Fama-MacBeth回归实验证据范围特性、盈利特征和估值特征具有较高的显明性，双样本T反省的成就流露界线特点和红利特性在分股票池内的IC具有彰彰的差异。凑关收益测试中则是领域特质、估值特性和运动性特色较为有效，团体上看？
全阛阓多头群集：收益才气较好，平定性显然举高。基于运动性特点的全阛阓聚关的收益手艺较强，回归和预测除了可能恒久稳定的战胜沪深300和中证500这两大宽基指数除外，聚关相对于阛阓上的努力权益基金司理的发扬也是有较明白优势的。
中证500加强调集：年化收益普及2。5个百分点。与原始的最优化IR笼络相比，基于运动性特色的情形因子中证500牢固拼集在2017、2018和2020年有比拟明白的收益提拔。笼络的年化超额收益由从来15。84%举高至18。38%，升高2。5个百分点，消息比也由2。73普及至3。02。
因子的最优拼凑方式一直是量化多因子模型中最主要的推敲内容之一。古代多因子模子时时是在全阛阓规模内对一路股票视统同等地举行打分，量化模型分析方法中金：非线而很少考虑个股之间的根基面情形区别和因子在差别品格股票池里的实用性差别。基于情状体现法的多因子模子(Contextual Modeling Strategy)则大概势必程度上填补保守多因子模型的不够。
敷衍因子举行情形发挥着实征求了一个重要的幻想，即感慨因子对股票的收益影响并非是线性的。而古代的因子检验办法，无论是回归法还是相关系数搜检措施，均含有默认的倘使即因子对股票收益的影响是线性的。然而实质投资经由中所有人会创造区别板块、差别气概的股票时常生涯差异的投资逻辑。例如，外洋的思量申明动量因子的收益在高滋生和低滋生的股票池内具有极端明白的分歧，在高滋生的股票池内动量因子具有明白更高的瞻望才气。以是，回归和预测情形分析因子模子反面的幻想根本是更符关线年的阛阓气概终点破碎的行情下，国内的古代量化多因子模型大多遭遇了不小幅度的回撤，也正是从2017年下半年人们起源普通体贴和研究因子择时模子。谁们也在2018年发轫对因子择时举行了一系列的斟酌，包罗基于因子估值差和拥挤度的因子择时、基于机械进修模子(例如SVM支柱向量机)的因子择时和基于宏观和阛阓基本面的估值因子择时等等。外洋学术界和业界对于因子择时的探讨也原由已久而且成就富足，譬喻Barroso， Santa-Clara (2015)和Daniel， Moskowitz(2016)分散对动量因子的择时举行了推敲；Asness， Friedman， Krail， Liew(2000)对估值因子的择时举行了研商；Chen， De Bondt(2004)气派动量在因子复关中的专揽举行了研究。
但针对因子展望手法的非线性特点这一点，学术界和业界的说论并不算丰饶。市场分析与预测Sorensen，Hua和Qian(2005)的思念证实，在差别维度的情状(Context)下(比喻，高估值/低估值，高滋生/低滋生，高摇动/低摇晃)最优的因子撮关编制也有光显改观。市场分析与预测我感到在病笃诊疗的根本上，利用基于情形特色的因子加权办法构修的因子撮关优于静态加权的因子调集。
将股票池分为大市值和小市值两组，量化模型分析方法分袂在两个组内试验估值因子(EP_TTM)的施展，会发现估值因子在小市值股票池内恒久有比力平定的超额收益，而在大市值股票池内的多空收益体现与全阛阓宛如，回归和预测2018年今后的回撤幅度以致大于全阛阓内多空收益的回撤幅度。图表： 估值因子分组收益与多空收益序列。
基于统计措施(比喻K-means)对个股举行分类，全部人会在后续申说中对这种要领以及境况分析的摆布成就做详细的研究。本文全部人重点敬服的是情形分析因子模子在A股的独霸见效，我们将详细寻找情景特点的界说、特色的选拔和有用性检验，并终极修建基于情景分析的因子选股调集。
推敲部第一步选定Alpha因子是须要较多的基于因子挖掘、因子优化等前期的斟酌积聚和测验材干竣事的一个措施。因子挖掘和因子优化涉及浓密的行动，全班人在《量化多因子系列(1)：QQC综关原料因子与指数增强应用》申报中做了控制的先容，而本文全班人且自不会将重点放在因子的掘客和优化上，而是更多的体贴境况分析因子模型这个措施的构修道理和摆布见效。
