“海量”专题（153）——2020，基本面量化元年？指数增强策略的反思与改进方向

重要提示：《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号发布的观点和信息仅供海通证券的专业投资者参考，完整的投资观点应以海通证券研究所发布的完整报告为准。若您并非海通证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号中的任何信息。本订阅号难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本订阅号推送内容而视相关人员为客户；市场有风险，投资需谨慎。
2019年，指数增强策略虽然仍能获得正向超额收益，但表现明显不如历史平均。分月度来看，增强策略在2月和12月均产生较大回撤，且8-11月累计超额收益低。本文总结并反思了指数增强策略表现不佳的原因，并提出可能的改进方向。[h1]12019年，指数增强策略表现不佳[/h1]以每年年初规模最大的5只沪深300、中证500指数增强基金为研究对象，计算两类产品的月度收益均值后，得到当年的累计净值，统计其相对基准的超额收益（见下表）。

2019年，规模最大的5只沪深300指数增强基金相对基准的平均超额收益为1.66%，低于2010-2018年间的平均水平（4.27%）。规模最大的5只中证500指数增强基金相对基准的平均超额收益为4.70%，也低于2010-2018年间的平均水平（6.53%）。作为参照，表1还统计了海通量化团队跟踪的基于常用风格、技术、历史基本面、预期基本面因子，构建的沪深300增强组合和中证500增强组合的月度超额收益。结果与指数增强基金的表现类似，2019年，增强组合的超额收益明显低于历史平均水平。

以上两图分别展示了海通量化团队的两个增强组合相对基准的月度超额收益。从中可见，2019年，增强组合表现最好的时段是4-6月。最大回撤出现在2月，其次是12月。此外，8-11月，增强组合虽未出现大的回撤，但也未累计明显超额收益，表现相对平庸。综上所述，2019年，指数增强策略虽然仍能获得正向超额收益，但表现明显不如历史平均。分月度来看，策略在4-6月表最优，2月和12月表现最差。此外，8-11月累计超额收益较低。[h1]2指数增强策略的业绩缘何下滑？[/h1]指数增强策略通常包含两个基础模块：收益预测和风险约束。本文将从这两个方面出发，探寻2019年指数增强策略业绩下滑的原因。[h1]2.1因子失效了吗？[/h1]量化多因子模型的基础是有效的因子。因子对股票预期收益的预测能力越强，增强策略的超额收益越高。如下图所示，若以多因子模型的预测收益与实际收益的相关系数（IC）来反映复合因子的预测能力，它与指数增强策略的超额收益显著正相关，两者的相关系数高达0.58。

因此，当指数增强策略表现不佳时，人们首先怀疑的就是因子的预测能力是否出现了下降。以下两图分别展示了由风格（市值、估值）、技术面（涨跌幅、换手率、波动率）、历史基本面（ROE、dROE）、预期基本面（预期净利润调整）4类共8个常用因子组成的多因子模型，历年的复合因子月度IC均值。

2019年，复合因子的月均IC仅有7.1%，为近十年的最低值。同时，ICIR也弱于除2014年以外的其余所有年份。据此可以认为，导致指数增强策略在2019年表现不佳的第一个原因是，多因子模型预测能力的降低。那么，紧接着的一个问题便是，常用的这8个因子是否已经失效。以下两图分别统计了因子在2019年的月均IC及其波动率。从中可见，除ROE外，其余因子的月均IC相比历史平均水平，确实出现了一定程度的下降。同时，像换手率、波动率、ROE这些历史上选股能力比较稳定的因子，也在2019年出现了波动略微加剧的现象。此消彼长间，多因子模型的预测能力必然受到影响。

但整体来看，除市值因子的IC接近于0以外，其余因子和个股收益相关性的方向与历史无异。凭此似乎并不足以断定，这8个因子已经失效。为此，本文进一步计算了因子间相关系数，列于下表。每一列代表由该因子形成的多空收益与剩余每个因子相关系数的均值。

2019年，除市值和估值两个风格因子外，技术面因子、基本面因子与其他因子的相关性明显增强。特别地，换手率、波动率、dROE因子与其他因子的时间序列相关性高于历史其他年份；预期净利润调整因子在绝大部分年份中与其他因子呈负相关关系，但2019年却呈现一定的正相关性。

