【光大金工 | 多因子系列报告】分层优化体系:融合行业轮动的指数增强模型
（以下内容从光大证券《【光大金工 | 多因子系列报告】分层优化体系:融合行业轮动的指数增强模型》研报附件原文摘录）
多因子系列报告之三十五 特别声明：本订阅号中所涉及的证券研究信息由光大证券金融工程研究团队编写，仅面向光大证券专业投资者客户，用作新媒体形势下研究信息和研究观点的沟通交流。非光大证券专业投资者客户，请勿订阅、接收或使用本订阅号中的任何信息。本订阅号难以设置访问权限，若给您造成不便，敬请谅解。光大证券研究所不会因关注、收到或阅读本订阅号推送内容而视相关人员为光大证券的客户。 报告发布时间：2020.07.03 分析师：胡骥聪 | 执业证书编号：S0930519060002 分析师：刘均伟 | 执业证书编号：S0930517040001 刘均伟 | 金融工程首席分析师 执业证书编号：S0930517040001 021-52523679 | liujunwei@ebscn.com 胡骥聪 | 金融工程高级分析师 执业证书编号：S0930519060002 021-552523683 | hujicong@ebscn.com 摘要 指数增强一直是量化投资中受关注度最高的产品类型之一，目前较为主流的方法是基于多因子的（且控制行业暴露度）组合优化体系。在此体系基础上，本篇报告将更进一步，深入研究在指数增强中能否融入行业轮动模型的信息，并搭建出具有普适性的指数增强体系，最终构造出效果更为突出且稳定的指数增强组合。 构建分层优化体系：同时注重信息融入与模块独立。不同于直接以指数本身的风格、行业作为基准进行多因子组合优化构建增强组合，分层优化体系搭建了两层逐步优化的步骤：（1）先基于行业轮动模型的观点在指数原始行业配置的基础上进行超/低配调整，并相应缩放调整相应成分股的权重，为后续的选股优化提供行业暴露及个股暴露的参照基准。（2）再根据调整后的行业与成分股权重基准，运用多因子选股信息进行组合优化，构建出最终的指数增强组合。该体系在尽量运用行业与选股信息的同时，也保持了行业指标与选股因子的模块独立性。 分层优化体系显著提高沪深300增强组合的增强幅度：超额收益提高3个百分点，信息比率提高0.5。在EBQC综合质量因子的基础上，运用分层优化体系分别尝试结合SAMI行业轮动信息及ADC_Revise行业轮动信息。在分层优化沪深300增强（SAMI+EBQC）中，组合在2010/1-2020/5期间年化超额收益7.4%，信息比率1.84。相比纯多因子沪深300增强，超额收益提升3个百分点，信息比率提升0.5。而分层优化沪深300增强（ADC_Revise +EBQC）在2016/6-2020/5期间相比纯多因子沪深300增强组合，在超额收益上亦有3个百分点以上提升，信息比率提升幅度也接近0.5。 行业信息在指数成分股上的预测能力显著影响分层优化体系实际效果：推荐利用在指数内效果更好的行业轮动指标。由于指数内行业成分股与行业指数的走势存在一定差异，SAMI轮动指标与在中证500指数内的行业轮动效果有限。受此影响分层优化在中证500增强中的提升效果较小。分层优化中证500增强（SAMI+中证500复合因子）在2010/1-2020/5期间年化超额收益12.7%，信息比率1.98。相比纯多因子中证500增强组合，在超额收益上提升1个百分点，信息比率提升0.2。 风险提示：结果均基于模型和历史数据，模型存在失效的风险。 1. 分层优化：融合轮动与选股信息 在主流多因子的指数增强体系中，为了更好地控制组合的跟踪误差，往往会控制其在各种风格以及行业上的暴露程度。在这过程中，所谓风格或行业暴露都是默认以指数本身实际的风格或行业情况作为基准。这样处理的一个优势在于能够使多因子的信息仅在我们希望体现的维度上进行，而摒弃掉其它风格与行业可能带来的不确定性影响。 然而，如果我们不仅有多因子作为股票截面的预测信息，同时还有对行业的截面观点。一个自然衍生出来的需求即为：是否可以在尽量不影响多因子选股信息的同时，将行业截面信息融合进指数增强体系，从而进一步提升增强效果？这样的需求暗含两个要求：信息的独立性（模块化）、效果的叠加性（可增强）。