原标题：【深读】光大金融工程“多因子选股”系列报告

光大证券研究所金融工程研究团队

◆别开生面：公司治理因子详解

◆见微知著：成交量占比高频因子解析

◆行为金融因子：噪音交易者行为偏差

◆基于K线最短路径构造的非流动性因子

◆高频因子：日内分时成交量蕴藏玄机

◆一致交易：挖掘集体行为褙后的收益

◆因子正交与择时：基于分类模型的动态权重配置

◆爬罗剔抉：一致预期因子分类与精选

◆成长因子重构与优化：稳健加为王

◆组合优化算法探析及指数增强实证

◆创新基本面因子：财务数据间线性关系初窥

光大金工因子测试框架构建：

作为量化选股多因子?????模型构建环节中最重要的一部分如何寻找 具有逻辑支撑且能有效区分和预测股票收益的因子是我们本篇报告首先探讨的主要內容。

分期截面回归代替全体样本回归： 相比全体样本面板回归的方法分期截面回归更有利于提高模型对因 子变化趋势的捕捉。

RLM 稳健回歸法因子测试：

最小二乘法 OLS 在独立同分布正态误差的线性模型中是有效无偏估计然而当误差服从非正态分布时，OLS 就较易给异常值 outliers 赋予较高的权重从而导致模型结果失真。RLM 中常用的 M-estimator 方法则是 采用迭代加权最小二乘估计回归系数根据回归残差的大小确定各点的权重??，以达到参数估计结果较为稳健的目的。

多重指标判断因子有效性：

首先通过分期截面 RLM 回归计算因子收益，再计算因子暴露与下期收 益率嘚相关度 IC 值同时结合分层回测法检验因子单调性，构建较为综合全面的因子测试体系 因子测试关注的指标包括因子收益序列 t 值，因子累计收益率因子测试 t 值，ICIR，多空组合收益率、最大回撤、换手率等等指标

（分析师：刘均伟；发布时间：）

光大金工因子测试框架：

多指标全面测试 通过分期截面 RLM 回归计算因子收益，计算因子暴露与下期收益率的 相关度 IC 值同时结合分层回测法检验因子单调性，构建較为综合全面的 因子测试体系 因子测试中使用了包括因子收益序列 t 值，因子累计收益率因子测试 t 值，ICIR，多空组合收益率、最大回撤、换手率等等指标

涵盖了估值因子规模因子，成长因子质量因子，杠杆因子动量 因子，波动因子技术因子，流动性因子分析师洇子等共 10 大类 100 多 个细分因子。

行情类因子有效性整体高于财务类因子：

行情类因子中的流动性因子、波动因子、动量因子 IC 绝对值较高且普 遍具有较好的显著性因子收益率与 IC、IR 值也普遍高于财务类因子。历 史 IR 值最高的 30 个因子中包含 7 个财务类因子、3 个分析师预期类因子、 20 个行凊类因子

分析师预期因子值得关注：

分析师因子中的一致预期目标价（TargetReturn）、一致预期营业收入 1 个月增长率（EOPChange_1M）等因子的 IC 和 IR 值较高，历史嘚收益 率排名可进入前 20一致预期目标价的历史 IR 为 0.63、一致预期营业收 入 1 个月增长率历史 IR 为 0.40。分析师预期类因子的覆盖率普遍较低全 A 平均覆盖率为 65%。

（分析师：刘均伟； 发布时间：）

《多因子组合“光大 Alpha 1.0”》

光大金工因子测试框架：

多指标全面测试 通过分期截面 RLM 回归计算因孓收益计算因子暴露与下期收益率的 相关度 IC 值，同时结合分层回测法检验因子单调性构建较为综合全面的 因子测试体系。 因子测试中使用了包括因子收益序列 t 值因子累计收益率，因子测试 t 值IC，IR多空组合收益率、最大回撤、换手率等等指标

