揭秘因子投资基金绩效影响因素 What Matters in Multi-Factor Investing?

最新推荐文章于 2024-09-18 22:00:00 发布
原创 最新推荐文章于 2024-09-18 22:00:00 发布 · 627 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#因子 #量化投资 #机器学习

本文探讨了多因子投资的重要性和绩效影响因素，包括因子有效性、交易成本、Smart Beta策略的持久性以及避免过度迷信。研究指出，交易成本是决定投资表现的关键，并强调了策略设计的透明度和流动性。同时，对于国内基金资管行业，控制交易成本和谨慎策略设计至关重要。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

揭秘因子投资基金绩效影响因素 What Matters in Multi-Factor Investing?

 

 

　 我们翻译了一篇来自海外的网络研讨会议纪要，简洁地为各位读者呈现了量化投资特别是因子投资基金的几个问题。本文原著来源于Research Affiliates，其创办于2002年，比较侧重于smart beta和因子策略。

　 虽然数量化带来了非常专业的分工和类似流水线的工作流程，但是依然有很多细节值得投资人把握和关注，量化投资绩效并非能够平稳保持，这些因素直接影响了你的因子投资基金选择。

网络研讨会系列大纲：

1.多因子投资的重要性是什么？

 - 多因子投资的商业案例 - 学术框架

 - 对流行因子的证据进行严格审查

2.忽视因子投资的风险

3.多因子设计，第1部分 - 混合与积分

4.多因子设计，第2部分 - 掌握交易成本

5. ESG集成（企业社会责任）中的问题

Smart Beta和多因子策略并非昙花一现

      上图是全球SmartBeta基金权益在2005~2017年的增长情况，可以看到并没有显著的颓势，反而非常强劲。

Smart Beta研究全阶段重点文献一览

最低0.47元/天 解锁文章

200万优质内容无限畅学
多因子策略-APT模型
JanLEE
06-04 3409
导语：APT（Arbitrage pricing theory）定价理论是CAPM的一个推广，它们都是均衡状态下的模型，不同的是：CAPM把收益单纯的归为市场变化这一个因子引起的。APT把收益归因在不同的因子上面。本文旨在运用多元线性回归选股的方法，构建多因子策略。 ...
What matters when building vision-language models?
c_cpp_csharp的专栏
05-22 206
大型语言模型和视觉transformer的改进推动了人们对视觉语言模型（VLM）日益增长的兴趣。尽管有大量关于这一主题的文献，但我们观察到，关于VLM设计的关键决策往往是不合理的。我们认为，这些未经支持的决策阻碍了该领域的进展，因为它们很难确定哪些选择可以提高模型性能。为了解决这个问题，我们围绕预训练的模型、架构选择、数据和训练方法进行了广泛的实验。我们对研究结果的整合包括Idefics2的开发，这是一种具有80亿个参数的高效基础VLM。
因子投资入门
qq_52421831的博客
09-18 484
和鲸社区 金融量化python训练营量化基础，因子投资入门
用python做投资--多因子策略
weixin_34062469的博客
09-02 3443
导语：每一位宽客都相信，影响股票涨跌的因素不胜枚举，而这些“因素”就是因子！本文作为一篇合格的入门教程，提供代码当做框架，各路宽客可以自己测试，查看收益率，亦可利用聚宽python平台自行构建代码。 规范源码已更新！请大家克隆研究。 本文由JoinQuant量化课堂推出 。难度标签为进阶上，理解深度标签：level-0 JoinQuan...
python logistic回归因子权重_Python与量化多因子——基于回归的归因
weixin_39849254的博客
12-09 1045
1. 前言一般来说，不管是我们自己管理的组合，或者公募的量化产品，我们都需要对其过往的业绩进行分析，它涨的原因是为什么，亏又亏在哪里？是风格的漂移带来的，还是行业带来的，还是Alpha带来的。都需要进行归因总结，做到知其然，更要知其所以然。不仅如此，对于自己管理的组合，借助归因的方法，可以对自己各项因子，风格，Alpha暴露等进行监测，为投资决策提供一定的参考。而对股票型基金的归因分析一般分为两种...
卧槽！这款Python量化神器终于被我找到了！
Python专栏
11-24 1486
《Python量化交易》是一本非常适合新手入门量化交易的书。 本身四大章节分别介绍了： Python基础知识快速过 股票量化入门+实战 基金、利率互换、固定收益分析 福利：衍生品推荐 其中第二章“股票量化入门+实战”更是有套利，波动等非常适合实战的内容 。 套利 波动 还有对基金黑天鹅事件的详细分析及对应策略 最后给大家带来一批资源福利，教你获取市场数据 资料获取方式 关注公众号「Python专栏」，后台回复关键字：lhjy，获取项目包 长按二维码关注↓ ...
Pseudo-Mask Matters in Weakly-Supervised Semantic.pdf
11-21
**模拟欠拟合策略**：为抑制伪掩模中的噪声影响，我们采用了模拟欠拟合策略，通过限制模型的学习能力，防止模型过度拟合噪声，从而保持对关键特征的关注。\n\n4. **循环伪掩模优化**：在完全监督语义分割（FSSS）的...
Don’t Touch What Matters: Task-Aware Lipschitz Data Augmentationfor Visual Reinforcement Learning
LoveQR1的博客
11-17 637
