“该策略变体聚焦于大型美国股票，通过基于预期回报的分位数排序构建投资组合，投资组合1（5）包含预期回报最低（最高）的资产。最终的多空组合（H-L）从高回报和低回报投资组合中构建，买入高均值证券，卖出低均值证券，按市值加权并每月重新平衡。”
资产类别：股票 | 地区：美国 | 频率：每月 | 市场：股票 | 关键词：回报，投资组合
策略概述
该策略的变体考虑了大型美国股票（高于NYSE中位数）进行投资组合的构建。我们采用基于预期回报的一维排序，将股票按回报排序为分位数投资组合，其中投资组合1（5）包含预期回报最低（最高）的资产（基于10年滚动窗口，每月底根据回报进行排序）。未来的投资组合将尽可能在公司特征上与样本内投资组合相似。（特征相似性通过特征向量的欧氏距离来衡量，具体框架如图1所示。）
最终的投资组合是从投资组合5（高回报）和投资组合1（低回报）中构建的多空组合（H-L）：通过买入高均值证券并卖出低均值证券的五减一多空组合是有利可图的，因为利用所有信号，它会重复包含平均上买入高均值（卖出低均值）证券。
所有投资组合按市值加权并每月重新平衡。
策略合理性
这篇论文对大数据资产定价、机器学习方法在资产定价中的应用以及高维回报可预测性文献做出了贡献。该论文为解决因子过多问题提供了一个简单而强大的解决方案。为了进行研究，他们基于过去样本集中的分位数投资组合中股票的实现回报对股票进行排序。其次，他们构建了样本外投资组合，使得样本外投资组合的206个特征尽可能类似于样本内投资组合的特征，这些特征都是基于价格的预测因子。样本外投资组合在股票回报横截面上产生了较大的差异性。特质风险、动量、过去的最大回报、接近历史高位的股票价格以及基于现金的经营盈利能力解释了大部分股票回报横截面的变化。
论文来源
Essence of the Cross Section [点击浏览原文]
- Sina Seyfi，阿尔托大学商学院
<摘要>
我开发了一种方法，用于识别预期回报的最强决定因素，可能存在无限的回报预测因子。与其按特征对股票进行排序，我根据过去每个月的实现回报——感兴趣的变量——将股票按投资组合排序，并找到每个投资组合中资产的每个特征的平均值。然后，我创建了样本外投资组合，使其在206个特征上与回报排序投资组合尽可能相似。低均值和高均值股票的特征差异决定了预期回报差异的来源。我发现基于价格的特征是最强的预测因子。
回测表现
| 年化收益率 | 8.47% |
| 波动率 | 10.6% |
| Beta | N/A |
| 夏普比率 | 0.8 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | N/A |
