|
文 / 东北证券金融工程组 报告摘要 在上个月中，整体表现相对较好的因子为波动率、流动性和技术因子。 在 wind 全 A 股票池中表现较好的因子有波动率（IC：11.71%，多头超额：-1.96%，多空收益：-0.02%）、技术（IC：11.65%，多头超额：-0.99%，多空收益：2.82%）和动量反转（IC：5.86%，多头超额：-1.91%，多空收益：0.61%）。 在沪深 300 股票池中表现较好的因子有技术（IC：13.38%，多头超额：1.20%，多空收益：5.00%）、盈利（IC：1.71%，多头超额：-0.32%，多空收益：1.52%）和流动性（IC：0.48%，多头超额：-2.24%，多空收益：-1.42%）。 在中证 500 股票池中表现较好的因子有波动率（IC：19.69%，多头超额：1.06%，多空收益：3.89%）、流动性（IC：9.44%，多头超额：0.82%，多空收益：2.79%）和规模（IC：7.35%，多头超额：1.42%，多空收益：2.84%）。 在中证1000 股票池中表现较好的因子有波动率（IC：11.55%，多头超额：0.68%，多空收益：0.83%）、技术（IC：10.88%，多头超额：1.23%，多 空 收 益 ：3.52%）和流动性 （IC：9.65%，多 头 超 额：0.24%，多空收益：-0.18%）。 在上个月中，规模因子在除沪深 300 和 wind 全 A 外的股票池中表现较优；Beta 因子整体表现较差；波动率因子在除沪深 300 的股票池中有着显著的表现；价值因子上月表现不佳；流动性因子在除沪深 300 外的股票池中表现较优；动量与反转因子表现一般，在中证 1000 和 wind 全 A股票池中有正向表现；技术因子在除中证 500 的股票池中表现优异。 盈利因子上月表现平庸，在 wind 全 A 股票池中多头超额出现较大回撤；成长因子表现不佳，上月在四个股票池中均有较大的回撤；质量因子上个月表现平庸，在 wind 全 A 股票池中出现较大回撤，在其余股票池中表现平平；红利因子上月除在中证 500 股票池中获得超额收益外，在其余股票池中均出现一定程度的回撤；一致预期因子在四个股票池中表现均不佳。 上月在 wind 全 A 中，表现较好的量价细分因子有相对强弱指标、乖离率、1月日内振幅标准差、3月日内振幅标准差、3月日内振幅平均等；表现较好的财务细分因子有单季度存货周转率、过去 12 个月的现金股息率、经营性现金流量净额/营业收入 TTM、总资产现金回收率、单季度利润债务比率等。 风险提示：以上分析基于模型结果和历史测算，存在模型失效风险。 1. 因子表现概述 1.1 因子处理与测试说明 在规模、Beta、波动率、价值、流动性、动量与反转、技术、盈利、成长、质量、红利和一致预期十二个大类风格中选择具有代表性且 10 年回测中表现相对较好的48 个因子作为风格细分因子，细分因子总表详见附录二。在因子数据处理方面，首先对所有因子进行去极值处理；接下来对于除对数市值外的其他因子做行业市值中性化，行业选择为中信一级行业分类，对数市值因子只做行业中性化处理；最后对所有因子在截面进行 z-score 标准化，因子数据处理方式详见附录一。 因子合成方面，对于每一个因子大类，将如上处理后的细分因子乘以因子方向后进行等权合成，表示该大类风格因子的因子值。因子方向表示截面因子值与未来收益率的正负向相关关系，分别记为 1 与-1，因子方向由长期回测的结果与因子本身的逻辑确定。 对十二个大类因子以及 48 个细分因子，在沪深 300、中证 500、中证 1000 以及Wind 全 A 成分股共 4 个股票池中分别进行测试。测试过程包含 IC 分析、分层回测、回归分析，详细介绍见附录一。为了统一符号，在测试时细分因子值要乘以因子方向。测试的参数选择上，使用最近三年的因子数据来计算月度 IC 值，事实上这里输出的是 Spearman 秩相关系数即 Rank IC 值，下文中的 IC 都指代 Rank IC值；另外分层回测时层数为 5，月频调仓。 