图 5.3 基本的单因子选股策略框架
因子的值来预测下一期或者下一段时间的收益率。这里选用简单的线性回归来完成预
测工作,如下式所示:
, 1
1
N
t n n t
n
r a b f
其中
t
r 是时刻 t 的股票收益率,
, 1n t
f
即为 t-1 时刻下第 n 个因子的大小, a 和
n
b 是回
归式中的系数。进行交易决策的时间点为 t 时刻初、t-1 时刻末,因此回归式左边为预
测值,回归式右边的所有成分则都是决策点下的已知信息。在预测出每一支股票在时
刻 t 的收益率之后,按照收益预期值从大到小进行排序,然后选取排在前列的股票作
为当前可以建仓的股票。
需要特别说明的是,在某些量化交易策略的相关资料当中,会把对于不同股票而
言取值一致的回归系数
n
b 称之为风险因子,而将具体的股票特征值
, 1n t
f
称之为各支
股票在因子上的溢价。这主要是因为学术界在套利定价理论等研究的基础上,形成了
一种约定俗成的叫法,其中风险因子对于所有资产应该保持一致,而因子溢价则各有
不同。不过在量化选股策略中,对比本节所使用的称谓,这种叫法以及其他一些叫法
并不是非常直观,因此不予以使用。如果读者在阅读其他资料时碰到不一样的名称,
只需对号入座弄清准确含义即可。
a 和
n
b 等参数的优化和拟合,书中使用的是法玛与麦克贝斯给出的一种线性回归
估计方法。如果可以获得 T 个时间段的因子数据以及相应的下一期股票收益率数据,
那么对于上面的线性回归式而言,一共可以进行 T 次估计,表示如下:
, , 1
1
N
t t n t n t
n
r a b f
, 1,...,t T
相比起上一个回归时, a 和
n
b 的形式略有变动。
t
a 和
,n t
b 代表一共可以得到 T 组 a 和
交易决策时的因子大小
选入
不选入
排序
前列
其他
1