因子正交全攻略 —— 理论、框架与实践

摘要

1. 因子共线性的困扰：在多因子加权时，我们通常会从规模、估值、成长、质量等多个维度选择表现较好的因子进行加权。但是这些因子之间可能存在多重共线性，进而导致加权后的组合整体在某些因子上的重复暴露，从而影响组合的长期表现。因此，有必要对因子进行正交化，基于正交后的因子进行加权，可以提升组合长期表现的稳定性。

2. 因子正交的统一框架：因子正交化本质上是对原始因子进行旋转，旋转后得到一组两两正交的新因子，它们之间的相关性为零并且对于收益的解释度保持不变。本文提出了一套因子正交的统一框架，基于该框架，不同的因子正交方法即对应选择不同的因子正交过渡矩阵。

3. 特殊的因子正交方法：基于因子正交统一框架，我们介绍几种特殊的因子正交方法，包括施密特正交、规范正交和对称正交，并对它们的适用场景及优劣势进行了分析和比较。回测结果表明，施密特正交和对称正交能够适用于多因子组合的场景，并能够剔除组合对于某些因子的重复暴露。施密特正交和对称正交相对于原始因子ICIR加权组合，年化超额收益能够提升5% 左右，信息比从1.7提升到2.6以上。

4. 对称正交：对称正交法是使正交前后矩阵距离最小的正交方式，对正交前后的因子相关性保持得非常好，可解释性较高，并且计算不依赖历史数据以及收益率数据，计算效率较高，因此我们推荐使用对称正交方法来剔除因子间的多重共线性。

http://www.sohu.com/a/201668064_619347