答辩.ppt

毕业论文答辩《多因子模型在A股市场的实证研究》学校名称：指导老师：报告人：目录CONTENTS01PARTONE选题背景02PARTTWO论文结构03PARTTHREE研究方法04PARTFOUR结果分析05PARTFIVE结论与不足06PARTSIX参考文献PARTONE选题背景PARTONE选题背景量化投资量化投资是指通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。PARTONE选题背景多因子模型多因子模型认为证券价格并不仅仅取决于证券的风险，还取决于其他一些因素，具体因子就是本篇文章的选择范围。多因子选股基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。多因子模型相对来说比较稳定，因为在不同市场条件下，总有一些因子会发挥作用。PARTONE选题背景相比定性投资，现阶段A股市场的特点更适合采用客观、公正而理性的量化投资风格。股票市场复杂度和有效性的增加已对传统定性投资基金经理的单兵作战能力提出了挑战。相对于海外成熟市场，A股市场的发展历史较短，有效性偏弱，市场上被错误定价的股票相对较多，留给量化投资策略去发掘市场的无效性、寻找超额收益的潜力和空间也就更大。事实上，尽管在国内发展历程较短，从国内已有的量化投资方法并且已经运作了一段时间的基金来看，量化基金可以被证明是适应中国市场的。——丁鹏《量化投资—策略与技术》PARTTWO论文结构筛选因子因子暴露分析因子相关度分析因子选股能力分析构建选股模型进行回测PARTTWO论文结构策略收益与基准收益比较PARTTWO论文结构因子处理待选因子换手率成交量市值市净率市盈率资产回报率基本每股收益净利润增长率筛选换手率成交量市净率市盈率市值资产回报率论文创新点1.•新的因子组合2.•利用聚宽进行因子检测3.•果仁网量化回测PARTTHREE研究方法PARTTHREE研究方法从规模性、价值性、业绩、估值、以及行情角度、盈利能力、成长性出发选取8个因子。1分析因子之间的相关性，避免相关性过高的因子进入因子组合，相关性过高的因子对于线性模型而言，往往导致模型出现较大误差。3根据因子在指数成分股中的暴露分析，看因子是否通用，是否整个市场差别不大。2通过研究因子IC，分析因子解释力度是否较强，判断因子对个股未来收益的预测能力。4利用果仁网构建策略回测，以沪深300为基准收益。5（1）将因子按照从大到小排序；（2）从中取出属于沪深300的成份股，计算因子的排序平均值；（3）暴露度=(指数因子排序平均值-当日全市场排序中间值)/当日股票总个数因子暴露分析为了避免选取因子中具有相关度较高的因子，我们需要进行因子的相关性分析，将因子相关度高的两个因子中剔除一个因子。因子相关性分析（1）选出股票池，即从全市场中选出属于沪深300成份股的个股；（2）因子按照从大到小排序；（3）后一期收益率按照从大到小排序；（4）计算两个排序之间的相关性，即计算RankIC。因子选股能力PARTTHREE研究方法PARTTHREE研究方法在三种分析下，进行因子剔除，最终选择构建模型的因子，并利用果仁网量化平台进行调试，选好因子的范围。确定模型2选择20个交易日为调仓周期，10只股票为仓位最大容量，个股的仓位权重为流通市值。回测具体时间为2019-04-01至2020-04-01，并且以沪深300为基准收益，交易成本为千分之二，因为选择的股票池为A股中剔除ST和停牌的股票。模型回测3利用JoinQuant量化平台，选择季度为频率对不同风格因子进行分析，检验周期为2014-01-01至2019-01-011筛选因子PARTFOUR结果分析PARTFOUR结果分析——因子暴露分析标题数字等都可以通过点击和重新输入进行更改，顶部“开始”面板中可以对字体、字号、颜色、行距等进行修改。建议正文8-14号字，1.3倍字间距。点击此处添加标题标题数字等都可以通过点击和重新输入进行更改，顶部“开始”面板中可以对字体、字号、颜色、行距等进行修改。建议正文8-14号字，1.3倍字间距。标题数字等都可以通过点击和重新输入进行更改，顶部“开始”面板中可以对字体、字号、颜色、行距等进行修改。建议正文8-14号字，1.3倍字间距。1.市值的因子暴露度是最高的，达到了40%，其次是成易量的因子暴露度；2.2014年至2018年在20%以上，在2016年和2017年，净利润增长率的暴露度为0左右，该因子对于沪深300的有效性比较低。即个股在成长性方面看，差异不大。3.综上所述，我们可以考虑将该因子移出剔除。PARTFOUR结果分析——因子相关性分析我们以0.5为阈值，则因子之间相关性大于0.5，则可以称因子之间的相关性程度高，便可以只需参考其中一个因子。如图，其中相关性最高的是eps（基本每股收益）和ROA（资产回报率），达到了0.49，但是并没有达到所选阈值，因此并不能认定是相关性极高的一组因子。相关性最低为资产回报率和市盈率接近为0，说明两组因子之间的联系很小。因此，对于相关性分析，我们并不能减少因子的个数PARTFOUR结果分析——基于因子IC的因子选股能力分析1.图中是因子IC的平均值，左列是整个A股市场的,右列是沪深300成分股的各因子IC均值。我们以±1%为阈值。2.可以看出，大多数因子的IC均值都是超过阈值的，说明因子的收益率解释还算不错。3.除了沪深300成分股中的市值因子，但是整个A股市场的解释力度超过阈值，由于我们最终选股时针对于整个市场，因此暂时并不能排除这个因子的有效性。PARTFOUR结果分析——基于因子IC的因子选股能力分析图中我们分析的是沪深300成分股IC均值的波动性，其中基本每股收益因子的IC均值波动性较大，说明该因子选股能力的稳定性不是很好，考虑将因子删除。