因子相关性与横截面资产回报：OWL估计器在量化投资中的应用-华安证券研报

2023-10金融投资📊 华安证券¥3

📄 文件全名: 《“学海拾珠”系列之一百六十一：因子间相关性与横截面资产回报-华安证券》
🎯 适合读者: 量化研究员投资经理金融学者
📊 核心数据: 80个因子中64%相关系数>0.5, 样本外夏普比率最高, 市场因子显著识别
🏷️ 核心议题: #金融投资#因子相关性#量化投资中#OWL

📦 本报告属于月份合集

购买后将获得「2023 年 10 月报告合集」 · 共 2473 份报告打包下载链接

支付即将开放

报告摘要

本文研究因子间相关性对因子筛选的影响，提出OWL（有序加权LASSO）模型提升组合表现。在80个因子中，64%的因子间相关系数大于0.5。实证表明，OWL有效识别市场因子显著性，样本外对冲组合夏普比率最高，且收益率分布更接近正态。

📋 核心要点(部分)

高维因子相关性挑战
OWL估计器理论特性
实证表现

❓ 常见问题

《因子相关性与横截面资产回报：OWL估计器在量化投资中的应用-华安证券研报》主要包含哪些内容?

本文研究因子间相关性对因子筛选的影响，提出OWL（有序加权LASSO）模型提升组合表现。在80个因子中，64%的因子间相关系数大于0.5。实证表明，OWL有效识别市场因子显著性，样本外对冲组合夏普比率最高，且收益率分布更接近正态。核心数据:80个因子中64%相关系数>0.5, 样本外夏普比率最高, 市场因子显著识别。

这份报告由哪家机构发布?

本报告由华安证券发布,发布于 2023 年。

这份报告覆盖哪一年、篇幅多大?

覆盖 2023 年。

这份报告是免费的吗?如何获取?

本报告为付费报告,可在资料宝站内下单后获取完整内容。

这份报告适合哪些读者?

适合量化研究员、投资经理、金融学者等读者参考。

报告涉及哪些关键议题?

重点分析了金融投资、因子相关性、量化投资中、OWL等议题。