涵盖了估值因子，规模因孓成长因子，质量因子杠杆因子，动量因子波动因子，技术因子流动性因子，分析师因子等共 10 大类 100 多 个细分因子

针对五大指标給因子表现打分，筛选出预测能力强显著性高，单调 性好稳定性强的优质因子。筛选时使用的指标包括： 因子收益 （Factor_Ret）、因子收益显著性检验的 t 值（Factor_Ret_tvalue）、信息 系数（IC）、信息比（IR）、单调性（Monotony）

动态最优化 IR——基于因子 IC：

经验证动态调整模型信息比显著高于静态因子賦权模型，且等权模 型表现优于复合因子得分加权模型该篇报告是因子合成模型的初步探讨， 未来我们将进一步深入挖掘能提供超额 alpha 的囿效因子优化多因子模 型。

（分析师：刘均伟； 发布时间：）

《别开生面：公司治理因子详解》

金融危机以后公司治理已成为学术界囷业界关注的热点问题。根据麦 肯锡 2000 年的发布的全球投资者意向调查结果公司治理已日益成为机构 投资者评价投资决策的中心。本文从公司治理的角度出发深入挖掘并构造了 有效性较高的公司治理因子。

通过公司治理水平前瞻配置未来高溢价股票。

在现有的光大金工洇子库 中成长因子净利润增长率、质量因子 ROE、杠杆类因子资产负债率等 指标均是公司绩效的直接反映，而公司治理水平正是这类指标变囮的根 源好的公司治理即是公司控制者的决策朝着最有利于公司价值提升和 增进投资者财富的方向发展。公司治理水平是业绩变化的先決条件那 么及时的捕捉这一指标的变化便能及早的对公司发展动向做出预估和判 断。

多维度筛选公司治理影响指标

国内外已有较为成熟的公司治理指数，但 数据覆盖度及连续获取存在困难国外如标准普尔公司、世界银行、亚 洲里昂证券等均先后推出了其创立的治理评價系统；我国的公司治理评 价体系较有代表性的是南开大学治理研究中心 2003 年推出的南开指数 （CCGINK）。我们主要从公司内部治理出发对股权結构与股东权利、 董事会构成、管理层激励、信息披露与合规、激励约束机制等多个维度 出发，筛选公司治理水平的影响因素

简单分类加权构造公司治理综合因子。

对比了 IC 加权IR 加权等方法后， 最终将简单加权法的公司治理因子作为该因子的构造方法命名为公司 治理因孓（COMP_OPT）。将第一大股东持股比例、第二至十大股东 持股比例、流通股占比、公司股东数量、独立董事占比、董事会委员数 量、管理层薪酬、管理层持股数量、受证监会、交易所等处罚情况、是 否实施股权激励这 10 大指标结合成为公司治理因子

公司治理综合因子表现不俗：

公司治理因子（COMP_OPT）自 2006 年 至今，IR 值为 0.28IC 均值为 0.016，因子收益的显著性检验 T 值为 2.8多空组合的年化收益约 9%。 ? 风险提示：测试结果均基于模型模型存在失效的风险。

（分析师：刘均伟；发布时间：）

《见微知著：成交量占比高频因子解析》

随着定价模型的深入研究因子的覆盖范圍也不断拓宽。技术引领金融数据不断创新市场的有效性逐渐增强，承载着更多信息的高频数据因子应运而生在金融市场中，由于交噫的连续性信息对股票价格的影响是连续的，数据采集的频率越高更能全面真实地刻画市场微观结构。本文从市场微观结构出发构慥了有别于低频因子的有效选股因子——集合竞价成交量占比。

集合竞价阶段是反映投资者行为信息的重要时点

我国股票的日内交易分為集合竞价阶段和连续竞价阶段，累计交易时长4小时开盘和收盘是一天中股市交易的最重要的阶段，开盘集合竞价阶段是隔夜信息释放嘚第一时点而收盘集合竞价阶段则是日内交易信息反映的最后时点。集合竞价阶段遵从价格优先、时间优先的原则投资者根据股票前ㄖ收盘价及其对当日股价的心理预期输入申报价格。一般而言集合竞价阶段成交量反映了多空双方对个股开盘价格的认同度。

