[Table_CommonRptType]金融工程
正文目录
1引言4
2因子择时投资组合5
3因子择时最优投资组合的估计6
4实证流程7
5因子与预测变量8
6实证结果10
7结论17
风险提示：18
敬请参阅末页重要声明及评级说明2/19证券研究报告
[Table_CommonRptType]金融工程
图表目录
图表1文章框架4
图表2训练期、验证期和样本外8
图表3小因子集和预测变量9
图表4样本外组合收益10
图表5收缩超参估计11
图表6FAMA-FRENCH因子组合的样本外夏普比12
图表7最优FAMA-FRENCH因子择时组合的平均权重13
图表8FAMA-FRENCH最优因子择时组合的原始因子权重14
图表9FAMA-FRENCH大盘股版本最优组合样本外夏普比14
图表10JENSEN因子集组合样本外夏普比15
图表11JENSEN因子集最优因子择时组合的平均权重16
图表12交易成本的调整17
敬请参阅末页重要声明及评级说明3/19证券研究报告
[Table_CommonRptType]金融工程
1引言
图表1文章框架
资料来源：华安证券研究所整理
机器学习方法使得在收益预测和投资组合构建中整合大量信号变得可行。迄今
为止，该领域的大部分研究都集中在横截面上，即使用公司层面的股票特征来预测
股票间预期收益的差异。由此产生的投资组合代表了大量股票收益因子的静态组合。
相比之下，对时间序列维度的关注则少得多。机器学习方法能否帮助结合来自大量
时间序列预测变量和大量因子的信息，在高维环境下构建最优的因子择时策略？
从概念上讲，如果因子收益在某种程度上不可预测，那将是令人惊讶的。那些导
致横截面收益可预测性的经济力量，其强度也可能随时间而变化。例如，假设价值价
差具有行为学根源，即许多投资者对价值股前景过于悲观，而对成长股过于乐观。几
乎没有理由认为这种回避价值股的行为倾向（以及由此产生的价值溢价）会随时间