宏观经济周期下中国股市基本面因子的风险溢价变化研究

基于我国2005—2021年所有非金融A股上市公司数据,通过构建因子模拟组合得到主要基本面因子的风险溢价,并利用合成指数法和Bry-Boschan法对2006年7月至2022年12月的宏观经济周期进行划分,重点分析不同经济状态下基本面因子风险溢价的均值和显著性变化。研究发现:(1)我国宏观经济周期整体呈现“扩张期短、收缩期长”的特征;(2)基本面因子的风险溢价显著水平存在较大差异;(3)宏观经济扩张或收缩会对部分基本面因子的风险溢价造成明显影响;(4)在国内股票市场通过基本面因子筛选构建量化投资组合可以获得超额收益,而减少组合头寸调整频度与幅度,有利于实现长期盈利。

基于基本面因子的FCM量化选股策略

选取沪深300成分股作为样本股,截取2015-2018年财务数据和行情数据,基于价值因子、盈利能力因子、运营能力因子、成长能力因子、偿债能力因子及品质因子六个维度选取的候选因子,利用模糊C-均值聚类(FCM)算法对有效因子进行最终筛选,构建多因子模型。本模型在对沪深300成分股测试中取收益前100股作为一览组股票形成投资组合,其测试结果大部分年份远超基准收益,其他指标相对稳健,为量化投资研究提供了新的思路。

ML-FFA:基于机器学习和基本面因子分析的量化投资策略

本文设计了一套基于机器学习回归方法和基本面因子分析的量化投资策略ML-FFA(Machine Learning and Fundamental Factor Analysis),以股票基本面多因子作为输入变量,利用梯度提升回归、随机森林回归两种机器学习算法来预测股票涨跌幅,依此构建投资组合策略。实证结果显示:ML-FFA量化投资模型能够有效地适用于A股交易市场。

基于成长、营运、估值因子的基本面选股研究

在套利定价理论中,套利行为是影响当前有效市场的一个重要原因。当市场没有达到平衡时,就可能出现无风险的套利机会。由于近几年科技的进步以及金融数据的不断创新,市场有效性不断增强,多因子量化选股模型也因此应运而生。本文将通过利用Ricequant软件中的向导策略,来证实优化多因子量化选股模型的可行性,并对实验所得出的结果进行系统性的阐述。具体来说,本研究选择了成长能力、营运能力、估值类因子为研究对象,基于2020年至2022年的数据进行了分析。基于分析结果,我们可以看到回测结果与理论研究不一定相同,但同样证实了优化多因子量化选股模型的可行性。本文的研究结论对于量化选股有着重要的借鉴意义。

结合领域知识的因子分析:在金融风险模型上的应用

因子分析是一种在工业领域广泛使用的统计学方法.在金融资产管理中,因子分析通过对历史价格波动的极大似然估计推导自适应的统计学因子来生成风险模型.与通过使用预先设定具有经济学含义的因子来生成风险模型的基本面因子模型相比,通过因子分析生成的模型不仅更灵活,还能发现在基本面模型中缺失的因子.然而,由于因子分析所生成模型中的统计学因子缺少可解释性,因此当金融数据中存在显著噪音时容易过拟合.针对中国股市数据的风险模型生成问题,本文提出快速因子分析算法以及将基本面因子结合到因子分析中的挑选基本面因子的混合因子分析方法,使风险模型同时在因子探索及模型可解释性上达到最优.实验结果显示快速因子分析方法能够达到31倍以上的加速比,且新混合因子分析方法能够增大人造数据集以及真实数据集上预测的对数似然估计值.在真实数据集上,新方法能最好够达到平均对数似然估计值12.00,比因子分析构建模型的7.56大4.44,并且两个算法均值差值的标准差为1.58,表现出新方法能构建更准确的风险模型.

价值投资策略在中国A股市场有效性的实证研究

本文介绍了股票价值投资理论,给出来影响股票价值的重要的基本面因子,选取沪深300指数的成分股做股票池,通过对8种在国内影响股票价格较大的因子的赋值,分值由高到低排序,构造了五个组合,通过28个季度的观察,发现分值高的组合投资收益远远高于沪深300指数收益。从而论证该选股模型在沪深300指数成分股中是有效的。