“该策略投资于S&P BSE 200指数成分股。每月末，计算每只股票t-3月份的账面价值与t-1月份市场价格的比率，并使用z分数进行标准化处理。对于负值，按照公式进行转换。然后，将所有股票按z分数排序为十分位组，买入z分数最低的前十分位组（账面市值比最低的股票），并每月重新平衡。”
资产类别：股票 | 地区：印度 | 频率：月度 | 市场：股票 | 关键词：低价值，因子，印度
策略概述
投资范围包括S&P BSE 200指数成分股。首先，在每个月底，计算每只成分股t-3月份的账面价值与t-1月份的市场价格的比率。其次，使用z分数对计算得到的账面市值比进行标准化。为了处理负值，按照公式2进一步对z分数进行转换（如果z分数大于或等于0，则取1加上z分数；如果z分数为负，则取1除以1减去z）。第三，根据z分数将所有股票排序为等权重的十分位组，z分数最低的股票在前十分位组。买入最低十分位组（账面市值比最低的股票），并每月重新平衡。
策略合理性
账面市值比（BM比率）比较了公司账面价值相对于其市值的比率。BM比率越高，被分析公司的基本面越便宜。具有高BM比率的公司，即价值股，在熊市中应该表现优于其他公司，因为投资者在不确定时期寻求安全性。相反，在由低利率推动的牛市中，正如过去十年所见，价值股表现欠佳，而成长股表现优异。
论文来源
Long Only Factor Portfolios in India [点击浏览原文]
- Rajan Raju, Invespar Pte Ltd,
- Anish Teli, QED Capital Advisors
<摘要>
我们展示了从印度前200只股票中构建的月度重新平衡、等权重的仅多头赢家投资组合，这些投资组合基于支撑动量、低波动率和质量的流行因子的系统规则，在研究期间产生了阿尔法。我们观察到，所有风格策略的市场敞口都显著，这使得策略之间的相关性远高于学术因子回报的相关性。我们为某些因子引入了替代计算方法，并发现并非所有因子策略的实现方式都相同，并非所有策略的换手率都很高。实际上，像低波动率和质量这样的策略显示出相对较低的换手率。因子敞口的持久性随时间变化因策略而异，在实施因子风格策略时应考虑持久性。我们还发现，因子的规模和行业偏好是动态的，这可能会减少预期的多样化收益。最后，我们展示了动量、低波动率和质量策略的阿尔法在现实世界的实施成本下仍然有效。
回测表现
| 年化收益率 | 16.47% |
| 波动率 | 22.65% |
| Beta | 0.142 |
| 夏普比率 | 0.73 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | 88% |
完整python代码
from AlgorithmImports import *
from datetime import datetime
import data_tools
# endregion
class LowValueFactorInIndia(QCAlgorithm):
def Initialize(self):
self.SetStartDate(2006, 1, 1)
self.SetCash(100000)
self.leverage:int = 5
self.quantile:int = 10
self.max_missing_days:int = 5
self.PB_data:dict = {}
self.data:dict[str, data_tools.SymbolData] = {}
self.market:Symbol = self.AddEquity('SPY', Resolution.Daily).Symbol
# load price to book values
csv_string_file:str = self.Download('data.quantpedia.com/backtesting_data/equity/india_stocks/price_to_book.csv')
lines:list = csv_string_file.split('\r\n')
tickers_with_PB_values:list = lines[0].split(';')[1:]
for line in lines[1:]: # skip header
if line == '':
continue
line_split:list = line.split(';')
date:datetime.date = datetime.strptime(line_split[0], '%Y-%m-%d').date()
# init dictionary for this date
self.PB_data[date] = {}
length = len(line_split[1:])
for i in range(length):
PB_value:float = float(line_split[i + 1])
if PB_value != 0:
ticker:str = tickers_with_PB_values[i]
self.PB_data[date][ticker] = PB_value
# subscribe india stocks
csv_string_file:str = self.Download('data.quantpedia.com/backtesting_data/equity/india_stocks/india_nifty_100_tickers.csv')
lines:list = csv_string_file.split('\r\n')
for line in lines[:99]:
line_split:list = line.split(';')
for ticker in line_split:
# subscribe india stock
security:Security = self.AddData(data_tools.QuantpediaIndiaStocks, ticker, Resolution.Daily)
security.SetFeeModel(data_tools.CustomFeeModel())
security.SetLeverage(self.leverage)
india_stock_symbol:Symbol = security.Symbol
self.data[ticker] = data_tools.SymbolData(india_stock_symbol)
self.selection_flag = False
self.Schedule.On(self.DateRules.MonthEnd(self.market), self.TimeRules.BeforeMarketClose(self.market), self.Selection)
def OnData(self, data: Slice):
curr_date:datetime.date = self.Time.date()
if curr_date in self.PB_data:
PB_values:dict[ticker, float] = self.PB_data[curr_date]
for ticker, PB_value in PB_values.items():
self.data[ticker].update_PB_value(PB_value)
# rebalance monthly
if not self.selection_flag:
return
self.selection_flag = False
book_to_market:dict[Symbol, float] = {}
all_book_to_markets:list = []
for _, symbol_obj in self.data.items():
if not symbol_obj.is_ready():
continue
india_stock_symbol:Symbol = symbol_obj.india_stock_symbol
if self.Securities[india_stock_symbol].GetLastData() and (self.Time.date() - \
self.Securities[india_stock_symbol].GetLastData().Time.date()).days < self.max_missing_days:
curr_PB_value:float = symbol_obj.PB_value
book_to_market_value:float = 1 / curr_PB_value
all_book_to_markets.append(book_to_market_value)
book_to_market[india_stock_symbol] = book_to_market_value
# clear stocks PB_value for last month
symbol_obj.clear_PB_value()
# make sure there are enough stocks for selection
if len(book_to_market) <= self.quantile:
self.Liquidate()
return
# z-score calculation
z_score:dict[Symbol, float] = {}
mean_book_to_markets:float = np.mean(all_book_to_markets)
std_book_to_markets:float = np.std(all_book_to_markets)
# z-score transform
z_score:dict[Symbol, float] = {symbol:((value - mean_book_to_markets) / std_book_to_markets) for symbol, value in book_to_market.items()}
z_score_transform:dict[Symbol, float] = {symbol : (1+z) if z >= 0 else (1/ (1-z)) for symbol, z in z_score.items()}
quantile:int = int(len(z_score_transform) / self.quantile)
sorted_by_z_score:list[Symbol] = [x[0] for x in sorted(z_score_transform.items(), key=lambda item: item[1])]
# Buy the bottom decile (stocks with the lowest book-to-market ratios)
long_part:list[Symbol] = sorted_by_z_score[:quantile]
long_part_length:int = len(long_part)
# trade execution
invested:list[Symbol] = [x.Key for x in self.Portfolio if x.Value.Invested]
for symbol in invested:
if symbol not in long_part:
self.Liquidate(symbol)
for symbol in long_part:
self.SetHoldings(symbol, 1 / long_part_length)
def Selection(self):
self.selection_flag = True
