如何控制因子组合中的尾部风险

1、借助木桶原理，控制因子组合尾部风险尾部风险一词常出现在组合管理中，指的是组合历史收益分布在左侧尾部区间内的取值，用于度量极端风险事件发生时组合可能遭受的损失。在因子合成中，如果我们把每个基础因子看作一个资产，此时因子合成的过程就可以看作组合构建的过程。那么我们是否能采取某种因子合成方法，在保持合成后因子收益有效性的情况下，同时兼顾其“尾部风险”？本篇报告将针对这一问题展开讨论。本章节将介绍控制尾部风险的因子合成方法论，并将该加权方式命名为“木桶加权”。重点回答以下三个问题：常见的因子合成方式有哪些优缺点。如何借助木桶原理，实现合成后因子的尾部风险控制。木桶加权是否能够兼顾常见因子合成方式的优点

2、，同时规避其缺点。常见因子合成方式及优缺点常见因子合成方式会考虑因子收益、稳定性、相关性等方面的信息，但存在回归系数或协方差阵估计不稳定、未考虑因子尾部风险等问题。我们梳理了常见因子合成方式的算法及优缺点，如下表所示。图表 1: 常见因子合成方式及优缺点合成方式算法优点缺点等权 简便，稳定未使用任何因子表现信息回归系数不稳定；多重共线性问题考虑了因子收益与因子值相关性回归加权IC加权考虑了因子收益未考虑因子稳定性等信息ICIR加权考虑了因子收益和稳定性未考虑因子相关性等信息考虑了因子收益和因子表现相关性。因子IC协方差矩阵难以估计准相比于前几种方法，合成后因子理确论上有最大的ICIRMax_I

3、CIR Max_IC考虑了因子收益和因子值相关性因子值协方差矩阵难以估计准确资料来源：中金公司研究部等权：等权是最为简单的因子加权方式，且从实践效果来看，等权合成的因子历史表现往往不输于其它复杂方法合成的因子，稳定性较强。但从方法论的角度来说，等权没有利用任何的因子表现信息，信息利用率不足。回归加权：回归加权是通过因子值对个股收益回归，得到反映因子收益贡献的回归系数，并将该回归系数作为权重的因子加权方式。在回归过程中，收益贡献越大的因子会有更高的回归系数，同时因子相关性高（取值接近）的因子会受到惩罚，即考虑了因子收益和因子值相关性两方面信息。但其依赖回归的做法存在回归系数不稳定以及多重共线性等

4、问题。IC 加权：使用因子历史 IC 序列平均值作为权重的加权方式。考虑了因子的历史收益情况，但没有考虑因子稳定性和因子相关性等信息。ICIR 加权：使用因子历史 IC 序列平均值和标准差的商作为权重的加权方式。考虑了因子的历史收益和稳定性，但没有考虑因子相关性等信息。Max_IC：最大化合成后因子的 IC，加权权重=因子历史 IC 均值向量*因子历史取值协方差阵的逆。合成后的因子理论上有最大的 IC 值，考虑了因子收益和因子值相关性，但存在因子值协方差矩阵估计不稳定的问题。Max_ICIR：最大化合成后因子的 ICIR，加权权重=因子历史 IC 均值向量*因子历史 IC值协方差阵的逆。合成后

5、的因子理论上有最大的 ICIR 值，考虑了因子收益和因子表现相关性，但存在因子 IC 协方差矩阵估计不稳定的问题。综上，常见的因子合成方式会考虑因子收益、稳定性、相关性等方面的信息，但存在回归系数或协方差阵估计不稳定的问题。特别地，常见因子合成方式均未考虑合成后因子的尾部风险。因此，我们期望寻找一种尽可能继承常见因子合成方式优势、又能够规避常见因子合成方式缺陷、同时将合成后因子尾部风险考虑在内的新型因子合成方式。木桶原理的数量化表达木桶原理是指一个木桶的最大盛水量高度，取决于构成其木板的最低高度。从内容来看，木桶原理隐含着“元素属性下界决定集合属性上限”的思想，我们用数学的语言对其进行表述：记