因子间相关性上升的直接后果是分散效果的减弱。以下两图分别展示了对每一年的月度溢价序列进行主成分分解后，第一和前三主成分对方差的累计贡献率。

显然，无论是第一还是前三主成分对方差的累计贡献率，2019年的值都明显高于以往年度。尤其是第一主成分的贡献率超过50%，而历史平均水平仅为30%。
失去了分散效用，因子就容易出现集体失效，导致多因子模型的抗风险能力下降。如以下两图所示，2019年2月和8月，绝大部分常用因子均出现反向，使得这两个月多因子模型的复合因子IC发生了较大的回撤。

[h1]2.2量化多因子模型也有适用环境[/h1]量化多因子模型看似具备普适性，实则与市场环境息息相关。本文认为，大小盘风格的稳定性、全市场股票收益的离散程度以及上涨股票数量的多寡，都会影响量化多因子模型的表现。
大小盘风格用Fama-French三因子模型中的市值因子（SMB）来刻画。我们发现，当市值风格变化时，通过因子解释股票截面收益差异的难度会加大。为在指标中反映这一特征，我们对SMB做出如下变动，定义加入方向的大小盘风格指标DSMB，

全市场股票收益的离散程度用所有股票的市值加权波动率刻画，具体形式如下所示。

其中，ri是股票i的收益率，wi为其市值权重，P为全A股票市值加权收益率。
由于许多常用因子在大市值股票集中的选股效果相对较弱，而在小市值股票集中的选股效果较强。因此，市值加权波动率对多因子模型表现的影响大于普通波动率。市值加权波动率高，表明相对而言，小市值股票集中个股收益分散度小，多因子模型可发挥的空间有限，模型表现相对较差（如以下两图所示）。

上涨股票数量的多寡用所有A股中收益大于全市场平均的个股数量占比来反映。收益大于均值的个股数量占比越低，表明仅有少数股票上涨。而多因子模型依赖大数定律，在只有少数股票有超额收益的市场环境下，能够发挥的作用有限。如以下两图所示，收益大于均值的个股数量占比越高，多因子模型表现越优。

下表展示了以多因子模型月度复合因子IC为因变量，上述3个影响因素为自变量的单变量回归结果。从中可见，上述3个因素对复合因子IC均具有显著影响，且影响方向与前述分析一致。即，市值风格越明确、市值加权波动率越低、收益大于均值的个股数量占比越高，多因子模型表现越优。其中，市值风格DSMB对多因子模型复合因子IC的影响最大。

进一步，以多因子模型复合因子IC为因变量，前述3个影响因素为自变量进行多元回归。其中，各自变量在回归前均经过了时间序列标准化处理，结果如下表所示。这3个变量对多因子模型IC的影响仍然显著，方向与单变量回归一致，R方达45.7%。

根据上述分析，并结合图13的复合因子IC以及图20-22，我们可以对导致2019年多因子模型表现下滑的原因进行分解。2019年，多因子模型的回撤主要发生在两个阶段——2月及8月至12月。2月，市值风格并无不利影响。但当月的市值加权波动率高，收益大于均值的个股数量占比低，这种市场环境下，多因子模型可以发挥的作用有限。此外，由于因子相关性的上升，多数因子同时失效，复合因子IC降至-18.9%。8月，市值风格反向，SMB由负转正，大盘明显强于小盘；且收益大于均值的个股数量占比低，市场环境不利于多因子模型。此外，由于因子相关性上升，多数因子同时失效，复合因子IC降至-14.2%。9至11月，复合因子的IC分别为8.73%、10.22%和6.02%，低于历史平均水平。主要原因是市场风格不稳定，DSMB远低于历史平均。特别是10月以来，风格切换速度快，DSMB接近于0，甚至为负。在这种市场环境下，多因子模型对截面收益的解释能力偏弱。12月，市值风格再度切换，收益大于均值的个股数量占比低，复合因子IC仅为-0.23%。

[h1]2.3 模型拥挤[/h1]通常而言，有效因子和模型会受到资金追捧。而过多的资金流入又会造成拥挤，削弱策略收益。我们以市场上指数增强基金的日超额收益的平均相关系数来反映模型拥挤程度，结果如下表所示。相关性每年统计一次，基金样本池为至当年年初已成立（或转型）满3个月的沪深300、中证500指数增强基金。