而市净率的选股波动性比较小说明选股能力大。PARTFOUR结果分析——调试选股条件PARTFOUR结果分析——回测结果从回测结果来看，总体上，策略收益是跑赢了沪深300指数收益的。具体来看本文构建的模型总的获利率12.86%，沪深300指数获利率为-7.52%，相对收益大小有22.04%，相对年化收益率也有21.99%。夏普比率是衡量风险大小的，策略的夏普比率为0.27，说明如果承担了一定的风险力度，该策略是可以赢得超额获利的，但是，该策略的夏普比率相对来说，还是偏小的，说明在获得一定收益的前提下，该策略需要承担相对较大的风险。从最大回撤率也可以看出这点，该策略的最大回撤率是与大盘指数比是更大的。PARTFOUR结果分析——回测结果年换手率878.29%平均持仓股票数9.77交易赢率44.87%平均持有天数28.72换股次数78PARTFOUR结果分析——交易部分股票展示在一共交易的78只股票中，有沪电股份、康恩贝、汤臣倍健等股票，且他们涉及的领域都是比较广泛的，有涉及电子等高科技产业公司股票，也涉及农林牧渔产业股，总之涉及的领域没有偏向性。PARTFIVE主要结论与不足PARTFIVE主要结论ONETWOTHREEFOUR净利润增长率因子和基本每股收益选股能力不足；多因子模型在A股市场具有适用性，以沪深300为基准收益，模型收益跑赢了基准收益；在承担较大的收益的同时，多因子模型也具有比基准收益更大的风险；模型并不总是获利的，往往需要在较长时间，才可以获得可观的收益。PARTFIVE不足1首先，在预选因子时，因子的个数只有8个，这方面值得改进，研究的因子越多，范围越广，相对来说，策略获得更高收益的可能性更大。2其次，在筛选因子的步骤时，有些筛选的步骤偏于简略，没有足够强有力的数据来筛选因子。还有数据呈现的柱状图也是比较粗略的，有些颜色有些遮盖。3最后，也是最值得改进的地方，那就是在利用果仁网量化平台进行策略回测时，在确定选股条件时，调试次数有限。4且回测的时间比较短，应该适当将检验时间往前移动。PARTSIX参考文献英文参考文献1.FanX,LiH,ZhuZ.Aquantitativeinvestmentmodelbasedonmulti-fractaltheoryandsupportvectormachine[C]//2014InternationalConferenceonComputing,ManagementandTelecommunications(ComManTel).IEEE,2014:239-244.2.Wiliam,F.Sharp.Capitalassetprices:Atheoryofmarketequilibriumunderconditionsofrisk[J].JournalofFinance1964,19(3):452-442.3.JohnLintner.Thevaluationofriskassetsandtheselectionofriskyinvestmentsinstockportfoliosandcapitalbudgets[J].ReviewofEconomicsandStatistics1965,47(1):13-37.4.JanMossin.Equilibriuminacapitalassetmarket[J].Econometrica,1966,34(4):768-783.5.RichardRoll.Acritiqueoftheassetpricingtheory’stestsPartⅠ:Onpastandpotentialtestabilityofthetheory[J].JournalofFinancialEconomics1977.4(2):129-176.6.Fama,E.F.,andFrench,K.P.OntheCross-SectionofExpectedStockReturns[J].JournalofFinance1992,(6):427-465.7.MorelC.Stockselectionusingamulti-factormodel-empiricalevidencefromtheFrenchstockmarket[J].TheEuropeanjournaloffinance,2001,7(4):312-334.8.SkočirM,LončarskiI.Multi-factorassetpricingmodels:Factorconstructionchoicesandtherevisitofpricingfactors[J].JournalofInternationalFinancialMarkets,InstitutionsandMoney,2018,55:65-80.中文参考文献《量化投资——策略与技术》作者：丁鹏Page26—301.王昭.基于中国A股市场的多因子选股模型[D].华中科技大学,2017.2.陈信元、张田余、陈冬华，预期股票收益的横截面多因素分析：来自中国证券市场的经验证据[J]，金融研究，2001,(6):22-35.3.耿军会，Fama-French三因素模型在上海股票市场的实证检验[J]，金融教学与研究，2014,11(1):48-50.4.顾世勇.中国A股市场多因素模型构建[D].华中师范大学,2007.5.朱晨曦.我国A股市场多因子量化选股模型实证分析[D].首都经济贸易大学,20176.费洋.A股市场多因子选股量化模型构建及其检验[D].浙江大学,2018.7.苏靖宇.多因子选股模型在A股市场上的实证研究[D].安徽大学,2018.THANKYOU