【Introduction】
- 本策略给出利用标准的CAPM风险模型通过因子暴露做指数增强的模板，策略构建相对于某种特定风格因子的最小风险组合权重，亦可扩展为构建多因子线性叠加下的最优组合权重。因子数据来源于Join quant新开放的通联数据接口Tushare，原理性分析请参考投资研究。
【Tushare数据】
Tushare数据接口简单易用，其登陆需要token，可采用如下的方式
import tushare as ts
- ts.set_token('714a0f7c9e8b05df2f7b7c931a53e3fb06f42bb04ae2b8cf32704b542bd5f291')
- mkt = ts.Market()
- factorData = mkt.StockFactorsOneDay(tradeDate='',secID='')
基于CAPM风险因子暴露的$Smart \ \beta $指数增强策略¶
【$Smart \ \beta $】¶
- 指数投资产品在市场上逐渐占据越来越多的份额和地位，如ETF、分级基金等，这些指数基金有着重要且多样的投资价值。故名思议，指数产品就是投资标的池为某个指数的成分股。那么，具体如何投资这些指数呢？
- 通常会有两类投资指数的方式：
- 被动型指数跟踪：试图完全跟踪指数，不追求超额收益，收益完全来自于$\beta $
- 增强型指数跟踪：在跟踪指数的同时，追求一定的超额收益，$smart \ \beta $就是用来寻找这个超额收益
- 由于股票池就是投资标的的成分股，所以$smart \ \beta $用来寻找优于标的权重组合
【因子特征组合】¶
资产有很多属性，例如贝塔、预期收益率、市盈率、市值等,通常称为因子。每个股票对应于某个因子都有特定的数值，这个数值我们称之为股票在该因子中的暴露度。从线性空间的角度，因子即代表了某种维度，而因子的暴露度就代表了股票在这个维度上的映射数值。
假设股票池 $\mathbf{s}$ = [$s_1$,$s_2$,...,$s_n$]，因子 $\mathbf{a}$ = [$a_1$,$a_2$,...,$a_n$] 是相应股票对应的因子暴露度。通过条件优化，可构建一个资产组合 $\mathbf{p}$ = [$w_1$,$w_2$,...,$w_n$]，使$\mathbf{p}$对于该属性的暴露度为某种设定值$c$，即：$\sum_{i=1}^n a_iw_i = c$，这样能使资产组合权重精确的偏向于某种风格因子，获取这种风格因子的超额收益。
依CAPM模型，将风险定义为超额收益率的年化标准差，变量声明如下：
- $\mathbf{w}$：风险资产的头寸权重，即组合在每只风险资产上的投资权重；
- $\mathbf{V}$：风险资产超额收益率间的协方差矩阵；
- $\mathbf{a}$：风险资产的因子数据
可以将因子特征组合求解简单描述成以下QP问题：
- min $\mathbf{w}^T\mathbf{V}\mathbf{w}$
- s.t. $\mathbf{w}^T\mathbf{a} = 1$
针对任意定义的因子 $\mathbf{a}$，都可通过求解上述QP问题获得指数偏向于该风格因子的Smart $\beta $资产组合。
【风格因子】¶
昨天社区上线了新功能：回测/模拟中可以访问网络,并能从Tushare库上拿数据。Tushare背靠通联数据海量的数据商城接口，意味着接入Tushare库的话在Join quant也可以拿到优矿DataAPI中的海量数据（可直接在策略模板中引入Tushare的第三方库，利用token登陆，不过有的数据用tushare接口获取需要付费）。
本文构建了上述QP问题通用的handler类库，并测试了通联因子“FinancingCashGrowRate”特征组合的表现。