针对这样的需求，我们在传统多因子增强体系基础上进行改进，构造了分层优化指数增强体系。其主要逻辑是： 1. 先基于行业截面信息对指数的行业权重进行优化调整； 2. 将该优化后的行业权重替换掉指数原始行业权重，作为之后多因子组合优化时的行业暴露控制基准； 3. 再基于多因子（或复合因子）进行传统的因子组合优化，得到该截面上各股票权重。 该章节将沿着上述逻辑展开，细述分层优化增强体系的构造方式。为后续阐述方便，我们以IS（Industry Score）指代行业轮动截面得分；以AS（Alpha Score）指代个股复合因子得分。 1.1、基于行业轮动信息优化指数内行业配置 第一层优化是基于行业轮动模型的观点在指数原始行业配置的基础上进行超低配调整，并相应缩放调整相应成分股的权重；从而为后续的选股优化提供行业暴露及个股暴露的参照基准。具体优化分两步，方式如下： 1. 确定超/低配调整后的指数内行业权重：通过组合优化，得到指数优化后的行业权重配比。复合指标信息将同时通过参与目标函数及约束条件，来达到信息传递。具体优化模型及参数设置为： 其中， w：行业权重向量； w_bench：指数原始行业权重向量基准； u：量级调整后的行业指标得分向量（一般默认缩小两个数量级，即 ）； ∑：行业指数协方差矩阵； x为行业相对基准的固定偏离约束和行业相对基准基于行业截面指标值动态调整的偏离约束。 2. 按超/低配调整后的行业权重，调整成分股权重：对于每个指数成分股，其权重等于原始权重乘以调整后的行业权重与原始权重的比值。即不改变指数内同一行业的成分股之间的权重比例： 1.2、基于复合选股因子优化成分股权重 第二层优化运用个股的复合因子得分通过优化器来确定个股持仓权重。这跟目前主流的因子组合优化的操作方式基本相同，唯一不同的地方在于约束条件中行业约束与个股约束中，对应的基准不再是指数原本的配置，而是经过上一节优化后的配置。具体优方式如下： 其中， w：个股权重向量； w_bench：经过行业优化后的个股权重向量基准； u：个股复合因子向量AS； X为风格因子暴露矩阵，X_upper和X_lower分别为上下限； I为行业哑变量矩阵，I_upper和I_lower分别为上下限; x为个股权重相对基准的偏离约束. 2、实证测试：有效提升组合增强幅度 在描述完分层优化指数增强体系的具体构建方式后，本章节将分别测试分层优化体系在沪深300及中证500上运用的增强效果。以及对比仅仅运用多因子选股信息的主流多因子增强体系，测试分层优化体系能够带来多大改善空间。 在测试中，我们尝试2个不同的行业轮动指标：SAMI轮动指标及ADC_Revise轮动指标；因子选择上，在沪深300增强上运用EBQC综合质量因子，而在中证500增强上运用中证500增强复合因子。以上提及的轮动指标及选股因子具体构造方式及逻辑均可参见报告附录部分。 2.1、沪深300增强：分层优化提升幅度显著 对于沪深300增强，我们之前的多因子增强体系，主要是基于EBQC综合质量因子的选股信息。从2010年1月到2020年5月其增强效果年化超额收益4.4%，信息比1.33。 2.1.1、SAMI轮动指标 + EBQC综合质量因子 我们先测试如果利用SAMI轮动指标的行业信息，在不改变之前多因子增强体系优化参数的基础上，运用分层优化体系构建增强组合的效果。具体参数如下表： 在融入SAMI轮动信息后，分层优化增强组合年化收益率9.4%，相对沪深300指数年化超额收益率7.4%，相比对照组（主流多因子体系增强组合）在年化超额收益上提高了3个百分点。同时信息比率上也有较大提升，从之前的1.33上升到1.84；而跟踪误差变化不大，仍在4%以内；相对最大回撤也控制在6%以下。 观察超额净值的分年度数据，在2010到2020年这11年里，分层优化增强组合有9年跑赢纯多因子增强组合，仅在2011年及2014年小幅跑输不到0.5%。可见在行业轮动信息较有效的前提下，分层优化体系能较稳定地体现行业信息，提升增强组合的增强幅度。 以上测试验证了在构建原始EBQC沪深300组合优化的参数（行业暴露15%、市值暴露5%）下，分层优化体系能显著提升增强组合的收益与信息比。