光大金工因子測試框架構建： 

作為量化選股多因子?????????模型構建環(huán)節(jié)中最重要的一部分，如何尋找具有邏輯支撐且能有效區(qū)分和預測股票收益的因子是我們本篇報告首先探討的主要內容。? 分期截面回歸代替全體樣本回歸：相比全體樣本面板回歸的方法，分期截面回歸更有利于提高模型對因子變化趨勢的捕捉。 

RLM 穩(wěn)健回歸法因子測試： 

最小二乘法 OLS 在獨立同分布正態(tài)誤差的線性模型中是有效無偏估計。然而當誤差服從非正態(tài)分布時，OLS 就較易給異常值 outliers 賦予較高的權重，從而導致模型結果失真。RLM 中常用的 M-estimator 方法則是采用迭代加權最小二乘估計回歸系數(shù)，根據(jù)回歸殘差的大小確定各點的權重????，以達到參數(shù)估計結果較為穩(wěn)健的目的。 

多重指標判斷因子有效性： 

首先通過分期截面 RLM 回歸計算因子收益，再計算因子暴露與下期收益率的相關度 IC 值，同時結合分層回測法檢驗因子單調性，構建較為綜合全面的因子測試體系。因子測試關注的指標包括因子收益序列 t 值，因子累計收益率，因子測試 t 值，IC，IR，多空組合收益率、最大回撤、換手率等等指標。

更全面的因子庫： 

估值因子（Value），規(guī)模因子（Size），成長因子（Growth），質量因子（Quality），杠桿因子（Leverage），動量因子（Momentum），波動因子（Volatility），技術因子（Technical），流動性因子（Liquidation），分析師因子（Analyst）和其他因子共 11 大類 108 個細分因子。 

報告發(fā)布日期：20170410   分析師：劉均偉

光大金工因子測試框架：

多指標全面測試通過分期截面 RLM 回歸計算因子收益，計算因子暴露與下期收益率的相關度 IC 值，同時結合分層回測法檢驗因子單調性，構建較為綜合全面的因子測試體系。因子測試中使用了包括因子收益序列 t 值，因子累計收益率，因子測試t 值，IC，IR，多空組合收益率、最大回撤、換手率等等指標 

更為全面的因子庫： 

涵蓋了估值因子，規(guī)模因子，成長因子，質量因子，杠桿因子，動量因子，波動因子，技術因子，流動性因子，分析師因子等共 10 大類 100 多個細分因子。 

行情類因子有效性整體高于財務類因子： 

行情類因子中的流動性因子、波動因子、動量因子 IC 絕對值較高且普遍具有較好的顯著性，因子收益率與 IC、IR 值也普遍高于財務類因子。歷史 IR 值最高的 30 個因子中包含 7 個財務類因子、3 個分析師預期類因子、20 個行情類因子。 

分析師預期因子值得關注： 

分析師因子中的一致預期目標價（TargetReturn）、一致預期營業(yè)收入1 個月增長率（EOPChange_1M）等因子的 IC 和 IR 值較高，歷史的收益率排名可進入前 20。一致預期目標價的歷史 IR 為 0.63、一致預期營業(yè)收入 1 個月增長率歷史 IR 為 0.40。分析師預期類因子的覆蓋率普遍較低，全A 平均覆蓋率為 65%。

報告發(fā)布日期：20170428   分析師：劉均偉

光大金工因子測試框架：

多指標全面測試通過分期截面 RLM 回歸計算因子收益，計算因子暴露與下期收益率的相關度 IC 值，同時結合分層回測法檢驗因子單調性，構建較為綜合全面的因子測試體系。因子測試中使用了包括因子收益序列 t 值，因子累計收益率，因子測試t 值，IC，IR，多空組合收益率、最大回撤、換手率等等指標 

