年度策略：如何应对有效因子的巨大变脸-20171214-天风-14页-2mb

报告摘要

2017年因子策略变脸应对分析总结

核心内容

2017年，传统量化因子如市值、反转等出现显著失效，导致许多量化策略表现不佳。分析师吴先兴提出，应从收益预测和风险控制两个维度出发，应对因子失效带来的挑战。他提出了一种MHKQ因子择时模型，并结合动态风控策略，以提高组合的稳健性和超额收益能力。

主要观点

1. 因子择时：基于外生变量的条件期望调整

传统策略多依赖无条件因子收益加权，但无法适应因子表现突变的市场环境。
MHKQ因子择时模型假设因子收益和外生变量符合联合正态分布，通过计算条件期望来调整因子权重。
该模型使用AIC信息准则进行外生变量筛选，采用贪心算法逐步加入变量，以避免样本内过拟合。
回测结果显示，因子择时组合在2017年超额收益为4.5%，而传统组合为-14.3%，显著优于静态策略。

2. 反转因子表现特征

反转因子在市场下跌后表现更显著，而在市场上涨时效果不明显。
具体数据显示：
- $ E (\text{反转} \mid \text{上月市场} = \text{下跌}) = 1.79% $
- $ E (\text{反转} \mid \text{上月市场} = \text{上涨}) = -0.27% $

3. 动态风控：基于波动率与跟踪误差的调整

风险与收益同源，组合的风险来源于对风格因子的暴露。
动态风控策略根据风格因子的波动率调整因子权重，避免高波动因子对组合的负面影响。
同时，根据跟踪误差的实际情况动态调整优化模型的约束条件，以控制组合的偏离风险。

4. 动态风控效果

静态组合在2014年、2015年等市场波动较大的时期出现较大回撤，而动态组合显著提升了稳定性。
动态组合在全样本期的年化超额收益为17.50%，相对最大回撤为2.95%，跟踪误差为4.39%，收益回撤比为5.93，信息比为3.50。
截至2017年12月12日，动态组合相对中证500指数的超额收益为7.72%，而静态组合仅为1.84%。

关键信息

回测表现对比（2010-2017年）

| 年份 | 中证500收益 | 静态组合绝对收益 | 静态组合超额收益 | 静态组合相对最大回撤 | 静态组合收益回撤比 | 静态组合信息比 | 静态组合跟踪误差 | 动态组合绝对收益 | 动态组合超额收益 | 动态组合相对最大回撤 | 动态组合收益回撤比 | 动态组合信息比 | 动态组合跟踪误差 |
|------|-------------|------------------|------------------|----------------------|---------------------|----------------|------------------|
| 2010 | 10.46% | 25.13% | 14.67% | -2.58% | 5.69 | 2.42 | 5.15% |
| 2011 | -33.83% | -28.92% | 4.91% | -1.53% | 3.21 | 2.01 | 3.59% |
| 2012 | 0.28% | 12.62% | 12.34% | -1.87% | 6.59 | 2.83 | 4.14% |
| 2013 | 16.89% | 24.94% | 8.05% | -3.05% | 2.64 | 1.33 | 5.01% |
| 2014 | 39.01% | 63.50% | 24.50% | -5.14% | 4.77 | 2.98 | 5.53% |
| 2015 | 43.12% | 73.91% | 30.79% | -6.05% | 5.09 | 3.14 | 6.22% |
| 2016 | -17.78% | -2.66% | 15.11% | -1.18% | 12.76 | 4.55 | 3.71% |
| 2017.12.12 | -0.49% | 1.35% | 1.84% | -5.55% | 0.33 | 0.36 | 4.89% |
| 全样本期 | 4.40% | 17.65% | 13.25% | -6.16% | 2.15 | 2.40 | 4.86% |