请务必阅读正文之后的免责条款部分[Table_MainInfo][Table_Title]2018.11.13基于PLS方法的潜变量因子研究陈奥林（分析师）殷钦怡（研究助理）021-38674835021-38675855chenaolin@gtjas.comyinqinyi@gtjas.com证书编号S0880516100001S0880117060109本报告导读：本篇报告基于统计中的PLS算法并应用潜变量的思想提出了一种因子降维的方法，以提高降维后的主成分对个股下期收益的预测能力，实证结果显示该算法在A股中具有较强的选股能力。摘要：[Table_Summary]为了能够更好的提高策略的灵活性，降低量化组合中股票只数的限制，,本文采用偏最小二乘法PLS,其可以能够摆脱组合层面的束缚，在单只股票上达到因子降维的目的。从算法来看，PLS算法相较于传统的主成分分析法在选股结果的单调性以及稳定性都有明显的提升,因为PLS相比PCA更重在主元对被解释变量的解释力度。在PLS降维的框架下,我们需要应用“潜变量”的思想,潜变量即一种无法被直接观察到,但是对系统的状态和能观察到的输出都存在显著影响的变量。在实际应用中，为了对个股下期收益率进行预测,我们将个股在因子上的暴露记为显性变量,将因子共同影响下形成的个股预期收益率记为对应的潜变量。我们运用PLS算法从包含技术面信息与基本面信息的26个特征值中提取的潜变量用于全市场(除银行)选股,潜变量最高的前20%的股票稳定跑赢潜变量最低的后20%的股票,且夏普比率得到显著提升策略构建:我们构建了按照中证500行业权重的行业中性策略,年化超额可达9.89%,夏普比率可达1.24,2018年年化超额收益率为4.20%PLS算法本身不限制潜变量的个数，而在本篇报告中，我们只是使用了基础的单潜变量算法，即假设每一期股票只受到一个隐含的内在驱动力的影响，这是一个较强的前提假设。后续我们考虑将这个限制放宽,即拓展至一维以上的潜变量空间,以期得到更进一步的选股效果金融工程团队：陈奥林：（分析师）电话：021-38674835邮箱：chenaolin@gtjas.com证书编号：S0880516100001李辰：（分析师）电话：021-38677309邮箱：lichen@gtjas.com证书编号：S0880516050003孟繁雪：（分析师）电话：021-38675860邮箱：mengfanxue@gtjas.com证书编号：S0880517040005蔡旻昊：（研究助理）电话：021-38674743邮箱：caiminhao@gtjas.com证书编号：S0880117030051李栩：（研究助理）电话：021-38032690邮箱：lixu019018@gtjas.com证书编号：S0880117090067杨能：（研究助理）电话：021-38032685邮箱：yangneng@gtja...
