AQF行業(yè)丨關(guān)于哪些事件驅(qū)動策略可以因子化?點進來看咯~
1、事件驅(qū)動策略的因子化
1.1、收益預(yù)測模型的提升
近期的我們研究了分析師推薦、機構(gòu)調(diào)研、限售股解禁等事件在多因子模型中的應(yīng)用。實證結(jié)果顯示，發(fā)生事件股票具有不能被常見選股因子所解釋的超額收益。將上述事件引入多因子模型，能夠顯著提升收益預(yù)測模型的精度與多因子組合的表現(xiàn)。
以分析師推薦事件為例，通過截面回歸模型發(fā)現(xiàn)，在69%的月份分析師推薦事件虛擬變量前的回歸系數(shù)大于零，月均溢價為0.50%，信息比為1.75，在時間序列上顯著大于零。
在引入事件因子后，股票預(yù)期收益率與實際收益率之間的RankIC、IC月勝率、月均值、信息比上升，月標(biāo)準(zhǔn)差下降。因此，在考慮事件因素的影響后，收益預(yù)測模型的精度與穩(wěn)定性都獲得了提升。
1.2、多因子組合的改進
比較引入事件類因子前后，滬深300、中證500指數(shù)增強組合的收益變化。引入前，滬深300增強組合的年化超額收益為10.06%、信息比與收益回撤比分別為2.58、2.59;引入事件因子后，年化超額收益上升至12.08%、信息比與收益回撤比分別上升至3.29、3.69。引入事件類因子后，中證500增強組合的年化收益與信息比分別由20.13%、3.47上升至22.07、3.81。由于最大回撤aqf01174由引入前的5.23%上升至引入后的6.36%，組合收益回撤比由3.85下降至3.47。
2、事件驅(qū)動策略因子化的適用條件
2.1、具備真正的超額收益
“超額收益”是事件驅(qū)動策略能否因子化的必要條件。在事件策略中，寬基指數(shù)是常見的業(yè)績基準(zhǔn)，但策略相對寬基指數(shù)的超額收益源于事件、風(fēng)格、其他選股的共同作用。在多因子模型中，已經(jīng)考慮了其他因子對股票收益的影響。因此，事件信息需要具備“不能被常見選股因子解釋的額外收益”，才能提供額外的收益預(yù)測信息。
以“基金增持”策略為例(或者說基金持股比例變化因子)：根據(jù)基金季報計算“基金持股/A股流通股本之比”，并選擇比例上升最多的100只股票，構(gòu)建等權(quán)組合。如圖3、圖4所示，2011.12-2014.8期間，該組合相對中證500指數(shù)凈值穩(wěn)健上升。組合年化收益為31.20%，高出同期中證500指數(shù)19.12%，信息比為1.68。
若對組合凈值進行FF3歸因，組合風(fēng)險調(diào)整后的日均alpha僅為2bps，并不顯著異于零;而組合的風(fēng)格顯著暴露于小盤股與成長股上。在2011.12-2014.8，市場存在顯著的小盤與成長股效應(yīng)，這也是組合相對中證500指數(shù)超額收益的主要來源。2014.8-2018.8，市場風(fēng)格出現(xiàn)了數(shù)次反復(fù)，基金增持組合相對中證500指數(shù)的超額收益并不穩(wěn)定，年化超額收益與信息比均大幅下降至9.04%、0.67。
綜上所述，我們認為，基金增持組合并不具備真正的超額收益，因此也不是合適的因子化對象。
2.2、超額收益對事件的敏感性
事件的發(fā)生是不定期的，而多因子組合的換倉周期又是固定的。這也制約了多因子組合與事件驅(qū)動策略的結(jié)合。在事件驅(qū)動策略因子化的框架中，我們試圖淡化了事件策略的時效性。例如過去一個月為窗口構(gòu)建事件因子，而不區(qū)分事件發(fā)生于月初或是月末。
對事件發(fā)生時間的淡化，也帶來額外的要求。例如，如果事件驅(qū)動策略收益集中于事件發(fā)生后的較短時間窗口，當(dāng)構(gòu)建對應(yīng)因子時，事件超額收益已經(jīng)消失。因此，在事件策略因子化時，我們希望事件驅(qū)動策略的超額收益在事件發(fā)生后能夠較好的保持。
以業(yè)績預(yù)告事件為例，根據(jù)上市公司披露的業(yè)績預(yù)告，按照之前構(gòu)建策略時的參數(shù)設(shè)置，篩選單季度凈利潤在1000萬以上，單季度凈利潤增速在30%以上的股票。按照業(yè)績預(yù)告披露后一交易日的交易狀態(tài)，剔除停牌、漲跌停、ST股票，并按收盤價作為計算未來1-12周股票的風(fēng)險調(diào)整后收益。對于滿足條件的樣本，在單季度業(yè)績預(yù)增事件發(fā)生后的風(fēng)險調(diào)整后超額收益均不斷上升。因此，從超額收益對時間的敏感性看，業(yè)績預(yù)增事件是符合事件策略因子化的要求的。
