基于PLS模型复合因子预期收益信号的应用研究

摘要： 本报告研究了利用偏最小二乘法（PLS）模型构建复合因子预期收益信号在量化选股中的应用，重点分析了其在单因子多策略、风格组合配置、多因子单策略以及量化固收+策略中的实证效果。

核心观点：

1. PLS 择时加权有效性：PLS 模型能够处理择时指标间的相关性，通过预期收益确定权重可显著提升组合的年化收益和信息比。
2. 差异化择时策略：并非所有因子均需复杂择时，针对波动率较大的因子采用 PLS 模型择时，而波动率较小的因子采用简单收益加权，可获得更好的业绩提升。
3. 多因子模型优化：在多因子框架下，PLS 加权可改善预期 IC 和 Top100 组合表现，且整体走势较 IC 均值或 ICIR 加权更为稳健。

论据支撑：

1. 单因子与风格组合：对波动率最大 5 个因子采用 PLS 加权，年化收益较均值加权提升约 4.0%；在 6 个基础风格组合的配置中，PLS 加权年化收益为 28.6%，优于等权配置的 24.7%。
2. 多因子表现：PLS 加权多因子模型月均预期 IC 提升至 8.8%，其 Top100 组合在 2018-2025 年期间年化收益达 27.4%，显著优于 IC 均值（17.6%）和 ICIR 加权（21.1%）。
3. 固收+策略应用：构建 20% 股票仓位的量化固收+策略（股票端为 PLS 多因子 Top100 组合，债券端为中证短债指数），全区间年化收益 8.1%，最大回撤 5.4%。

局限性/风险：

1. 适用场景限制：PLS 更擅长风格间的配置，而非同类因子间的精细比较；在因子动量持续性极强时（如 2023 年），表现可能逊于 IC 均值或 ICIR 加权。
2. 模型风险：存在历史统计规律失效、因子失效及模型误设风险。