金融工程量化多因子选股框架.pptx

核心观点【核心结论】本报告详细介绍了量化多因子选股的流程与框架，涵盖因子预处理、评价及收益预测模型等关键步骤。【报告亮点】系统性整理了从因子测试、因子筛选到组合构建的全过程，为高效构建量化投资组合提供了清晰路径。【主要逻辑】单因子测试介绍单因子预处理的基本方法，主要包括去极值、标准化、中心化。因子检验的评价维度和评价方式，其中评价方式主要有ICIR法、分组测试法、双变量排序法和回归法。收益预测模型对因子进行筛选，判断其是否能够纳入多因子组合。用一系列筛选得到的因子预测个股收益，这一步本质可理解为多因子的聚合。常见方法可分为线性和非线性，其中线性法主要有加权和回归两种方式，非线性主要包括神经网络、树模型等。组合构建基于得到的个股收益预测，计算组合的净值曲线和收益风险特征。组合构建的主要步骤包括设定选股池与调仓周期、以及确定选股逻辑和权重。其中，选股逻辑和权重一般基于人工逻辑直接构建得到，或者利用优化算法在更复杂的选股约束下进行求解。我们基于上述框架，结合多因子复合打分构建了一个中证500指数增强策略，业绩表现优于基准。风险提示：数据来源第三方，或有遗漏、滞后、误差；选股研究框架及筛选指标为西部证券自建，或有考虑不周之处；股票历史业绩不代表未来表现，研究框架也会随时间变化。请仔细阅读尾部的免责声明 2

请仔细阅读尾部的免责声明量化多因子选股基本框架3资料来源：西部证券研发中心收益预测因子筛选预测股票收益风险管理预期跟踪误差组合风格偏离组合风险贡献组合优化给定风险约束最大化预期收益收益预测模型：通过历史估计给出股票未来的预期收益率。风险管理模型：控制组合与业绩基准之间的跟踪误差。组合权重优化：在给定的风险约束下，最大化组合的预期收益率。图：多因子组合构建基本流程

目 录ENTS目 录CONTENTS收益预测模型组合构建020301单因子测试

1单因子测试请仔细阅读尾部的免责声明5资料来源：西部证券研发中心参考文献：ActivePortfolioManagement,byGrinoldandKahn.备选因子IncisiveIntuitiveInteresting首字母■□□公司地点■■□股票盈利■■■1.1备选因子：基于原始指标或开发；挑选时需要注意因子是否直接、直观且有意义。直接（incisive）：通过因子能够明确对股票进行分类。直观（intuitive）：对股票的分类标准具有可以解释的逻辑性。有意义（interesting）：分类后的股票风险收益特征具有明显差异。表：确定备选因子的3个I

1.2因子预处理请仔细阅读尾部的免责声明6资料来源：西部证券研发中心?01-去极值?02-标准化?03-中性化1单因子测试

1.2因子预处理01-去极值：因子数据中的极端值会影响分析结果，离群值会扭曲因子与收益率之间的相关性估计。去极值的基本逻辑：确定上下限，将超出范围的因子值修改为上下限。常见的去极值方法有：①MAD法：上下限为????±???????????，????:序列????的中位数，????????:序列|????-????|的中位数②3??法：上下限为????±?????，????:序列????的均值，??：序列????的标准差③百分位法：上限分位数和下限分位数（一般为97.5?和2.5?）。请仔细阅读尾部的免责声明7资料来源：西部证券研发中心1单因子测试

1.2因子预处理02-标准化：不同的因子数据往往具有不同的单位和数值范围，这种差异会导致数值较大的因子在分析中占据过大的比重，而数值较小的因子则会被相对削弱。因此，通常需要对这些因子数据进行标准化处理，以消除量纲的影响。常见标准化方法有：①Z-score②Max-Min③取对数④排序标准化请仔细阅读尾部的免责声明8资料来源：西部证券研发中心1单因子测试

1.2因子预处理03-中性化：剔除因子数据中显著的风险暴露，因为若使用具有明显风险暴露的因子值作为选股条件，会导致筛选出的股票集中在特定的风险暴露上。中性化的基本逻辑：因子值作为y，风险因子作为x，进行线性回归，回归残差即为风险中性后的因子值。常见中性化方法有：①行业中性②市值中性③其他风险因子中性请仔细阅读尾部的免责声明9资料来源：西部证券研发中心1单因子测试

1.3因子检验因子的评价维度：因子单调性：因子单调性越好，收益区分能力越强。因子有效性：因子对未来收益的解释能力。因子稳定性：因子的有效性是否稳定、可持续因子时效性：在过去有效的因子，现在或将来不一定有效。请仔细阅读尾部的免责声明10资料来源：西部证券研发中心1单因子测试

1.3因子检验因子评价方式：01-IC、IR：常用于评价因子有效性和稳定性