比上行、下行的月份，然后计算： 1）不同经济状况下的月均多空收益差：经济上行时因子多空收益越高、经济下行时因子多空收益越低，因子对经济变化越敏感； 2）经济上行时的多空收益为正的频率：经济上行时因子多空收益为正的频率越高，因子受益于经济的程度越高； 3）经济下行时多空收益为负的频率：经济下行时因子多空收益为负的次数越多，因子受经济影响程度越高； 4）不同经济状况下的月均IC差； 5）经济上行时因子IC为正的频率； 6）经济下行时因子IC为负的频率。 对于所有风格因子，我们对其按照6个指标从高到低进行排序，然后将6项排序加总后折算至0~100之间，总分越低的因子代表综合排名越靠前，其对经济的敏感程度就越高。 以2024年4月的测算结果为例，沪深300、中证500、中证1000 3个股票池中因子对经济、流动性、信用敏感程度最高/最低的2个因子如下： 以上规律基本和我们第一部分的结果一致，而3个股票池的结果也较为接近，区别较为明显的是经济下行阶段300、500中盈利占优，而中证1000主要体现为成长，实际都是基本面的逻辑，不同股票池对基本面的侧重有所差异；流动性偏紧时因子特征不突出。 由于以上十个大类因子平均表现相对都较强，且因子做了一定的正交处理后周期属性有所降低，因此我们在宏观筛选时除了选择综合得分前3的因子，也加入了一定的条件： 1） 若因子敏感性得分在50以前但实际在上行阶段收益为负，则剔除该因子；若因子敏感性得分在50以后但实际下行阶段收益为负，也剔除该因子； 2） 若因子在各宏观变量的各方向下多空收益均为正、胜率均高于70%，则将该因子加入配置。 经过以上方法决定宏观筛选的因子后，我们再使用各因子12个月的ICIR来选择前3的因子，然后依然根据基本面因子主要参考宏观、价量因子主要参考动量的左右侧结合方法（由于不同因子在不同股票池中的平均表现有所差异，部分因子在单个方法下选择概率较低，因此我们根据历史胜率特征对左右侧因子略有调整，整体遵循基本面因子主要参考宏观、价量因子主要参考动量的特点，详细规则见附录）来选择最终的因子，由于500、1000中价量因子本身表现较强，在左右侧结合时我们按照因子动量方法和宏观方法2:1的方式加权，而300中等权结合。3个股票池2023年下半年以来的因子选择如下： 23年下半年，红利、低波、低流动性的共振频率较高，而24年以来多数时间未产生共振，5月开始低流动性产生共振。 下面部分中，我们按照以上因子筛选结果进一步构建指数增强组合。 3. 指数增强组合构建 3.1 沪深300增强组合 针对沪深300，我们首先尝试在风险模型的框架下进行指数增强组合的构建： 1） 每月末使用第二部分选中的因子及对应的权重（共振因子权重为单一左、右侧因子的2倍）与因子过去12个月的ICIR相乘得到因子权重，然后对因子加权得到每只股票的因子得分； 2） 设置优化目标为因子加权得分最大化，设置基本风险约束为各申万一级行业偏离在0.5%以内，至少80%为指数成份股，其余股票在300+500+1000股票池中，并设置个股权重上限、换手限制、与指数偏离上限； 3） 根据因子观点计算风险敞口规则：未选择的因子敞口限制在0.2倍标准差以内，共振因子敞口为1.5倍标准差，其余单一左、右侧因子为1倍标准差以内。 按照该方法得到的组合历史表现情况如下： 控制敞口的组合直接使用ICIR加权并将各因子敞口都控制在0.2倍标准差以内，而动量增强组合的构建方式为使用前面第二部分中ICIR选择的因子进行加权得到因子得分，并对选择的因子放1倍标准差的敞口，2017年以来因子动量方法本身已得到10%以上的相对沪深300的超额收益，而加入宏观方法后，因子共振组合的波动、回撤降低，夏普率和信息比有小幅度提升，不过由于2024年提前判断从红利方向转出，共振策略相对动量组合的表现有所收缩，截止去年9月，共振组合能超越动量组合年化1%。 沪深300因子共振指数增强组合的历史超额收益曲线如下： 动量、因子共振指数增强组合的历史年度收益情况如下： 共振组合在基本面因子有效性更强的年度整体表现更为出色，每年相对指数都有较明显的超额收益，在动量跑输的2019年也能有超过4%的增强。 