![9d2280d98ea27e5a168884fa959d520f.png](https://i-blog.csdnimg.cn/blog_migrate/697b7e8837c4bcd69ffaffb1b588e4ec.jpeg)
1. 前言
前面我们介绍了使用机器学习的方法进行因子合成,但是这种方法的适用性仍需斟酌使用。例如机器可能会给某个因子过高的权重,为组合带来风险暴露。本文从因子权重优化出发,基于Python Cvxpy库提供了因子权重优化的一个工具。
2. 常见因子合成方法
- 静态权重:固定的权重加权,例如常见的等权。这种方法非常直观,领导拍脑袋。
- 动态权重:IC加权,IC_IR加权,最大化IC IR加权。
动态权重的方法在很多卖方的研报都有介绍,像天风,华泰等等,甚至还讨论到IC的计算方式,例如根号市值加权的IC。
假设我们现在有n个因子,其IC的均值向量为
这个问题有解析解:
3 动态权重的扩展
3.1 最大化IC IR的缺点
- 上一节,我们讨论了最大化IC IR加权方法,这种方法是考虑了因子之间的相关性后最大化合成因子的预测能力的方法。这涉及了因子之间的相