跟踪检测结果包括最近一月 IC 值、近一年 IC 均值、回测期间 IC 均值、最近一月多头超额、近一年多头超额、回测期间多头超额、最近一月多空收益、近一年多空收益、回测期间多空收益和回测期间 t 值绝对值均值。其中多头超额为乘以因子方向后因子值最大的分层组合收益减对应的股票池基准收益；多空收益为多乘以因子方向后因子值最大的分层组合，空乘以因子方向后因子值最小的分层组合时的收益。需要注意的一点是，由于将因子值进行因子方向调整，只有数值为正的IC 值表示因子有符合逻辑和预期的表现。 1.2 大类风格因子表现 从最近一月的IC值来看，在wind全A股票池中表现较好的因子有波动率（11.71%）、技术（11.65%）和动量反转（5.86%）；在沪深 300股票池中表现较好的因子有技术（13.38%）、盈利（1.71%）和流动性（0.48%）；在中证 500 股票池中表现较好的因子有波动率（19.69%）、流动性（9.44%）和规模（7.35%）；在中证 1000 股票池中表现较好的因子有波动率（11.55%）、技术（10.88%）和流动性（9.65%）。总体来看，在上个月中，整体表现较为突出的因子为波动率、技术和流动性。另外，这三个因子在中证 1000 股票池和 wind 全 A 中 IC 表现较为突出。   从因子多头超额收益看，上月 wind 全 A 股票池中因子表现均不佳；上月沪深 300股票池中表现较优的因子有技术因子和质量因子，因子多头超额收益分别为 1.20%、和 0.57%；上月中证 500 股票池中，表现较优的因子有红利因子、规模因子和盈利因子，多头超额收益分别为 1.46%、1.42%和 1.15%；上月中证 1000 股票池中表现较优的因子有技术因子、波动率因子和质量因子，多头超额收益分别为 1.23%、0.68%和 0.46%。   从因子多空组合收益来看，上月在 wind 全 A 股票池中，表现较优的因子有技术因子和动量反转因子,因子多空组合收益分别为 2.82%和 0.61%；在沪深 300 股票池中，表现较优的因子有技术因子、动量因子和盈利因子，因子多空组合收益分别为5.00%、1.72%和 1.52%；在中证 500 股票池中，表现较优的因子有波动率因子、规模因子和流动性因子，因子多空组合收益分别为 3.89%、2.84%和 2.79%；在中证1000 股票池中，表现较优的因子有技术因子、动量反转因子和波动率因子，因子多空组合超额收益分别为 3.52%、0.95%和 0.83%。外，其余因子t检验均显著。其他股票池中，各因子回归分析显著性均有所降低。   从回归分析结果看，在 wind 全 A 股票池中，除成长、质量、一致预期三个因子外，其余因子 t 检验均显著。其他股票池中，各因子回归分析显著性均有所降低。  2. 量价细分因子跟踪 为了方便比较与叙述，将细分因子划分为量价因子部分和财务因子部分。本章介绍量价细分因子的表现。     2.1 规模 从 IC 序列图以及分层回测图中可以看出，规模因子整体上在 wind 全 A 中均有不错的表现。在规模因子类中只含有对数市值 lncap 一个细分因子，从测试结果总表中可以看出，最近一个月 lncap 因子在除沪深 300 股票池中都有着相对不错的表现。 2.2 Beta 从 IC 序列图以及分层回测图中可以看出，Beta 整体上在四个股票池中表现均不佳。在 Beta 类大类因子中只含 beta 一个细分因子，上月表现依然不佳。 2.3 波动率 从波动率因子的 IC 序列图以及分层回测净值可以看出，波动率因子在整个回测区间内表现不错。在最近一月中，波动率因子在除沪深 300 股票池外均有不错的表现。从细分因子来看，上个月在中证 500 中表现较好的细分因子有 3 月日内振幅差f_highlow_intraday_3m（多头超额收益 1.55%），1 月日收益率波动 vol_1m（多头超额收益 1.30%）；在中证 1000 中表现较好的细分因子有 3 月日内振幅标准差f_highlow_intraday_std_3m（多头超额收益 0.76%），3 月日收益率波动 vol_3m（多头超额收益 0.75%）。 