动态情景Alpha模型

本文参考了一些国外的文献和国内的报告，需要后文提到的报告的在后台回复“DCAM”获取。

01

WHY DCA

传统的多因子模型是在一个特定域内对所有股票一视同仁的打分，市值行业中性化后排序打分。这样的问题是有的股票可能只在一些特定域内有效，比如如果在全A里构建一个12-1的动量，基本上是无效的，但如果在全A的很小的一个板块里，可能是有效的。估值、成长等等各种因子都有可能会在一些特定域内失效。

可以从理论上说明，如果一个因子在全域的一些小板块里无效或者有效性低，直接在全域内排序打分的效果不是最优的。这部分参考QEPM。股票在截面上的超额收益可以表示为

其中F是风险调整后因子值，R是风险调整收益，lambda是风险偏好，按照上面的假设，如果把整个市场可以分成两个域，一个域里因子有效性高，另一个有效性低，上面的式子可以拆开来

H是high组，L是low组，然后可以把整体的IC也拆成两部分

因子的IR可以表示为

如果考虑极端的情况，因子在L组完全没用，IC=0，

如果因子在高低组的相关性是负数，那整体的IR会小于只在高IR组使用因子的IR

通俗讲就是如果因子在两个域内的有效性不一样，如果还是等权的在两个域内使用，肯定不会比在效果好的域内高配，效果差的域内低配来的好，这也符合常理。

以上说明了根据因子有效性分域来考虑的必要性。如果因子在不同域内有效性不一样，可以通过调整权重来获得更优的结果。QEPM给出了一组最大化IR的结果。

实际使用时候可能会麻烦很多，一方面，因子必须在分出来的域内必须非常非常显著的不一样才可以，另一方面，以上只是根据单个变量分两个域的结果，实际可能会分出来很多个域，可以找很多个分域变量，组合这些变量会让模型变得复杂。

02

DCA-分域变量

根据上面的分析，DCA模型构建首先得有分域变量，分域变量目的是把相似的股票聚合在一起，然后用其他的因子看一看在这些变量上是否会有显著差异。其实行业变量也可以理解成一个分域变量，在行业内做中性化也是为了消除行业间的差异性，也可以理解成一种分域的处理。

因此构建DCA模型的第一步：寻找分域变量

这部分参考了东方很早以前的一篇报告。

这里报告是用barra风险因子来分层看的，报告建议关注因子的自相关系数和覆盖度。根据这两个维度，最终挑出来的风险因子如下，过程详见报告。

以上是主观挑选的分域变量，第二步，检验分域变量的分层效果，或者说在哪些因子上有比较好的分层效果。

检验方法大部分都是用T检验。看因子的IC/ICIR/分层收益等在根据变量分出来的域内是否显著的不一样。根据前面的推导，这里应该看风险调整后的IC/ICIR。

下面是报告用SIZE分层下，各个因子在两个域内的双边T检验和F检验。

结果分析略过，详见报告。关于检验，中金的报告里给了更细致的方法可以参考

第三步，因子配权。如果发现存在因子在某些变量分组下，显著的不一样，就可以用前文最大化IR的方法来优化。但也要考虑是不是最大化IR一定会提高组合收益，其实也不一定，如果因子的自相关性比较高，可能还好，如果因子自相关性比较低，分出来的域也会一直变，结果可能是组合的换手率也会上去，换手率上升导致的成本和分域带来的收益能否相抵就要测试来看了，从这一点也说明前面筛选标准里高自相关性很必要。当然也可以用IC加权、ICIR加权之类的方式。

这里还可以做的一点是单个情景内的权重能否再优化，这个也是参考研报，比如说都是按照SIZE分组，两只股票都在高SIZE组，但一个在上沿，一个在下沿的话，这两个股票肯定是有差异的，所以也可以根据情景来对股票打分，把这个分值也加到因子权重里去,对权重再做一次调整。

03

DCA-多个情景

以上是对单个分域变量的分析，接下来会碰到的一个问题是，如果用上面的方法，发现了很多个分域变量，每个变量在不同的因子上有分层效果，应该怎么样组合使用。如果说每个情景都做一个DCA，需要考虑怎么对多个DCA来分配权重，最简单的，标准化后等权相加其实也是可以的。

还是参考报告，可以通过情景区分度来加权，定义多个情景之间的距离和区分度。

实证就略过了，感兴趣的童鞋可以自己尝试下

参考文献

[1]动态情景Alpha模型再思考——因子选股系列研究之十九

[2]动态情景多因子Alpha模型——因子选股系列研究之八

[3]量化多因子系列（2）：非线性假设下的情景分析因子模型