价走量先荇集合竞价成交量占比因子选股能力突出。

集合竞价阶段的交易数据是日内高频数据的特有部分我们以成交量为切入点，以相对指标個股集合竞价成交量占比为日内高频指标采用技术分析中最常用指标构造方式——简单移动平均（MA）构造开盘集合竞价成交量占比因子OCVP。同时考虑信息的时间衰减效用引入具有时变效用的权重修正OCVP因子。经过检验OCVP因子具备良好的预测能力和单调性其IC均值为-5.6%，IR绝对值为0.83

叠加尾盘效应的复合因子选股能力显著提升。

考虑到收盘前阶段为日内信息传递到当日交易的最后时点我们纳入收盘前5分钟成交量占仳因子，通过加权方式构造复合因子OBCVP最优权重组合下，复合因子的预测性和单调性显著提升IC均值为-7%，IR绝对值大于1根据因子值将股票等分5组的多空对冲组合8年年化收益为15.10%，夏普比率达3.03最大回撤为10.2%。

中性化后的集合竞价成交量因子仍有选股能力

经过VSTD、市值、动量、行業中性化后的成交量占比复合因子OBCVP依旧表现出了不俗的预测能力和选股能力。IC平均值为-3.7%IC大于零的比例为13.5%，IR绝对值达0.79证明集合竞价成交量占比一定程度上可以反应市场对于股票的关注程度和投资者观点的一致程度，因而该因子具有其独有的选股能力

测试结果均基于模型囷历史数据，模型存在失效的风险

（分析师：刘均伟；发布时间：）

《行为金融因子：噪音交易者行为偏差》

噪音交易者理论是行为金融学中的经典理论之一。行为金融学是对于现代金融理论的一个非常有效的补充行为金融模型的一个重要假设是金融市场的参与者大多昰存在认知偏差的。行为金融理论中著名的噪音理论认为噪音交易者为了追求回报的最大化会忽视基本面相关的信息，而去把注意力集Φ到那些与股票价值无关、但可能影响股票价格产生非理性变动的噪音上从而在短期内造成股价的不合理变动。

Model）中的betaβ_i^C为资本资产萣价模型CAPM中的beta。与CAPM模型不同的是BAPM允许交易者之间存在异质性，从而BAPM得到的beta包含了传统beta与噪音交易导致的beta

利用雪球股吧的股票热度数据構建BAPM中的投资者行为指数MDI。为了构建行为金融定价模型BAPM中的投资者行为指数我们利用雪球贴吧的股票热度数据，筛选过去一年内股民讨論热度最高的10只股票组成我们的投资者行为指数MDI。实证表明我国A股市场的个股β_i^B整体显著低于β_i^C，证明我国市场尚未达到有效市场的標准

噪音交易者行为偏差波动因子BE_std预测能力和选股能力较强。行为偏差波动因子BE_std因子在计算时长参数m取值小于20个交易日的区间内表现较恏且m取值小于10个交易日时的IC、IR值上升格外明显。m=6时因子BE_std的IC小于零的比例为74%因子与未来收益呈现较强的负相关性，IC均值为-3.2%IR值为-0.54。

中性囮后的BE_std因子仍有预测能力对行为偏差波动因子BE_std做行业、市值中性处理并剔除一个月波动STD_1M、当期净资产/市值BP_LR因子的影响后，因子的有效性檢验等结果仍然显著但因子收益、IC均值均有明显下降。中性化后IC平均值为-1.55%，IC大于零的比例为21.5%IR绝对值达-0.49。此外因子的分组效果也有所減弱多空组合年化收益为6.0%，夏普比率为0.61

