研报名称：《光大证券-结合短周期因子的指数增强实证-多因子系列报告之二十五》
前期的报告中，我们通过遗传规划的方法构建了短周期因子的挖掘框架，并通过算法挖掘出了具有显著预测能力的短周期价量因子。 本篇报告我们将探讨如何将短周期价量因子与常用的低频基本面模型结合，在综合考虑调仓成本前提下，提高指数增强模型的收益表现。
短周期价量类因子特征： 预测能力强，与低频价量有较高相关性
以次日开盘价计算收益率挖掘得到的 20 个短周期因子中，年化 IC_IR平均可达 1.15，其中 Alpha_1 因子的 IC_IR 为 1.77，胜率达到 80%，多空夏普也高达 6.42。
在日频的维度上，短周期因子在沪深 300 成分内的有效性显著较低，而在中证 500 内仍具有不错的预测能力。 同时，短周期 alpha 因子与低频价量因子中的反转因子、换手率因子均具有较高的相关性。
短周期因子增强 v.s.基本面因子增强：各有利弊
1） 短周期因子增强： 基于短周期 alpha20 因子，在较为严格的换手率惩罚和风格行业暴露度控制的条件下， 模型的超额收益达 23%，信息比达到 3.56，但 2017 年组合跑输基准 3 个百分点，表现较为一般。
2） 基本面因子增强： 经过优化的纯基本面因子的中证 500 增强模型，整体超额收益能力相对较弱，年化超额基准 13%，信息比 2.29。但近两年表现出色， 2018 和 2019 年的年化超额收益分别为 16%和 22%，均战胜了纯短周期因子的增强模型。
基本面结合短周期因子的增强策略
1） 基本面因子高频化： 将基本面因子做高频化处理（填充为日度因子），再将短周期因子与之结合。 该方式下， 组合信息比可以达到 4.29，年化超额收益 27%，相对最大回撤 9%。优化过程中的换手率约束起到了较为显著的作用，通过在目标函数中加入换手率惩罚项后，整体的平均换手为单边15%，年度平均双边换手 36 倍。
2） 基本面股票池 短周期因子调整： 将基本面模型作为基础池，月频调整；同时在月中采用短周期因子，对组合的持仓进行微调。 该方式下组合超额收益率略有降低，年化超额基准18%，信息比 3.03，但组合在 2017 年的表现则显著优于基本面因子高频化的组合，超额更加稳定。
风险提示： 结果均基于模型和历史数据，模型存在失效的风险。