2.4 价值 总体来看，价值因子在整个回测区间中在 wind 全 A 上有效性显著。最近一个月，在除沪深 300 外均表现正向。价值因子包含的细分因子有 ep、bp、sp，上月三个因子在 wind 全 A 和沪深 300 股票池中多头超额收益均表现出较大回撤。 2.5 流动性 流动性因子的 IC 序列图以及分层回测图表明，流动性因子在整个回测期间中，在wind 全 A 以及中证 1000 成分股股票池中占优，显著优于其余两个股票池。最近一月中，流动性因子在除沪深 300 外均表现良好。从细分因子来看，上个月在中证500 中表现较好的细分因子有 3 月换手率标准差 f_turnover_std_3m（多头超额0.73%）；上个月在中证 1000 中表现较好的细分因子有 1 月非流动性冲击f_illiquidity_shock_1m（多头超额 0.67%）。 2.6 动量、反转 从动量及反转因子的 IC 序列图以及分层回测净值可以看出，在整个回测区间，在wind 全 A 和沪深 300 股票池中均表现正向收益。在最近一月中，动量及反转因子在除沪深 300 和中证 500 外有正向表现。从细分因子来看，上个月在沪深 300 中表现较好的细分因子有 1 个月平均反转因子 f_reversal_avg_1m（多头超额 1.19%）；上个月在中证1000中表现较好的细分因子有1个月平均反转因子f_reversal_avg_1m（多头超额 2.21%） 2.7 技术 整个回测区间来看，技术因子在除中证 500 的股票池外表现较优。在最近一月中，技术在除中证 500 的股票池外有正向表现。从细分因子来看，上个月在沪深 300 中表现较好的细分因子有 RSI（IC 20.77%，多头超额 1.54%），BIAS（IC 10.07%，多头超额 1.19%）。 3. 财务细分因子跟踪 3.1 盈利 盈利因子在整个回测区间上，在 wind 全 A 和中证 1000 成分股中具有相对稳定的表现。在最近一月中，盈利因子在中证 500 中有正向的表现。从细分因子来看，上个月在 wind 全 A 中盈利细分因子均表现较差：单季度净利率 net_margin_qua（多头超额 -1.94%），单季度成本费用利润率 profits_to_cost_qua（多头超额 -1.70%）。 3.2 成长 成长因子在整个回测区间，在中证 1000 成分股股票池中有着相对较优的表现。在最近一月中，成长因子在四个股票池中表现均不佳。细分因子上个月在 wind 全 A和沪深 300 均表现出较大回撤。 3.3 质量 质量因子在整个回测区间，在 wind 全 A 和中证 1000 股票池中有着较为稳定的表现。在最近一月中，质量因子在中证 500 股票池中有正向的表现。从细分因子来看，上个月 在 中 证 500 中 表 现 较 好 的 细 分 因 子 有 单 季 度 存 货 周 转 率inventory_turnover_qua（多头超额 2.46%），单季度利润债务比率 profit_to_debt_qua（多头超额 1.67%）。 3.4 红利 红利因子在整个回测区间上表现较为平庸。在最近一月中，红利因子在 wind 全 A和中证 1000 获得正的超额收益。 3.5 一致预期 一致预期因子在整个回测区间中在 wind 全 A 和中证 1000 股票池中表现较优。在最近一月中，一致预期因子在四个股票池中表现均为负向。从细分因子来看，上个月在中证 500 中表现较好的细分因子是一致预期 PEG con_peg（多头超额 0.80%）。 附录一：因子测试法 在使用因子数据进行测试时，首先需要对因子数据进行预处理。因子数据预处理一般包括缺失值处理、去极值、标准化、市值中性化、行业中性化与因子正交化等。 缺失值处理：缺失值填补的方法包括插值法、前值填充法、中位数填充法等，为保证处理方法可回测，我们一般采取前值填充的方式填补缺失值。 