由上表可见，2019年，沪深300指数增强基金的日超额收益相关性高于除2010年以外的其余所有年份。这个现象从侧面反映了以沪深300指数为基准的增强型基金，所采用的模型越来越趋于同质化。中证500指数增强基金也呈现类似特征，2019年基金日超额收益相关系数达0.6，高于之前所有年份。并且，从2015年至今，相关系数逐年上升。根据以上分析，我们倾向于认为，模型逐渐拥挤，同质化程度提高，收益空间被压缩，可能是导致2019年以多因子模型为基础的指数增强基金表现下滑的另一个原因。[h1]2.4 盈亏同源——风险控制的是与非[/h1]事实上，影响指数增强基金业绩表现的除了多因子模型预测能力的强弱以外，风险控制模块也在很大程度上决定了超额收益。如果说拥挤导致的模型同质化或因子相关性上升，以及市场环境的不利，都属于客观因素，那么，风控模型中约束条件的设定则是主观的选择。例如，在海通量化团队设计的沪深300指数增强组合中，我们会根据行业多因子模型的打分结果，在风险约束条件中，允许优化组合的行业权重相对基准指数存在±3%的偏离。
如下表所示，长期来看，允许行业偏离确实带来了更优的业绩表现。超额收益从行业中性的10.90%上升至15.33%，最大回撤保持不变，胜率和风险调整后收益显著提高。过去十年，行业偏离优于行业中性的月度占比为64.2%。

但是，行业偏离的本质还是主动承担风险以获得溢价，而风险的来源则是行业轮动模型的准确率。所以，当行业轮动模型失效时，选择行业偏离往往就意味着回撤。例如，2019年9-11月，行业偏离模型的累计超额收益仅为0.39%，而行业中性模型则为1.21%。

“盈亏同源”，严格约束虽然可以降低短期内的回撤，但也会削弱长期的业绩表现。从我们的实践经验来看，适当增加指数增强策略在约束变量上的暴露，长期内可以获得较为可观的风险补偿收益。但也需要承担某些时段内，主动的风险暴露所带来的亏损。那么，在指数增强体系下，是不是风险暴露越高，必然就能获得更好的业绩呢？还是这些风险约束条件也有最具“性价比”的区间呢？
如下4图展示了在保持其他风险约束条件不变的前提下，单个风险敞口变化对沪深300增强组合年化超额收益和最大回撤的影响。涵盖的风险约束条件有市值风格、行业、因子敞口和个股权重偏离。

从中可见，对于沪深300指数增强策略，市值风格约束的影响最大。在市值中性和完全不设限制两种情况下，年化超额收益相差13%，最大回撤相差达到20%。其次为个股权重偏离，若完全放松约束，组合最大回撤将接近10%。
在保证市值风格中性和个股权重偏离受限的条件下，行业权重偏离幅度或因子敞口暴露大小，对组合业绩表现的影响较小。最好和最差的情况之间，超额收益的差距也没有超过5%，而最大回撤的差距更是在3%以内。
值得注意的是，除市值风格约束外，其余三个风险控制条件似乎都存在“超额收益/最大回撤”的最优区间。对于行业偏离，前文例子中的3%能得到最优的超额收益。同理，因子敞口的最优值是0.5个标准差，个股权重偏离的最优解为2%。
出现这种现象的原因在海通量化团队前期的报告《选股因子系列研究（三十八）——因子敞口上限对优化组合的影响》中，有过较为详细的分析。在一定范围内放松约束，可以均匀地增加组合在各个约束变量上的暴露，获取更高的风险补偿。而一旦突破这个范围，继续放松约束反而会使组合集中暴露在某个约束变量上。这不仅会降低组合的平均暴露水平，而且还会削弱风险分散效果，继而影响超额收益的稳定性。
[h1]2.5 小结[/h1]2019年指数增强策略表现不佳可能是源于：因子有效性降低、不利的市场环境、模型拥挤和行业错配。
从收益预测模型来看，2019年，复合因子IC在2月和8月均显著小于零。此外，9至12月，多因子模型的表现也不如历史平均。具体到每个因子，除ROE外，其余因子的月均IC相比历史平均水平，均出现了一定程度的下降。同时，因子间时间序列相关性明显增强，因子集体失效的发生次数有所增加。
从市场环境来看，大小盘风格的稳定性、全市场股票收益的离散程度以及上涨股票数量的多寡，都会影响量化多因子模型的表现。2019年，市值风格切换频繁，收益大于均值的个股数量占比低，均不利于多因子模型发挥作用。
从风险控制模型来看，风险约束变量既是风险也是收益来源。虽然强化风险约束可以在某些时段（如，2019年9-11月）减小回撤，但也会削弱组合的长期业绩表现。我们的研究结果表明，在一定范围内放松约束，可以提高指数增强策略在长期内的风险调整后收益。对于沪深300增强策略而言，要有效控制相对回撤和跟踪误差，需要对市值风格进行严格管理，而其他风险约束变量的影响相对较小。
[h1]3可以尝试的改进方向[/h1]随着因子投资方法为越来越多投资者运用，因子或模型的拥挤似乎不可避免。同时，学习和演化能力越来越强的A股市场，也让传统多因子模型的生态环境变得愈发艰难。根据我们有限的经验和浅薄的认知，面对这一困局，我们认为，可以尝试的改进方向有：采用新的建模方法、加入高频因子、纳入新信息等。
[h1]3.1 新的建模方法——机器学习[/h1]在当前线性多因子模型体系下，基于现有数据挖掘新的因子越来越难。而通过机器学习一方面可以避免模型拥挤，另一方面可以发现因子和收益之间潜在的隐含关系（如，非线性关系），从而提供更强的投资信号。在量化选股领域，机器学习主要有两方面的应用。一是通过机器学习研究因子择时；二是预测个股收益（或表现好的概率）。
一些海外文献表明，在现有多因子模型体系下，通过机器学习动态预测因子收益可以在原模型基础上获得超额收益。例如，Keith L. Miller, Hong Li[1]等人研究发现，以基本面特征和宏观因素为自变量，采用分类树方法预测因子IC，并以此为权重加总因子得分，所构建的组合收益表现优于静态加权模型。
而在预测个股收益方面，根据Keywan Rasekhschaffe和Robert C.Jones[2]的总结，利用机器学习选股的一般流程如下图所示。即，以因子暴露为输入特征，个股收益或跑赢/跑输状态为因变量进行训练。然后在训练得到的机器学习模型中输入新数据，得到最新预测值，并以此为基础构建选股策略。

