收益预测模型    我们从规模、估值、成长、盈利、技术、流动性、波动等维度筛选出有效因子,对有效因子我们采用对称正交的处理方式来剔除因子之间的多重共线性,使得复合因子的选股能力带来了显著提升。此外,选股因子通常都有其合理的投资逻辑,当我们在窗口内滚动计算得到的预期因子权重配置方向和投资逻辑不一致时,我们不使用该因子来预测收益(即反向归零),这种稳健的控制方式使得复合因子的稳定性得到进一步提升。2010年以来,我们构建的复合因子IC均值为0.134,年化ICIR7.528,月度胜率96.1%。    静态指数增强模型    我们以最大化组合预期收益为目标,控制组合与基准指数在行业、市值因子上的暴露一致,并通过控制个股相对基准指数成分股的最大偏离度来构建优化模型,在沪深300、中证500和中证1000等不同风格指数上取得了稳定的增强效果:    ?沪深300指数增强组合年化超额收益14.11%,相对最大回撤3.02%,收益回撤比4.67,信息比3.5;?    中证500指数增强组合年化超额收益20.83%,相对最大回撤3.95%,收益回撤比5.27,信息比4.61;    ?中证1000指数增强组合年化超额收益24.36%,相对最大回撤4.41%,收益回撤比5.52,信息比4.69。    自适应风险控制下的指数增强模型    指数增强组合希望对跟踪误差有严格的控制,然而我们发现组合的跟踪误差和市场波动率等因素有关,静态风险控制模型并不能保证在不同市场环境下跟踪误差的稳定性。我们根据组合过去一段时间内以不同的个股权重偏离约束得到的组合实际跟踪误差与目标跟踪误差的关系来动态自适应确定下期个股权重偏离度,构建自适应风控指数增强模型,与静态指数增强模型相比,该模型能更好地实现对目标跟踪误差的跟踪,表现更加稳健。    ?自适应风控沪深300指数增强组合年化超额收益12.25%,相对最大回撤2.28%,收益回撤比5.37,信息比3.88,跟踪误差2.98%;    ?自适应风控中证500指数增强组合年化超额收益17.57%,相对最大回撤2.62%,收益回撤比6.71,信息比4.77,跟踪误差3.31%;?    自适应风控中证1000指数增强组合年化超额收益19.75%,相对最大回撤2.71%,收益回撤比7.29,信息比5.19,跟踪误差3.53%。    风险提示:市场系统性风险,有效因子变动风险。

声明：如本站内容不慎侵犯了您的权益，请联系邮箱：wangshiyuan@epins.cn 我们将迅速删除。