量化研究系列報(bào)告：臨界相變，探尋傳統(tǒng)因子中的非線性基因.pdf

量化研究系列報(bào)告：臨界相變，探尋傳統(tǒng)因子中的非線性基因。

非線性效應(yīng)無(wú)處不在

在當(dāng)前 A 股市場(chǎng)的量化實(shí)踐中，傳統(tǒng)線性模型對(duì)因子收益關(guān)系的 刻畫(huà)存在局限。市值因子的實(shí)證研究率先揭示了這一困境——Barra 風(fēng) 險(xiǎn)模型發(fā)現(xiàn)，線性假設(shè)會(huì)系統(tǒng)性高估中盤(pán)股收益并低估大小盤(pán)分化，其 通過(guò)在 CNE5/CNE6 模型中構(gòu)建對(duì)數(shù)市值立方殘差項(xiàng)，分離出中盤(pán)股 獨(dú)立風(fēng)險(xiǎn)敞口。這類非線性效應(yīng)在基本面領(lǐng)域同樣具有普適性。無(wú)論是 市場(chǎng)風(fēng)格指數(shù)的長(zhǎng)期表現(xiàn)，還是行業(yè)市值中性化處理后的因子分組測(cè) 試，均指向了核心規(guī)律：基本面指標(biāo)的邊際效用存在臨界點(diǎn)，歷史財(cái)務(wù) 數(shù)據(jù)的線性外推常因商業(yè)環(huán)境劇變、信息快速定價(jià)、財(cái)務(wù)粉飾行為而失 效。

非線性因子的挖掘框架

本文突破傳統(tǒng)線性框架，主要以三大財(cái)務(wù)報(bào)表的字段為特征，輔以 因子庫(kù)中的基本面與量?jī)r(jià)因子，通過(guò)四類模型系統(tǒng)挖掘因子非線性效 應(yīng)：1、多項(xiàng)式回歸：通過(guò)中心化處理與殘差正交化分離高階效應(yīng)； 2、樣條回歸：捕捉局部非線性結(jié)構(gòu)并平滑過(guò)渡；3、鋸齒函數(shù)：組間 非線性+組內(nèi)線性化；4、門限模型：自動(dòng)識(shí)別關(guān)鍵狀態(tài)轉(zhuǎn)折點(diǎn)。通過(guò) 經(jīng)上述模型轉(zhuǎn)換后的新因子與原始因子進(jìn)行截面回歸，提取殘差項(xiàng)作為 剝離線性成分后的純非線性因子。 自 2013 年 1 月 1 日-2025 年 5 月 30 日，非線性復(fù)合因子 Rank IC 均值為 9.4%，年化 ICIR 為 4.53，IC 月勝率為 90.6%，分組嚴(yán)格單 調(diào)，多頭年化超額 12.7%，信息比 3.31，且樣本內(nèi)外表現(xiàn)較為一致。

基于非線性復(fù)合因子的指數(shù)增強(qiáng)策略表現(xiàn)優(yōu)異

為考察非線性復(fù)合因子對(duì)多因子模型的實(shí)際貢獻(xiàn)，我們以滬深 300、中證 500 和中證 1000 增強(qiáng)模型為例，結(jié)果表明，滬深 300 增強(qiáng) 組合的年化超額收益為 6.5%，信息比 1.64；中證 500 增強(qiáng)組合的年化 超額收益為 8.6%，信息比 1.67；中證 1000 增強(qiáng)組合表現(xiàn)相對(duì)優(yōu)異， 年化超額收益為 13.4%，信息比 2.22。樣本外增強(qiáng)策略仍有不錯(cuò)的表 現(xiàn)。