为了确定这样的效果提升是否具有普适性，有没有明显的参数依赖现象，我们继续对行业暴露与市值暴露这两个参数做敏感性测试。两个暴露程度参数分别遍历 [0.05, 0.10, 0.15, 0.20]。 从[市值暴露, 行业暴露]参数敏感性测试可以看出，分层优化对增强组合带来的提升效果受优化参数影响较小。在测试的参数样本内，分层优化增强相比对照组（纯多因子优化增强）在年化超额收益上平均提升3个百分点，在信息比率上平均提升0.5。 2.1.2、ADC_Revise轮动指标 + EBQC综合质量因子 除了可以运用SAMI行业轮动指标配合EBQC因子来构成沪深300分层优化指数增强，我们还可以尝试将光大ADC行业轮动模型的信息作为分层优化中行业配置的指导基础。由于ADC模型的信号本身不是一个完整的截面数值指标，因此在此先需要将其指标化。具体指标化的操作过程可详见报告文末附录部分，为方便起见，我们称调整后的ADC模型指标为ADC_Revise轮动指标。 通过简单的IC统计，看出在最近4年（2016/06 – 2020/05）ADC_Revise轮动指标的行业截面预测能力稍强于SAMI轮动指标。 测试在默认参数（行业暴露15%、市值暴露5%）下，ADC_Reivse+EBQC分层优化增强的表现。在2016年6月到2020年5月间，分层优化增强组合年化收益率14.4%，相对沪深300指数年化超额8.9%，相比对照组（纯多因子体系增强组合）在年化超额收益上提高了3.2个百分点。信息比率则从2.06上升到2.53。 可以看出在将行业指标从SAMI替换成预测能力更强的ADC_Revise后，虽然分层优化体系仍能较好地提升组合的增强效果，但相比于分层优化（SAMI+EBQC）组合带来的提升幅度并没有显著差异。 2.2、中证500增强：分层优化提升幅度不明显 对于中证500增强，在我们纯多因子增强体系中，主要是基于我们优选出的14个单因子通过滚动历史2年组合ICIR最优化的方式构建的复合因子来进行增强组合搭建。从2012年7月到2020年5月其增强效果年化超额收益11.7%，信息比1.79。 2.2.1、SAMI轮动指标 + 中证500增强复合因子 与之前在300增强组合的测试类似，我们先测试在不改变纯多因子增强体系优化参数的基础上，加入SAMI轮动指标行业信息的分层优化体系，能对最终构建出增强组合带来怎样的效果提升。具体参数如下表： 在融入SAMI轮动信息后，分层优化中证500增强组合年化收益率18.8%，相对中证500指数年化超额收益率12.7%。分层优化组合相比于对照组（纯多因子体系增强组合）在年化超额收益上提高了1个百分点，信息比率则是从1.79上升到1.98；而跟踪误差与相对最大回撤基本变化不大，分别控制在6.5%与7.5%以下。 观察分层优化体系及对照组在中证500增强组合超额净值的分年度数据，在2012到2020年这9年里，分层优化增强组合有6年跑赢纯多因子增强组合。同时可以看出，在加入行业信息后，分层优化体系增强组合受益于信息维度分散化的优势，在逐年稳定性上也有一定提高。 在测试了默认参数（行业暴露10%、市值暴露10%）下分层优化指数增强（SAMI+中证500复合因子）的效果后，可以看出分层优化体系在中证500上相比传统纯多因子体系在超额收益及信息比上所带来的改善幅度，远不及在沪深300上那么明显。一个很重要的原因是SAMI轮动指标本身是对于行业整体的截面预测判断，而指数中的行业成分股与行业指数走势本身有一定差异性。权重股占比更高的沪深300，其内部行业成分股与行业指数的走势更为接近，因而能够更好地利用指数内行业权重优化带来的益处。 在本小节最后，针对中证500增强的构建，我们对行业暴露与市值暴露这两个参数也做敏感性测试。两参数分别遍历 [0.05, 0.10, 0.15, 0.20]。 从[市值暴露, 行业暴露]参数敏感性测试结果可以看出，在中证500上分层优化对增强组合带来的提升效果亦较稳定，参数敏感性低。在测试的参数样本内，分层优化增强相比对照组（纯多因子优化增强）在年化超额收益上平均提升1个百分点，在信息比率上平均提升0.18。 