专栏名称: 量化投资与机器学习
公众号主要介绍关于量化投资和机器学习的知识和应用。通过研报,论坛,博客,程序等途径全面的为大家带来知识食粮。版块语言分为:Python、Matlab、R,涉及领域有:量化投资、机器学习、深度学习、综合应用、干货分享等。
目录
相关文章推荐
爱可可-爱生活  ·  晚安~ #晚安# -20250106223114 ·  昨天  
黄建同学  ·  Google发布Agents ... ·  昨天  
量子位  ·  全网都在扒的DeepSeek团队,是清北应届 ... ·  3 天前  
爱可可-爱生活  ·  【clickclickclick:一个框架, ... ·  4 天前  
51好读  ›  专栏  ›  量化投资与机器学习

【好因子】行为金融因子研究——资本利得突出量CGO与风险偏好

量化投资与机器学习  · 公众号  · AI  · 2017-06-09 18:22

正文


编辑部

微信公众号

关键字全网搜索最新排名

『量化投资』:排名第一

『量       化』:排名第一

『机器学习』:排名第四


我们会再接再厉

成为全网优质的金融、技术类公众号



前景理论与行为金融

传统的因子研究均基于历史上有效市场风格的选取、回测,但今年以来风格因子全面失效,风格因子逐渐从Alpha因子转为风险因子


行为金融学则是从微观个体行为以及产生这种行为的心理等动因来解释、 研究和预测市场的发展。其挖掘的是 市场波动的更深层次的驱动因素。


自20世纪80年代起,行为金融学逐步发展,越来越多的结论在市场上得 到了定量化的论证。这些学术成果都 可以尝试转化为有效的Alpha因子。


市场风格可能随时失效,但个体的非理性行为永远存在——挖掘行为金融因子


处置效应(Disposition Effect) 

投资者在处置股票时,倾向卖出盈利的股票、继续持有亏损的股票,也就是所谓的“出赢保亏”效应。


当投资者处于盈利状态时是风险回避者,而处于亏损状态时则是风险偏好者。


假如:A持有某只股票,买入价为10元,投资者B持有同一只股票,买入价为20元。该股昨日收盘价为16元,今 天跌到15元。请问:AB两位投资者, 谁的感觉更差?


如何解释处置效应? 


前景理论(Prospect Theory)

Kahneman和Tversky用前景理论解释处置效应


投资行为

  •  “二鸟在林,不如一鸟在手”——确定效应

  •  确定的损失和“赌一把”——反射效应

  • 参照依赖

  • 损失规避

  • 迷恋小概率......


投资心理:

  • 人们不仅看重财富的绝对量,更加看重的是财富的变化量。

  • 当人们面临条件相当的盈利前景时更加倾向于兑现盈利(风险规避);而面临条件相当的损失前景时更加倾向于风险偏好

  • 人们对损失和获得的敏感程度是不同的,人们对损失比对获得更敏感

  • 前期的决策的实际结果会影响后期的风险态度和决策。前期盈利可以使人的风险偏好增强,还可以降低后期的损失;而前期的损失会加剧以后亏损的痛苦,风险厌恶程度也相应提高

  •  ...... 


前景理论:价值函数

  • 前景理论使用S形的价值函数描述投资者在不同盈亏程度下的效用。

  • 传统效用理论:效用函数——全局凹函数

  • 前景理论:投资者的风险偏好存在突变:投资者在处于亏损状态时,是风险偏好的,而处于盈利状态时则是风险厌恶的。

  • 另外,通过价值函数的斜率阐释了投资者的行为随着盈亏状态的非对称变化(处置效应):

  • 投资者在处于高度盈利状态A时效用增加缓慢,风险规避,从而倾向于抛售获利股票 。

  • 在处于深度亏损状态B时,由于效用函数平缓下降, 有过度自信的惜售心理,甚至“越跌越补”, 股价则有较大的反转可能



参考价格与CGO因子 

参考价格(Reference Price)的定义 


  • 投资者行为发生突变的参考价格点在哪里?所有的投资者 的参考价格都一致吗?


  • 显然投资者心中的参考价格与过去买入的成本价有关,并且与昨日的市价有关。如果以均线作为参考价格(RP), 只包含了股价最近的信息,却丢失了过往的交易信息。


  • 以Grinblatt(2005)提出的以260周交易数据定义的参考 价格(RP)计算公式为基础,考虑到A股市场短线交易者 众多,我们提出了如下的基于过去100日成交均价按照换 手率加权平均的RP的算法: 

式子中的k为权重归一化系数,Pt-n 为过去t-n日的成交均𝑡−𝑛价,𝑉 t-n为换手率。采用前复权价格计算。过去某一天换手率越大,之后换手率越小,携带的信息对未来越有效。



资本利得突出量 (Capital Gain Overhang) 

CGO𝑡 表示第t日这只股票市场持仓者相对参 考价格(RP)的平均盈亏情况,CGO𝑡 越大 浮盈越大。 


例:CGO计算 

注:计算全市场个股的CGO值时,如遇过去100个交易日停牌超过50日的个股,直接置为空值。 


横截面CGO中位数分布 


全时间全样本CGO分布 


股价虽然同为上涨,但是前期低换手率的上涨(如一 字涨停板)会导致CGO序列迅速上升,但是后期高换手率的上涨却有可能使得CGO序列下降。因为近期的换手率权重大,导致了参考价格上升得比收盘价上升 的快。由亍获利盘处置效应的存在,CGO序列如果在 快速上涨后突然下降则可能预示着股价顶部的来临。


