關於因子擇時，思路雖然是多樣的但是總結下來無非是兩個大方向。
第一個方向是「外生變量方法」。在這個方向，我們的核心想法是基於收益分解原理，將市場的盈利波動和估值波動進行分離，通過「利率-信用-波動率」三因素模型來捕捉盈利波動帶來的因子輪動機會，通過基於「股息率-國債收益率」的風險溢價時鐘來捕捉估值波動帶來的因子輪動機會。
第二個方向是「內生變量方法」。正如我們在挑選個股的時候，不僅要看宏觀環境，還要看股票的走勢，股票的估值水平以及股票的交易熱度來決定我們是否入場。因此在多因子模型的情境裡面，除了根據外生變量方法來判斷因子的長期趨勢，我們還需要觀察因子的特質信息來進行精細化的因子選擇。
本篇報告我們將系統性地給出因子擇時的三個重要標尺：因子動量、因子離散度以及因子擁擠度。在最終的融合策略中我們可以看到在傳統的因子動量配置方案中加入因子離散度和因子擁擠度的信息後，因子配置策略將會有質的改變。
因子動量：時序動量 vs 橫截面動量
我們從橫截面和時間序列兩個方面考察因子收益的動量特徵。首先，通過時序動量分析，我們希望解答的問題是：因子過去的表現能否用於預測因子未來的收益？從結果來看，因子表現具有短期動量、長期反轉的時序特徵，其中6-12個月的動量效應最強，48個月的反轉效應最強。
通過橫截面動量分析，我們希望解答的問題是：一個因子最近的表現比另外一個因子好，這種優勢在未來能否持續？從結果來看，因子具有普遍的橫截面動量效應。
進一步的，我們將時序動量效應和橫截面動量效應放在一起來進行綜合考慮，我們容易發現當N=12時，時序動量效應和橫截面動量效應恰好達到了最佳的平衡，所以我們常用的「以過去12個月ICIR加權」這種方式看似隨意而為，但實際上恰好符合了時序因子動量效應以及橫截面因子動量效應的特點。
我們設計了基於因子動量的因子配置策略。從回測結果來看，相比於因子等權配置，基於因子動量的因子配置策略充分利用因子的混合動量效應，在不提高組合跟蹤誤差的情況下，明顯地提高了組合的年化超額收益、相對勝率和信息比率，同時大幅降低了組合回撤的風險。
因子離散度：資產定價無效後的均值回復
以PB-ROE模型為例，我們可以發現，當ROE的因子離散度大於PB的因子離散度時，ROE因子將主導市場風格而PB因子將出現階段性的失效。如果一個因子的離散度較高，那麼這個因子將更有可能成為資產的定價核心，從而主導市場風格。因子離散度有效的核心邏輯在於資產定價在極度無效後會出現均值回復。
我們根據某一個因子在行業內對個股進行分組，計算每個行業內多空兩端的因子原始值差異，最後將所有行業的因子差異進行算術平均，得到最終的因子離散度。由於不同因子的量綱不完全可比，我們以過去72個月的數據對因子離散度進行標準化，標準化後的因子離散度具有橫向可比性。
從橫截面維度來看，我們每個月按照因子離散度將因子分為五組，以此來觀察因子離散度的橫截面選因子能力。總的來說，高離散度的因子未來具備更好的收益區分能力同時也能帶來更高的組合信息比率。
從回測結果來看，基於因子離散度的因子配置策略的年化超額收益為12.7%，相對最大回撤僅為5.8%，相對勝率為77.3%，信息比率為2.11。相比於因子等權方案，因子離散度配置方案大幅降低了組合的最大回撤，提高了組合的相對勝率。
因子擁擠度：識別過度擁擠的危險因子
近年來，因子擁擠度這個概念在海外非常熱門，很多海外機構也定義出了自己的一套因子擁擠模型。但是筆者發現，許多海外定義的因子擁擠模型在A股市場出現了明顯的水土不服問題。
因此，我們基於A股市場的特徵，完全從「交易數據」的出發，構建了國盛金工的因子擁擠模型。我們用因子分組下的多空換手率比率、多空波動率比率以及多空beta比率三者的綜合打分作為最終的因子擁擠度。
從圖表44來看，我們可以發現當ROE因子多空兩組的換手率比率、波動率比率以及beta比率處於高位時，一般意味著ROE因子已經處於行情的尾聲。從橫截面維度來看，我們每個月按照因子擁擠度將因子分為五組，以此來觀察因子離散度的橫截面選因子能力。從結果來看，因子擁擠度越高，因子未來表現越差。另外，因子擁擠度識別「差因子」的能力強於識別「好因子」的能力。
從回測結果來看，基於因子擁擠度的因子配置策略的年化超額收益為13.8%，相對最大回撤僅為8.3%，相對勝率為76.3%，信息比率為2.33。與因子等權配置相比，基於因子擁擠度的配置策略既提高了組合收益，也降低了組合回撤風險，同時還大幅提高了組合的勝率。
信號融合與動態因子策略
在做信號融合之前，我們需要考察三個指標之間的相關性，如果指標之間高度正相關，那麼因子離散度和因子擁擠度並不能提供增量信息。根據2011-2019年的數據，我們發現因子動量指標與因子離散度和因子擁擠度指標呈現輕微的負相關性，而因子離散度和因子擁擠度指標的相關性基本上為零。
基於因子動量、因子離散度和因子擁擠度，我們可以分別得到三種大類因子配置的權重，Bottom-Up融合策略的最終權重定義為這三種配置方案的算術平均。從策略表現來看，Bottom-Up融合策略相比於因子等權策略，無論在收益、回撤、勝率和信息比率上均有大幅的提升。
因子擇時的必然結果是策略換手率的提升，出於交易成本的考慮，我們測算了前面每一個因子配置策略的換手率。從結果來看，基於三個指標或者三個指標的融合進行因子配置並沒有顯著提高組合的換手率。
根據三個擇時指標的信號，融合策略每年的大類因子配置權重如下。如圖所示，融合策略會根據當年的因子動量、因子離散度和因子擁擠度動態地調整大類因子配置的權重。如2014年超配了規模因子和反轉因子，2017年超配了價值因子、盈利因子和低波因子。
風險提示：以上結論均基於歷史數據和統計模型的測算，如果未來市場環境發生明顯改變，不排除模型失效的可能性。
本文節選自國盛證券研究所於2019年3月11日發布的報告《因子擇時的三個標尺：因子動量、因子離散度與因子擁擠度》，本文僅供交流學習使用，不構成任何投資建議。（完）
聯繫方式：