“整合”还是“混合”——多因子组合的构建
前言
与前几篇类似地,笔者翻译了一篇来自海外的网络研讨会议纪要,较为简洁地为各位读者呈现了量化投资中关于多因子组合构建的几个问题。本文原著来源于Research Affiliates,其创办于2002年,比较侧重于smart beta和因子策略。
混合”还是“整合”
我们在根据多个因子选择策略时存在着各种各样构建组合的方式,“混合”(Mixing),与“整合”(Integrating)是其中两种重要的构建思路,在本篇文章中,我们主要对比的便是这两种策略的优势以及劣势。要了解两种策略的优劣势,我们还要从两种策略的定义说起。
图1
众所周知地,在构建多因子策略时我们的主要目的即获得因子暴露(factor exposure)。我们以上图为例,假设我们构建一个由动量因子(momentum)以及价值因子(value)为基础的两因子策略。一般地,动量因子的胜者以及价值因子价值较低的证券可以获得更高的因子暴露,因此,我们将坐标轴方向设定为(高价值,败者)到(低价值,胜者)。图1表现了我们构建组合的主要目的,即将组合的因子暴露从目前的绿色点移动至我们期望的位于右上方的红色点,其中蓝色点为我们证券池中各只证券的因子暴露情况。无疑,想要达成这一目标的方法不计其数,而其中非常重要的方法便是我们今天的讨论对象,“混合”以及“整合”,而这两种方式的优劣在研究者间也一直没有一个确定的结论。
图2
我们先着眼于“混合”方法,“混合”方法主要思路是为每一项因子分别设置筛选条件。如图2所示,对于价值因子我们选择最右价值最低的蓝色矩形部分;同样地,对于动量因子我们选择最上方为胜者的黄色矩形部分,这两部分的并集即位我们的组合内容,这一方法被我们称为“混合”方法。
图3
图3向我们展示了组合的具体结果,蓝色部分包含证券的总体因子暴露值为蓝色点,黄色部分包含证券的因子暴露值为黄色点。综合两者,共同构成的组合构成了红色点,即为我们的目标因子暴露值。
图4
与“混合”方法不同的是,“整合”方法的主要思路是将两种因子同时纳入考量,获得图4中蓝色部分的证券构成组合,从而使组合的因子暴露值达到目标的红色点。
图5
图6
值得注意的是,对于“整合”方法,其证券的整合方式有很多种,如图5,图6所示,蓝色部分的形状是不确定的。相对于“整合”方法,“混合”方法的证券获取方式更加直观,可以让更多人明确地看出组合的构建逻辑,因此我们认为,“混合”方法比“整合”方法有更高的透明度。同时,“整合”方法与“混合”方法在很多情况下可以达到相同的效果。
图7
图8
值得注意的是,如图7所示,当我们逐渐提高“混合”方法的阈值时,我们可以获得的证券数量也越来越少,而在图8中,当我们把阈值扩大到极限情况时,我们可以通过这一方法获得的极限组合情况也确定在了红色点的位置。
图9
图10
而当我们来到“整合”方法,如图9,图10时,情况有所变化。根据“整合”法的限制,当到达极限值时会根据之前的限制得到最右上的某一个“明星”证券,而当最右与最上并非为同一只证券时,“整合”方法与“混合”方法得到的极限组合是不同的。
图11
图11展示了我们观察到的两种方法,在市场上具体表现时二者之间的差异。当证券数量增加,组合的集中度下降时,“混合”方法对于因子暴露的整体表现程度较好,而组合的集中度上升时“整合”方法的整体表现较好。这也解释了为何研究者们的研究未得出统一的结论。综合之前的结论,我们可以将两种因子的优劣势反映在下表中:
结论
i. 在组合中证券集中度较低,包含证券数较多时,“整合”方法与“混合”方法对于因子暴露的表现相似,这时“混合”方法提高了更高的透明度,因此更适用于Smart Beta。
ii. 在组合中证券集中度较高,包含证券数较少时,“整合”方法可以得到更好的因子暴露表现,但缺乏透明度,更适用于较为活跃的多因子策略。
iii. 混合方法可以通过额外的选择标准,加权及平衡方式改进以达到目标因子暴露。
iv. 在交易前还需要仔细考虑目标因子暴露,透明度以及交易费用。
点击【阅读原文】,查看更多内容~
“整合”还是“混合”——多因子组合的构建相关推荐
- 整合Struts2、Spring、Hibernate构建J2EE应用
[论文摘要] J2EE即是以Java 2平台为基础的体系结构,又是一组旨在简化企业解决方案的开发.部署.运行.维护等相关复杂问题的技术规范与指南.Struts2.Spring.Hibernate是当今 ...
