三级指标 主成分分析_基于主成分分析的技术面因子改进

证券分析师：黎鹏，执业证书：S1190519100002

详见报告《多因子系列：基于主成分分析的技术面因子改进20200710》

策略观点

1) 主要思路：原始因子一般为横截面数据，为了增加信息量我们可以加入不同时间窗口的指标均值，然后通过不同加权或调整方法以形成新指标。 2) 处理方法：主成分分析 选择主成分分析的原因：技术面因子均线线性相关性较高；可将横向比较的影响考虑进去； 3)主成分分析对数据有两点要求，一是数据的标准差具有轮动特征。二是数据最好具有较强线性相关性。检验方法：统计因子标准差，分层净值对比，回归收益对比； 4)改进后的市值以及换手率因子稳定性增强。 代入新因子后对原有多因子策略有明显的增强。 从胜率上看，改进后的多因子策略的年度胜率为85%，平均年度超额收益为18%，平均信息比率为1.05，相对最大回撤为7%，每次换手大约在20%左右 。

一、概述

多因子模型的思路为将因子在第t期的暴露度与t+1期的股票收益进行线性回归，所得到的回归系数即为因子在t期的因子收益率，计算方法为：

： 股票i在t+1期的收益率； ：第t期在行业h上的收益率； ：第t期在行业h上的暴露度(属于该行业则为1，否则为0)； ： 第t期因子f上的收益率； ：第t期在因子f上的暴露度； :股票i在第t期残差收益或者特质回报。 从个股收益可推导至组合收益，假设组合是由n只股票按照W=(w1,w2…wn)的方式加权组成，那么组合的收益可表示为以下公式：

通过各种描述以及预测方法，可对特定组合收益进行预测。为了提高模型的准确性，多因子模型方法对数据具有严格的要求。 模型还要求解释变量之间不存在严格线性相关性，即各变量之间无完全多重共线性。因为线性回归模型中的解释变量之间如果存在高度相关关系，模型就会失真或者难以估计准确。所以建立收益预测模型之前，需要对因子的多重共线性进行相应处理。如果因子被确定有因子共线性问题，一般有三种处理方法：一、直接剔除高度相关性的因子；二、因子合成，