2.2.2、ADC_Revise轮动指标 + 中证500增强复合因子 与沪深300中的测试一样，我们最后观察在默认参数（行业暴露10%、市值暴露10%）下，中证500（ADC_Reivse+EBQC）分层优化增强的表现。在2016年6月到2020年5月间，分层优化增强组合年化超额收益率5.4%，信息比率1.02；这个数据与纯多因子增强组合5.5%的超额年化、1.03的信息比率几乎一样，并未产生提升作用。 3、总结 针对当前指数增强的纯多因子体系，本文构造并重点阐述了将行业截面信息与因子选股信息综合利用的分层优化体系。并基于不同的行业指标与选股因子分别测试其在沪深300与中证500指数上的应用效果。具体结论如下： 构建分层优化体系：同时注重信息融入与模块独立 不同于直接以指数本身的风格、行业作为基准进行多因子组合优化构建增强组合，分层优化体系搭建了两层逐步优化的步骤：（1）先基于行业轮动模型的观点在指数原始行业配置的基础上进行超/低配调整，并相应缩放调整相应成分股的权重，为后续的选股优化提供行业暴露及个股暴露所参照的基准。（2）再根据调整后的行业与成分股权重基准，运用多因子选股信息进行组合优化，构建出最终的指数增强组合。该体系在尽量运用行业与选股信息的同时，也保持了行业指标与选股因子的模块独立性。 分层优化体系显著提高沪深300增强组合的增强幅度：超额收益提高3个百分点，信息比率提高0.5 在EBQC综合质量因子的基础上，运用分层优化体系分别尝试结合SAMI行业轮动信息及ADC_Revise行业轮动信息。在分层优化沪深300增强（SAMI+EBQC）中，组合在2010/1-2020/5期间年化超额收益7.4%，信息比率1.84。相比纯多因子沪深300增强，超额收益提升3个百分点，信息比率提升0.5。而分层优化沪深300增强（ADC_Revise +EBQC）在2016/6-2020/5期间相比纯多因子沪深300增强组合，在超额收益上亦有3个百分点以上提升，信息比率提升幅度也接近0.5。 行业信息在指数成分股上的预测能力显著影响分层优化体系实际效果 由于指数内行业成分股与行业指数的走势存在一定差异，SAMI轮动指标与在中证500指数内的行业轮动效果有限。受此影响分层优化在中证500增强中的提升效果较小。分层优化中证500增强（SAMI+中证500复合因子）在2010/1-2020/5期间年化超额收益12.7%，信息比率1.98。相比纯多因子中证500增强组合，在超额收益上提升1个百分点，信息比率提升0.2。 风险提示 报告结论均基于历史数据与模型，模型存在失效的可能，历史数据存在不被重复验证的可能。 光大证券机构签约客户如需阅读完整的报告内容，请注册小程序后查看。 更多详细内容敬请参考光大金工的完整报告《分层优化体系：融合行业轮动的指数增强模型——多因子系列报告之三十五》 联系人：胡骥聪 邮箱：hujicong@ebscn.com 电话：021-52523683 特别声明：本订阅号是光大证券股份有限公司研究所（以下简称“光大证券研究所”）金融工程研究团队依法设立、独立运营的官方唯一订阅号。其他任何以光大证券研究所金融工程研究团队名义注册的、或含有“光大证券研究”、与光大证券研究所品牌名称等相关信息的订阅号均不是光大证券研究所金融工程研究团队的官方订阅号。 本订阅号所刊载的信息均基于光大证券研究所已正式发布的研究报告，仅供在新媒体形势下研究信息、研究观点的及时沟通交流，其中的资料、意见、预测等，均反映相关研究报告初次发布当日光大证券研究所的判断，可能需随时进行调整，本订阅号不承担更新推送信息或另行通知的义务。如需了解详细的证券研究信息，请具体参见光大证券研究所发布的完整报告。 在任何情况下，本订阅号所载内容不构成任何投资建议，任何投资者不应将本订阅号所载内容作为投资决策依据，本公司也不对任何人因使用本订阅号所载任何内容所引致的任何损失负任何责任。 本订阅号所载内容版权仅归光大证券股份有限公司所有。任何机构和个人未经书面许可不得以任何形式翻版、复制、转载、刊登、发表、篡改或者引用。如因侵权行为给光大证券造成任何直接或间接的损失，光大证券保留追究一切法律责任的权利。
