基于因子模型的选股投资策略--大小盘轮动现象实证分析

《基于因子模型的选股投资策略--大小盘轮动现象实证分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、＇学校代码：１０２７０分类号：Ｆ２２４．０学号：１６２５０２９１６．上專＾＞大營硕士专业学位论文基于因子模型的选股投资策略—－—大小盘轮动现象实证分析－学院：数理学院专业学位类别：应用统计硕士专业领域：应用统计研究生姓名：陈伊然指导教师：吴鑑洪教授２０１８年５月完成日期：论文题目：基于因子模型的选股投资策略——大小盘轮动现象实证分析学科专业：应用统计学位申请人：陈伊然指导老师：吴鑑洪摘要资本市场的蓬勃发展，使得投资者对投资策略有效性的要求不断提高。实证分析中，Fama-Fren

2、ch族因子模型应用于我国股票市场的情况屡见不鲜，然而这些因子的理论支撑从何而来？哪些因子与统计学中的因子分析有关联？仅仅通过因子模型描述收益优劣是否过于单一？为解决这些疑惑，本文以选取高收益率的优质股票为导向，以数据本身所含信息为出发点进行以下研究。首先，利用高维因子分析法确定潜在因子个数并提取潜在因子，与可观测因子进行替代性检验，旨在构建出既有理论基础，又有经济含义的因子选股模型。以符合条件的432只股票在近7年内的月收益率为原始数据，进行高维因子分析，提取结果为四组不可观测因子。可观测因子初始设定为目前被市场广泛认可

3、的六类因子，依次对六类因子进行精确替代检验和近似替代检验，检验后可以认定四类因子与潜在因子休戚相关，适用于目前的中国股票市场。因此，用这四类可观测因子构成高维因子模型。其次，考虑到选股实证研究的多元性，同时，由于Fama-French系因子在构建过程中与市值大小的密切关系，故引入风格轮动策略为因子模型的高效性加持。先后比较沪深300指数和中证500指数的绝对收益率、相对收益率的强弱关系，以2017年7月为预测期，通过绘制相对强弱指标的移动平均曲线进行预测。结果表明，预测期应投资于小盘股市场。挑选出原始股票池中的小盘股，利

4、用已构建的高维因子模型对新池中的所有个股逐一计算平均期望收益率，选择前30只股票作为本文最终的投资组合。最后，计算组合的绩效指标，分析可得，在2017年的第三季度，组合的年化超额收益率为37.15%，夏普比率和信息比率皆为正数。说明在考虑风险因素后，该组合的收益仍为正值，该组合既优于无风险市场，也优于II上证股票市场。总的来说，在高维因子分析和风格轮动策略相结合的全新模型下，选股收益十分可观，具有明显优势。关键词：高维因子模型；量化选股；风格轮动策略论文类型：应用研究IIIAbstractThevigorousdevel

5、opmentofthecapitalmarkethasenabledinvestorstocontinuouslyraisetherequirementsfortheeffectivenessofinvestmentstrategies.Inempiricalareas,Fama-FrenchfamilyfactormodelappliedtoChina'sstockmarketisnotuncommon,butwheredoesthetheoreticalsupportofthesefactorscomefrom?Wh

6、atfactorsareassociatedwithpotentialfactorsinstatistics?Isittoosimplistictodescribethebenefitsthroughafactormodel?Inordertosolvethesedoubts,thispaperisbasedontheselectionofhigh-qualitystockswithhighyieldandthefollowingresearchbasedontheinformationcontainedinthedat

7、a.Firstofall,usingthehigh-dimensionalfactoranalysismethodtoextractpotentialfactors,andsubstitutabletestswithobservablefactors,aimingtoconstructastockselectionmodelwithboththeoreticalbasisandeconomicmeaning.Basedonthemonthlyyieldof432stocksthatmeettherequirementsi

8、nthepast7years,thehigh-dimensionalfactoranalysiswasperformedandtheresultswereextractedasfourpotentialfactors.Theobservablefactorissetasthesixkindsoffactorscurr