2.3、發(fā)生事件的股票數(shù)量
引入事件策略后的多因子模型下，股票的預(yù)期收益是因子預(yù)期收益與事件預(yù)期收益之和。對于沒有事件發(fā)生的股票，其事件預(yù)期收益為零。所以，如果發(fā)生事件股票的數(shù)量過少，僅有極少數(shù)股票的預(yù)期收益被改變，那么收益預(yù)測模型與多因子組合的變化也會非常有限。
以員工持股計劃事件為例，于董事會預(yù)案日后一個交易日按收盤價買入股票(剔除停牌與漲跌停標(biāo)的)，持有一個月。樣本期間，若使用控制其他常見因子影響后的截面回歸殘差收益，員工持股計劃事件的超額收益均值為1.78%，顯著大于零。分年度來看，除了2014年的收益為-1.10%外，其他年份的收益均值都顯著大于零。因此，我們認為，員工持股計劃事件具有不能被常見選股因子所解釋的超額收益。
但若將員工持股計劃事件進行因子化，修正發(fā)生事件股票的預(yù)期收益率時，我們會發(fā)現(xiàn)，平均每期被修正的股票均值約為11只。相對于接近3000只股票的樣本池，可以預(yù)期，對11只股票的收益修正不會對整個收益預(yù)測模型的精度產(chǎn)生顯著的影響。
因此，如果發(fā)生事件股票具有顯著的超額收益，但是對應(yīng)股票數(shù)量較少，其考慮事件收益前后的股票預(yù)期收益變化有限，對最后多因子組合的影響也較小。因此，發(fā)生事件的股票數(shù)量，也是事件驅(qū)動策略是否適合因子化的條件之一。
2.4、事件發(fā)生的時間分布
除了股票數(shù)量，事件發(fā)生的時間分布也會影響其在收益預(yù)測模型中的效果。因為，收益預(yù)測模型中的因子溢價預(yù)測一般是使用因子過去一段時間的歷史表現(xiàn)加總得到的。如果事件的發(fā)生在時間序列上極不均勻，會出現(xiàn)某期因子溢價難以估計，從而導(dǎo)致收益預(yù)測模型中的因子溢價預(yù)測出現(xiàn)較大偏差的問題。
由于業(yè)績預(yù)告披露的季節(jié)性，滿足要求的業(yè)績預(yù)增股票在時間序列上分布極不均勻。例如，1月份(業(yè)績較好的公司傾向于較早發(fā)布業(yè)績預(yù)告)與4月份(年報與一季報的集中披露)平均有300只符合條件的業(yè)績預(yù)增股票;而11月與12月，符合預(yù)增要求的個股往往在10只以內(nèi)。
當(dāng)某個月份發(fā)生事件股票數(shù)量較少時，當(dāng)月事件因子對應(yīng)的截面溢價估計將會出現(xiàn)較大誤差。從全樣本看，雖然事件截面溢價的月勝率68%，月均值為0.60%，但月標(biāo)準(zhǔn)差較大，對應(yīng)信息比為0.70，并不顯著異于零。若以50為閾值，將樣本分成兩部分：在發(fā)生事件股票數(shù)量大于50的月份，事件的截面溢價月勝率為71%，均值為0.55%，信息比為1.74，顯著大于零;而當(dāng)發(fā)生事件股票小于等于50時，雖然事件截面溢價的均值為0.66%，當(dāng)小樣本下存在較高的估計誤差，信息比僅為0.56。
通過業(yè)績預(yù)增事件的例子，我們發(fā)現(xiàn)，如果事件發(fā)生在時間序列上分布不均勻，由于樣本數(shù)較少，會導(dǎo)致參數(shù)估計存在較大的誤差，并影響事件有效性的長期判斷與預(yù)測。
3、總結(jié)
事件驅(qū)動策略與多因子組合構(gòu)建方面存在較大的差異。在以往的策略研發(fā)與投資中，事件策略與多因子策略往往是獨立運行。但是，研究發(fā)現(xiàn)，諸如分析師推薦、機構(gòu)調(diào)研、限售股解禁等事件，在控制了常見選股因子后仍然有不能被解釋的超額收益。將上述因子融入到多因子模型之后，收益預(yù)測模型的精度，主動管理組合與指數(shù)增強組合的業(yè)績都獲得了明顯的提升。
不過，并非所有事件驅(qū)動策略都適合因子化。研究發(fā)現(xiàn)，具有顯著風(fēng)險調(diào)整后超額收益，建倉時點對超額收益影響較小，發(fā)生事件股票數(shù)量較多且在時間序列上分布均勻的事件，更適合引入到多因子框架之中。
.png)
完善下表，48小時內(nèi)查收全套AQF備考資料
.jpg)
金程推薦： AQF考試 AQF報名 AQF培訓(xùn) 量化金融分析師
微信公眾號：量化金融分析師
聲明▎更多內(nèi)容請關(guān)注微信號量化金融分析師。本文轉(zhuǎn)載自海通量化團隊，我們尊重原創(chuàng)，重在分享。我們對原文作者，表示敬意!版權(quán)歸原作者與機構(gòu)所有，如有侵權(quán)，請聯(lián)系我們刪除。謝謝支持!
