中證1000指數增強系列研究之一：中證1000成分股有效因子測試.pdf

中證1000指數增強系列研究之一：中證1000成分股有效因子測試。跟蹤中證 1000 指數的指數型基金的規模有望大幅增長。歷史上，中證 1000 指數 成分股的總成交額與中證 500 指數成分股的總成交額十分接近，然而，從跟蹤兩 個指數的基金的總規模而言，跟蹤前者的遠遠低于跟蹤后者的。我們預計跟蹤中 證 1000 指數的基金的總規模有望大幅度增長。

本文測試了數百個因子在中證 1000 指數成分股中的選股效果。通過測試，我們 找到了一些比較有效的量價和財務類的單因子。

通過因子測試，我們總結了一些在統計上對股票收益率有益的特征。數值越高越 好的特征包括：利潤率、一致預期利潤、市盈率、股息率、每股收益、營銷額、 市盈率、小戶流出單數比例、現金余額增速。數值越低越好的特征包括：過去一 段時間內的收益率標準差、機構主動賣出額比例、過去一段時間內的漲跌幅、總 市值、近期的換手率、過去一段時間內最高價與最低價之比。

行業、市值中性化處理在一定程度上改善單因子的效果。我們測試了原始因子和 市值、行業中性化的因子的效果。結果表明，市值、行業中性化的處理可以提高 部分因子的表現。 ? 通過對單因子進行非線性映射，可以改善單因子的效果。我們使用機器學習模型 和歷史數據擬合單因子與個股殘差收益率之間的關系，再使用模型將單因子進行 非線性映射，該映射同樣可以改善單因子的效果。

用線性方法合成因子時，宜使用較長時間的歷史數據。我們使用過去不同長度的 時間段的歷史數據進行線性回歸，從而構造不同的線性模型。通常而言，使用更 長時間的歷史數據進行回歸，更有利于構造效果更好的選股因子。

對于線性方法，本文比較了使用收益率和殘差收益率作為數據標簽的效果。我們 使用股票收益率或者殘差收益率作為數據標簽，當使用較短的歷史數據訓練模型 時，以收益率作為標簽效果更好，當使用較長的歷史數據訓練模型時，以殘差收 益率作為標簽效果更好。