股价在下跌通道中,CGO也会伴随着下跌。对于 急剧下跌探底的过程中,由于惜售效应存在,投 资者换手急剧下降,CGO指标更多反应的是高位 持有者盈亏,因此指标弹性更大。当缩量震荡一 段时间后,CGO反应近期交易信息,弹性缩小, 股价反弹。


CGO在横盘阶段走势大致与股价一致,在0附近波动。在平稳的行情里,大部分时间股价序列的波动可能不止10%,但是个股的CGO落在[-0.1,0.1]之间。这是因为CGO是一个滚动根据参考价格调 整的序列,参考价格序列具有平稳的性质。 


处置效应使得低CGO股票呈现高收益


CGO单因子分档回测 

选股范围:中证800/中证500内成份股 

回测区间:2007年5月到2017年3月(2007年前100日用以计算CGO指标)

换仓:每周最后一个交易日按照CGO因子的排序来调仓

分档:5档 


无论是在500内还是800内,CGO对股票收益的区分度均比较明显 





整体业绩统计


年度业绩统计(中证500内行业中性CGO组合)




基于CGO分层的选股策略

试想,如果有两只期望收益相同但是风险 不同的股票A和B


  • A有1/2的概率亏损40%,有1/2的概率亏损10%

  •  B有1/2的概率亏损30%,有1/2的概率亏损20%


由于A,B处于亏损状态,效用函数是凸函 数所以呈现风险追求,A的期望效用大于B的期望效用。


因此,投资者更愿意持有风险较大的股票A。A的预期收益也会高于B。

因此,投资者更愿意持有风险较大的股票A。A的预期收益也会高于B。


相反,A和B同为盈利状态


  • A有1/2的概率盈利60%,有1/2的概率亏损10%

  • B有1/2的概率盈利20%,有1/2的概率亏损50%


由于A,B处于盈利状态,效用函数是凹函数 所以呈现风险厌恶,B的期望效用大于A的期 望效用。


投资者更愿意持有盈利确定性更高的B。风险 更低的盈利股票预期收益相对更高。

  • CGO除了本身作为一个优良的因子之外,还具有区分投资者盈亏状态与风险偏好的功能。


  • 由于投资者的风险偏好应该会受到股票的盈亏状态的影响,所以不同风险因子应该在不 同的CGO下对未来收益有不同的影响。


  • 对一些风险因子进行分层IC测算。即,将全体股票根据CGO的大小分成两组,在每一 组中进行IC的测算。并且构建组合。



分层风险因子选取

• 待选风险因子池:

     Beta
     WR28:28日威廉指标
     PE
     Size
     Turnover_15d:15日换手率 

      Zf_15d:15日日均振幅


• 选取方法:

    1. 在回测区间内,每周以λ为阈值对CGO进行高低档划分

    2. 分别在高低档内计算风险因子值与下期收益率的Rank IC值

    3. 分CGO高低档,计算回测区间周度平均Rank IC

    4. 对于风险因子,定义:ICspread=ICcgohigh-ICcgolow

    5. 选取𝐼𝐶 最小的作为高CGO档中的选股因子,选取ICspread最大的作为低CGO档中的选股因子


CGO分档下的风险因子IC均值 

  • 大部分的风险因子在丌同CGO档位中IC有显著差异,这个结论无论对亍IC均值亦戒是月度差异的均值都成立。

  • 说明:投资者对亍丌同盈亏状态的股票(CGO高/低),的确存在丌同的风险偏好。

  • 高CGO组中振幅因子相对有效,投资者对亍盈利股票倾向亍选择波劢较小的觃避风险。

  •  低CGO组中市值因子相对有效,对亍亏损股票,投资者更愿意尝试小市值投资。


基于CGO分层的选股策略

选股范围:中证500内成份股

回测区间:2007年5月到2017年3月(2007年前100日用以计算CGO指标)

换仓频率:周度

换仓策略:以CGO=0为阈值划分为高CGO与低CGO组,高CGO组中以15日振幅由低至高排序,选择振幅最小的1/5档;低CGO组中以市值由低至高排序,选择市值最小的1/5档

股票数量:约100只交易成本:双边0.3% 


历史年度业绩统计



最优阈值参数检验 


结论:
1. 策略IR随着𝜆连续变化,且参数敏感度不高。λ在[0, 0.08]区间内,形成的分层策略有最优的信息比率。

2. 参数𝜆取值为负时,IR差别较大,不甚理想。

3. 参数𝜆>0.08时,IR相对最优参数区间略低。



总结

从行为金融的处置效应与前景理论出发,构建了CGO因子。低CGO组合无论在中证500/800内均具有较强Alpha。


以CGO=0分层,投资者对于高低CGO组合股票具有显著不同的风险偏好。在高CGO中使用振幅选股,在低CGO中使用市值选股,能够实现较为稳定的超额收益。


从另外一个角度,通过CGO划分股票,在高低档位中分别用不同因子选股,也实现了类似风格轮动的目的。


来源:广发证券


关注者


110000+


我们每天都在进步