6、集合为，集合中元素为，对于某种属性()，我们将其度量函数()定义为：() = min ().图表 2: 木桶原理示意图图表 3: 木桶原理的数量化表达木桶的最大盛水量高度，取决于构成其木板的最低高度木桶原理 木桶构成木桶的木板高度最大盛水量木桶最大盛水量高度，等同于构成木桶的木板最低高度集合某属性的度量值=集合中元素属性的最小值数学语言 逻辑表达度量函数场景集合元素属性函数资料来源：中金公司研究部资料来源：中金公司研究部木桶原理在因子尾部风险度量中的应用在组合分析中，尾部风险度量了收益分布在左侧尾部区间内的取值。那么在因子合成中，我们如何定义因子的尾部风险？直观来说，由于木桶原理隐含着“元素属

7、性下界决定集合属性上限”的思想，因此在因子评价中，可以将其表述为：因子历史单期表现的下界决定了因子最低收益的上限，即因子的尾部收益（尾部风险相反数）。具体地，借助木桶原理的数量化表达（图表 4），我们将因子的尾部风险定义为：因子历史 IC 序列的最小值。图表 4: 借助木桶原理定义合成后因子尾部风险场景集合元素属性函数度量函数逻辑表达数学语言集合某属性的度量值=集合中元素属性的最小值木桶原理木桶构成木桶的木板高度最大盛水量木桶最大盛水量，等同于构成木桶的木板最低高度因子的尾部收益上限(尾部风险相反数)，等同于因子历史IC序列的最小值尾部收益上限(尾部风险相反数)IC因子历史表现序列的单期值选股

8、因子因子的历史表现序列资料来源：中金公司研究部这种因子尾部风险的定义方式与组合尾部风险类似：组合尾部风险反映了历史表现最差时期的收益水平，而因子尾部风险反映了因子历史表现最差时期的 IC 水平。控制合成因子的尾部风险有了因子尾部风险的定义方式，我们便可以对合成后因子的尾部风险进行控制。我们希望合成后因子的尾部风险越小越好，即合成后因子“历史 IC 序列的最小值”越大越好。借助 Qian（2007）对基础因子 IC 与合成因子 IC 关系的推导（详见附录），我们可以利用以下优化问题来求解因子加权权重： = min = min ( ). . 0, = 1其中为第个因子权重，为第个因子在第期 IC

9、值。 _为合成因子历史第期的 IC 值， 为回看历史期数。由于该加权方式中尾部风险的定义来源于木桶原理，我们将其命名为“木桶加权”。从木桶加权的目标函数可以看出，以最终求解权重进行加权后的因子，其拥有最大的“历史 IC 序列最小值”，也就是说，合成因子拥有最低的历史尾部风险。我们通过一个案例来说明这一点：图表 5 模拟了 4 个因子的历史 IC 序列，其中因子 1 为对照组，因子 2 的每期 IC 是因子 1 的一半，因子 3 与因子 1 的 IC 均值相同，但 IC 波动率大于因子 1，因子 4 与因子 1、因子 3 负相关，且拥有相同的 IC 均值。我们分别测试不同加权方式下，合成后因子的

10、历史尾部风险。从结果看，木桶加权下的合成因子历史 IC 最小值大于其它常见加权方式，即其能够起到最小化合成因子历史尾部风险的效果。图表 5: 木桶加权能够最小化合成因子历史尾部风险时期因子1因子2因子3因子412.0%1.0%2.0%2.0%因子1因子2因子3因子4合成因子历史IC最小值ICIR28.57%28.57%14.29%28.57%1.29%模拟因子历史IC序列木桶加权因子历史IC下限最高因子1因子2因子3因子4合成因子历史IC最小值等权25%25%25%25%1.13%21.0%0.5%0.0%3.0%33.0%1.5%4.0%1.0%41.0%0.5%0.0%3.0%因子1因子2

11、因子3因子4合成因子历史 IC最小值53.0%1.5%4.0%1.0%木桶28.03%014.65% 57.32%2.00%资料来源：中金公司研究部木桶加权能够兼顾常见加权方式优点并规避其缺点木桶加权会考虑因子收益、稳定性、相关性等方面的信息。从木桶加权的目标函数看，其似乎并没有考虑到因子自身的收益、稳定性以及因子之间的相关性，但实际上，寻求最优解的过程会天然地将因子收益、稳定性和相关性考虑在内。首先，木桶加权会低配低收益因子，因为低收益因子会拉低合成后因子的 IC 下限；其次，木桶加权会低配高波动因子，因为高波动因子有更高的概率去拉低合成后因子的 IC 下限；最后，木桶加权会超配与其它因子相