风险提示：测试结果均基于模型和历史数据，模型存在失效的风险

（分析师：刘均伟；发布時间：）

《基于K线最短路径构造的非流动性因子》

随着对金融市场的研究不断深入，许许多多的因子早已被研究者与市场参与者们挖掘出來然而近年来数据维度的不断提升，又使得我们回头重新审视那些作为股票属性代理变量的因子它们的代理精度是否可以再次提升？選股效果能否得以再次加强在本文中将利用高频数据的信息，构造代理精度更高的非流动性因子——K线最短路径非流动性因子

非流动性代理变量的经典定义及对其缺陷的改进。由于大部分的非流动性度量方式都较难直接测量或获取非流动性程度往往是通过定义一些代悝变量来间接地表达。经典定义方式试图通过单位成交量对收益率的影响来刻画该股票交易的市场冲击然而该定义往往在日内震荡行情丅失效。针对这种情况我们定义了K线最短路径非流动性因子来对其进行改进。

K线最短路径非流动性因子在高频下相对经典定义提升显著通过使用更高频的K线数据提升K线最短路径对股票交易时市场冲击的代理精度，从而大大提升K线最短路径非流动性因子的有效性与预测能仂同时随着数据频率的提高，K线最短路径定义对经典定义下的非流动性因子提升程度愈加显著比起经典的定义方式，K线最短路径能更充分地利用高频数据新引入的信息

变形定义下的K线最短路径非流动性因子选股能力优异。在尝试多种定义变形方式后最终定义的TS非流動性因子选股表现最为优秀。多空收益高达17.3%年化波动率11.8%，夏普比率1.405最大回撤20.3%。以该因子构造的选股组合在2010年至2017年间年化收益18.2%，年化波动率24.8%夏普比率0.8，最大回撤48.3%月度换手率31.4%。相对中证全指年化收益12.5% 相对波动率8.3%，相对最大回撤仅8.35%

中性化后的非流动性因子仍有选股能力。在剔除掉其它类型如市值、换手、动量、波动等因子的效用后TS非流动性因子自身依然有良好的效果与选股能力。中性化后因子多涳组合年化收益亦5.52%年化波动率11.76%，夏普比率0.52最大回撤25.95%。以中性化后因子构造的选股组合年化收益10.1%年化波动率26.1%，夏普比率0.50最大回撤48.3%。楿对中证全指年化收益5.8% 相对波动率5.5%，相对最大回撤19.3%

风险提示：测试结果均基于模型和历史数据，模型存在失效的风险

（分析师：刘均伟；发布时间：）

《高频因子：日内分时成交量蕴藏玄机》

《见微知著：成交量占比高频因子解析》中，我们已对集合竞价阶段的成交量占比做了详尽的解析集合竞价成交量占比因子也具有突出的选股效果。本篇报告将分时研究成交量占比继续挖掘日内高频数据中的囿效选股因子。

股票分时成交量呈现周期性日内模式国外股票市场的日内成交量普遍呈“U”型周期变化，即成交量在开盘和收盘阶段比其他交易时段更高我国股市因存在午间休市，因此在下午开盘时成交量一般会存在一个小高峰构成一个“ W ”型。对股票日内的成交量汾时研究W的三个峰值前后时点的成交量值得重点关注。

不同时段成交量占比因子有效性差异明显以5分钟为划分频率，分时研究日内49个時段的成交量占比因子在上午10:00之前和14:50之后，成交量占比因子与股票次月收益呈较强的负相关性；而在10:10至14:50之间则呈现较强的正相关性结匼上午、下午开盘后成交量占比因子的预测方向和效果，以早盘的前30分钟成交量作为分子（含集合竞价阶段）午盘的前30分钟成交量作为汾母构造成交量比值因子VR。

移动平均窗宽越小VR因子预测能力越显著。同样采用简单移动平均(MA)和指数加权平均方式构造低频选股因子两種加权方式构造的低频选股因子IC均值绝对值均高于6%，IR绝对值均大于0.5显示出了VR因子整体良好的预测性和稳定的预测能力。

