Barra模型因子的构建及应用系列七之Liquidity因子 _因子

一、摘要
在前期的Barra模型系列文章中，我们构建了Size因子、Beta因子、因子、因子、 Size因子和Book-to-Price因子，并分别创建了对应的单因子策略，其中Size因子和 Siz因子具有很强的收益能力。本节文章是该系列的第七篇，将在该系列下进一步构建因子。
二、模型理论
【Barra模型因子的构建及应用系列七之Liquidity因子】Barra模型的因子的计算方法如下：

文章插图
因子是一个复合因子，由三个子因子构成，分别是：月度换手率、季度换手率和年度换手率，三者的权重为0.35、0.35、0.3 。换手率的计算方式是成交量和流通股本的比值，进行T天的加总后求对数。月度的交易天数为21天，季度的交易天数为63天，年度的交易天数为252天。
三、因子分析
使用进行对因子进行分析（2022年-2023年3月5日）。
由上述收益分析来看，各个调仓周期下的alpha收益均为负数， 5天的调仓周期下的beta收益为正且最大；因子值的最大分组和最小分组均贡献负收益，且最大分组的负收益远大于最小分组。

文章插图
进一步从信息系数来看， IC均值和IC标准差在各个调仓频率之下相差不大，但是平均IC仅为-0.03 ，小于0.05 ，选股能力堪忧。
从分组收益图来看，因子呈现两端负收益，中间正收益的形态，这表明过高和过低的换手率都会导致平均收益的下滑。
从因子分析来看，该因子的收益能力较差，构建单因子策略的话，其回测收益理应也是较差的。但为了我们后期对Barra模型的10个因子做进一步的综合分析，在此还是进一步撰写代码，方便后期使用。
四、回测分析