更為全面的因子庫： 

涵蓋了估值因子，規(guī)模因子，成長因子，質量因子，杠桿因子，動量因子，波動因子，技術因子，流動性因子，分析師因子等共 10 大類 100 多個細分因子。 

多重指標篩選因子： 

針對五大指標給因子表現(xiàn)打分，篩選出預測能力強，顯著性高，單調性好，穩(wěn)定性強的優(yōu)質因子。篩選時使用的指標包括： 因子收益（Factor_Ret）、因子收益顯著性檢驗的 t 值（Factor_Ret_tvalue）、信息系數(shù)（IC）、信息比（IR）、單調性（Monotony） 

動態(tài)最優(yōu)化 IR——基于因子 IC： 

在 Edward Qian《Quantitative Equity Portfolio Management》里提到的最優(yōu)化單期 IR 的基礎上，構建了動態(tài)調整的基于因子 IC 序列的最優(yōu)化IR 組合。經(jīng)參數(shù)敏感性測試，滾動 36 個月、持倉數(shù)量 150 只的等權加權組合表現(xiàn)最優(yōu)，信息比為 3.67，年化收益 31%。經(jīng)驗證，動態(tài)調整模型信息比顯著高于靜態(tài)因子賦權模型，且等權模型表現(xiàn)優(yōu)于復合因子得分加權模型。該篇報告是因子合成模型的初步探討，未來我們將進一步深入挖掘能提供超額 alpha 的有效因子，優(yōu)化多因子模型。

報告發(fā)布日期：20170501  分析師：劉均偉

金融危機以后，公司治理已成為學術界和業(yè)界關注的熱點問題。根據(jù)麥肯錫 2000 年的發(fā)布的全球投資者意向調查結果，公司治理已日益成為機構投資者評價投資決策的中心。本文從公司治理的角度出發(fā)，深入挖掘并構造了有效性較高的公司治理因子。 

通過公司治理水平，前瞻配置未來高溢價股票。

在現(xiàn)有的光大金工因子庫中，成長因子凈利潤增長率、質量因子 ROE、杠桿類因子資產負債率等指標均是公司績效的直接反映，而公司治理水平正是這類指標變化的根源。好的公司治理即是公司控制者的決策朝著最有利于公司價值提升和增進投資者財富的方向發(fā)展。公司治理水平是業(yè)績變化的先決條件，那么及時的捕捉這一指標的變化便能及早的對公司發(fā)展動向做出預估和判斷。 

多維度篩選公司治理影響指標。

國內外已有較為成熟的公司治理指數(shù)，但數(shù)據(jù)覆蓋度及連續(xù)獲取存在困難。國外如標準普爾公司、世界銀行、亞洲里昂證券等均先后推出了其創(chuàng)立的治理評價系統(tǒng)；我國的公司治理評價體系較有代表性的是南開大學治理研究中心 2003 年推出的南開指數(shù)（CCGINK）。我們主要從公司內部治理出發(fā)，對股權結構與股東權利、董事會構成、管理層激勵、信息披露與合規(guī)、激勵約束機制等多個維度出發(fā)，篩選公司治理水平的影響因素。 

簡單分類加權構造公司治理綜合因子。

對比了 IC 加權，IR 加權等方法后，最終將簡單加權法的公司治理因子作為該因子的構造方法，命名為公司治理因子（COMP_OPT）。將第一大股東持股比例、第二至十大股東持股比例、流通股占比、公司股東數(shù)量、獨立董事占比、董事會委員數(shù)量、管理層薪酬、管理層持股數(shù)量、受證監(jiān)會、交易所等處罰情況、是否實施股權激勵這 10 大指標結合成為公司治理因子。 

公司治理綜合因子表現(xiàn)不俗：

公司治理因子（COMP_OPT）自 2006 年至今，IR 值為 0.28，IC 均值為 0.016，因子收益的顯著性檢驗 T 值為2.8，多空組合的年化收益約 9%。? 風險提示：測試結果均基于模型，模型存在失效的風險。

報告發(fā)布日期：20170731  分析師：劉均偉