多因子系列报告之三十五 特别声明：本订阅号中所涉及的证券研究信息由光大证券金融工程研究团队编写，仅面向光大证券专业投资者客户，用作新媒体形势下研究信息和研究观点的沟通交流。非光大证券专业投资者客户，请勿订阅、接收或使用本订阅号中的任何信息。本订阅号难以设置访问权限，若给您造成不便，敬请谅解。光大证券研究所不会因关注、收到或阅读本订阅号推送内容而视相关人员为光大证券的客户。 报告发布时间：2020.07.03 分析师：胡骥聪 | 执业证书编号：S0930519060002 分析师：刘均伟 | 执业证书编号：S0930517040001 刘均伟 | 金融工程首席分析师 执业证书编号：S0930517040001 021-52523679 | liujunwei@ebscn.com 胡骥聪 | 金融工程高级分析师 执业证书编号：S0930519060002 021-552523683 | hujicong@ebscn.com 摘要 指数增强一直是量化投资中受关注度最高的产品类型之一，目前较为主流的方法是基于多因子的（且控制行业暴露度）组合优化体系。在此体系基础上，本篇报告将更进一步，深入研究在指数增强中能否融入行业轮动模型的信息，并搭建出具有普适性的指数增强体系，最终构造出效果更为突出且稳定的指数增强组合。 构建分层优化体系：同时注重信息融入与模块独立。不同于直接以指数本身的风格、行业作为基准进行多因子组合优化构建增强组合，分层优化体系搭建了两层逐步优化的步骤：（1）先基于行业轮动模型的观点在指数原始行业配置的基础上进行超/低配调整，并相应缩放调整相应成分股的权重，为后续的选股优化提供行业暴露及个股暴露的参照基准。（2）再根据调整后的行业与成分股权重基准，运用多因子选股信息进行组合优化，构建出最终的指数增强组合。该体系在尽量运用行业与选股信息的同时，也保持了行业指标与选股因子的模块独立性。 分层优化体系显著提高沪深300增强组合的增强幅度：超额收益提高3个百分点，信息比率提高0.5。在EBQC综合质量因子的基础上，运用分层优化体系分别尝试结合SAMI行业轮动信息及ADC_Revise行业轮动信息。在分层优化沪深300增强（SAMI+EBQC）中，组合在2010/1-2020/5期间年化超额收益7.4%，信息比率1.84。相比纯多因子沪深300增强，超额收益提升3个百分点，信息比率提升0.5。而分层优化沪深300增强（ADC_Revise +EBQC）在2016/6-2020/5期间相比纯多因子沪深300增强组合，在超额收益上亦有3个百分点以上提升，信息比率提升幅度也接近0.5。 行业信息在指数成分股上的预测能力显著影响分层优化体系实际效果：推荐利用在指数内效果更好的行业轮动指标。由于指数内行业成分股与行业指数的走势存在一定差异，SAMI轮动指标与在中证500指数内的行业轮动效果有限。受此影响分层优化在中证500增强中的提升效果较小。分层优化中证500增强（SAMI+中证500复合因子）在2010/1-2020/5期间年化超额收益12.7%，信息比率1.98。相比纯多因子中证500增强组合，在超额收益上提升1个百分点，信息比率提升0.2。 风险提示：结果均基于模型和历史数据，模型存在失效的风险。 1. 分层优化：融合轮动与选股信息 在主流多因子的指数增强体系中，为了更好地控制组合的跟踪误差，往往会控制其在各种风格以及行业上的暴露程度。在这过程中，所谓风格或行业暴露都是默认以指数本身实际的风格或行业情况作为基准。这样处理的一个优势在于能够使多因子的信息仅在我们希望体现的维度上进行，而摒弃掉其它风格与行业可能带来的不确定性影响。 然而，如果我们不仅有多因子作为股票截面的预测信息，同时还有对行业的截面观点。一个自然衍生出来的需求即为：是否可以在尽量不影响多因子选股信息的同时，将行业截面信息融合进指数增强体系，从而进一步提升增强效果？这样的需求暗含两个要求：信息的独立性（模块化）、效果的叠加性（可增强）。针对这样的需求，我们在传统多因子增强体系基础上进行改进，构造了分层优化指数增强体系。其主要逻辑是： 1. 先基于行业截面信息对指数的行业权重进行优化调整； 2. 