12、关性低的因子，因为低相关性因子在大多数因子表现不佳的时期有更高的概率表现相对较好，而大多数因子表现不佳的那一期往往决定了合成后因子的 IC 下限值，因此超配低相关性因子有助于提升合成因子 IC 下限。我们仍以图表 5 中的模拟因子来说明这一点，图表 6 展示了木桶加权下各模拟因子的加权权重。可以看出，因子 1 的权重高于因子 2，说明木桶加权会考虑因子收益的信息；因子 1 的权重高于因子 3，说明木桶加权会考虑因子稳定性的信息；因子 4 的权重高于其它 3 个因子，说明木桶加权会考虑因子相关性的信息。木桶加权能够规避常见加权方式回归系数或协方差阵估计不稳定的问题。常见的因子加权方式，如回归加权

13、、MAX_IC、MAX_ICIR 等，会考虑因子历史表现的相关性。但其对相关性的度量或是通过回归完成，或是通过协方差矩阵估计完成，其涉及的参数均难以进行有效而稳定的估计。特别地，当基础因子相关性较高时，多重共线性问题以及奇异矩阵问题使得以上加权方式的应用效果大打折扣。作为同样考虑因子历史表现相关性的加权方式，木桶加权不涉及对回归系数或协方差矩阵的估计问题，从而使其适用性和稳定性相比以上加权方式有较大提升。图表 6: 木桶加权能够兼顾常见加权方式优点并规避其缺点模拟因子历史IC序列木桶加权可以继承优点并克服缺点时期因子1因子2因子3因子4相关性子因子相关性 因子4权重高于其他因 木桶加权考虑了因

14、子稳定性因子稳定性 因子1权重高于因子3 木桶加权考虑了因子常见因子合成方式优点有效性因子有效性 因子1权重高于因子2 木桶加权考虑了因子结论木桶加权表现优缺点12.0%1.0%2.0%2.0%21.0%0.5%0.0%3.0%木桶加权权重协方差估计不 不涉及协方差矩阵计 木桶加权避免了协方28.03%014.65%57.32%稳定算差阵难以估计问题33.0%1.5%4.0%1.0%41.0%0.5%0.0%3.0%53.0%1.5%4.0%1.0%常见因子合成方式缺点回归系数不稳定不涉及回归木桶加权避免了回归系数不稳定问题资料来源：中金公司研究部木桶加权实际应用效果分析在上一章节中，我们介绍

15、了如何从木桶原理出发，来构建可以控制合成因子尾部风险的加权方式。在本章节，我们将展示木桶加权的实际应用效果，分析其潜在问题，并讨论对潜在问题的改进途径。木桶加权实际回测表现我们已经知道，木桶加权可以实现合成因子历史尾部风险的最小化，那么通过木桶加权合成的因子在未来的实际表现中是否也有更小的尾部风险、同时表现出更高的收益水平呢？在此，我们首先需要定义因子实际尾部风险的度量方式。投资者在因子合成测试环节可以感受出，在基础因子集不变的情况下，合成后因子的年化超额收益越高，其相对最大回撤往往也越高，这是因为超额收益反映了 alpha 水平，alpha 与特质波动正相关，而相对最大回撤也与特质波动正相关

16、，因此超额收益常与最大回撤正相关。在这种情况下，我们更希望获取 1 单位超额收益，可以承担更少的相对最大回撤，即更小的尾部风险，因此，我们使用年化超额收益与相对最大回撤的比值，即相对 Calmar 比率，来衡量组合的尾部风险控制效果。为保证结果的可复现性，我们分别以未经处理的 BARRA 风格因子集和简单的基础 alpha因子集作为待合成因子，测试不同加权方式下合成因子的表现。从结果看，木桶加权的年化超额收益和相对 Calmar 比率均优于常见因子合成方式，即表现出更高的收益水平的情况下，每单位收益承担了更小的尾部风险。图表 7: 以 BARRA 风格因子集作为待合成因子，木桶加权拥有最高的超

17、额收益和相对 Calmar 比率回测参数参数值因子集BARRA CNE6模型的16个风格因子回测时段2010-01-01至2020-08-31选股池沪深300等权3.19%-10.09%59.06%0.730.32选股数量 100回归加权-0.57%-26.49%48.82%-0.05-0.02组合构建中行业+市值中性IC0.91%-12.49%47.24%0.190.07股票权重流通市值加权ICIR1.13%-11.39%51.18%0.240.10调仓频率每月初第一个交易日调仓max_IC1.39%-19.66%50.39%0.330.07手续费买卖各0.15%max_ICIR-0.93%