从A股市场的实践情况来看，李斌、邵新月、李玥阳[3]基于1997年初至2018年10月间的数据，系统地对比了多种机器学习算法与传统线性回归模型在股票收益预测和投资组合构建上的效果。他们采用的机器学习算法包括预测组合算法、Lasso回归、岭回归、弹性网络回归、偏最小二乘回归、支持向量机、梯度提升树、极端梯度提升树、集成神经网络、深度前馈网络、循环神经网络和长短期记忆网络等。其中，预测组合模型、岭回归、Lasso回归、弹性网络回归、偏最小二乘回归为线性机器学习模型，其余为非线性机器学习模型。
结果发现，线性机器学习算法能够获得比OLS回归更高的多空组合收益，表明机器学习算法能够更好地识别因子间的线性关系。而且，整体来看，非线性机器学习算法能够获得超越线性算法的绩效，显示了因子间非线性模式的存在。从这些研究成果来看，在股票横截面收益预测问题上，运用机器学习方法或许可以提升预测能力。[h1]3.2 加入高频因子[/h1]除了探索新的组合构建方式，我们也可以寻找包含新信息的因子，如高频因子。高频因子采用日内交易数据构建指标，可以引入交易行为信息。本文以尾盘成交占比因子为例，展示在原多因子模型中加入高频因子后，指数增强策略的收益变化。尾盘成交占比是根据股票日内分钟成交量序列计算得到的指标。以Voli,j,t表示股票i在t日第j（j=1,…,240）分钟的成交量，该因子的计算公式为，

尾盘成交占比因子自2012年以来在83%的月份上具有负溢价，月均值为-0.52%，信息比为-3.1，统计显著。

作为对比，我们考察加入尾盘成交占比因子前后，沪深300增强组合和中证500增强组合的长期与近期表现。如下表所示，加入尾盘成交占比因子的沪深300增强组合，年化超额收益和信息比均优于原始组合，2019年的超额收益可由10.0%提升至14.4%。而加入尾盘成交占比因子的中证500增强组合，2013年以来整体超额收益略低于原始组合，但2019年的超额收益明显优于原始组合。
此外，需要注意的是，引入高频因子也会提高换手率。例如，加入尾盘成交占比因子后，沪深300增强组合的月单边换手率由49%提升至53%。但相比于收益的提升，换手率上升的幅度较小。

[h1]3.3 基本面和量化的结合[/h1]一些新信息，如主题组合，与传统多因子模型的相关性低，可以为指数增强策略提供新的alpha来源。以海通量化团队构建的华为5G供应商主题组合为例（具体构建方式参见《基本面量化研究（一）——华为产业链解析》），下图展示了2019年该组合在各个因子上的平均暴露。从中可见，该组合的样本股呈现大市值、高估值、高换手、高波动的特征，恰好与这些因子的选股方向相反，因而很难通过多因子模型将它们选出。