将该优化后的行业权重替换掉指数原始行业权重，作为之后多因子组合优化时的行业暴露控制基准； 3. 再基于多因子（或复合因子）进行传统的因子组合优化，得到该截面上各股票权重。 该章节将沿着上述逻辑展开，细述分层优化增强体系的构造方式。为后续阐述方便，我们以IS（Industry Score）指代行业轮动截面得分；以AS（Alpha Score）指代个股复合因子得分。 1.1、基于行业轮动信息优化指数内行业配置 第一层优化是基于行业轮动模型的观点在指数原始行业配置的基础上进行超低配调整，并相应缩放调整相应成分股的权重；从而为后续的选股优化提供行业暴露及个股暴露的参照基准。具体优化分两步，方式如下： 1. 确定超/低配调整后的指数内行业权重：通过组合优化，得到指数优化后的行业权重配比。复合指标信息将同时通过参与目标函数及约束条件，来达到信息传递。具体优化模型及参数设置为： 其中， w：行业权重向量； w_bench：指数原始行业权重向量基准； u：量级调整后的行业指标得分向量（一般默认缩小两个数量级，即 ）； ∑：行业指数协方差矩阵； x为行业相对基准的固定偏离约束和行业相对基准基于行业截面指标值动态调整的偏离约束。 2. 按超/低配调整后的行业权重，调整成分股权重：对于每个指数成分股，其权重等于原始权重乘以调整后的行业权重与原始权重的比值。即不改变指数内同一行业的成分股之间的权重比例： 1.2、基于复合选股因子优化成分股权重 第二层优化运用个股的复合因子得分通过优化器来确定个股持仓权重。这跟目前主流的因子组合优化的操作方式基本相同，唯一不同的地方在于约束条件中行业约束与个股约束中，对应的基准不再是指数原本的配置，而是经过上一节优化后的配置。具体优方式如下： 其中， w：个股权重向量； w_bench：经过行业优化后的个股权重向量基准； u：个股复合因子向量AS； X为风格因子暴露矩阵，X_upper和X_lower分别为上下限； I为行业哑变量矩阵，I_upper和I_lower分别为上下限; x为个股权重相对基准的偏离约束. 2、实证测试：有效提升组合增强幅度 在描述完分层优化指数增强体系的具体构建方式后，本章节将分别测试分层优化体系在沪深300及中证500上运用的增强效果。以及对比仅仅运用多因子选股信息的主流多因子增强体系，测试分层优化体系能够带来多大改善空间。 在测试中，我们尝试2个不同的行业轮动指标：SAMI轮动指标及ADC_Revise轮动指标；因子选择上，在沪深300增强上运用EBQC综合质量因子，而在中证500增强上运用中证500增强复合因子。以上提及的轮动指标及选股因子具体构造方式及逻辑均可参见报告附录部分。 2.1、沪深300增强：分层优化提升幅度显著 对于沪深300增强，我们之前的多因子增强体系，主要是基于EBQC综合质量因子的选股信息。从2010年1月到2020年5月其增强效果年化超额收益4.4%，信息比1.33。 2.1.1、SAMI轮动指标 + EBQC综合质量因子 我们先测试如果利用SAMI轮动指标的行业信息，在不改变之前多因子增强体系优化参数的基础上，运用分层优化体系构建增强组合的效果。具体参数如下表： 在融入SAMI轮动信息后，分层优化增强组合年化收益率9.4%，相对沪深300指数年化超额收益率7.4%，相比对照组（主流多因子体系增强组合）在年化超额收益上提高了3个百分点。同时信息比率上也有较大提升，从之前的1.33上升到1.84；而跟踪误差变化不大，仍在4%以内；相对最大回撤也控制在6%以下。 观察超额净值的分年度数据，在2010到2020年这11年里，分层优化增强组合有9年跑赢纯多因子增强组合，仅在2011年及2014年小幅跑输不到0.5%。可见在行业轮动信息较有效的前提下，分层优化体系能较稳定地体现行业信息，提升增强组合的增强幅度。 以上测试验证了在构建原始EBQC沪深300组合优化的参数（行业暴露15%、市值暴露5%）下，分层优化体系能显著提升增强组合的收益与信息比。为了确定这样的效果提升是否具有普适性，有没有明显的参数依赖现象，我们继续对行业暴露与市值暴露这两个参数做敏感性测试。两个暴露程度参数分别遍历 [0.05, 0.10, 0.15, 0.20]。 