多因子模型簡述
Overview 概述
價格行為始終處於隨機漫步過程中，所以沒有一種量化策略可以涵蓋所有的價格行為。不同的量化策略或資產配置適用於不同的行情，如網格交易更適用於震盪行情。本文目的是給投資者介紹更多樣的分析模型，讓投資者在行情的隨機變化中可以有更豐富的選擇和判斷空間。
Report 報告
Overview 概述
價格行為始終處於隨機漫步過程中，所以沒有一種量化策略可以涵蓋所有的價格行為。不同的量化策略或資產配置適用於不同的行情，如網格交易更適用於震盪行情。本文目的是給投資者介紹更多樣的分析模型，讓投資者在行情的隨機變化中可以有更豐富的選擇和判斷空間。
Report 報告
Overview 概述
價格行為始終處於隨機漫步過程中，所以沒有一種量化策略可以涵蓋所有的價格行為。不同的量化策略或資產配置適用於不同的行情，如網格交易更適用於震盪行情。本文目的是給投資者介紹更多樣的分析模型，讓投資者在行情的隨機變化中可以有更豐富的選擇和判斷空間。
Report 報告
Overview 概述
價格行為始終處於隨機漫步過程中，所以沒有一種量化策略可以涵蓋所有的價格行為。不同的量化策略或資產配置適用於不同的行情，如網格交易更適用於震盪行情。本文目的是給投資者介紹更多樣的分析模型，讓投資者在行情的隨機變化中可以有更豐富的選擇和判斷空間。
Report 報告
多因子模型簡介
多因子模型目前已成為投資實踐的主流方法，並且在衡量與控制風險方面擁有優越性能。
在投資中，因子指不同資產收益間的共同特徵。多因子模型被廣大投資者使用，以便進行資產組合的構建、組合管理、風險管理以及歸因分析。相比單因子模型，多因子模型的解釋力度更強且更加靈活。多因子模型可以幫助投資者：
建立資產組合對指定指數或特徵進行追踪
調整組合在確定風險類別下的敞口
對主動投資管理進行風險與收益的歸因分析
理解權益、固定收益等大類資產的綜合風險暴露
基於指定基準主動投資決策並衡量該決策的市場容量
確保投資者的資產組合的風險收益與其成本相匹配
多因子模型的來歷
多因子模型的類型
基本面因子模型
按因子類型可以劃分為3 類
宏觀因子模型
因子表示能夠顯著影響收益的宏觀經濟變量的非預期變動。以權益為例，主要考慮的是影響未來現金流以及折現率的因子。例如，利率、通脹風險、經濟週期以及信用利差。
通脹率與GDP 增長因子矩陣
主成分分析主要作用
基本面因子模型
因子主要表示能夠解釋證券橫截面差異的主要因素。例如，賬面市值比、甚至、市盈率以及槓桿率。
通過對證券的歷史收益表現進行統計並提取出影響收益的主要因子。主要的因子統計模型有因子分析模型與主成分分析模型。在因子分析模型中，因子能夠充分解釋歷史收益的協方差。在主成分分析模型中，因子可以充分解釋歷史收益的方差。
Conclusion 結語
其中主成分分析（PCA）是一種常用的構建統計因子模型的方法，目的是找到不相關的因子，並使得觀察到的證券收益率可以很好的用因子收益的線性組合來解釋。對於多證券的複雜組合，PCA 可以有效的降低維度和過濾噪音，提煉較少的因子，以此來進行線性回歸。主成分分析法是一種降維的統計方法，它藉助於一個正交變換，將其分量相關的原隨機向量轉化成其分量不相關的新隨機向量，這在代數上表現為將原隨機向量的協方差陣變換成對角形陣，在幾何上表現為將原坐標系變換成新的正交坐標系，使之指向樣本點散佈最開的p 個正交方向，然後對多維變量系統進行降維處理，使之能以一個較高的精度轉換成低維變量系統，再通過構造適當的價值函數，進一步把低維繫統轉化成一維繫統。
