模型构建和因素选择的重要性是什么？

实证研究表明因素及其权重的安排在决定交易策略模型的功效方面是十分重要的。利用来自21种主要的数量基金的股票选择模型的数据，SanfordBernstein的数量化研究小组分析了模型中股票排序和所用到的因素的重合程度。①他们发现这些模型受到很多相同的因素的类似影响。大多数模型更多地受到基于现金流的估值（比如EV/EBITDA)和价格动量的影响，而较少地受到资本使用情况、修正值和标准化价值等因素的影响。尽管他们发现了因素对这些模型影响的共同点，但是股票的排序和模型的表现还是很不相同的。这一惊奇的发现意味着不同的股票选择模型的构造是不同的，也为共同信号并不能彻底消除套利提供了证据。

该小组做的第二个研究展示了不同模型在现金流和价格动量因素上的共性，而股票排序和收益表现存在巨大差别。他们猜测好的模型和坏的模型之间的差别与一些由组合经理认定的特殊因素、模型构建的更好方法（比如静态的、动态的或情景模型）或是运气的好坏有关。

例：基于因素的交易策略

构建模型时，我们希望能实现如下目标：识别出未来表现好的和表现不好的股票，al-pha来源有很好的分散性，模型关于时变的收益率、波动性和相关性等变化的市场条件是稳健的。

如今我们已经识别出十种具有预测股票收益率能力的因素。在之前讨论的四种模型构建方法中，我们将使用更优化方法的框架来构建模型，因为它的灵活性更好。

我们通过求解如下更优化问题来确定具体因素的权重：

满足预算约束

基于存在系统性的长期价值溢价的信念，我们限定关于价值因素最小暴露大于等于模型权重的35%。

利用因素的收益率，我们每月进行一次优化来确定要选择的因素及其比例。图7.8演示了因素权重是如何随时间而变化的。

接下来,我们利用因素的权重来确定股票池中的股票的好坏。我们通过将因素的标准值与由更优化方法提供的因素权重相乘对股票池中的每一种股票进行打分。得分高的股票被认为是有吸引力的,得分低的股票被认为是没有吸引力的。

为了评估模型的表现如何,我们根据股票的得分将其分为五个等比重的组合,然后评估这些组合的收益率,表7.4的表A给出了每种组合收益的汇总统计量。我们注意到在这些组合的收益率之间存在单调的关系,组合1(q1)的收益率更高,组合5(q5)的收益率更低。在整个时期内,买空组合1同时卖空组合5的多一空组合(LS)平均每月获得1%的收益率,其月夏普比率为0.33。其收益率在97.5%的置信水平上是显著的。

表7.4 的表B展示了组合1(q1)和组合5(q5)的月度股票平均换手率。了解某个交易策略换手率如何逐月变化是十分重要的。如果换手率太高,那么实施策略是不合适的，因为执行成本太高。尽管超出本书的讨论范围,我们可以利用第十一章讨论的市场冲击模型把交易成本纳入这一-交易策略当中。因为我们的交易策略的动态特征一一活跃因索每个月可能都会改变,20%的换手率与我们使用静态方法时所预期的相比略高一些。

我们评估模型得分和其后收益率之间的月度信息系数。这种评估为评价模型预测收益率的能力提供了信息。该模型得分的月度平均信息系数是0.03,并且在99%的置信水平上是显著的。其月标准差是0.08。我们注意到在较早时期信息系数和收益率都是比较稳健和持续的。

图7.9 展示了组合1到组合5的累积收益率。在整个时期内,这些组合的累积收益率之间存在单调的关系。为了评估模型的整体表现,我们对多一 空投资组合的收益率的表现进行分析。我们观察到模型在1994 年 12 月到2007 年5月之间以及2008 年4月到2008年6月之间表现很好。这是因为我们的模型恰当地选取了在那些阶段表现很好的因素。我们注意到模型在2007年7月到2008年4月之间表现很差，平均每个月损失1.09%。该模型好像遭受了很多数量化股权基金和对冲基金在这一阶段所面临的相同的问题。该模型单个月最差的表现是-6.87%,发生在2001年1月，其更大的跌幅为13.7%,发生在2006年5月（顶峰）到2008年6月（谷底）之间。

为了更全面地理解该策略的收益和风险特征，我们必须进行更详细的分析，包括风险和表现归因，整个时期以及某些特定时期内模型的敏感性分析。由于换手率的影响比较大，我们也要考虑引入换手率的限制或是使用将在第十一章讨论的市场冲击模型。

对于任何一个分析师来说，策略表现较差的阶段总是令人不安的。模型在2007年6月到2008年3月期间的糟糕表现意味着我们所使用的很多因素都无效了。我们需要回到单个因素，在该时间范围内对它们单独地进行分析。此外，这还凸显了利用新颖的数据资源和不同的方法提高现有因素的质量并构建新的因素的重要性。