量化多因子选股框架分析报告

量化多因子选股框架——金融工程专题报告2024年9月4日核心观点•

【核心结论】本报告详细介绍了量化多因子选股的流程与框架，涵盖因子预处理、评价及收益预测模型等关键步骤。•

【报告亮点】系统性整理了从因子测试、因子筛选到组合构建的全过程，为高效构建量化投资组合提供了清晰路径。•

【主要逻辑】➢

单因子测试✓

介绍单因子预处理的基本方法，主要包括去极值、标准化、中心化。✓

因子检验的评价维度和评价方式，其中评价方式主要有ICIR法、分组测试法、双变量排序法和回归法。➢

收益预测模型✓

对因子进行筛选，判断其是否能够纳入多因子组合。✓

用一系列筛选得到的因子预测个股收益，这一步本质可理解为多因子的聚合。常见方法可分为线性和非线性，其中线性法主要有加权和回归两种方式，非线性主要包括神经网络、树模型等。➢

组合构建✓

基于得到的个股收益预测，计算组合的净值曲线和收益风险特征。✓

组合构建的主要步骤包括设定选股池与调仓周期、以及确定选股逻辑和权重。其中，选股逻辑和权重一般基于人工逻辑直接构建得到，或者利用优化算法在更复杂的选股约束下进行求解。✓

我们基于上述框架，结合多因子复合打分构建了一个中证500指数增强策略，业绩表现优于基准。•

风险提示：数据第三方，或有遗漏、滞后、误差；选股研究框架及筛选指标为西部证券自建，或有考虑不周之处；股票历史业绩不代表未来表现，研究框架也会随时间变化。2量化多因子选股基本框架➢

收益预测模型：通过历史估计给出股票未来的预期收益率。➢

风险管理模型：控制组合与业绩基准之间的跟踪误差。➢

组合权重优化：在给定的风险约束下，最大化组合的预期收益率。图：多因子组合构建基本流程收益预测风险管理组合优化•

因子筛选•

预测股票收益•

预期跟踪误差•

组合风格偏离•

组合风险贡献•

给定风险约束•

最大化预期收益资料：西部证券研发中心3010203单因子测试目

录收益预测模型组合构建CONTENTS1

单因子测试➢

1.1备选因子：基于原始指标或开发；挑选时需要注意因子是否直接、直观且有意义。•

直接（incisive）：通过因子能够明确对股票进行分类。•

直观（intuitive）：对股票的分类标准具有可以解释的逻辑性。•

有意义（interesting）：分类后的股票风险收益特征具有明显差异。表：确定备选因子的3个IIncisive■IntuitiveInteresting备选因子首字母□■■□□■公司地点股票盈利■■参考文献：ActivePortfolioManagement,byGrinoldandKahn.资料：西部证券研发中心51

单因子测试➢

1.2因子预处理•

01-

去极值•

02-

标准化•

03-

中性化资料：西部证券研发中心61

单因子测试➢

1.2因子预处理•

01-

去极值：因子数据中的极端值会影响分析结果，离群值会扭曲因子与收益率之间的相关性估计。✓

去极值的基本逻辑：确定上下限，将超出范围的因子值修改为上下限。✓

常见的去极值方法有：①

MAD法：上下限为

푥푀

±

푛

∗

퐷푀퐴ꢀ，

푥

:序列푥

的中位数，퐷

:序列|푥

-푥

|的中位数푀푖푀퐴ꢀ푖푀②

3휎法：上下限为

푥

±

푛

∗

휎，

푥

:序列푥

的均值，휎：序列푥

的标准差푀푀푖푖③

百分位法：上限分位数和下限分位数（一般为97.5%和2.5%）。资料：西部证券研发中心71

单因子测试➢

1.2因子预处理•

02-

标准化：不同的因子数据往往具有不同的单位和数值范围，这种差异会导致数值较大的因子在分析中占据过大的比重，而数值较小的因子则会被相对削弱。因此，通常需要对这些因子数据进行标准化处理，以消除量纲的影响。✓

