来源：金融有革调 文：张革金融团队
转自中信期货研究部金融期货团队报告
原标题：量价策略周报：上周规模因子表现较好
要点
本文回顾了因子和因子策略的相关研究，梳理了Barra和WorldQuant量价因子体系，并检验了两个因子体系最近一周的单因子表现。
摘要
最近一周的单因子表现(全行业)：Barra风格因子体系中，按RankIC均值和RankIC_IR，表现最好的均是size_lncap(市值规模)。算法挖掘/机器学习因子体系中，按RankIC均值，alpha021(趋势类)表现最好，最高(绝对值)为0.016 ，按RankIC_IR，alpha046(反转类)表现最好，最高(绝对值)为0.321 。
中信一级行业的因子表现：按照中信一级行业分类方法，共分30个行业，在每个细分一级行业中，使用最近一周的日频数据，计算并展示Barra风格因子体系和算法挖掘/机器学习因子体系中单因子的表现。在上周表现最好的消费者服务行业中，Barra体系内quarterly_share_turnover(季换手率，按RankIC均值)和monthly_share_turnover(月换手率，按RankIC_IR)表现最好，算法体系内alpha009表现最好(反转类，按RankIC均值和RankIC_IR均是)；在上周表现最差的商贸零售行业中，Barra体系内cumulative_range(累计收益率范围，按RankIC均值)和annualized_traded_value_ratio(年化交易额比率，按RankIC_IR)表现最好，算法体系内alpha028(反转类，按RankIC均值)和alpha051(反转类，按RankIC_IR)表现最好。
正文
一、最近一周的单因子表现（全行业）
Barra风格因子表现
使用近一周的数据回测，按因子RankIC均值，Barra风格因子里面选股能力最佳的是size_lncap；按因子RankIC_IR，Barra风格因子里面选股能力最佳的是size_lncap。
算法挖掘/机器学习因子表现
使用近一周的数据回测，按因子RankIC均值，算法挖掘/机器学习因子里面选股能力最佳的是alpha021；按因子RankIC_IR，算法挖掘/机器学习因子里面选股能力最佳的是alpha046。
二、中信一级行业的单因子表现
Barra风格因子表现
使用中信一级行业分类，本文首先计算基于Barra风格因子体系的单因子RankIC和RankIC_IR值。可以发现，不同行业的最佳因子，无论是按RankIC还是按RankIC_IR,均差异明显。这可能是由于不同行业间上市公司本身特质差别较大，以此导致的上市公司权益回报率对因子敏感性的天差地别。
算法挖掘/机器学习因子表现
使用中信一级行业分类，本文接着计算基于算法挖掘/机器学习因子体系的单因子RankIC和RankIC_IR值。可以发现，不同行业的最佳因子，无论是按RankIC还是按RankIC_IR,均差异明显。这亦可能是由于不同行业间上市公司本身特质差别较大，将单一因子均匀的应用于全市场选股会具有较大的风险。
附录：因子构建方法和评价方法
Barra风格因子构建方法
Barra大类风格因子体系中，量价类的风格因子比较清晰的反映了权益资产市场表现的某一个维度，背后的含义也非常明显。
算法挖掘/机器学习因子体系因子构建方法
WorldQuant Alpha101和其他类似研究的算法挖掘/机器学习因子体系中，因子本身可能很难讲出具体的含义，所产生的效果也容易受到data mining的影响，在后期这类因子可能会需要严谨的处理和统计学论证。
单因子评价方法
依照现有的因子库，可以直接对相应的单因子进行评价，进而形成相应的策略。这样的策略只关注一个因子对权益收益率的影响，主要关注这些因子RankIC值和RankIC_IR值。RankIC代表因子的选股能力，其绝对值越大越好；RankIC_IR代表因子稳定获得超额收益的选股能力，其绝对值越大越佳。这一过程可以简要描述为：
计算附录中所有细分因子的值；
在每一个截面上，分别计算属于同一个风格大类（例如动量）的细分因子与个股下期收益率计算Spearman秩相关系数，即得到该细分因子的RankIC值，在时序上取RankIC均值；
利用因子的RankIC值计算RankIC_IR值，RankIC_IR 是某一时间维度的RankIC 均值除以标准差，时间维度与策略的调仓周期相匹配；
计算风格因子的RankIC和RankIC_IR：计算风格大类中所有细分因子的RankIC和RankIC_IR的算术平均（如需）。