18、-29.60%42.52%-0.19-0.03回测参数不同加权方式表现加权方式年化超额收 益率相对最大回撤月度胜率IRCalmar(相对)木桶加权3.43%-10.33%55.91%0.740.33性化处理资料来源：MSCI，中金公司研究部图表 8: 以 BARRA 风格因子集作为待合成因子，不同加权方式收益曲线木桶加权拥有最高的年化收益Jan-10Jan-11Jan-12Jan-13Jan-14Jan-15Jan-16Jan-17Jan-18Jan-19Jan-201.201.000.800.600.400.200.00-0.20-0.40-0.60木桶加权等权回归加权IC加权ICIR加权M

19、AX_ICMAX_ICIR注：回测区间为 2010-01-01 至 2020-08-31资料来源：MSCI，中金公司研究部图表 9: 以基础 alpha 因子集作为待合成因子，木桶加权拥有最高的超额收益和相对 Calmar 比率类别因子加权方式 年化超额 相对最大 收益率回撤月度胜率IRCalmar(相对) 木桶加权10.34%-30.76%60.94%1.600.34基础alpha因子集回测参数不同加权方式表现回测参数参数值成长毛利(TTM)同比增长率盈利ROE当季值市值对数总市值因子集基础alpha因子集 回测时段2010-01-01至2020-08-31 选股池中证500选股数量 100

20、等权7.09% -27.59% 57.03%1.13 0.26 回归加权 3.08% -21.40% 54.03%0.560.14 估值市净率组合构建中性化处理行业+市值中性IC9.33% -30.35% 58.79%1.50 0.31反转月收益率流动性月换手率股票权重流通市值加权 ICIR6.70% -24.88% 56.23%1.000.27 调仓频率每月初第一个交易日调仓手续费买卖各0.15%max_IC7.50% -27.52% 57.33%1.32 0.27 max_ICIR 6.85% -22.54% 57.14%0.900.30 资料来源：万得资讯，中金公司研究部图表 10: 以

21、基础 alpha 因子集作为待合成因子，不同加权方式收益曲线木桶加权拥有最高的年化收益Jan-10Jan-11Jan-12Jan-13Jan-14Jan-15Jan-16Jan-17Jan-18Jan-19Jan-204.003.503.002.502.001.501.000.500.00-0.50-1.00木桶加权等权回归加权IC加权ICIR加权MAX_ICMAX_ICIR注：回测区间为 2010-01-01 至 2020-08-31资料来源：万得资讯，中金公司研究部木桶加权的潜在问题木桶加权的权重来源于优化问题的最优解，不可避免地，其存在优化问题求解时的两个潜在问题：（1）部分时期权重过于

22、集中；（2）结果易受异常值影响。部分时期权重过于集中的原因在于，木桶加权寻求的是全局下限（历史 IC 最小值）的最优化，因此其最优解倾向于超配对全局下限有显著影响的元素。换句话说，权重倾向于集中在历史 IC最小的几期中，IC 值较高的几个因子上面。结果易受异常值影响的原因在于，木桶加权以优化问题的解作为加权权重，其权重具备 “边界值”的属性，而诸如 IC 加权、ICIR 加权等加权方式，其权重具备“平均值”的属性，“边界值”相比“平均值”更容易受异常值的影响。举例来说，14 年 11、12 月份小市值因子出现短暂的较大负 IC 值，因此在 15 年，如果使用木桶加权进行因子合成，为了最大化合成

23、后因子 IC 序列的最小值，必然会低配小市值因子以抬升合成因子在 14 年底的 IC 值，而小市值因子在 15 年上半年恢复了有效性，从而使木桶加权合成后的因子在 15 年上半年表现不佳。而如果使用 IC 加权等“平均值”性质的加权方式，由于其权重为过去 n 期 IC 的平均值，会减弱单期异常 IC 值对最终权重的影响。图表 11: 木桶加权部分时期权重过于集中图表 12: 14 年底市值因子反转对木桶加权 15 年影响较大 部分时期因子权重较为集中注：使用BARRA风格因子集作为待合成因子14年底小市值因子的异常IC使木桶加权在15年上半年表现不佳注：使用BARRA风格因子集作为待合成因子J

24、an-10 Jan-11 Jan-12 Jan-13 Jan-14 Jan-15 Jan-16 Jan-17 Jan-18 Jan-19 Jan-20120%0.45100%0.400.3580%0.3060%40%20%0.250.200.150.100.050%Jan-10 Jan-11 Jan-12 Jan-13 Jan-14 Jan-15 Jan-16 Jan-17 Jan-18 Jan-19 Jan-20 权重前6因子占比之和(共16个因子)0.00-0.05 木桶加权相对基准超额收益率 资料来源：MSCI，中金公司研究部资料来源：MSCI，中金公司研究部潜在问题的改进途径权重过于集