在这种情况下，我们可以尝试用“核心-卫星”的配置思路或者将其作为一个新的行业约束与传统的多因子模型结合。其中，“核心-卫星”的配置是指将原来的指数增强模型作为主要策略，同时把一小部分资金（10%）分配给根据新信息形成的主题组合。下表展示了在2019年年初，用上述两种方法将华为5G供应商组合与原指数增强组合结合后的年度超额收益表现。

由上表可见，“核心-卫星”配置思路的业绩表现相当具有吸引力。若在2019年初，将10%的资金分配给华为5G供应商组合，并进行月度再平衡。则沪深300增强组合的超额收益可由10.0%提升至12.6%，中证500增强组合的超额收益可由20.1%提升至22.8%。
同时，由于华为5G供应商组合和传统因子相关性低，因此在一些极端情况下可以降低回撤。2月和8-9月，多因子模型表现较差。而引入华为5G供应商组合后，增强组合在这几个月份的表现都有明显提升。
从整个2019年来看，结合主题组合的沪深300增强组合的月胜率由66.7%提升至83.3%，最大回撤由3.75%降至2.35%；中证500增强组合的月胜率由66.7%提升至75.0%，最大回撤由5.83%降至3.61%。

不过，将主题作为一个新的行业约束引入指数增强组合的优化过程，并没有获得预期中的表现。应用于沪深300增强组合后，尽管最大回撤有所减小，但超额收益均出现明显的下降，风险调整后收益不及原始组合。应用于中证500增强组合后，超额收益大体保持不变，最大回撤减小，风险调整后收益略有提升。在沪深300增强组合中的应用效果不佳，可能有两个原因。一是，华为5G主题组合的样本股少（平均每期24只），总市值在沪深300中的占比低（平均每期1.08%）。因此，通过优化得到的组合所包含的主题股票数量更少，难以反映整个主题组合的走势。例如，即便要求增强组合对华为5G供应商组合的偏离不低于5%，每期也仅能选入3个主题组合中的股票。二是，风险约束条件之间会相互影响。由上文可知，主题组合的因子暴露和多因子模型的选股方向相反，强行作为约束加入后，会降低组合在部分有效因子上的暴露，使得组合内样本股的平均得分或隐含收益率变小（隐含收益率的概念参见《因子投资与Smart Beta研究（五）——反向剔除的因子组合》），最终导致组合的实际收益率下降。
因此，就本文的分析结果而言，采用“核心-卫星”的配置思路，将主题组合与传统多因子模型结合，或许是一种更好的引入低相关的新信息，获取稳定收益的方法。[h1]4总结与讨论[/h1]2019年，指数增强策略虽然仍能获得正向超额收益，但表现明显不如历史平均。分月度来看，增强策略在2月和12月产生较大回撤，且8-11月的累计超额收益低。
分析发现，指数增强策略表现不佳主要源于：（1）多因子模型预测能力降低：2019年常用多因子模型月均IC为近十年的最低值；（2）不利的市场环境：2019年市值风格不稳定、收益大于均值的个股数量占比低；（3）模型拥挤：以指数增强基金为代表的增强策略同质化程度高，超额收益相关性明显高于以往年度。（4）行业错配：9-11月，基于多因子得分进行行业偏离的设定产生了回撤。
从收益预测模型来看，2019年，复合因子IC在2月和8月均显著小于零。此外，9至12月，多因子模型的表现也不如历史平均。具体到每个因子，除ROE外，其余因子的月均IC相比历史平均水平，均出现了一定程度的下降。同时，因子间时间序列相关性明显增强，因子集体失效的发生次数有所增加。
从市场环境来看，大小盘风格的稳定性、全市场股票收益的离散程度以及上涨股票数量的多寡，都会影响多因子模型的表现。市场风格越明确、截面市值加权波动率越低、收益大于均值的个股数量占比越高，多因子模型预测能力越好。2019年，市值风格切换频繁，收益大于均值的个股数量占比低，均不利于多因子模型发挥作用。
从模型拥挤的角度来看，以指数增强基金为代表的增强策略同质化程度高，2019年超额收益相关性明显高于以往年度，且近几年呈逐年增加趋势。过多的资金流入会造成模型拥挤，削弱策略收益。
从风险控制模型来看，风险约束变量既是风险也是收益来源。适当放松约束，虽然可能面临短期相对回撤（如，2019年9-11月），但可以提升策略的长期业绩表现。对于沪深300增强策略而言，要有效控制相对回撤和跟踪误差，需要对市值风格进行严格管理，而其他风险约束条件对策略长期收益风险表现的影响相对较小，投资者可结合自身偏好选择。
面对当前指数增强策略的困境，我们认为，可以尝试的方法有：机器学习、引入高频因子、结合独立于因子体系的新信息源。采用机器学习可以发现因子和收益之间的非线性关系，更好地利用已有数据；而引入新信息，无论是采用因子形式还是独立组合形式，均可以为指数增强策略提供新的alpha来源，最终提升业绩表现。
[h1]5风险提示[/h1]因子失效风险、统计模型失效风险。参考文献：
[1]A Risk-Oriented Model for Factor Timing Decisions, KeithL.Miller,Hong Li, Tiffany G.Zhou, Daniel Giamourides, The Journal ofPortfolio Management.
[2]Machine Learning for Stock Selection,Keywan C. Rasekhschaffe, Robert C.Jones, SSRN Electronic Journal.
[3]《机器学习驱动的基本面量化投资研究》，中国工业经济，2019年第8期。
联系人：
罗蕾：021-23219984
专题报告下载地址：
https://pan.baidu.com/s/16uVSstHyllcLB5nEiL4bGA