不同加权方式对仳简单平均VR更胜一筹。从因子选股组合的年化收益率、累积收益率、年化波动率、夏普比率和最大回撤五个维度对比月度算术平均VR因孓回测效果佳，年化收益率可达15.5%夏普比率为0.95，最大回撤为31.9%同时发现移动平均窗宽越大，因子选股换手率越低对费用的变化越不敏感。

中性化后的成交量比值VR因子仍有预测能力经过波动、市值、流动性、行业中性化后的成交量比值VR因子有效性指标有所减弱，但仍旧具備一定的选股能力和预测性IC均值为-2.13%，IR绝对值达0.42多空组合年化收益为3.01%，夏普比率达0.83

风险提示：测试结果均基于模型和历史数据，模型存在失效的风险

（分析师：刘均伟；发布时间：）

《一致交易因子：挖掘集体行为背后的收益》

成交量在股票市场中是个极其重要的信息量，市场参与者不断尝试从中挖掘能够预测未来股票相对收益的新信息在我们之前的多因子系列报告中，我们从股市特定时间段蕴含額外信息的角度构造了日内分时成交量占比因子本篇报告将从集体交易行为模式的角度入手，继续研究蕴含在高频成交量数据中的有效選股因子

集体一致交易行为预示交易机会。在股票信息较为透明或没有新入信息的情况下，交易者们的交易趋向于相互独立此时股票交易更大概率使股价上下波动，而非一致向某个方向发展而如果一支股票在一段时间内大部分的交易属于集体一致交易行为（带有显著趋势性），那么很可能这支股票在这段时间内有新信息进入正在经历市场消化（price-in）的过程。因此这类股票未来股价更可能产生大幅变囮为交易者创造出了交易机会。

用分钟频率交易量数据构造一致交易类因子通过定义实体K线，将交易日中的每根5分钟K线划分为集体一致交易与非集体一致交易并以集体一致交易的成交量总和与当日总成交量占比的方式构造一致交易类因子。同时根据实体K线是上涨抑或丅跌进一步对集体一致交易量进行区分，构造了一致买入交易因子与一致卖出交易因子

一致卖出交易因子预测能力显著。一致交易类洇子预测能力随一致参数增大而单调提升在一致参数为0.95时，一致交易因子、一致买入交易因子与一致卖出交易因子的IR值都达到十分显著嘚水平：0.840.64与0.91。综合比较IC序列整体与近期的表现一致卖出交易因子更具有预测能力，其IC均值7.7%IR值为0.91。

一致卖出交易因子选股能力优异┅致卖出因子分组单调性优异。组合收益随着分组因子值的上升单调提升且区分度较为明显。多空组合表现优秀年化收益14.2%，夏普比率1.91最大回撤11.9%。在30日指数移动平均下的一致卖出交易因子选股组合表现较好该因子组合的年化收益22.0%，夏普比率为1.09最大回撤为44.0%，相对中证500基准的年化超额收益为14.6%

中性化后的一致卖出交易因子仍有选股能力。在通过横截面回归取残差的方式剔除规模、波动、流动性和行业等洇素的影响后一致卖出交易因子的有效性检验等结果虽然有明显下降，但仍然十分显著IC均值为2.37%， IR绝对值达0.60多空组合在中性化后年化收益由14.2%大幅下降到4.8%。但其稳定性依然较为亮眼年化波动3.9%，夏普比率达1.23最大回撤仅4.8%。

风险提示：测试结果均基于模型和历史数据模型存在失效的风险。

（分析师：刘均伟；发布时间：）

《因子正交与择时：基于分类模型的动态权重配置》

2017年以来一些传统的多因子选股模型遭遇了较大回撤，其中市值、反转等因子风格转变的显著性和持续时间均超乎预期因此，如何预测因子的有效性并进行因子权重配置的调整成为投资者关心的课题本文在因子择时的方向上做出了尝试，首先为了保证择时模型的有效性对所使用的因子进行对称正交變换，并选择因子收益作为衡量因子有效性的指标然后基于宏观经济和市场状态等变量对因子收益构建分类模型预测来因子收益的方向。

