来源：东北证券独家授权
作者：肖承志、徐忠亚
♥优化强化学习Q-learning算法进行股市
前言
在本报告中，我们对 A 股风险模型（CNLT）进行介绍和结果展示：主要对因子定义、模型表现及纯因子收益表现进行说明。
1、研究思路
Barra 模型的理论基础是多因子模型，即：
其中ri为股票收益率；rf为无风险收益率；fc、fi、fs分分别代表国家因子、行业因子和风格因子。I是由虚拟变量构成的行业风险载荷矩阵，S 为风格因子的风险载荷。
利用多因子模型而非收益率的时间序列估计方差协方差矩阵的优势已为人所熟知。其一，此种方法降低了估计协方差矩阵的所需要的时间跨度；其二，减小了矩阵的不稳定性；其三，增强了方差矩阵的可预测性。而多因子模型通过选择解释能力强且数量有限的各类因子对股票收益进行截面回归，并通过估计因子的方差-协方差矩阵求得估计样本的协方差矩阵，并以此确定投资组合的绩效分解和边际风险归因，即如以下公式所示。
其中，ψk为第 k 个因子对应的风险载荷与权重的线性组合。
在此基础上，通过计算预测方差协方差矩阵，即可对组合风险进行预测和管理。
在本报告中，我们会对 CNLT 涉及的数据及因子计算方法进行说明，并给出模型数据结果；同时，我们也会将结果与 CNE5 进行对比。
2、数据和方法
在这一部分，我们首先对涉及的数据进行说明，然后对因子计算方法进行分析。主要参考的报告为：Barra China A Total Market Equity Model for Long-Term Investors 和MSCI Fundamental Data Methodology。
2.1 基础数据
我们在本地搭建了 A 股基础信息、行情序列、交易数据、中信行业分类、股票估值、资产负债、利润和现金流量等历史数据，以及相关一致预期数据表；数据来源为Wind；因子构建及回归中涉及的数据均来源于这些数据表。
2.2 因子和数据处理方法
与 CNE5 相比，CNLT 包含的因子种类、数量以及处理方式均发生了较大的变化。基于相关资料，因子定义见表 1。
CNLT 中，包含 40 个描述变量和 16 个风格因子。就种类来说，CNLT 增加了盈利波动、盈利质量、盈利、投资质量、长期反转和分红；对于描述变量，Liquidity 中增加了 ATVR 指标；同时，部分指标计算方法相较 CNE5 也发生了变化。整体来看，CNLT 中增加了市场关注度日益提高的一些因子。我们在进行因子合并时，采用等权的方法。
表1 因子框架说明
