证券研究报告正文目录
证券研究报告
TOC\o1-1\h\z\u引言 4
因子择时投资组合 5
因子择时最优投资组合的估计 6
实证流程 7
因子与预测变量 8
实证结果 10
7结论 17
风险提示： 18
证券研究报告图表目录
证券研究报告
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
引言
图表1文章框架
华安证券研究所整理
华安证券研究所整理
资料来源：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？
资料来源：
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）会随时间保持恒定。同样，如果一个因子因其定价的宏观经济风险敞口而获得预期超额收益，这种补偿也不太可能是恒定的。当然，因子择时在概念上成立并不意味着在实践中是可行的。
证券研究报告现有的因子择时研究大多集中在单一预测变量或非常少的预测变量和投资组合上，且效果不一。本文证明了当在投资组合优化框架中联合使用大量因子收益预测变量时，可以实现因子择时收益。在实证分析中，作者使用Fama和French(2015)的四因子以及Jensen、Kelly和Pedersen(2023)的更大因子集作为择时对象。本文使用宏观经济变量作为预测变量，以及因子特定的预测变量，如价值价差、动量以及
证券研究报告
其他因子多空两端的特征价差。
本文在方法论上利用了这样的洞见：因子收益与滞后预测变量的叉积代表了因子择时投资组合，其中滞后预测变量驱动着因子权重的时变。遵循Brandt和Santa-Clara(2006)的思路，这将因子收益的时间序列预测问题转化为寻找这些因子择时投资组合的均值-方差最优组合的横截面问题。当预测变量或因子投资组合数量很大时，因子择时投资组合的数量会变得非常庞大。因此，必须通过多层收缩正则化来约束最优组合权重的估计，这至关重要。首先，采用Ledoit和Wolf(2003)的协方差矩阵收缩估计量。其次，估计的组合权重通过一种改编自Kozak、Nagel和Santosh(2020)的方法进行收缩。该方法与机器学习应用中常见的岭回归方法有相似之处。第三，我们专注于因子轮动策略，该策略在每一期对基础股票因子总是保持相同规模的多空头寸，只有相对分配随时间变化。这防止了策略采取具有极高隐含杠杆的极端头寸。
本文建立在前期研究的基础上。Asness、Chandra、Ilmanen和Israel(2017)研究了利用每个因子的价值价差进行因子择时。他们发现择时收益甚微。与他们的结果类似，当限制预测变量仅为价值价差时，发现择时收益也非常小。然而，当将预测变量集扩展到多个因子特定预测变量和宏观经济变量并联合使用时，作者发现择时收益要大得多。Haddad、Kozak和Santosh(2020)表明，当专注于对股票因子的主成分而非单个因子本身进行择时时，基于价值价差的择时收益更大。其他论文则关注使用因子自身过去收益作为择时信号的因子动量策略。Gupta和Kelly(2019)发现股票因子存在时间序列因子动量，而Avramov等人(2017)以及Arnott、Kalesnik和Linnainmaa(2023)则发现了横截面因子动量的证据。DeMiguel、Martin-Utrera和Uppal(2024)专注于因子的波动率择时。与这些论文不同，Kagkadis等人(2024)像我们一样组合了许多预测变量，但与本文