而如果我们希望宏观+因子动量共振方法选择的组合能够在非指数增强的其他场景使用，例如作为固收+策略的底仓等，我们也可以直接使用因子得分排序方法选择沪深300股票池中排名靠前的股票构建组合。我们使用综合筛选到的因子与因子ICIR对因子进行加权，每月选择加权得分最高的60只股票，并与普通的全部因子ICIR加权选股的组合进行对比如下： 多头组合历史上的表现相对更强，但风险暴露较为极致、跟踪误差大，信息比仅在1.28，明显低于优化的增强组合。 3.2 中证500指数增强组合 类似于沪深300，对中证500，我们也尝试构建相同的风险模型框架下的指数增强组合，除了前面我们提到的宏观与动量的加权方式上更偏向动量，其余主要为敞口规则和基本约束上的差异：基本风险约束为各申万一级行业偏离在0.5%以内，至少80%为指数成份股，其余股票市值因子位于前70%；敞口规则上，未选择的因子敞口限制在0.2倍标准差以内，共振因子敞口为2倍标准差，其余单一左、右侧因子为1倍标准差以内。 中证500指数增强组合的历史表现如下： 中证500因子共振组合相对动量组合2017年以来的收益提升幅度也较弱，但相对指数的超额收益也超过10%，且组合的信息比有较明显的提升；2020年以来，组合年化超额收益约为12.5%，超越动量组合约1%，年度收益如下： 组合同样在基本面因子较为有效的年份体现了更突出的进攻性，2019-2020年超额收益最突出。 3.3 中证1000指数增强组合 对于中证1000，我们也尝试构建相同的风险模型框架下的指数增强组合,同样我们在宏观与动量的加权方式上更偏向动量，其余主要为敞口规则和基本约束上的差异：基本风险约束为各申万一级行业偏离在0.5%以内，至少80%为指数成份股，其余股票市值因子位于前80%；敞口规则上，未选择的因子敞口限制在0.2倍标准差以内，共振因子敞口为1倍标准差，其余单一左、右侧因子为0.8倍标准差以内。 可以看到，为了控制跟踪误差，我们在中证1000上给予的敞口整体更小。 中证1000指数增强组合的历史表现如下： 中证1000的组合中，共振组合的超额收益达到15%，对动量组合的提升相对明显，组合的信息比同样有明显的提升。组合的年度收益如下： 收益的分布情况与中证500的结果更为接近，除了2019-2020，2021-2023年每年都有约20%的超额。 4. 风险提示及声明 本报告模型根据历史数据构建，准确度受限于历史数据的长度；模型历史表现不代表未来，宏观及市场环境大幅变化时模型可能失效。 5. 附录 5.1申万金工宏观量化指标构成 在给出经济观点时，我们主要根据每月末的前瞻综合指标给出，每月末我们通过历史24个月滚动标准化的方法对找到的15个领先指标的周期项序列进行处理，把处理后的指标向过去回推相应领先期数后，进行简单的等权平均，得到合成结果。然后我们利用每一个指标的周期项序列拟合ARIMA模型，根据模型外推得到未来的指标周期项数值，将所有指标外推值和实际值合成后即可得到前瞻综合指标在未来时点的数值，我们根据当前综合指标的周期位置判断经济方向。前瞻指标具体构成如下： 截至2024年3月末的周期位置如下： 在给出综合流动性观点时，我们使用利率、货币投放、超储率三个维度的指标： 对于三项数据，2项及以上给出同向判断的，则以此为最终货币环境判断；若1、3相反且2为0，则以1的信号为准。2024年3月末的结果如下: 在给出信用观点时，我们使用信用价格、信用总量以及结构三类指标，他们都能反映信用环境的变化，也能互为补充，大类指标及细分项2023年11月末的结果如下： 在指标合成上，我们对各大类指标内部求平均后加总，得到-3~3之间的值。 5.2不同股票池的左右侧因子区分 3个股票池中，参考宏观、因子动量方法的左右侧因子分别如下： 沪深300、中证500的划分基本遵循基本面因子参考宏观、价量因子参考动量的结论，仅有沪深300中的低流动性因子进行了调整，主要原因是该因子IR整体弱于其他因子，按照动量方法无法筛选到。而中证1000中，价值、红利因子在因子动量方法下的有效性明显更强，即偏估值的因子在小股票池中更类似价量的特征；而短期反转在因子动量下无法筛选到，因此划为左侧因子。 5.3申万量化选股因子库

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）