“海量”专题回顾
【点击标题可链接至报告原文】
【海通金工量化策略回顾】
48、“海量”专题（48）——海通金工2017年量化策略回顾
104、“海量”专题（104）——行稳致远：海通金工2018量化策略回顾

【宏观量化与资产配置】
7、“海量”专题（7）——大类资产配置之风险预算模型
20、“海量”专题（20）——长期投资者如何进行战略资产配置
23、“海量”专题（23）——中国版全天候策略
27、“海量”专题（27）——2017，全球对冲基金的新纪元？
33、“海量”专题（33）——Black-Litterman模型的直观理解
36、“海量”专题（36）——积极的风险均衡（Active Risk Parity）策略
46、“海量”专题（46）——Faber的战术资产配置策略在中国市场上的应用
56、“海量”专题（56）——从周期调整市盈率（CAPE）看中美股市当前的估值水平
59、“海量”专题（59）——宏观动量策略在全球股票市场中的应用
66、“海量”专题（66）——宏观动量策略在债券市场中的应用
67、“海量”专题（67）——宏观预期数据的选择与应用
101、“海量”专题（101）——美股的均值回归特征和收益率预测
105、“海量”专题（105）——全球股市轮动策略兼论从全球视角看A股投资价值
112、“海量”专题（112）——MOM投资框架
117、“海量”专题（117）——美国MOM数据分析
119、“海量”专题（119）——负债驱动投资（LDI）简介
124、“海量”专题（124）——主权财富基金资产配置的共性与差异
139、“海量”专题（139）——行业的长期价值与CAPE的应用

【因子投资与Smart Beta】
9、“海量”专题（9）——高相关资产配置中的因子维与组合优化
10、“海量”专题（10）——高相关资产配置中的因子预算
14、“海量”专题（14）——大类资产中的风格因子与Smart Beta
41、“海量”专题（41）——风险加权指数
118、“海量”专题（118）——“单因子多组合”还是“多因子单组合”
122、“海量”专题（122）——反向剔除的因子组合
133、“海量”专题（133）——个股加权方式对比

【行业轮动】
16、“海量”专题（16）——动量策略及收益率高阶矩在行业轮动下的应用
49、“海量”专题（49）——行业一致预期数据的应用分析
52、“海量”专题（52）——“基本面+价格”选出好行业
65、“海量”专题（65）——龙头股效应在行业轮动上的应用
68、“海量”专题（68）——行业间动量和趋势因子的应用分析
70、“海量”专题（70）——预期情绪数据在行业轮动中的应用
72、“海量”专题（72）——宏观经济数据应用于行业轮动的探索
73、“海量”专题（73）——周期、非周期板块内的行业轮动

102、“海量”专题（102）——基于行业Alpha收益的行业轮动模型

103、“海量”专题（103）——行业微观因子的轮动效果
126、“海量”专题（126）——基于BL模型的行业配置策略
136、“海量”专题（136）——基金行业配置观点的分析

【因子择时与风格轮动】
4、“海量”专题（4）——多因子择时初探
19、“海量”专题（19）——基于条件期望的因子择时框架
47、“海量”专题（47）——探寻风格轮动的先行指标
57、“海量“专题（57）——大小盘轮动研究（创业板50 vs 上证50）
75、“海量”专题（75）——指数轮动：沪深300 VS 中证500
90、“海量”专题（90）——宏观数据在板块轮动中的应用
95、“海量”专题（95）——因子失效预警：因子拥挤

