因子相关性与横截面资产回报：OWL估计器在量化投资中的应用-华安证券研报
本文研究因子间相关性对因子筛选的影响，提出OWL（有序加权LASSO）模型提升组合表现。在80个因子中，64%的因子间相关系数大于0.5。实证表明，OWL有效识别市场因子显著性，样本外对冲组合夏普比率最高，且收益率分布更接近正态。
报告摘要
本文研究因子间相关性对因子筛选的影响，提出OWL（有序加权LASSO）模型提升组合表现。在80个因子中，64%的因子间相关系数大于0.5。实证表明，OWL有效识别市场因子显著性，样本外对冲组合夏普比率最高，且收益率分布更接近正态。
核心要点
- 高维因子相关性挑战
- OWL估计器理论特性
- 实证表现
报告信息
- 文件全名
- 《“学海拾珠”系列之一百六十一：因子间相关性与横截面资产回报-华安证券》
- 适合读者
- 核心数据
- 80个因子中64%相关系数>0.5, 样本外夏普比率最高, 市场因子显著识别
- 核心议题
常见问题
《因子相关性与横截面资产回报：OWL估计器在量化投资中的应用-华安证券研报》主要包含哪些内容?
本文研究因子间相关性对因子筛选的影响，提出OWL（有序加权LASSO）模型提升组合表现。在80个因子中，64%的因子间相关系数大于0.5。实证表明，OWL有效识别市场因子显著性，样本外对冲组合夏普比率最高，且收益率分布更接近正态。核心数据:80个因子中64%相关系数>0.5, 样本外夏普比率最高, 市场因子显著识别。
这份报告由哪家机构发布?
本报告由华安证券发布,发布于 2023 年。
这份报告覆盖哪一年、篇幅多大?
覆盖 2023 年,全文约 23.0。
这份报告是免费的吗?如何获取?
本报告为付费报告,可在资料宝站内下单后获取完整内容。
这份报告适合哪些读者?
适合量化研究员、投资经理、金融学者等读者参考。
报告涉及哪些关键议题?
重点分析了金融投资、因子相关性、量化投资中、OWL等议题。
继续阅读
查看全部 →