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