多因子量化投资框架梳理.pdfVIP

金融工程深度

多因子量化投资框架梳理

核心观点

量化投资的收益来源于风格收益(β)、选股收益(α)和交易收益。风格收益通常是难以

预测的，因此，构建量化策略的关键在于产生Alpha收益。目前，多因子是量化投资

中的主流Alpha策略，它通过结合多个具有预测能力的因子来构建投资组合。因此，

有效因子的数量以及因子之间的独立性是构建和评价量化策略的关键。在此框架下，

为了产生稳健的中性收益或者在指数基础上做增强，风险模型和组合优化，是多因子

模型中的重要组成部分。

❑权益量化投资流程

量化投资策略的构建过程是：数据处理-因子构建-因子加权-组合优化-交易

执行。数据的质量和丰富程度，决定了因子的质量和独立性上限，进而决定了整

个策略收益的上限。

通常认为风格收益是难以预测的，因此，构建量化策略的关键在于产生Alpha收

益。Alpha收益由因子库、风险模型和组合优化共同决定。

在执行端，随着规模的扩大，策略对市场的冲击和交易成本会急剧上升。优化算

法能够帮助策略降低交易成本。

❑当前的量化策略特征

第一，海量级因子。部分投资人使用的因子数量达到万级，通过机器学习加权以

规避大量因子共线性的问题。这种做法的问题是策略的底层收益同质化高，策略

偏好小市值股票；第二，押注风格，以提升Beta收益。部分投资人主动押注某

种风格，押对后收益增长显著，但风格切换时，业绩回撤明显，策略波动性提

升；第三，策略竞争领域更加广泛，从因子库的竞争，延展到数据环节，执行优

化甚至服务器延迟。

❑端到端与人工智能

展望未来，量化投资可能演化的方向之一是端到端的投资框架。目前，端到端框

架有两种认知，一种是从原始数据到因子，无需人工介入；一种是从原始数据到

权重输出的完整投资流程。

人工智能正在大力发展推理能力，当获得足够的推理能力后，结合人工智能的知

识储备和代码开发能力，能够在量化投资的各个环节提升开发效率，甚至有可能

替代人类研究员。

❑风险提示

部分展示结果由模型计算所得，仅代表历史情况，不可简单外推到未来。

文中总结的框架系统根据可查资料和调查整理所得，与现实情况相比，可能存在

遗漏或简化，仅供参考。

部分内容来自于外文文献，受翻译影响，可能与作者本意存在误差，具体信息请

以参考原始文献。

1/21

正文目录

1主流多因子框架4

1.1数据收集与处理。5

1.1.1数据收集5

1.1.2数据处理6

1.1.3数据储存7

1.2因子7

1.2.1因子构建7

1.2.2因子测试8

1.2.3因子加权11

1.3组合优化12

1.3.1风险模型12

1.3.2组合优化14

1.4执行系统15

1.4.1算法优化15

1.4.2交易执行16

1.5策略评价17

1.5.1业绩归因17

1.5.2策略监控17

2CTA策略18

2.1CTA简介18

2.2交易标的18

2.3常见策略18

3未来展望18

3.1.1端到端架构19

3.1.2AI参与19

4风险提示20

5参考资料20

2/21