25、中的问题可以通过加入二阶正则项来解决。为在一定程度上降低优化后结果的集中度，我们在目标函数中加入权重的平方和作为惩罚项，即将优化函数写为： = min ( ) () 2. . 0, = 1其中为惩罚系数，为待合成因子个数。在该目标函数下，当权重集中度较高时， 2一项取值会较大，从而对目标函数产生负向贡献。最终优化出的权重会是 IC 下界与权重集中度之间的权衡，权衡的偏离朝向取决于的大小。我们测试了不同取值下，木桶加权的收益表现以及权重集中度变化。从结果看，随着取值的增大，因子权重集中度逐渐下降，且当取值不太大时，加权后因子的年化收益率和相对 Calmar 比率会有小幅提升，但当取值过大时，由于

26、最终解偏离理论最优解过远，加权后因子的年化收益率会显著下降。因此，建议投资者在实际应用中选取较小或适中的惩罚系数，可以在一定程度上降低权重集中度，同时提升收益和尾部风险控制效果。图表 13: 加入适当的二阶正则项惩罚可以降低权重集中度，同时提升收益与回撤控制效果是否对权重集中度进行惩罚年化超额收益率相对最大回撤月度胜率IRCalmar (相对)权重前6因子平均占比之和(共16个因子)表现总结不惩罚(对照组)03.43%-11.33%55.91%0.740.3083.87%-集中度基本不变较小惩罚0.013.87%-10.81%59.84%0.820.3681.55%收益提升，相对Calmar比

27、率上升，权重收益提升，相对Calmar比率上升，权重集中度有一定下降70.23%-10.53%56.69%0.770.343.61%适中惩罚 0.05较大惩罚0.13.06%-9.81%59.06%0.660.3151.92%收益下降，相对Calmar比率上升，权重注：以 BARRA 风格因子集作为待合成因子，回测区间为 2010-01-01 至 2020-08-31集中度显著下降资料来源：MSCI，中金公司研究部异常值影响可以通过提升 IC 序列稳定性和降低目标函数对单期敏感度来解决。对异常值影响的处理有两种思路，一是从异常值本身入手，让异常值不再那么“异常”；二是从模型层面入手，让异常值对

28、模型不再那么“有影响”。在木桶加权中，我们认为因子历史 IC出现短期剧烈反向的时期为异常值，那么我们可以通过一些时间序列的平滑处理方式，如移动平均、n-sigma 去极值等，或通过截尾/缩尾等尾部数据处理方式，如 IC=maxIC, 0等，对异常值进行平滑处理。另一方面，当前木桶加权的目标函数为最大化“历史 IC 序列最小值”，如果出现异常值，则异常值对最优解的影响为 100%，那么我们可以将目标函数修改为最大化“历史 IC 序列最小两个值的平均”，此时若出现异常值，则异常值对最优解的影响降为 50%，即降低了目标函数对单期异常值的敏感度。我们从降低目标函数对单期敏感度的角度进行了回测。从回测

29、结果看，目标函数对单期 的敏感度越低，异常值对合成因子未来收益的影响越低（以 15 年上半年超额收益来度量），但同时求解出的权重偏离理论最优解的程度也越高，使得合成因子在全时段的超额收益 和回撤控制效果也略微下降。因此我们建议在实际运用中根据对异常值的容忍度来设置 适当的目标函数，在年化收益和异常值影响之间做出权衡。图表 14: 降低目标函数对单期敏感度可以降低异常值影响，但会损失一定年化收益对单期取值的敏感度目标函数年化超额收益率相对最大回撤月度胜率IRCalmar (相对)15年上半年超额收益表现总结完全敏感最大化“历史IC序列最小值”3.43%-11.33%55.91%0.740.30-

30、0.75%-敏感度较高 最大化“历史IC序列最小值2.86%*0.75+次小值*0.25”-10.47%56.25%0.660.270.66%收益和回撤控制效果降低，异常值对未来收益影响小幅降低敏感度适中 最大化“历史IC序列最小值2.38%*0.5+次小值*0.5”-11.90%56.25%0.560.201.10%收益和回撤控制效果降低，异常值对未来收益影响小幅降低敏感度较低 最大化“历史IC序列最小值2.62%-9.15%55.47%0.60.293.29%收益和回撤控制效果降低，异常值对未来*0.25+次小值*0.75”收益影响显著降低注：以 BARRA 风格因子集作为待合成因子，回测

