中性风格分析总结英语 第1篇
在对多因子模型的研究过程中，会发现计算机、传媒这类行业的股票市盈率高于银行、金融这类行业，钢铁、煤炭这类行业的股票市净率远低于食品、白酒这类行业等现象。投资业内将这些统一定义为风险因素（包括市场因素和行业因素）。
在研究特征股票的“共性”时，为了避免市场因素和行业因素影响，需要对因子数据进行中性化处理。中性化的常用做法有均值方差法（标准化法）和回归法。本文采用回归法进行因子中性化，选用第t期沪深300成分股的截面数据，因变量为“2σ”法处理过的第i个因子初始值，自变量分别为第j只股票的市值和所属行业哑变量（申万一级行业），具体过程如下：
中性风格分析总结英语 第2篇
累计Rank_IC将因子的时序Rank_IC值进行加总，可以看出因子方向的变化情况。IC_IR是将因子的时序Rank_IC均值除以因子Rank_IC的标准差，可以综合评价Rank_IC的变化。分别画出共同因子、差异因子的累计Rank_IC、IC_IR时序图。
在共同因子组合中，六个因子的累计Rank_IC在2009年到2020年区间单调，因子方向未发生较大变动。波动、估值风格对沪深300个股收益率的解释显著，尤其是特质波动率因子（1个月、3个月）和EP因子。
2014年后，波动风格 (Volatility_3M、Volatility_1M、Momentum_3M、Momentum_1M) 的IC_IR值不断攀升，说明波动因子对沪深300个股收益率有较强的解释能力（Rank_IC），尤其是Momentum_1M和Momentum_3M。估值因子（EP、BP）较为稳定。
在差异因子组合中，换手率因子稳定，2009年至2020年期间Rank_IC值单调，因子方向为负；市值因子（Mkt_cap）、Alpha因子对沪深300个股收益率解释不稳定。两个因子存在周期性，因子方向发生多次改变。特别是在2014至2016年期间市值因子、Alpha与各个收益负相关，2016到2019年期间市值因子、Alpha因子与个股收益正相关。
中性风格分析总结英语 第3篇
按照研究设计中的计算方法，首先利用月频截面数据计算27个因子的各期Rank_IC、IC_IR序列（2009年初到2019年末，月频数据），以此计算2019年末IC绝对值累计值（因子显著性）、2019年末各因子IC_IR、2019年末各因子平均IC值，并作图如下：
平均Rank_IC指各因子IC序列的平均值，代表因子对下期收益率回归的平均相关度。绝对累计Rank_IC是指各因子IC序列取绝对值后按顺序累加，代表因子对下期收益率回归的累计相关度。根据平均Rank_IC、绝对累计Rank_IC筛选出排名前9个因子（计算到最后一期取绝对值），以此为依据继续细分为共同因子和差异因子组合，利用IC_IR比较各因子的稳定性。
笔者通过平均Rank_IC、绝对累计Rank_IC找到了12个有效因子。这两种计算方法存在差异：平均法平均了序列的Rank_IC，在时序上对冲了因子方向，即个别因子的方向转变导致“累计Rank_IC过高、但是平均Rank_IC过低”的情况，而这12个因子对收益率的解释都是显著的。需要对共同因子、差异因子进行稳定性分析。
中性风格分析总结英语 第4篇
因子敞口值的大小并不能体现因子对下期投资组合收益率的显著关系，即有效但不一定显著。一般采用t值方法来对因子风险敞口进行显著性检验，t值越大说明因子对收益率解释更有效。对单因子模型来说，t值与拟合优度R2均能反映因子的显著性，而相关系数corr与拟合优度又存在数量关系，因此可以用相关系数来检验因子的显著性：
本文研究当期因子暴露与下期个股收益率的相关性，即因子信息系数（IC），因此IC在一定程度上体现了当期个股因子对下期个股收益率的显著程度，因子IC绝对值越高，表明投资组合下期的收益越能被当期因子所解释。