Don’t Touch What Matters: Task-Aware Lipschitz Data Augmentationfor Visual Reinforcement Learning 论文分享
论文解读：Channel Importance Matters in Few-Shot Image Classification
weixin_50917576的博客
03-07 1305
在本文中，我们展示了一个简单的通道智能特征转换可能是从通道角度解开这个秘密的关键。当面对测试时间数据集中新颖的少镜头任务时，这种转换可以大大提高学习图像表示的泛化能力，同时与数据集和训练算法的选择无关。通过对这种转换的深入分析，我们发现FSL中表征转移的困难源于图像表征的严重通道偏差问题:通道在不同的任务中可能具有不同的重要性，而卷积神经网络可能不敏感，或者对这种转移的反应不正确。这指出了现代视觉系统泛化能力的一个核心问题，是未来需要进一步关注的问题。
用 python 分析基金！让赚钱赢在起跑线！
白玉无冰
12-06 2835
你不理财，财不理你！python 也能帮你理财？ 效果预览 累计收益率走势图 基本信息结果 如何使用： python3 一些第三方库 import requests import pandas import numpy import matplotlib import lxml 配置 config.json 。code 配置基金代码, useCache 是否使用缓存。 { ...
量化选股之因子选股
量化计算统计
08-12 5552
量化选股之因子选股（仅供参考，大牛轻拍） 一、   定义和思想 因子选股模型是应用最为广泛的一种选股模型，基本原理是采用某个或某些因子作为选股的标准，满足这些因子的股票则被买入，不满足的则卖出。 因子选股模型为什么适用？举一个简单的例子：如果有一批人参加马拉松，想知道哪些人能获得不错的成绩，只需在跑前做一个身体测试即可。测试可以用一个或多个指标。对测试的结果进行排名，排名靠前的运
方法论 | 多因子策略的五大讨论（思维导图收藏版）
量化交易研究
08-23 2853
本文来自新全球资产配置，作者：徐杨，编译：家瑜，梦梅。 自从各种因子不断被学者挖掘出来后，时间和市场表现都证实了因子投资（Factor Investing）的价值，但是因子投资的表现不是免费的午餐，比如价值、动量、质量等因子都有长期跑不赢大盘的时候。我也曾用实证数据验证过因子投资对增强资产配置总体回报的作用，写了几篇关于因子投资的文章。 因子投资在国外已经有了较为广泛的使用，特别是以AQR、R...
【基金量化研究系列】基金绩效归因模型——Brinson多期归因模型之python实现
热门推荐
Mikey_Sun的博客
05-10 2万+
文章目录1. 引言2. Brinson多期归因模型的Python实现2.1 基准数据读取模块2.2 持仓数据读取模块2.3 持仓收益与基准计算模块2.4 Brinson多期归因模型核心算法Brinson_Multiple2.5 主函数模块3. 归因结果写在最后 1. 引言 在上文中，我们已经介绍了Brinson归因模型的基本思想。那么，就让我们动起手来，实现这一方法吧！ 在Brinson多期归因模型实现的过程中，本文使用模块化方法，将整个实现过程划分为如下五个功能板块： Module 1: 基准数据读取模
python因子数_Python与量化多因子——因子库（下）
weixin_39523625的博客
12-09 1062
1. 前言有点泄气，读者不多，赞同也不多，不过万事开头难。上一篇我分享了因子库的设计，这一篇主要讲实现，加上我的标题叫Python与量化多因子，势必要加点代码在里头，不过旨在抛砖引玉，点到即止，更多的内容需要读者们自己去探索。对了，读者如果自己动手，基础的Pandas，Numpy的操作还是需要会的，网上也有很多教程，大家也可以去看，如果有需要，后面我也可以写篇文章来介绍。2. 因子构成好像现在各家...
基金业绩的python分析_DFQ2018绩效归因与基金投资分析工具.pdf
weixin_39833763的博客
12-10 956
HeaderTable_User11222532001394892282金融工程HeaderTable_Stock股票代码Tabl e_Title投资评级 DFQ2018 绩效归因与基金投资分析工评级变化行业code 具HeaderTable_Excel—— 《因子选股系列研究之四十六》Table_ReportDateTable_Summary ...
机器学习多因子策略
JanLEE
06-03 1372
前言 在二级市场的量化策略中，多因子策略称得上是最早被创造但同时也是变化最多的投资策略之一，好的因子意味着长期稳定的收入，因此能够发现一个好的因子是每位宽客的一致愿望。多因子策略理解起来并不复杂，实现起来却可以通过多种不同的渠道，从而带来不同的表现，本文基于经济学家在2005和2012发表的两篇论文，探究市值因子在我国二级市场中的表现。 与传统多元线性回归不同，本文采用了支持向量回归（Support Vector Regression）和随机森林回归（Random Forest Regression）两
基金经理手记：关于因子的考
长亭路
05-02 460
转 基金经理手记：关于因子的思考 在分析 Alpha 因子的时候，很难通过单一指标确定其优劣，例如常见的 IC、IR、以及本文提及的“多空组合收益差”；往往需要从多个不同角度，利用不同的指标进行刻画，最终得到一个多方权衡之后的评价结果。 现代量化投资理论认为，股票超额收益的绝大部分可以被若干个互不相关的因子（或者称 Alpha 因子）所解释。 在前人多年的相关研究中，最广为人知的莫过于Fama与 ...
单因子 & 多因子策略（基于JoinQuant）
lesleychu的博客
02-22 5629
