【因子投資】美股量化投資：多因子選股策略

以多因子選股策略，進行美股的量化投資回測

Hayden海頓君

Published in

data-driven-investment

Mar 24, 2020

原創不易，若轉載請先告知，本人保有法律追訴權

警語：本文為學術目的探討，不表示任何實質投資建議，本部落格也不為投資損益負責，投資人須自負盈虧。

Abstract

The research starts by discovery of pattern from data and ends with confirmation of economic meaning of this patter. Next, we develop an investing algorithm according to our research and perform backtesting on our strategy in both walking-forward and stress-event criteria. After we feel confident to our algorithm, we deploy our program in the server then automatically execute it to avoid the greedy and fear from human-being. All the maximum level of stop-loss and profit taking condition are pre-written in the program based on the tolerance of risk level.

因子建構

首先從資料庫中取得上述因子，接著對因子做特徵預處理，首先將因子做scaling到0–1之間，避免模型學習到變量之間的variance而不是變量自身的分配。再來，要對模型做normalize的動作，讓各特徵的機率分配具有更明顯的漸進性，以方便模型學習特徵之間所變化的差異。

特徵預處理前的因子分佈

特徵後的因子分佈

特徵處理後的因子分佈

交易策略

本次交易策略預定的時間週期為每週調倉一次，依照模型所預測出的alpha值排序，篩選出排名較佳的個股進行持股。

因子收益率分析

首先，分析各因子對於報酬率的影響，我分為影響的程度，和影響的穩定度兩個維度來挑選因子。

影響的程度採用5日後的報酬對因子以wls估計手法做迴歸分析，得出各因子對於5日後的報酬率影響如下，其中小市值Size因子為負代表市值越大則五日報酬為負

除了上方以橫斷面的回歸系數變異數來觀察因子的穩定度外，更嚴謹的方法是考量因子在時間序列上的穩定度，否則我們很難再採用該因子建構策略後對其變化的幅度具有信心，這裏採用rolling lasso importance的手法，估計各別因子對於報酬率的穩定度，下圖中可以看出小市值因子穩定度不佳，因此需要搭配較為穩定的因子，例如momentum動能因子，如此一來報酬率才會穩定。

建構alpha信號

綜合評估各因子影響的程度，和影響的穩定度兩個維度後，我建構了一個alpha信號來作為選股的標準。收益率必須為alpha信號的單調遞增函數，即我們相信這個alpha信號能夠預測收益率的分佈，alpha信號越高則收益率越高。此外，即便策略的調倉週期為1週，為了策略的robustness，必須在不同的時間維度上確認這件事，下方可以看到這個alpha信號的確具有相當的穩健性，比較有待改進的是80% Quantile的收益率高於最高位數，不過仍可勉強拿來用。