收藏级！A股动态多因子模型实践( 三 ) _序列

关于如何使用Python ，基于历史状态序列计算转移概率矩阵，可以参考这个链接：
因子拥挤性测试，基于等式10计算因子的拥挤度指标。对于单向因子，如果指标值大于2；或者双向因子，指标绝对值大于2；其原先的因子权重需要再乘以1/2 。因子原先的权重由以下等式计算：
双向因子的方向由其上一期的因子IC决定。

文章图片

其他三个模型定义如下：

Model2 是一个静态模型。基于训练期（2009-2012）的数据，在每组中选择ICIR绝对值最大的两个因子，组成静态因子模型。因子权重也基于ICIR绝对值计算。

Model3 与Model2的区别是因子的选择是每年滚动选取，也是基于ICIR绝对值排序每组选取两个因子。

Model4是一个动态因子模型，在每一组中，每个月选取上一期因子IC最大的两个因子。

组合优化
基于以上各模型计算每个股票的因子得分和因子权重，然后基于以下目标函数（最大化Alpha因子）及限制条件（主要包括行业暴露、主动权重及行业市值限制）求解股票权重：
(i) industry constraint versus benchmark industry breakdown: For each CITIC Level I industry j:
(ii) active weight constraint versus benchmark stock weights: For CSI 300 constituent stock i: For non-CSI 300 constituent stock i:
(iii) market-cap constraint versus benchmark market cap:
实证结果
下表11至14给出了测试结果，可以看出Model1动态因子模型的回测大幅领先于其他三个对比模型。