- java scala 混合编程_java与scala混合编程打包(maven构建)
pom.xml配置 pom.xml文件中加入scala依赖及打包插件 org.scala-lang scala-library 2.11.8 org.apache.maven.plugins mave ...
- HYCON单片机_以高整合度混合信号单片机实现电子计价秤应用
1. 内容简介 电子化秤重在生活中,已逐渐取代传统弹簧.天平等量测工具,例如电子计价秤.电子体重秤等.设计电子秤产品主要的组件有:传感器.ADC和MCU单芯片.本文所设计的电子秤就是利用压力传感器(L ...
- kafka 复制因子_选择正确的分区计数复制因子apache kafka
kafka 复制因子 A Small Introduction to Kafka! 卡夫卡小介绍! So before we learn about Kafka, let's learn how co ...
- SpringBoot2.0 整合 Swagger2 ,构建接口管理界面
一.Swagger2简介 1.Swagger2优点 整合到Spring Boot中,构建强大RESTful API文档.省去接口文档管理工作,修改代码,自动更新,Swagger2也提供了强大的页面测试 ...
- 虚拟服务器hydra,使用hydra构建六大服务器及混合服务器
构建六大服务器及混合服务器 ------------- [github.com/micro-plat/hydra](https://github.com/micro-plat/hydra) 本示例通过 ...
- 《SpringBoot与Shiro整合-权限管理实战---从构建到模拟数据库登入》
<SpringBoot与Shiro整合-权限管理实战> ---- 从构建到模拟数据库登入 ---- 点击下载源码 ---- 或者查看? 文章目录 <SpringBoot与Shiro整 ...
- 复杂交通流对混合交通的影响研究多向车流量分析
随着AI (人工智能)的兴起,许多行业变得与人工智能息息相关,同时使得自动驾驶逐步变成现实.人工驾驶车辆跟自动驾驶车辆共存是实现完全自动驾驶的必经阶段.本文研究智能驾驶车辆的不同特征跟不同渗透率的实 ...
- 构建运营商企业级云管理平台
背景介绍 随着移动互联网和智能终端的发展,电信行业遇到了巨大的挑战,当运营商面对市场逐步趋于饱和.业务增长乏力.创新面临挑战等多方面问题困扰现阶段,可更多的考虑对内进行资源整合优化,减少成本,提高效能 ...
最新文章
- .NET分布式缓存Memcached测试体验
- Esper 20章 优化
- 动态二级下拉菜单html,js实现简洁大方的二级下拉菜单效果代码
- python 颤音_自成一派,这个作曲大师确实名副其实!
- P2P平台选择网关支付、第三方托管、第三方+银行联合托管有什么区别?
- 吐血整理!这可能是最全的机器学习工具手册
- QImage 与 cv::Mat 之间的相互转换
- boost::contract模块实现lambda表达式的测试程序
- linux压缩与解压缩 tar命令
- 基于php5.6 php.ini详解
- java server faces
- Ubuntu14.04安装
- oracle中主键自增长,Oracle中给主键设置自增长
- 解决VB6控件对象库未注册的问题
- PHP_CodeSniffer的下载和使用
- electron选mysql的优缺点_大型Electron应用本地数据库技术选型
- 描述内存分配方式以及它们的区别?
- 阅读了Steve Yegge的文章。其中有一篇叫“Practicing Programming”(练习编程),写成于2005年
- 苹果产品信息查询_不知道的细节 苹果官网
- Ubuntu下Rhythmbox乱码的解决办法
热门文章
- 学习大数据分析要什么基础,零基础入门ok吗?
- 惠普1005w打印机使用说明书_【惠普NS1005w 一体机功能展示】卡槽|色带|APP|按钮|收纳_摘要频道_什么值得买...
- python将两个csv文件按列合并
- Java输出流FileOutputStream使用详解
- 武汉第一职业教育中心计算机技能高考,武汉市第一职业教育中心2019年招生简章...
- 大天使之剑h5服务器临时维护,大天使之剑H5合服细节 战盟对决时间安排
- js日期计算,根据当前日期计算n个月后的日期
- DirectX11 纹理采样
- 层次分析法实例:选择旅游目的地
- html、css做一个带搜索图标的搜索框