去极值：因子值需要满足一个合理的分布区间，在数据搜集和计算的过程中，可能会产生异常值，影响后续研究，因此需要在截面上对因子的极端值进行处理，这一方面可以排除错误数据，另一方面使因子的分布更合理。去极值可以有效避免存在异常数据的个股被选入策略组合对策略收益造成负面影响。常见的去极值方法包括缩尾法、中位数法和三倍标准差法。例如，缩尾法将因子值在截面上从小到大排序，然后将指定分位数区间之外的极端值替换为分位点的值。 标准化：不同因子的量纲有差别，所以需要对数据进行标准化，以便于对不同量纲的因子进行比较和分析。一般使用z-score方法，对因子数据进行标准化。 中性化：同行业、不同市值、不同风格的股票因子分布可能会存在显著差异，所以在单因子测试之前，应对因子进行处理，剔除掉因子中包含的其他因素。在实际操作中，一般会考虑行业、市值的中性化。 行业中性化的方法有两种，一是使用行业哑变量对因子进行OLS回归，使用得到的残差代替因子值；第二种方法是分行业对因子进行标准化。 市值中性化采用市值（或对数市值）对因子值进行OLS回归，使用得到的残差代替因子值。由于回归后的残差与所有自变量均正交，一般会同时进行行业和市值的中性化处理，将行业因子和市值因子一起纳入线性模型进行回归，回归后得到的残差即为去除了行业因素和市值因素影响后的因子值。公式如下： 在因子数据预处理完成之后，就开始对因子进行测试。因子测试环节主要包括IC分析、分层回测与回归分析 分层回测：在每一期截面上对因子暴露进行排序打分，根据因子得分将股票池分为N 层，然后观测每一层资产组合累计收益的表现情况，这是进行因子有效性评价最直观的方法。分层回测法不仅可以观测因子与股票收益之间的线性关系，也可以辅助判断因子与股票收益之间是否存在非线性关系。分层回测在实际操作中简单方便，结果直观，并且能够挖掘出因子的单调性，是接受度较高的一种单因子测试手段。 分层回测法的构建步骤： （1）确定股票池、回溯区间、调仓周期。 （2）调仓：根据调仓周期，计算调仓日因子值，并于下一个交易日以收盘价调仓。 （3）分层：对因子值进行预处理，在调仓日按照因子值大小排序将股票池平均分为 N层，在每层内对个股按照等权重或者市值加权的方式进行配比形成N 个投资组合。 （4）回测：每个调仓日的下一个交易日按照分层结果调仓，卖出不在相应组合的股票，买入重新分入该组合的股票，直至回测结束。 （5）评价指标：每一层的年化收益率、Sharpe ratio、年化波动率、信息比率、最大回撤、胜率等。 可以通过每一层的组合表现评估指标和净值的单调性等指标评价因子的有效性。一般来说，有较好选股能力的因子具有较为明显且稳定的分层效果。 回归分析：将 t期的因子暴露与期的股票收益率进行线性回归，回归得到的系数即为该因子的因子收益。由于股票收益率会受到行业因素和市值因素的影响，因此在进行单因子回归分析时，需要控制行业和市值因素。回归模型如下： 在每个截面上对该模型进行回归，可以得到因子收益率的时间序列和 t 值序列。t值指的是单因子回归系数的检验统计量，反映了回归系数的显著水平。回归分析与IC分析是相辅相成的。一般来说，单因子回归系数的方向与大小反映了当期因子值与下期股票收益率的相关程度。有选股意义的因子，其回归系数序列在一段时间内较为稳定，方向不发生大的变化，且值绝对值序列一般都较大，反映了期间具有显著的因子收益。 附录二：细分因子总表 研究团队简介 王琦：帝国理工学院数学与金融荣誉硕士，南开大学统计学学士。2021 年加入东北证券任金融工程首席分析师，研究方向为金融工程。曾任职于兴业财富资产管理有限公司，任 FOF 投资经理。 李严：中山大学统计学本科、复旦大学应用统计硕士，主要研究基金产品、行业轮动方向，2020 年加入东北证券，现任东北证券研究所金融工程组分析师。 贾英: 伦敦大学学院金融数学荣誉硕士，厦门大学数学与应用数学本科。2022 年加入东北证券，研究方向为金融工程、因子选股。现任东北证券研究所金融工程组研究助理。 张栋梁：复旦大学金融硕士，南京大学金融学本科。2022年加入东北证券，研究方向为因子选股，现任东北证券研究所金融工程组研究助理。 向下滑动查看所有内容 |
|
|