常见标准化方法有：①

Z-score②

Max-Min③

取对数④

排序标准化资料：西部证券研发中心81

单因子测试➢

1.2因子预处理•

03-

中性化：剔除因子数据中显著的风险暴露，因为若使用具有明显风险暴露的因子值作为选股条件，会导致筛选出的股票集中在特定的风险暴露上。✓

中性化的基本逻辑：因子值作为y，风险因子作为x，进行线性回归，回归残差即为风险中性后的因子值。✓

常见中性化方法有：①

行业中性②

市值中性③

其他风险因子中性资料：西部证券研发中心91

单因子测试➢

1.3

因子检验•

因子的评价维度：✓

因子单调性：因子单调性越好，收益区分能力越强。✓

因子有效性：因子对未来收益的解释能力。✓

因子稳定性：因子的有效性是否稳定、可持续✓

因子时效性：在过去有效的因子，现在或将来不一定有效。资料：西部证券研发中心101

单因子测试➢

1.3因子检验•

因子评价方式：✓

01-

IC、IR：常用于评价因子有效性和稳定性。✓

02-

分组测试：将股票按照因子值大小分组，统计每组在下一周期的收益。✓

03-

双变量排序：计算控制因子1下的因子2分组收益，以防止排序受其他因子的干扰。✓

04-

回归法：将T期的因子暴露与T+1期股票收益率进行线性回归。资料：西部证券研发中心111

单因子测试➢

1.3因子检验✓

01-

IC、IR：常用于评价因子有效性和稳定性。◆

Pearson相关系数（IC）：当期因子值与下期股票收益之间的线性相关性。◆

Spearman相关系数（RankIC）：当期因子与下期股票收益之间的序数相关性。◆

ICIR信息比率（ICInformationRatio）：IC的均值与IC标准差之比，代表因子获取稳定Alpha的能力。资料：西部证券研发中心121

单因子测试➢

1.3因子检验✓

02-

分组测试：将股票按照因子值大小分组，统计每组在下一周期的收益。◆

每组间的收益差异越大、单调性越明显，因子有效性越好。图：PB因子分组月均收益（2018.01-2024.07）0.8%0.6%0.4%0.2%0.0%-0.2%-0.4%-0.6%-0.8%G1G2G3G4G5G6G7G8G9G10注：横轴为t月按照股票的PB从小到大等分成10组，纵轴代表每个PB组合t+1月收益的均值资料：Wind，西部证券研发中心131

单因子测试➢

1.3因子检验✓

03-

双变量排序：计算控制因子1下的因子2分组收益，以防止排序受其他因子的干扰。◆

（有条件）双变量排序流程：1）按因子值1将股票分为10组。2）在各因子值1分组中按因子值2分为10组。3）将不同因子值1分组内相同因子值2排序分组的收益加总，得到控制因子值1下的因子值2的分组收益。资料：西部证券研发中心141

单因子测试➢

1.3因子检验✓

04-

回归法：将因子T期的因子暴露与T+1期股票收益率进行截面线性回归。r푡+1

=

푋푡푓푡

ꢀ

휀푡◆

回归系数푓푡

：因子当期的收益率（因子溢价）。◆

因子收益率显著度水平（t-test）：对于每一期的截面回归，都可以得到一个因子收益率

푓푡

，对于푓푡序列进行푡检验，以观察因子收益率序列的方向一致性。资料：西部证券研发中心15010203单因子测试目

录收益预测模型组合构建CONTENTS2

收益预测模型➢

2.1

单因子筛选：判断因子是否纳入多因子组合•

单因子筛选方式：◆

单因子有效性◆

因子间相关性表：常见选股因子列表及其计算方式因子市值因子计算方式log（总市值）风格非线性市值预期EP反转log（总市值）Z-score的平方一致预期净利润/总市值前1个月累计收益率行为财务换手率波动率ROE前1个月日均换手率Fama-French时间序列回归残差波动率单季度ROESUE(净利润(t)-净利润(t-4))/过去4期净利润变化的波动率资料：西部证券研发中心172

