量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。
Combining Factors
Christoph Reschenhofer (Vienna University of Economics and Business) / July 2022
学术文献主要通过组合收益对因子收益的回归来确定因子暴露，业界则主要使用打分法构建因子组合。本文主要研究如何组合多个因子获得最优的投资组合，作者发现通过多因子构建的组合相比市场组合及单因子组合，有更低的波动及更高的收益。而且组合的收益、风险及换手率对于买卖的阈值特别敏感。作者还尝试了多种确定因子权重的方法。但不得不承认，对于更复杂的方法，简单的等权法已经能够提供很好的效果。Managing the Market Portfolio
Fabian Hollstein (Saarland U.) and M. Prokopczuk (Leibniz Universität Hannover) / January 2022
本文分析了基于时序信号的策略与截面因子策略之间的相关性。本文使用大量的金融、宏观经济和技术指标对市场投资组合进行时间序列管理。基于所有指标的样本外的收益预测构建市场组合，该组合相对于横截面子模型每年有超过5%的超额收益。时间序列指标的组合收益与因子组合的关系是弱正的，但很复杂。本文证明，基于时序指标的策略构建市场投资组合也能获得良好的表现。Multifactor Funds: An Early (Bearish) Assessment
Javier Estrada (IESE Business School) / June 2022
多因子基金能够提供风险分散，它们使得投资因子成为可能。这已成为提高投资组合长期风险调整收益的典型方式。它们提供了对多个因子的敞口，从而实现了多样化。但是这些产品有什么缺点呢?对，就是它们的收益。尽管历史记录有限，但目前针对美国、全球、国际和新兴市场的多因子基金的证据表明，在回报、风险调整后的回报和下行保护方面，这些产品在很大程度上未能超过全市场、市值加权指数或跟踪它们的低成本ETF。Machine Learning Goes Global: Cross-Sectional Return Predictability in International Stock Markets
Nusret Cakici (Fordham university), et al. / June 2022
本文研究了46个国际股票市场的机器学习收益可预测性。我们计算了148个股票特征，并使用它们来满足不同模型的要求。算法主要从简单而流行的因子类中提取可预测性，如动量、反转、值价值和规模。所有的模型都产生了可观的经济收益；然而，将它们结合起来被证明是特别有效的。全球价值加权预测组合策略每月收益1.51%，年化夏普比率为1.49。尽管总体上具有稳健性，但机器学习的性能在不同的模型、国家和公司规模环境中存在很大差异。这种策略在小型股，以及有许多上市公司和高风险限制套利的市场上最有效。US Structural Drivers of International Portfolio Returns
Bosung Jang (Korea Capital Market Institute), et al. / July 2022
本文研究了Fama-French五因子和动量因子对美国经济三种冲击的动态反应：增长、货币政策和风险溢价冲击。结果表明，尽管市场组合和SMB风格对好消息的反应是积极的(对负面冲击的反应是消极的)，但其余因子对负面冲击的反应是消极的。在国际上，这些因子对世界范围内同样的冲击的反应可能各不相同。通过将风险与收益对应起来，我们的工作为详细探索股票超额收益的结构性驱动因素铺平了道路。Non-Standard Errors in Asset Pricing: Mind Your Sorts
Amar Soebhag (Erasmus University Rotterdam), et al. / June 2022
本文研究了不同的因子设计在构建资产定价因子中的重要性。通过对每个因子进行超过250个不同版本的数据挖掘，我们发现，由于不同的构建选择，一个因子的夏普比率表现出很大的变化，这导致了相当大的非标准错误，并允许p-hacking。我们的研究对模型选择有重要的意义。论文打包带走！！！
