alpha因子常见问题_多因子系列之二：Alpha因子高维度与非线性问题——基于Lasso的收益预测模型 | 量化专题报告...

原标题：多因子系列之二：Alpha因子高维度与非线性问题——基于Lasso的收益预测模型 | 量化专题报告

本篇报告尝试解决Alpha预测中高维度与非线性两个问题。我们使用基于Lasso的模型，针对性的解决了上述两个问题，最后增强组合的效果相对于传统的ICIR方法有非常显著的提升。

高维度问题：目前已知的有效单因子个数越来越多，如何正确有效的筛选因子并且预测收益呢？

非线性问题：线性模型并不能准确的描述因子和收益之间的关系，有些因子并不是严格单调的，如何拟合因子和收益之间的非线性关系呢？

本报告使用Adaptive Lasso方法来帮助我们解决高维度下因子筛选以及预测的问题。同时，我们使用样条回归来拟合因子和收益之间的非线性关系，然后用Group Lasso的方式进行预测。

从中证500增强组合的角度来说，Adaptive Lasso相对于ICIR方法有年化3%左右的提升，信息比提升0.4。而非线性的Group Lasso方法相对于ICIR方法有年化6%左右的提升，信息比提升1左右。因此，总体来说，基于Lasso的收益预测模型要显著好于传统的ICIR方法。

一、实证资产定价与Alpha预测

随着越来越多的市场异象被发表出来，Cochrane(2011)在他的主席演讲中说到股票截面收益又一次陷入混乱。目前的实证资产定价领域有一些亟须解决的问题：1)已经发现的异象都能够提供关于股票截面收益的独立信息吗？哪些能够被其他因子解释呢？哪个因子模型才最为有效？2)大多数资产定价模型都有很强的线性假设，如何能够有效的解决因子和收益的非线性关系呢？(Fama和French，2008)

这与我们在Alpha预测中遇到