一份朴实的声明。。。1. 基于joinquant，大部分代码是原作者所写，俺只是改写、补充。。。2. 源码见：https://www.joinquant.com/post/7753. 基于因子打分，不是因子回归（思路：单因子打分，分值赋权个股形成单因子组合，再等权加权单因子组合，变为多因子策略）----------------------------------------------------...
基金业绩的python分析_Python与量化多因子——聊聊Brinson业绩归因
weixin_39744384的博客
02-05 2206
1. 前言插图是小学读书走的最多的一条巷子，从前面的青石板左转，就到了我们的小学，笔直往前走，就到了江边的树林和草地，那时候下午课上完已经将近傍晚，快放暑假的时候，我都是先去河里泡个澡，再把牛牵回家，现在回忆起来，别有一番趣味。现在河边的树林即将入湖底，小时候玩的乐园也一并没了。按照计划，这部分应该到后面再讲的，不过最近一直在搞业绩归因系统，后面讲我估计我都忘了。所以先放到前面来。注意，这篇文章...
what matters in transformers?
最新发布
01-19
### Key Components and Concepts in Transformers Architecture Transformers rely heavily on self-attention mechanisms, which constitute a critical part of their design[^1]. Self-attention allows models to weigh the significance of different words within a sentence relative to every other word. This mechanism enables more effective processing of sequential data without being constrained by fixed-length context windows. The architecture also incorporates multi-head attention layers that permit the model to jointly attend to information from different representation subspaces at various positions. Each head learns distinct patterns leading to richer representations overall. Positional encodings are added to the input embeddings since the self-attention layer does not inherently capture positional relationships between tokens. These encodings provide necessary ordering information about sequences so that the network can understand where each element appears in relation to others. Normalization techniques such as Layer Normalization play an essential role too; they stabilize training dynamics across multiple stacked transformer blocks ensuring consistent performance throughout deep networks. Feed-forward neural networks follow after normalization steps providing non-linearity required for learning complex mappings between inputs and outputs. ```python import torch.nn as nn class TransformerBlock(nn.Module): def __init__(self, embed_size, heads, dropout, forward_expansion): super(TransformerBlock, self).__init__() self.attention = MultiHeadAttention(embed_size, heads) self.norm1 = nn.LayerNorm(embed_size) self.norm2 = nn.LayerNorm(embed_size) self.feed_forward = nn.Sequential( nn.Linear(embed_size, forward_expansion * embed_size), nn.ReLU(), nn.Linear(forward_expansion * embed_size, embed_size), ) self.dropout = nn.Dropout(dropout) def forward(self, value, key, query, mask): attention = self.attention(value, key, query, mask) # Add & Norm x = self.dropout(self.norm1(attention + query)) forward = self.feed_forward(x) out = self.dropout(self.norm2(forward + x)) return out ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值