108、“海量”专题（108）——因子拥挤度的改进

109、“海量”专题（109）——因子拥挤度的扩展
134、“海量”专题（134）——基于回归树的因子择时模型

【量化多因子选股】
1、“海量”专题（1）——市值因子的非线性特征
2、“海量”专题（2）——选股因子的正交
3、“海量”专题（3）——从最大化复合因子单期IC角度看因子权重
11、“海量”专题（11）——业绩反转之绝对收益

13、“海量”专题（13）——因子视角下的事件驱动策略
15、“海量”专题（15）——因子视角下的事件驱动策略收益
17、“海量”专题（17）——高频因子之收益分布特征
21、“海量”专题（21）——分析师主要要素变动共振事件
22、“海量”专题（22）——价值投资系列之便宜是否值得买
24、“海量”专题（24）——分析师一致预期相关因子
26、“海量”专题（26）——关注盈利是短期风格还是长期趋势
29、“海量”专题（29）——历史财务信息对股票收益的预测能力
30、“海量”专题（30）——历史盈利在预测股票收益时的作用
34、“海量”专题（34）——高频因子之已实现波动率分解
35、“海量”专题（35）——因子加权、正交和择时的若干性质
37、“海量”专题（37）——分位数回归在多因子选股中的应用
38、“海量”专题（38）——因子降维1：底层因子降维方法对比
39、“海量”专题（39）——分析师荐股是否存在超额收益
40、“海量”专题（40）——一致预期数据的质量分析
43、“海量”专题（43）——学术研究中的财务异象之盈利能力
44、“海量”专题（44）——学术研究中的财务异象之盈利质量
51、“海量”专题（51）——A股因子的适用环境分析

55、“海量”专题（55）——学术研究中的财务异象之应计量的分解
58、“海量”专题（58）——业绩超预期股票收益特征分析
60、“海量”专题（60）——哪种分析师推荐报告最值得关注？
63、“海量”专题（63）——A股市场存在龙头股效应吗？
64、“海量”专题（64）——龙头股效应在一致预期数据上的应用
71、“海量”专题（71）——被机构调研的上市公司有超额收益吗？
76、“海量”专题（76）——宏观经济数据可以用来选股吗
77、“海量”专题（77）——宏观经济的不确定性在A股市场被定价了吗？
79、“海量”专题（79）——解禁、融资融券、陆股通和质押的超额收益机会分析

80、“海量”专题（80）——分析师覆盖度与股票预期收益
82、“海量”专题（82）——原油价格对行业和股票影响的量化分析
84、“海量”专题（84）——哪些宏观经济指标可以选股？

85、“海量”专题（85）——A股是否存在异质动量现象？
89、“海量”专题（89）——哪些事件驱动策略可以因子化？
91、“海量”专题（91）——如何计算盈利指标的趋势？
91、“海量”专题（92）——因子敞口上限对优化组合的影响
93、“海量”专题（93）——放松组合构建中的行业中性约束
94、“海量”专题（94）——高频量价因子在股票与期货中的表现
96、“海量”专题（96）——医药行业因子选股研究

97、“海量”专题（97）——预期因子的底层数据处理
100、“海量”专题（100）——行业、概念板块的动量溢出效应
111、“海量”专题（111）——质量因子
113、“海量”专题（113）——近期指数增强策略回撤原因分析
115、“海量”专题（115）——预期调整类因子的收益特征
1 21、“海量”专题（121）——日内分时成交中的玄机
123、“海量”专题（123）——捕捉投资者的交易意愿
125、“海量”专题（125）——探索A股的五因子模型
127、“海量”专题（127）——当下跌遇到托底
128、“海量”专题（128）——股票的“共性”与“个性”
132、“海量”专题（132）——消费板块的因子组合
137、“海量”专题（137）——上市公司关系网因子
140、“海量”专题（140）——资产增长稳定性与资本结构变化
142、“海量”专题（142）——价量波动幅度
146、“海量”专题（146）——买卖单数据中的Alpha
148、“海量”专题（148）——高频因子在不同周期和域下的表现及影响因素分析

【衍生品和CTA策略】
5、“海量”专题（5）——CTA策略介绍及配置价值（上）
6、“海量”专题（6）——CTA策略介绍及配置价值（下）
8、“海量”专题（8）——豆粕/白糖商品期权指南

