量化投资 | 因子投资前景广阔

当前市场环境下，因子投资策略具有广阔的发展前景。首先，近期的实证研究可以有效帮助量化投资者从中发现许多信号，这些信号相较价值、质量、动量和低风险这类传统因子展现出更快的溢价效应。短期逆转、短期行业动量便是一个很好的例子，它们的回溯期仅为一个月。

这类快速信号通常会被投资者所忽视，因为投资者担心它们所带来的回报无法抵消交易成本。但我们认为，通过结合多个短期信号、限制股票池为流动股，以及使用降低成本的交易规则，能够克服这一挑战。通过高效的实施，短期信号可以提供强大的净超额回报潜力，使投资者拓展有效边界。

近年来，另类数据的快速发展成为关注重点，为“下一代”因子投资提供了令人兴奋的机会。经典因子主要来源于股票价格和从财务报表中提取的信息。其他常用的数据包括分析师预测以及在其他市场观察到的价格，如债券、期权和做空市场。

同时，另类数据的来源包括金融交易、传感器、移动设备、卫星、公共记录和互联网等等。文本数据，如新闻报道、分析师报告、财务业绩发布会记录、客户产品评论或员工公司评论，这些均可以使用自然语言处理技术转换为量化的信号。

所有这些数据不仅可以用于创建新因子，还能用来强化现有因子。例如，传统价值因子因仅包括资产负债表上的有形资产而受到批评，而现在许多公司更多拥有的是无形资产，如知识资本、品牌价值或网络价值。另类数据能弥补类似不足，举例来说，投资者可以考虑使用专利数据来估算知识资本的价值。

除了大数据革命，计算能力也出现了爆发式增长。这让量化投资者得以超越基本投资组合分析或线性回归，从而应用算力需求更高的机器学习(ML)技术，如随机森林（Random Forests）和神经网络（Neural Networks）。这些技术的主要优势在于其可揭示非线性和交互效应。

近期研究报告称，在“因子动物园”（Factor Zoo）中应用机器学习可以实现显著的表现提升。但也存在挑战。例如，机器学习模型的换手率可能过高，因为这些模型训练通常是为预测下一个月度回报，以得到足够的独立观察。此外，机器学习模型所得结果的可解释性并不直接。

因此，尽管机器学习有潜力进一步推动因子投资的前沿发展，但仍需要克服各种挑战。