因子正交化处理有效提高预测能力我们采用对称正交方法，对因子进行正交化处理对比施密特正交和规范正交，对称正交的优势在於正交后因子值与原始值的相似程度高于其他正交方法且计算效率高。对因子值对称正交变换后我们所选的外部特征变量对于因子收益的解释能力有较为显著的提升。

因子择时模型的主要类型：分类预测模型&条件期望模型分类模型的实现方法一般为使用决策树、逻辑囙归、支持向量机等模型，对未来因子收益的方向进行预测条件期望模型则是基于一个较为严格的假设：因子收益与条件变量服从联合囸态分布，而在常用的因子收益解释变量中这个假设较为难以满足因此在本篇报告中，我们主要探讨了上述三种分类预测模型在因子择時中的应用效果

从宏观经济环境、货币政策、市场状态、因子收益及衍生变量四个角度挑选因子收益预测的外部解释变量。因子的收益往往受到宏观经济环境货币政策，市场状态变量以及因子自身收益与波动的影响，因此我们从这四大类变量中精选了包括CPIPPI，因子收益动量等15个变量作为因子择时模型的解释变量。

模型实证效果：支持向量机预测能力较强随机森林样本外表现稳定。支持向量机模型能较好的处理小样本的预测基于决策树的随机森林则具有较为清晰的逻辑，同样较为适合进行因子收益预测从样本外预测准确率来看，支持向量机SVM的预测准确度更高；而从样本外因子择时组合的收益来看随机森林表现更胜一筹。

随机森林因子收益预测模型表现最优：該模型构造的因子择时组合样本外（~）绝对年

化收益8.8%，年化超额收益20.8%,信息比2.34表现较为稳定。

风险提示：测试结果均基于模型模型存茬失效的风险。

（分析师：刘均伟/周萧潇；发布时间：）

《爬罗剔抉：一致预期因子分类与精选》

公司公告信息是量化基本面因子的主要來源但是其缺陷也较为明显：定期财报往往滞后、公布频率太低，信息及时性较差且股价往往提前反应；而且不定期公告格式不统一較难以量化。分析师预期数据则可以弥补上述缺陷同时分析师覆盖上市公司并给出的盈利预测的格式较为规范，是对上市公司各方面信息的一个更为及时的反应较容易量化且易于构造衍生因子。

测试五大类一致预期因子：一致预期估值、一致预期成长、一致预期调整、┅致预期目标收益率、关注度从因子IC、IC_IR、因子收益、显著性、单调性以及多空收益等方面评价因子表现，同时关注中性化后的因子特有信息所包含的选股能力

一致预期目标收益率因子表现较好，与反转因子相关性较高：分析师的一致预期目标价格反应的是分析师对于股票未来走势的看好程度相对于报告中给出的评级指标更加细化。一致预期目标收益率因子TargetReturn在全市场的选股能力较为突出平均IC为3.83%，IR达到0.70单调性得分为2.97。沪深300与中证800内的表现相对较弱单依旧具有不俗的IC和IR表现该因子与一个月反转因子Momentum_1M的相关性较高，IC相关性为-0.51.

一致预期估徝因子整体优于公告因子EPEG表现突出：一致预期PEG因子（EPEG）和一致预期EP因子（EEP）均表现出相对对应财报公告因子较大的优势。其中EPEG因子的提升效果最为明显，IC_IR绝对值高达0.73相比财报公告因子PEG_TTM的IC_IR绝对值0.44有了明显的提升。中性化处理后EPEG因子的超额alpha依旧稳定。

一致预期成长因子穩定性较弱：测试的两个成长因子中一致预期营业收入增长率EOPG的表现相对较好，多空年化收益为9.90%但整体上看选股能力并不突出，由于洇子表现稳定性较弱历史平均IC值未达到2%。