31、区间为 2010-01-01 至 2020-08-31资料来源：MSCI，中金公司研究部敏感性测试在本章节，我们对木桶加权展开敏感性测试，包括两部分内容：参数敏感性测试和因子集相关度敏感性测试。参数敏感性测试木桶加权仅涉及一个参数：历史回溯期数 T。我们测试了不同历史回溯期下木桶加权因子表现。从结果看，当9 24时，合成因子的表现差距不大，即对参数不敏感。但当 24，即回溯期特别短或特别长时，合成因子的表现会显著下降。分析其原因，当回溯期特别短时，对因子历史表现信息的利用不足，从而容易造成合成后因子的表现不够稳定；当回溯期特别长时，我们在前文介绍过，木桶加权的权重具有“边界值”的特性，回溯期越

32、长，可能有更多的异常值对边界产生影响，损害合成后因子表现。因此，我们建议选取适中的历史回溯期，若选择较长的历史回溯期，可以搭配使用上一章节介绍的异常值影响缓释措施。图表 15: 木桶加权对取值适中的 T 不敏感，但 T 特别小和特别大时表现下降明显T=6以及T=36时，木桶加权效果明显变差从上至下 T= T= T= T= T= T= T=Jan-10Jan-11Jan-12Jan-13Jan-14Jan-15Jan-16Jan-17Jan-18Jan-19Jan-20注：使用BARRA风格因子集作为待合成因子1.201.0012150.809240.6018360.4060.200.00-0.

33、20-0.40-0.60T=6T=9T=12T=15T=18T=24T=36注：回测区间为 2010-01-01 至 2020-08-31资料来源：MSCI，中金公司研究部因子集相关度敏感性测试木桶加权作为一种控制尾部风险的加权方式，其应用效果依赖于待合成因子自身的相关性。简单来说，如果待合成因子之间相关性均很高，我们便无法通过配置权重来实现合成后因子历史 IC 下界的提升，即无法实现尾部风险控制的目的。仍以图表 5 中的模拟因子为例，我们只保留完全正相关的因子 1、2、3，去除与其负相关的因子 4，此时木桶加权结果会全部配置所有因子表现均最差的一期（第 2 期）中，表现最好的因子 1.为了更

34、清晰地说明这一点，我们选取相关性较高的 5 个成长因子作为待合成因子，测试不同加权方式下合成后因子表现。从结果看，木桶加权并没有表现出显著超额收益，特别地，反映尾部风险控制效果的相对 Calmar 比率要低于其它部分加权方式。也就是说，木桶加权对因子集相关度较为敏感，其不适合应用在相关性较高的因子集之中。由于成熟的多因子模型均会对待合成因子进行相关性筛选，因此可以期待木桶加权在成熟多因子模型中有较好的应用效果。图表 16: 高相关性破坏木桶加权逻辑权重仅受第2期影响，100%配置第2期表现最好的因子1时期因子1因子2因子3因子412.0%1.0%2.0%2.0%21.0%0.5%0.0%3.0

35、%33.0%1.5%4.0%1.0%41.0%0.5%0.0%3.0%53.0%1.5%4.0%1.0%木桶加权权重100%00资料来源：中金公司研究部图表 17: 以相关性较高的成长因子作为待合成因子集，木桶加权表现平平木桶加权相对Calmar成长因子集回测参数不同加权方式表现比率并非最高加权方式年化超额收益率相对最大回撤月度胜率IRCalmar(相对)木桶加权5.03%-28.69%63.28%1.200.18因子回测参数参数值因子集成长因子集营收(TTM)同比增长率回测时段2010-01-01至2020-08-31选股池中证500等权4.93%-26.54%61.72%1.180.19选股数量 100回归加权0.03%-24.97%46.88%0.010.00净利润(TTM)同比增长率组合构建中行业+市值中性IC2.67%-19.94%53.91%0.640.13ROE(TTM)同比增长率股票权重流通市值加权ICIR4.57%-22.83%60.16%1.100.20调仓频率每月初第一个交易日调仓max_IC3.02%-21.36%53.91%0.730.14每股净资产同比增长率手续费买卖各0.15%max_ICIR3.13%-21.34%54.69%0.750.15毛利润(TTM)同比增长率性化处理资料