在把握境况发扬模子时，选择哪些因子算作情形特性(Contextual Feature)因子是十分要紧的一个合键。景况特色因子是用来当作股票池分别的榜样的，其有效性肯定会对终局模型团体的有用性涌现彰彰的影响。全班人感受，市场分析与预测市场分析与预测一个恰当的情形特点因子应当有以下的特征？
在决议了景况特点因子后，各人就可以大概凭证所选的特征将股票池分别为若干个子集，体验分散测试各个子集内Alpha因子的有用性后，市场分析与预测决议各个子集内的因子最优权重，破裂在各个子集内对因子加权获得复关因子并终极获得全阛阓股票的复关得分。回归和预测
最先，回归和预测全部人们接纳情景施展模型的最根底的因由就是基于Alpha因子展望能力的非线性特征。是以从理论上来说，针对差异的股票池选取差异的因子加权格式，性借使下的情状论述因子模型就应该也许获取整体上更为有用的选股瞻望手段。那么若何决议差别股票池内各个Alpha因子的最优权重，回归和预测并企图得到全阛阓股票的最终得分，就是模子中比力合键的问题。
各人早先以单因子的景况举例讲明情形阐扬因子模子的基本说理。市场分析与预测假定我们有一个特点，并凭证它将股票池分为上下两局限，同时倘使有一个单一的Alpha因子。那么若是这个Alpha因子在凹凸两个股票池中发扬纷歧样，最终整体上这个Alpha因子发扬会怎样呢？
全部人选择包罗质量、动量、换手率、沟通预期这几个大类的Alpha因子算作考试工具。因为区此外投资者偏好利用的Alpha因子是各不雷同的，各个典型因子中也生活许多差此外因子组织式样和差此外执掌细节，这里为了更有要点的闪现景遇阐扬步骤的驾驭奏效，就仅以下表中的5个Alpha因子当作考试工具。
3个月医治和相仿预期生意业务利润3个月疗养)；动量因子选取的是24个月收益率减去最近1个月收益率和12个月收益率减去最近1个月收益率；换手率独揽的是最近1个月、3个月和6个月的换手率等权复关。图表： A 股因子及定义。
上述的试验成效中所有人，四周特质、盈利特点和估值特质在Fama-MacBeth回归测验的收成中对三个Alpha因子都具有较高的区别度和彰着性；而双样本T检验的见效流露界线特征和红利特征在分股票池内的IC具有清晰的划分。于是各人这里紧迫显露了划分Alpha因子在这三个特性下的分情形多空收益施展？
在特点分组考试的功效来看，红利特征仅对预期估值因子(Con_Value)因子有势必的区别度。在盈利伎俩较低的股票池中，量化模型分析方法中金：非线性借使下的情状论述因子模型，预期估值因子恒久具有相比牢固的收益才能；而在红利才具较高的股票池中，预期估值因子的多空收益牢固性较差，尤其是2018年今后收益发明了大幅度的回撤。
分组后组内因子测试的有效性和显然性，我们均只选取情景特征在全阛阓领域内举行高和低两分组的测试；其次，本文更多的是从要领论上引入情形阐扬因子模子的框架，从全阛阓选股的角度构修群集并与常用的因子加权措施(譬喻等权加权、IC加权、IC_IR加权等)看成相比可以也许更直观的窥伺出模型的优势可能缺点。同时，倘使全部人们需要在极少重要指数要素股规模内举行实行，那么范畴特性(Size)就很大概失踪其在全阛阓领域内的区别度和有效性，而界线特质在全阛阓是一个稳定性较好且区别度明白和特征，反面的实行中各人也能看到基于范畴特质修建的全阛阓拼凑收益技术的提高如故相对较为明白的。
研究到动量在A股阛阓的收益武艺并不稳固，我在这里全阛阓组关中将仅选取除了动量因子除外的4个Alpha因子，即质量因子(Quality)、预期估值(Con_Value)、预期保养(Con_Change)和换手率(Turnover)。
他们们选择最优化IR加权的因子赋权体制看成基准组关。量化模型分析方法前文他依旧详细诠释了基于情状特色模子的因子最优权重的策画方式，同样也是基于最优化IR的幻想根本，可能说也不妨明白为是最优化IR要领在景遇叙述因子模型框架下的进一步衍生。
分年度来看，基于运动性特点的情况因子模型在2017、2018和2020年有比力明白的相对优势，相敷衍原始的最优化IR模子有较为明白的收益低落。量化模型分析方法齐集的讯歇比也相比原始最优化IR笼络有较为明白的提高，由2。73提拔至3。02。