收益预测模型➢

2.2收益预测：用一系列个股因子预测个股收益，本质可理解为多因子的聚合•

푭풊：个股的一系列因子흁ෝ

=

풇(푭

)푵

∗

ퟏ푵

∗

푭

∗

푻풊풊图：收益预测模型预期收益风格行为财务预期行业•

规模•

价值•

收益率•

换手率•

波动率•

盈利能力•

盈利增长•

目标收益•

分析师覆盖度•

行业轮动•…•…•…资料：西部证券研发中心182

收益预测模型➢

2.2

收益预测：用一系列个股因子预测个股收益，本质可理解为多因子的聚合•

因子聚合方式：◆

线性：✓

加权法：等权法、IC加权法、IC-IR加权法、IC半衰加权法。✓

回归法：通过因子收益率估计个股收益。◆

非线性：神经网络、树模型。资料：西部证券研发中心192

收益预测模型➢

2.2

收益预测◆

回归法：通过因子收益率估计个股收益흁ෝ

。✓

T期股票收益率对因子T-1期的因子暴露进回归，得到因子收益率퐹푡−1:푡푡−1

푡−1ꢀ

휀푡−1r

=

푋

퐹෡푡✓

因子预期收益率휷

一般采用过去12个月因子收益率

퐹

均值作为估计。풕+ퟏ✓

计算个股预期收益흁ෝ，即，个股最新因子暴露与因子预期收益率的乘积：풕

෡흁ෝ

=

푭

∙

휷풕+ퟏ资料：Active

PortfolioManagement,

by

Grinoldand

Kahn，西部证券研发中心202

收益预测模型➢

2.2收益预测◆

神经网络：通过深度学习估计个股收益흁ෝ

。✓

模型框架：循环神经网络（RNN）+全连接神经网络（NN）✓

金融数据的特征和RNN模型较为适配。✓

RNN提取金融时间序列中的信息，NN将RNN处理后的信息转化为收益预测。图：深度学习预测个股收益流程图个股因子时间序列RNNNN收益预测资料：西部证券研发中心212

收益预测模型➢

2.3收益预测模型评价•

模型预测选股收益的IC、RankIC，绝对/相对胜率。•

预期收益多头组合（Top10%）相对市场等权组合的表现。表：收益预测模型的选股收益表现示例（复合因子，2018.01-2024.07）ICRankIC3.5%多头收益0.8%空头收益-0.3%多空收益1.0%月均值月胜率信息比2.4%54.9%0.2156.9%0.2652.9%0.1349.0%57.8%0.22-0.04注：复合因子为对市值、PB、SUE、ROE、动量因子等权打分。资料：Wind,

西部证券研发中心22010203单因子测试目

录收益预测模型组合构建CONTENTS3

组合构建➢

计算组合的净值曲线和收益风险特征1.

确定选股池•

基本池：沪深A股中，剔除ST股、上市不足3个月的股票以及停牌股。•

其他要求：如流动性要求（剔除选股池中过去1年日均总市值和成交额排名靠后20%的股票）。2.

确定调仓周期•

季频、月频、双周频、周频。3.

确定选股逻辑及权重，计算净值曲线资料：西部证券研发中心243

组合构建3.确定选股逻辑及权重•

人工逻辑✓

选股个数：基于收益预测选择top100、top10%的股票。✓

加权方式：等权、股息率加权、市值加权。•

组合优化✓

基于收益预测构建优化目标，如，最大化组合收益。✓

添加更复杂的选股约束。✓

选股个数及加权方式由优化器求解得到。资料：西部证券研发中心253

组合构建3.确定选股逻辑及权重•

组合优化——常用于指数增强◆

目标函数퐦퐚퐱

풘′흁ෝ풘✓

最大化组合预期收益◆

约束条件s.t.풘ꢀ풆

=

ퟏ,

풍

≤

풘

≤

풖ꢀ풘

−

풘

푭

≤

풙푩✓

个股权重偏离、组合风格暴露풘

−

풘푩

′핀{풊∈푫}

=

ퟎ✓

行业、市值等风险约束✓

换手率约束푵෍

풘풊,풕

−

풘풊,풕ꢂퟏ

≤

풚◆

求解最优化问题，得到股票权重。풊ꢁퟏ资料：Quantitative

Finance

withPython,

by

ChrisKelliher，西部证券研发中心263

组合构建4.组合分析✓

风险收益指标•

累积收益、年化收益、超额收益、

最大回撤、换手率、胜率•

信息比率

IR、夏普比率、卡尔玛比率、索提诺比率✓

归因分析•

收益归因•

风险归因资料：西部证券研发中心273

组合构建➢

基于复合因子构建中证500指数增强策略•

复合因子：对市值、PB、SUE、ROE、动量因子等权打分。•

选股