一致预期调整因子EEChange_3M值得关注该因子与常用基本面因子的逻辑相关性较弱，超额alpha较为显著三個月一致预期净利润调整因子EEChange_3M的平均IC为2.56%，IR为0.58多空组合年化收益高达12.7%。中性化处理后因子的超额alpha表现十分抢眼，IC上升至3.89%IR提高至1.01，多空組合年化收益高达15.10%因子稳定性和分组单调性显著提升。

风险提示：测试结果均基于模型模型存在失效的风险。

（分析师：刘均伟/周萧瀟；发布时间：）

《成长因子重构与优化：稳健加为王》

成长因子是一类重要的风格因子本篇报告在因子的全面测试的基础上，尝试针對成长因子的选股能力表现特征优化成长因子的构造方式。首先对各类成长因子均进行深入的挖掘和测试，从因子IC、IC_IR、因子收益、显著性、单调性、多空收益以及分行业表现等方面评价因子表现同时关注成长因子构造方式中的优化方法，推荐成长因子中的稳健加度因孓

基础成长因子的稳定性一般：基于《因子测试系列报告之一》中的各大类因子表现得分，我们可以看到成长因子的整体得分相对靠后；原有的基础成长因子中表现最好的营业利润同比增长OPG_TTM得分为3平均IC为2.60%，信息比IR为0.41多空年化收益仅为6.2%，单调性得分为1.46

因子构造方式的妀进思路：对于净利润TTM同比增因子（NPG_TTM），在分母（上期TTM净利润）接近零的情形下因子计算容易出现异常值对因子的单调性和选股能力造荿很大影响。我们的改进思路是将因子值与前期净利润回归做中性化处理剔除前期净利润极小值的影响，该改进方法对因子的选股能力囷稳定性均有略微改善

成长因子新思路：稳健增、加度：引入了3个较为新颖的成长类指标，分别是加度指标、稳健增指标、稳健加度指標测试结果表明，营业利润稳健加度因子OP_SD的多空年化收益达到8.9%夏普比为2.85，IC均值为2.46%IC_IR高达0.77，选股能力和单调性均表现出色沪深300成分股樣本内的选股能力相对较弱，中证800成分股样本内的表现与全市场较为接近

成长因子行业间差异较明显：成长类因子在不同风格的行业间差异较大，尤其是金融与非金融大类行业间差异明显成长类因子在消费类、制造类行业中表现优秀，在金融类行业内表现远远弱于其他荇业同比类成长因子在TMT行业中表现较好。

结合行业差异构造复合成长因子：基于每个行业中各个因子的选股能力（IC_IR、Longshort_Sharpe）以及显著性T_value的不哃对于选股能力较强的因子上给予较大的权重，而选股能力较差的因子给予较小的或者负向的权重构造复合成长因子。结合多空夏普仳的复合成长因子表现较好单调性有所提升，但整体改善效果不显著

风险提示：测试结果均基于模型，模型存在失效的风险

（分析師：刘均伟/周萧潇；发布时间：）

《组合优化算法探析及指数增强实证》

本文从组合构建的主流方法与组合优化模型主要构建方式入手，詳尽的比较了各类组合构建方式的表现同时深入的分析了马科维茨均值方差优化模型及其衍生模型在不同约束条件下的表现。最后构慥了基于光大多因子体系“光大Alpha1.0”与“光大Alpha2.0”的中证500增强组合，组合回测期内表现出色

组合优化是投资组合构建中的重要环节：通过组匼优模型以及各类优化模型中的约束条件设置，我们可以较为系统和准确地控制投资组合的预期风险暴露、换手率、个股权重等等组合優化模型在量化投资例如指数复制或指数增强组合的构建中则尤为重要。而不仅仅对于量化投资具有组合优化意识或者能力的主动投资鍺也往往更具优势。

组合构建主流方法：常用的组合构建方法包括：等权配置、市值加权、分层抽样；常用的组合优化模型则包括：均值方差优化模型MVO以及尤其衍生的风险平价、目标风险、ABL模型、跟踪误差模型等等优化模型常采用的约束条件则包括：行业中性、风险因子暴露度控制、换手率限制等。

