2023-05-10 14:56:27
本周（2018-03-12至2018-03-16）市场遭遇大跌，市场整体风险偏好较低。量价因子表现较好，基本面因子表现不佳。大盘股方面建议关注流动性高的中盘蓝筹，小盘股方面建议关注反转因子。
一、重要指数表现
本周和近一月的重要指数涨跌幅情况如下：
本周重要指数震荡加剧，尤其在周五时各大指数因而普遍大幅下跌。在四个板块指数（上证综指、深证成指、中小板指、创业板指）之中，上证综指本周的跌幅最小，为3.58%，近一月的收益率为-4.14%；深证成指本周的跌幅最大，达到5.53，近一月的收益率为-2.09%。考虑到创业板最近的正超额收益，其或将在接下来的调整中遭遇较大调整幅度。
在五个规模指数（上证50、沪深300、中证500、中证1000、中证全指）之中，上证50本周的跌幅最小，为2.76%，近一月收益率为 -5.60%；中证1000本周的跌幅最大，为5.92%，近一月收益率为-2.09%。整体而言，本周的大盘股表现略优于小盘股。
二、 申万行业表现
本周和近一月的重要指数涨跌幅情况如下：
在申万28个行业分类之中，本周没有行业得到正收益率。其中，农林牧渔本周的跌幅最小，为0.36%，近一个月收益率为1.31%；其次为生物医药，跌幅为0.94%，近一月收益率为6.44%。而钢铁行业本周的跌幅最大，达到9.42%，近一月收益率为-14.93%；其次为建筑材料，跌幅达到7.56%，近一月收益率为-2.87%。本周市场整体为震荡下跌。
三、 单因子表现
我们利用细分因子构建了beta、估值、规模、流动性、动量、反转、成长、特质波动率、财务质量共九个风格因子（附录一）。针对这些风格因子，我们分别在沪深300成分股、中证500成分股、中证1000成分股和全市场A股中计算它们的单因子收益率（附录二），和进行市值与行业中性化后Rank-IC值（附录三）。
从Rank-IC来看，本周基本面类因子表现不佳，量价因子相较之下表现良好，流动性、反转、特质波动率在四类股票池中皆表现突出，但是beta出现回落。规模因子的分化明显，仅在沪深300成分股中得到显著正值，而在其他股票池遭遇回撤。结合单因子收益率结果来看，规模因子收益率不佳。
根据最近一个月的风格因子Rank_IC图，和A股全市场中的纯因子收益率走势，流动性因子表现最为突出；其次为反转因子，除沪深300成分股之外，在其他各类股票池中皆取得正收益。同时，由于规模因子定义成与市值方向一致，我们可以发现近一月的规模因子的收益与股票池的市值风格成反比关系，即股票池的平均市值越小，其中的市值越大跌幅越大。
综合月度和周度数据，大盘股方面建议关注流动性高的中盘蓝筹，小盘股方面建议关注反转因子。
附录一：风格因子定义
子类因子合成为大类因子的流程：
先对各个子类因子值进行极值处理，极值处理方法为MAD法
计算极值处理后因子的Z-Score
将各个因子的Z-Score值按照各子因子的权重进行相加，得到大类因子值
对合成得到的大类因子值进行Z-Score处理，作为最终的因子暴露度
附录二：纯因子收益率计算方式说明
结构化多因子风险模型
1. 收益率模型
则对于拥有N只股票的投资组合，其收益率可以写为：
其中，r是超额收益率（N维列向量），X是因子暴露度（N*K维矩阵），f是因子收益率（K维列向量），u是特异收益率（N维列向量）
为了有效估计因子收益率，Barra建议采用广义最小二乘法（GLS）回归，为每个收益率观测样本赋予与其特异方差的倒数成正比的权重。但在实际建模过程中，通常用市值平方根代替特异方差的倒数来对每个观测值加权。
2. 纯因子组合
如果一个投资组合，对模型中某因子的暴露度为1，对其他所有因子的暴露度为0，则称该组合为这个因子的纯因子组合。
举例来说，对于一个包含N只股票的投资组合，假设组合中各个股票的权重为
，则组合的收益率可以表示为：
由于因子k的纯因子组合投资组合对于第k类因子具有单位暴露度，而对其他所有因子具有零暴露度，故其约束条件可以表示为：
规划求解得到的w所对应的投资组合即为因子k的纯因子组合。
换个角度来看，在加权最小二乘法(WLS)下，因子收益率的估计值的数学表达式为：
其中，X是暴露度矩阵，是加权回归中的回归权重，r是超额收益率向量。
可以发现，对于每一个具体因子而言，其收益率是投资组合中各资产超额收益率的加权和
于是，因子k的收益率可以看作是一个投资组合的收益率，其中组合的权重为C_k,n。而因子组合的权重是根据因子暴露度和回归权重计算得到，是先验已知的，因此纯因子收益对应的权重可以轻松解得。但需要注意的是，该种方法解出来的权重是多空头寸共存的，在A股并不具有实际的投资指导作用，如果需要构建纯多头的纯因子组合，仍需通过约束求解。
附录三：因子Rank-IC计算说明
1. 计算附录一的各个细分因子的暴露度；
2. 对各细分因子使用绝对值中位数法去极值，针对某个细分因子的具体方法如下：第一步，找出所有因子值的中位数 Xmedian；第二步，得到每个因子与中位数的绝对偏差值 Xi−Xmedian；第三步，得到绝对偏差值的中位数 MAD；最后，确定参数 n，从而确定合理的范围为 [Xmedian−nMAD，Xmedian+nMAD]，并将超出此范围的因子值重置为相应的边界值。
3. 对细分因子进行标准化：将去极值后的因子值减去现在的均值，再除以现在的标准差。
4. 对细分因子进行中性化处理：使用OLS方法对因子值进行横截面回归
其中，Factor_i为股票i的alpha因子，MktVal_i为股票i的总市值，Industry_j,i为行业虚拟变量，即如果股票i属于行业j则暴露度为1，否则为0，而且每个股票i仅属于一个行业，不对其所属行业进行拆分。
我们以上述回归方程的残差项作为原因子在中性化后的新因子。其中，规模因子仅对行业进行中性化处理。
5. 大类因子合成：对处理后的各个细分因子进行等权合成为相应的风格因子，由此我们得到了单因子暴露度。
6. 将因子暴露度与个股下一截面期的收益率计算Spearman秩相关系数，即为Rank-IC值。
注：对于本周（近一个月）的Rank-IC值计算，分别在上周五（前推一个月）计算因子暴露度，并进行相应数据处理。对应的个股收益率应为从本周一（前推一个月的次日）开始，截止到本周五的累计收益率。