股票|获取更稳健的收益：趋势策略与因子选股的结合因子|量化投资|组合|价值|风险

量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，连续2年被腾讯云+社区评选为“年度最佳作者” 。
作者：Mark E. Ricardo 编译：1+1=6
前言
为了追求长期的超额收益，投资者们经常结合使用进攻和防守的策略。其中进攻端一般采用质量、价值、动量及低波动的因子以获取长期优于市场的回报。但是这些策略一般都具有较大的波动和回撤，这对于风险偏好较谨慎的投资者很难接受。
然后，将基于这些因子的策略与防守为主的多指标趋势跟踪策略结合，可以显著的降低风险，提供更稳定的风险调整后收益。
像任何一支伟大的运动队一样，投资者需要打好进攻和防守才能获胜。通过结合基于因子的选股的进攻策略和多指标趋势跟踪的防御策略，投资者可以做到这一点。这种组合策略的目标是通过优质的股票选择产生长期优于市场的回报，同时通过使用强劲的趋势跟踪策略显著降低下行风险。
在本文中，我将演示如何将这种以防守为中心的趋势跟踪策略与以进攻为中心的基于因子的股票选择模型相结合，例如那些基于质量、价值、动量或低波动性的模型，可以产生更好的长期表现。
单因子选股策略
基于因子的选股模型是一种系统性的投资策略，根据某些关键特征或因子选择个股，这些特征或因子已被证明能够产生卓越的长期投资业绩。根据我自己以及更广泛的金融学术界的研究，最重要的因子是那些基于股票价值、势头、质量或波动性的因子。出于本文的目的，我将这些因子分别定义如下:

Value = https://www.sohu.com/a/free cash flow yield (i.e., trailing 12-month free cash flow/enterprise value)
Momentum = trailing 12-month price return
Quality = profitability as measured by gross profit-to-assets ratio (i.e., gross profit/total assets)
Volatility = trailing 2-year standard deviation of monthly returns

为了证明每个因子的有效性，我创建了由标普1500指数中特定因子暴露程度最高的100只股票组成的单因子组合。例如，价值投资组合是由标准普尔1500综合指数中自由现金流收益率最高的100只股票组成的。动量投资组合由过去12个月价格回报最高的100只股票组成。优质投资组合由毛利与总资产比率最高的100只股票组成。而低波动率投资组合是由100只过去两年标准差最低的股票组成的。此外，每个投资组合中的股票的权重是相等的，每个投资组合每年都要进行再平衡和重组。
如图1所示，基于过去22年的年化回报率，每个因子组合在都大大超过了标普500和标普综合1500股指。在风险调整的基础上，每个因子组合的表现也优于两个股票市场指数。然而，尽管表现突出，但所有的因子组合在这一时期也都经历了显著的下降，只有质量和低波动率组合的最大下降幅度低于两个市场指数。此外，除低波动率投资组合外，各因子投资组合也比各市场指数波动更大，从其较高的标准差可以看出。因此，尽管它们的绝对表现优于市场和经风险调整后的表现，但每种因子策略带来的高波动性和/或大幅下跌表明，许多投资者可能难以实现这样的结果。