从[市值暴露, 行业暴露]参数敏感性测试可以看出，分层优化对增强组合带来的提升效果受优化参数影响较小。在测试的参数样本内，分层优化增强相比对照组（纯多因子优化增强）在年化超额收益上平均提升3个百分点，在信息比率上平均提升0.5。 2.1.2、ADC_Revise轮动指标 + EBQC综合质量因子 除了可以运用SAMI行业轮动指标配合EBQC因子来构成沪深300分层优化指数增强，我们还可以尝试将光大ADC行业轮动模型的信息作为分层优化中行业配置的指导基础。由于ADC模型的信号本身不是一个完整的截面数值指标，因此在此先需要将其指标化。具体指标化的操作过程可详见报告文末附录部分，为方便起见，我们称调整后的ADC模型指标为ADC_Revise轮动指标。 通过简单的IC统计，看出在最近4年（2016/06 – 2020/05）ADC_Revise轮动指标的行业截面预测能力稍强于SAMI轮动指标。 测试在默认参数（行业暴露15%、市值暴露5%）下，ADC_Reivse+EBQC分层优化增强的表现。在2016年6月到2020年5月间，分层优化增强组合年化收益率14.4%，相对沪深300指数年化超额8.9%，相比对照组（纯多因子体系增强组合）在年化超额收益上提高了3.2个百分点。信息比率则从2.06上升到2.53。 可以看出在将行业指标从SAMI替换成预测能力更强的ADC_Revise后，虽然分层优化体系仍能较好地提升组合的增强效果，但相比于分层优化（SAMI+EBQC）组合带来的提升幅度并没有显著差异。 2.2、中证500增强：分层优化提升幅度不明显 对于中证500增强，在我们纯多因子增强体系中，主要是基于我们优选出的14个单因子通过滚动历史2年组合ICIR最优化的方式构建的复合因子来进行增强组合搭建。从2012年7月到2020年5月其增强效果年化超额收益11.7%，信息比1.79。 2.2.1、SAMI轮动指标 + 中证500增强复合因子 与之前在300增强组合的测试类似，我们先测试在不改变纯多因子增强体系优化参数的基础上，加入SAMI轮动指标行业信息的分层优化体系，能对最终构建出增强组合带来怎样的效果提升。具体参数如下表： 在融入SAMI轮动信息后，分层优化中证500增强组合年化收益率18.8%，相对中证500指数年化超额收益率12.7%。分层优化组合相比于对照组（纯多因子体系增强组合）在年化超额收益上提高了1个百分点，信息比率则是从1.79上升到1.98；而跟踪误差与相对最大回撤基本变化不大，分别控制在6.5%与7.5%以下。 观察分层优化体系及对照组在中证500增强组合超额净值的分年度数据，在2012到2020年这9年里，分层优化增强组合有6年跑赢纯多因子增强组合。同时可以看出，在加入行业信息后，分层优化体系增强组合受益于信息维度分散化的优势，在逐年稳定性上也有一定提高。 在测试了默认参数（行业暴露10%、市值暴露10%）下分层优化指数增强（SAMI+中证500复合因子）的效果后，可以看出分层优化体系在中证500上相比传统纯多因子体系在超额收益及信息比上所带来的改善幅度，远不及在沪深300上那么明显。一个很重要的原因是SAMI轮动指标本身是对于行业整体的截面预测判断，而指数中的行业成分股与行业指数走势本身有一定差异性。权重股占比更高的沪深300，其内部行业成分股与行业指数的走势更为接近，因而能够更好地利用指数内行业权重优化带来的益处。 在本小节最后，针对中证500增强的构建，我们对行业暴露与市值暴露这两个参数也做敏感性测试。两参数分别遍历 [0.05, 0.10, 0.15, 0.20]。 从[市值暴露, 行业暴露]参数敏感性测试结果可以看出，在中证500上分层优化对增强组合带来的提升效果亦较稳定，参数敏感性低。在测试的参数样本内，分层优化增强相比对照组（纯多因子优化增强）在年化超额收益上平均提升1个百分点，在信息比率上平均提升0.18。 2.2.2、ADC_Revise轮动指标 + 中证500增强复合因子 与沪深300中的测试一样，我们最后观察在默认参数（行业暴露10%、市值暴露10%）下，中证500（ADC_Reivse+EBQC）分层优化增强的表现。