12、“海量”专题（12）——基于动量和期限结构的商品期货策略
18、“海量"专题（18）——多品种期货策略中的权重分配
31、“海量"专题（31）——商品期货因子挖掘与组合构建再探究（上）
32、“海量"专题（32）——商品期货因子挖掘与组合构建再探究（下）
42、“海量”专题（42）——CTA多品种趋势策略中的仓位管理方法
53、“海量专题”（53）——基于海内外期货持仓报告的CTA策略
61、“海量”专题（61）——原油期货指南
83、“海量”专题（83）——2年期国债期货指南
87、“海量”专题（87）——揭开“逆周期因子”的神秘面纱
110、“海量”专题（110）——2018 年期货市场及CTA策略回顾
135、“海量”专题（135）——CTA因子适用性分析及品种动态筛选策略
147、“海量”专题（147）——沪深300期权介绍与展望
150、“海量”专题（150）—— CTA多因子策略反思与改进方向——从三季度大幅回撤说起

【FOF与基金研究】
25、“海量”专题（25）——债券基金的风格归因与因子剥离初探
28、“海量”专题（28）——债券基金风格归因模型2.0之七因子剥离体系

45、“海量”专题（45）——因子剥离体系下的债券基金久期估测构想
69、“海量”专题（69）——A股市场的基金经理是否具备择时能力？
78、“海量”专题（78）——基金业绩持续性的影响因素分析
81、“海量”专题（81）——FoF投资中，如何对主动权益基金进行因子剥离
98、“海量”专题（98）——基金风格稳定性评估及功能性权益基金挖掘
106、“海量”专题（106）——利用因子暴露监控公募基金仓位和投资风格的变化
114、“海量”专题（114）——国内公募权益类基金有Alpha吗？
129、“海量”专题（129）——Alpha是来自于运气还是实力？
130、“海量”专题（130）——基金业绩归因方法论综述
138、“海量”专题（138）——债券型基金的工具化分类探究

141、“海量”专题（141）——如何评估债基的股债配置能力

143、“海量”专题（143）——偏股类公募基金的隐含基准探究
144、“海量”专题（144）——基金经理的偏好圈与能力圈

【创新产品研究】
50、“海量”专题（50）——新理念、新趋势：ESG投资概述
62、“海量”专题（62）——目标日期基金的下滑轨道设计
120、“海量”专题（120）——ESG评级在因子组合构建中的应用

【高频交易策略】
131、“海量”专题（131）——基于集合竞价分时走势的A股T+0策略
152、“海量”专题（152）——基于日内收益分布特征的股指期货交易策略

【基本面量化】
145、“海量”专题（145）——基本面量化与另类数据应用的实践
149、“海量”专题（149）——华为产业链解析
151、“海量”专题（151）——特斯拉产业链解析

【量化市场观察】
54、“海量”专题（54）——亏损这么多，我该拿你怎么办？
74、“海量”专题（74）——战略配售基金投资标的基本面及收益率分析
86、“海量”专题（86）——股市极值及收益率预测模型的周度择时研究
88、“海量”专题（88）——中国企业的税收负担及其对上市公司投资价值的影响
99、“海量”专题（99）——行业收益结构变化带来的机遇
107、“海量”专题（107）——中美股票市场指数的季节效应

法律声明：
本公众订阅号（微信号：海通量化团队）为海通证券研究所金融工程运营的唯一官方订阅号，本订阅号所载内容仅供海通证券的专业投资者参考使用，仅供在新媒体背景下的研究观点交流；普通个人投资者由于缺乏对研究观点或报告的解读能力，使用订阅号相关信息或造成投资损失，请务必取消订阅本订阅号，海通证券不会因任何接收人收到本订阅号内容而视其为客户。
本订阅号不是海通研究报告的发布平台，客户仍需以海通研究所通过研究报告发布平台正式发布的完整报告为准。
市场有风险，投资需谨慎。在任何情况下，本订阅号所载信息或所表述的意见并不构成对任何人的投资建议，对任何因直接或间接使用本订阅号刊载的信息和内容或者据此进行投资所造成的一切后果或损失，海通证券不承担任何法律责任。
本订阅号所载的资料、意见及推测有可能因发布日后的各种因素变化而不再准确或失效，海通证券不承担更新不准确或过时的资料、意见及推测的义务，在对相关信息进行更新时亦不会另行通知。
本订阅号的版权归海通证券研究所拥有，任何订阅人如预引用或转载本订阅号所载内容，务必联络海通证券研究所并获得许可，并必注明出处为海通证券研究所，且不得对内容进行有悖原意的引用和删改。
海通证券研究所金融工程对本订阅号（微信号：海通量化团队）保留一切法律权利。其它机构或个人在微信平台以海通证券研究所金融工程名义注册的、或含有“海通证券研究所金融工程团队或小组”及相关信息的其它订阅号均不是海通证券研究所金融工程官方订阅号。