基础组合构建方法效果对比：等权组合收益表现好MVO均值方差优化模型可有效降低风险。由测试结果可见等权组合在收益能力上表现出色，不过由于等权组合存在天然的小市值因子暴露不能很好的控制风险，因此最大回撤和最大相对回撤均奣显高于其他组合构建方式

均值方差优化模型及其衍生优化模型效果对比：未加任何约束的均值方差优化模型（MVO基础约束）收益较高，泹由于各方面的风险未做控制信息比和回撤上的表现均不尽如人意。信息比表现最好的是MVO市值暴露约束不过由于约束了市值这个A股历史长期收益较好的因子暴露度，组合整体收益也有显著下降最大回撤控制的最好的是风险平价基础约束模型。

基于光大Alpha1.0的中证500指数增强組合：2008年至今500内选股增强组合年化收益26.2%年化超额收益14.2%，信息比2.5相对波动5.7%,最大相对回撤仅为5.6%。2018年至今（）的信息比已达2.7

结合光大Alpha2.0的ABL模型中证500指数增强组合：应用SVM因子择时模型后的500内增强组合表现有所提升，2009年至今信息比为3.0年化超额收益为17.5%，最大相对回撤为4.1%其中，2017年仍获取了正向4.4个百分点的超额收益较Alpha1.0组合有了较为显著的提升。2018年至今（）的信息比已达2.8表现较好。

风险提示：测试结果均基于模型模型存在失效的风险。

（分析师：刘均伟/周萧潇；发布时间：）

《创新基本面因子：财务数据间线性关系初窥 》

最近两年开始以往效果卓越的市值因子、量价类因子等都出现了有效性下滑的情况，价值投资的呼声也越来越高愈来愈多的投资经理开始关注基本面因子。洏过于简单直白的基本面因子其效果又差强人意基于这样的现象与需求，我们开始深度研究创新基本面因子系列尝试通过一些更深入嘚研究，在保留直观逻辑意义的同时更好地提取出蕴含在基本面数据中的有效预测信息。

基本面因子有明显的优缺点单纯使用基本面數据构造的因子往往有以下优势：更加直接的信息源，更加直观的逻辑意义更低的换手率，以此构造的策略更大的市场容量更慢的信息衰减度等。而它的劣势也同样明显：传统基本面因子预测能力偏弱存在财务造假风险，财务数据泄露风险等

搭建财务数据间线性关系框架。在确定因子逻辑的前提下利用OLS线性回归模型提取不同财务数据之间的线性信息。并根据逻辑寻找合适的因子构造变量。同时滚动回归窗口内财务数据标准化操作，以及财务数据覆盖度检验等细节处理使得该框架能更高效地研究开发新的基本面因子

基于营业收入与营业成本线性关系的改变反映公司运营效率改善程度的逻辑。通过回归模型最后一期残差来构造的营业能力改善（RROC）因子有着非瑺突出的预测能力，IC均值2.44%月度IR值0.66。基于该因子构造的多空组合在2009年至2018年6月期间年化收益12.21%夏普比率2.12，最大回撤8.90%尤其是在2017、2018年，多空年囮收益逾20%夏普比率超过3，最大回撤仅4.72%

中性化后RROC因子稳定性更进一步。通过与现有的主流因子作相关性测试发现RROC与成长类因子NP_YOY、市值洇子与ROE因子有强正相关性。在经过横截面回归取残差的方式剔除上述因子对RROC因子的影响后因子稳定性有了进一步提升，IC均值为2.25%而IR高达0.82，中性化处理起到了信息提纯的作用以中性化后RROC因子构建的多空组合，年化收益7.53%夏普比率高达2.46，最大回撤仅3.22%

风险提示：测试结果均基于模型和历史数据，模型存在失效的风险

（分析师：刘均伟；发布时间：）