在2016年6月到2020年5月间，分层优化增强组合年化超额收益率5.4%，信息比率1.02；这个数据与纯多因子增强组合5.5%的超额年化、1.03的信息比率几乎一样，并未产生提升作用。 3、总结 针对当前指数增强的纯多因子体系，本文构造并重点阐述了将行业截面信息与因子选股信息综合利用的分层优化体系。并基于不同的行业指标与选股因子分别测试其在沪深300与中证500指数上的应用效果。具体结论如下： 构建分层优化体系：同时注重信息融入与模块独立 不同于直接以指数本身的风格、行业作为基准进行多因子组合优化构建增强组合，分层优化体系搭建了两层逐步优化的步骤：（1）先基于行业轮动模型的观点在指数原始行业配置的基础上进行超/低配调整，并相应缩放调整相应成分股的权重，为后续的选股优化提供行业暴露及个股暴露所参照的基准。（2）再根据调整后的行业与成分股权重基准，运用多因子选股信息进行组合优化，构建出最终的指数增强组合。该体系在尽量运用行业与选股信息的同时，也保持了行业指标与选股因子的模块独立性。 分层优化体系显著提高沪深300增强组合的增强幅度：超额收益提高3个百分点，信息比率提高0.5 在EBQC综合质量因子的基础上，运用分层优化体系分别尝试结合SAMI行业轮动信息及ADC_Revise行业轮动信息。在分层优化沪深300增强（SAMI+EBQC）中，组合在2010/1-2020/5期间年化超额收益7.4%，信息比率1.84。相比纯多因子沪深300增强，超额收益提升3个百分点，信息比率提升0.5。而分层优化沪深300增强（ADC_Revise +EBQC）在2016/6-2020/5期间相比纯多因子沪深300增强组合，在超额收益上亦有3个百分点以上提升，信息比率提升幅度也接近0.5。 行业信息在指数成分股上的预测能力显著影响分层优化体系实际效果 由于指数内行业成分股与行业指数的走势存在一定差异，SAMI轮动指标与在中证500指数内的行业轮动效果有限。受此影响分层优化在中证500增强中的提升效果较小。分层优化中证500增强（SAMI+中证500复合因子）在2010/1-2020/5期间年化超额收益12.7%，信息比率1.98。相比纯多因子中证500增强组合，在超额收益上提升1个百分点，信息比率提升0.2。 风险提示 报告结论均基于历史数据与模型，模型存在失效的可能，历史数据存在不被重复验证的可能。 光大证券机构签约客户如需阅读完整的报告内容，请注册小程序后查看。 更多详细内容敬请参考光大金工的完整报告《分层优化体系：融合行业轮动的指数增强模型——多因子系列报告之三十五》 联系人：胡骥聪 邮箱：hujicong@ebscn.com 电话：021-52523683 特别声明：本订阅号是光大证券股份有限公司研究所（以下简称“光大证券研究所”）金融工程研究团队依法设立、独立运营的官方唯一订阅号。其他任何以光大证券研究所金融工程研究团队名义注册的、或含有“光大证券研究”、与光大证券研究所品牌名称等相关信息的订阅号均不是光大证券研究所金融工程研究团队的官方订阅号。 本订阅号所刊载的信息均基于光大证券研究所已正式发布的研究报告，仅供在新媒体形势下研究信息、研究观点的及时沟通交流，其中的资料、意见、预测等，均反映相关研究报告初次发布当日光大证券研究所的判断，可能需随时进行调整，本订阅号不承担更新推送信息或另行通知的义务。如需了解详细的证券研究信息，请具体参见光大证券研究所发布的完整报告。 在任何情况下，本订阅号所载内容不构成任何投资建议，任何投资者不应将本订阅号所载内容作为投资决策依据，本公司也不对任何人因使用本订阅号所载任何内容所引致的任何损失负任何责任。 本订阅号所载内容版权仅归光大证券股份有限公司所有。任何机构和个人未经书面许可不得以任何形式翻版、复制、转载、刊登、发表、篡改或者引用。如因侵权行为给光大证券造成任何直接或间接的损失，光大证券保留追究一切法律责任的权利。
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）
郑重声明：悟空智库网发布此信息的目的在于传播更多信息，与本站立场无关，不构成任何投资建议。
