万流归宗多因子系列研究（一）：基于量价因子的多因子决策树-20230904-东吴证券-42页_4mb

金工专题报告总结：基于量价因子的多因子决策树模型

核心内容概述

本报告主要探讨了基于量价因子的多因子模型构建与优化方法，旨在应对2023年上半年部分因子失效的问题。东吴金工在过去两年中发布了15个量价类选股单因子，但部分因子在2023年上半年表现不佳，因此提出构建多因子模型以降低单因子失效风险。通过构建多因子决策树模型，综合使用线性与非线性方法，最终合成因子在绩效表现上优于等权组合和单因子。

主要观点与关键信息

1. 传统多因子组合方法

• 等权法：假设各因子贡献相等，简单直观，但未考虑因子间相关性及有效性，可能导致绩效不稳定。
• ICIR法：考虑因子有效性和稳定性，但忽略因子间相关性，可能在因子高度相关时失效。
• 横截面因子值回归下期收益率：通过线性回归建立因子与收益率的关系，但存在对线性关系的假设和忽略时序相关性等问题。

2. 线性多因子组合方法

• 最小二乘法：用于预测和拟合，其预测版绩效较弱，拟合版表现优于预测版，但仍弱于等权方法。
• 岭回归：通过引入正则化项解决多重共线性问题，提升模型稳定性，但绩效仍低于等权方法。
• 小波滤波：通过多尺度分析平滑信号，提升模型信息比率，优于最小二乘法拟合版。
• 卡尔曼滤波：利用递归更新机制优化状态估计，优于最小二乘法拟合版。
• 高斯滤波：基于高斯函数平滑信号，信息比率优于最小二乘法拟合版。
• 线性模型总结：三种滤波方法均能提升模型信息比率，但表现仍不及等权方法。

3. 非线性多因子组合方法

• 支持向量回归 (SVR)：适用于非线性关系，窗口为5时表现较弱，但窗口为10时信息比率有所提升。
• XGBoost：集成学习算法，通过迭代优化提升模型性能，其绩效优于线性模型。
• 随机森林：通过多个决策树的集成，提升预测能力，其绩效优于线性模型。
• 神经网络 (ANN)：用于处理复杂非线性关系，其绩效表现良好，信息比率高于线性模型。

4. 多因子模型的灵活应用

• 东吴金工单因子表现：部分因子表现优异，如SPS年化收益率达44.24%，信息比率为3.016。
• 因子相关性与共线性分析：因子间的相关性和共线性对线性拟合效果有显著影响，非线性模型对相关性要求较低。
• 综合得分：综合得分 = 相关性 × 共线性，得分越高，因子间越不适合线性拟合。

5. 多因子决策树模型

• 合成因子表现：在2006/01/01-2023/07/31回测区间，合成因子的月度IC均值为-0.086，年化ICIR为-3.028，十分组多空对冲年化收益为39.60%，波动率为11.83%，信息比率为3.349，胜率为80.00%，最大回撤为9.20%。
• 分年度表现：合成因子在不同年份均有良好表现，尤其在2023年表现突出。
• 纯净合成因子：通过进一步优化，纯净合成因子在绩效上仍有提升空间。

关键绩效指标对比

结论

多因子决策树模型在不同因子类别中均表现出优于等权组合和单因子的性能。通过引入综合得分矩阵和信息偏离度矩阵，模型能够更有效地对因子进行分类和合成，提升整体投资组合的收益和风险控制能力。未来模型的实际应用需结合资金管理和风险控制策略，并注意模型可能存在的历史数据偏差和市场变化风险。

风险提示

• 所有统计结果基于历史数据，未来市场可能发生重大变化。
• 单因子收益可能存在较大波动，实际应用需考虑资金管理和风险控制。
• 模型测算可能存在相对误差，不构成实际投资建议。