【西部金工】日度量价因子的统一线性框架

西部西部量化团队 2026-05-23 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 5 /5

核心内容

本文摒弃将日收益率序列压缩为单一统计量的传统方法，直接利用月内完整的日度收益率序列及其排序序列，通过弹性网络回归预测次月收益率，构建了统一线性框架下的DRI因子，并进一步将该框架拓展至换手率序列得到DTI因子，两者等权复合得到DMI_2因子。

经济逻辑

传统量价因子（如反转、最高单日收益率）仅通过简单的求和或求极值函数提取单一特征，容易遗漏月内日度序列中蕴含的其他有效结构信息。直接让数据发声，通过线性回归模型学习序列的全部特征，能更全面地捕捉投资者的过度反应等微观行为，从而提供更精准的收益预测和独立的增量信息。

超额收益逻辑

通过弹性网络直接学习月内日频序列的完整特征，捕捉了传统函数（如求和、求极值）遗漏的市场过度反应等结构性信息，双重排序检验证明其收益来源无法被短期反转和最高单日收益率等传统因子解释。

构造细节 [factor]

因子定义

对于股票i，利用第t月的日收益率时间序列及其排序序列作为自变量，第t+1月的收益率作为因变量，建立弹性网络回归模型。以模型对t+1月的收益率预测值作为DRI因子值。同理，用日度换手率序列替换收益率序列得到DTI因子。DMI_2因子为DRI与DTI的等权复合。

处理流程

1. 提取股票每月的日度收益率序列（约20个交易日）。
2. 生成日度收益率的排序序列（从小到大排序）。
3. 将时间序列和排序序列作为特征，次月收益率为标签。
4. 采用扩展窗口法（以2010-2014年为基础，按年度滚动），训练弹性网络回归模型（包含L1和L2正则化）。
5. 使用训练好的模型预测下一个月的收益率，预测值即为DRI因子值。
6. 用日度换手率序列替换收益率序列，重复步骤1-5，得到DTI因子值。
7. 将DRI与DTI因子等权相加，得到DMI_2复合因子。

参数

alpha: 未提供文本数值l1_ratio: 未提供文本数值训练窗口: expanding window，基础为2010-2014年

数据输入

: (日频): (日频)

组合方式

DRI与DTI因子等权复合

绩效

0.056

DRI_IC

1.830

DRI_ICIR

0.064

DTI_IC

2.382

DTI_ICIR

0.070

DMI_2_IC

2.473

DMI_2_ICIR

29.28%

DMI_2_多空年化收益率

基准: 十分组多空

回测期: 2015-2026.03

DMI_2因子综合表现最优，IC均值0.070，ICIR为2.473，多空年化收益率约29.28%，单调性显著改善，均优于传统函数类因子。

收益归因 ✓ 已完成

通过双重排序、Fama-MacBeth回归及时间序列回归等多维度检验，确认DMI_2因子能提供较为独立的新信息，其收益来源无法被现有的定价模型所解释。

方法: 双重排序, Fama-MacBeth回归, 时间序列回归

缺口: 无

稳健性

子样本稳定性: 采用expanding window滚动训练，2015-2026.03期间表现稳定，DRI胜率达71.63%。

风格偏差: 经双重排序检验，与传统短期反转因子、最高单日收益率因子及复合因子相关性低，能提供独立增量信息。

控制传统因子后，DRI及DMI_2因子仍表现出显著单调性和多空收益；反之，传统因子大部分可被该框架解释，说明框架提取信息更全面且稳健。

数据依赖

所需数据: 日频股票收益率、日频股票换手率

可复现性: medium

仅需基础日频量价数据，数据获取容易；但需搭建弹性网络回归的滚动训练框架，且具体超参数缺失需自行调参。

新颖性评估 [新方法]

将传统人工设定的单变量函数变换拓展为多元序列直接建模的统一线性框架，首次在国内市场应用弹性网络对日度收益率及排序序列进行联合建模。

不足与缺陷

弹性网络回归的具体超参数（正则化强度、L1比例）在研报正文中未给出明确数值，影响精确复现。
特征维度较高（时间序列+排序序列），如果正则化参数调节不当，存在一定过拟合风险。
虽然比神经网络可解释性强，但相比传统函数因子，各日收益率权重的经济学含义仍不够直观。

可复用元素

将时间序列和排序序列同时作为特征输入模型，兼顾了时间动态和分布特征。
采用弹性网络进行回归，适应高维特征并能进行特征选择。
提供了用统一建模框架平替传统人工设计函数因子的新范式。

启发

量价因子构造可从‘人工函数提取’向‘模型自动提取’转变，让数据自己发声。
排序序列与原时间序列的联合使用可以增强模型对市场极端情况的刻画能力。

改进方向

针对月内日频序列，使用动态时间规整（DTW）计算每只股票当月日频序列与历史特定‘上涨模式’或‘反转模式’原型序列的距离，作为新因子。

基于: 逻辑相同，均旨在挖掘日频序列的完整结构特征以替代简单统计量。预期收益: 能够捕捉序列形状的非线性相似性，可能提取出线性回归遗漏的形态模式信息。

使用GBDT或轻量级神经网络替换弹性网络回归，或在特征中加入日度成交额、波动率序列构建多维统一框架。

基于: 弹性网络为线性模型，可能无法捕捉特征间的非线性交互，且仅用了收益率和换手率。预期收益: 提升因子预测能力，多空收益及IC有望进一步增加，信息利用更充分。

复现计划

1. 数据准备：获取全A股日频收益率和换手率数据，整理为月内日度面板数据，并计算每日对应的排序值。2. 特征构建：每月将日度时间序列（20维）和排序序列（20维）拼接成40维特征，次月收益率作为标签。3. 模型训练：以2010-2014年为初始训练集，使用ElasticNet（可通过交叉验证寻找最佳alpha和l1_ratio），预测下月收益。4. 组合构建：按预测值十分组，等权配置，月度调仓，计算多空收益及IC等指标。5. 拓展与复合：用换手率重复上述步骤得到DTI，与DRI等权复合得DMI_2，并进行双重排序检验。