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,荣获2021年度AMMA优秀品牌力、优秀洞察力大奖,连续2年被腾讯云+社区评选为“年度最佳作者”。

前言
我们在去年7月份的文章中提到,美联储高级经济学家Andrew Chen及科隆大学教授Tom Zimmermann一篇工作论文《Open Source Cross-Sectional Asset Pricing》中,详细整理总结了过去关于资产定价的学术文献中提及的300多个因子,并进行复现及测试。
测试的数据、代码及因子的定义也在Github中开源:
https://github.com/OpenSourceAP/CrossSection
主要代码由Stata、R及SAS完成,他们根据原始出处的因子有效性的测试结果,作者将因子分为了以下四大类:
1、Clear Predictor:long-short收益在统计上非常显著,总计161个
2、Likely Predictor:long-short收益在统计上比较显著,总计44个
3、Not-Predictor:long-short收益在统计上不显著,总计14个
4、Indirect Signal:需与其他结合、或要做一些修改后才有预测性,总计100个
通过他们自己的测试,他们发现只有三个因子的测试结果与原论文不一致。对于原论文中的Clear  Predictor和Likely Predictor(共205个),作者对原文测试结果的t-value与复现后的t-value进行了回归,复现的结果和原论文非常接近。
该项目还有一个网站,用于更新项目的最新动态:
https://www.openassetpricing.com/
因子更新
就在昨天,作者对该数据库进行了更新,现在最新的因子测试数据已经更新到2021年12月31日,这是自去年4月份以来的首次更新,最关键的是新增了两个因子,而且这两个都是Clear Predictor,现在总因子数量达到了327个。
其中新增的两个因子分别是:
1、TrendFactor from Han, Zhou and Zhu (2016)
这是一个趋势跟踪因子,通过利用不同时间长度的移动平均价格的信息,同时捕捉所有三种股票价格趋势:短期、中期和长期。它比著名的短期反转因子、动量因子和长期反转因子(分别基于三种价格趋势)的夏普比率高出一倍以上(具体参考论文2.1,2.2节)。
2、Recomm_ShortInterest from Drake, Rees, and Swanson (2011)
做多那些做空兴趣最低(short tint/shrout)和分析师推荐最低的公司(月度一致推荐,使用分析师在过去12个月的最新推荐)。做空那些做空兴趣最高和分析师推荐最高的公司。
论文下载
详细的因子定义及两篇论文已打包供大家下载。
后台回复:300Factor
继续阅读
阅读原文