申银万国-市场驱动因子分析之四

1、数量研究数量分析 数量分析2009年09月23日行业差异与量化策略市场驱动因子分析之四相关研究细分样本空间,探究市场规律市场驱动因子分析之三,刘敦2009年8月28日全面回溯因子表现 构建长期量化策略市场驱动因子分析之二,刘敦、提云涛,2009年7月1日市场驱动因子分析框架报告市场驱动因子分析之一,刘敦、提云涛,2009年5月25日分析师刘敦liudun联系人刘均伟(862163295888×364liujw地址:上海市南京东路99号电话:(862163295888上海申银万国证券研究所有限公司本报告为秋季报告的WORD版,主要讨论行业中性下的市场驱动因子表现,以及基于市场驱动因子分

2、析的行业配置模型。行业中性下反转效应更明显。在行业中选股从而构建反转组合的效果要比在全市场选股构建反转组合好。行业中性下量化策略的超额收益比未考虑行业差异时更稳定。追求稳定超额收益时应尽量选用行业中性策略。基于股票因子得分的行业配置模型效果良好,但也存在着诸如入选行业重复度过高等问题。本公司或其关联机构在法律许可情况下可能持有或交易本报告提到的上市公司所发行的证券或投资标的,还可能为或争取为这些公司提供投资银行或财务顾问服务。本公司在知晓范围内履行披露义务。客户可索取有关披露资料 compliance。客户应全面理解本报告结尾处的"法律声明"。 目 录1. 因子分析模型表现

3、优异,但仍有问题待解_1 1.1 市场驱动因子长期对股票表现有明显的区分度_1 1.2 基于市场驱动因子分析的量化策略表现良好_11.3 模型表现虽好,但仍有疑问_22. 行业中性下的市场驱动因子的表现_3 2.1 行业中性下的因子分析组合构建方法_3 2.2 行业中性下,反转效应更明显_32.3 行业中性下量化策略的优势在于超额收益更稳定_43. 从股票因子得分到行业配置_5 3.1 行业配置模型所筛选出的行业表现优异_53.2 但是行业配置模型似乎没有股票选择模型优秀_64. 结论与建议_7附录1 市场驱动因子分析方法_9 1.1 市场驱动因子选取七大类31个因子_9 1.2 市场驱动因子

4、分析方法等权重多空相对收益_10 1.3 基于市场驱动因子分析的量化策略构建方法_10 在我们的前期研究1中,我们发现估值因子、运营因子、换手率因子、股价因子可称之为长效因子,对股票未来表现具有明显的区分度,构建基于市场驱动因子分析的长期量化模型表现十分优异。本文将进一步探讨行业差异对市场驱动因子表现的影响,比较是否考虑行业中性时的市场驱动因子表现,并提出从股票因子得分到行业配置的思路,供投资者参考。1. 因子分析模型表现优异,但仍有问题待解1.1 市场驱动因子长期对股票表现有明显的区分度统计从2002年5月至2009年8月市场驱动因子月度相对收益,我们发现:估值因子表现最优,低估值组合每个月

5、平均跑赢高估值组合2.37%;Hit Ratio高达77.27%,这意味着低估值组合在77.27%的月份中战胜高估值组合。运营因子虽然说相对收益略小,但是表现十分稳定,可称之为稳定的Alpha生成器。市场存在明显的反转效应、低价股效应和换手率陷阱。通过市场驱动因子分析,我们构建的单因子组合(如:低估值组合、高运营质量组合、反转组合、低价组合、低换手率组合等可望长期跑赢市场。表1: 200205200908市场驱动因子相对收益表现其它估值 盈利 成长 运营 动量 规模价格 换手率 均值 2.37% 0.11% 0.32% 0.44% -1.92% -0.16% 1.04% 1.54% 标准差 3

6、.33% 6.55% 5.16% 1.92% 7.92% 6.69% 8.37% 5.69% SHARP值 0.71 0.02 0.06 0.23 -0.24 -0.02 0.12 0.27 Hit Ratio 77.27% 51.14% 53.41% 59.09% 37.50% 51.14% 51.14% 67.05% 资料来源:申万研究1.2 基于市场驱动因子分析的量化策略表现良好在市场驱动因子单因子分析的基础上,我们构建了以下三个量化模型:1.等权重模型:选择估值、盈利、成长、运营、动量五类因子,对其赋予相等权重,以构建等权重模型。2.主观权重模型:我们主观对估值因子赋予50%的权重,动

7、量因子赋予-20%的权重,盈利、成长、运营因子分别赋予10%的权重,从而构建主观权重模型。3.“主观权重+规避换手率陷阱”模型:在主观权重模型中,将过去三个月平均换手率在全市场排名前20%的股票提出,所构建的模型为“主观权重+规避换手率陷阱”模型。我们利用2002年5月至2009年4月的数据对以上三个模型做了回溯分析,结果表明:在该时间窗口下,申万A指上涨72%,等权重组合上涨275%,主观权重组合上涨325%,规避换手率陷阱后累积收益提高到352%。三个量化模型都大幅跑赢市场。1详见全面回溯因子表现构建长期量化策略市场驱动因子分析之二,刘敦、提云涛,2009年7月 图1.200205-200

8、904量化策略回溯分析图2. 200905-200908量化策略持续跟踪01000200030004000500060007000APR2002APR2003APR2004APR2005APR2006APR2007APR2008APR2009等权重策略主观权重策略主观权重策略+规避换手率陷阱申万A指1000105011001150120012501300135014001450150030-Apr 20-May 9-Jun 29-Jun 19-Jul 8-Aug 28-Aug等权重策略主观权重策略主观权重策略+规避换手率陷阱申万A指数据来源:申万研究 数据来源:申万研究当然很好的回溯结果并不一

9、定能保证模型的未来表现。因此在构建完成三个模型后,从2009年5月至2009年8月我们对这些模型的表现做了持续跟踪。在这四个月内,申万A 指上涨7.8%,等权重组合上涨18.3%,主观权重组合上涨18.7%,规避换手率陷阱后累积收益提高到20.0%。良好的持续跟踪表现进一步增强了模型的可靠度。1.3 模型表现虽好,但仍有疑问虽然我们可以找到一些长效的市场驱动因子,长期对股票的市场表现具有明显的区分度;虽然我们可以构建出基于市场驱动因子分析的量化模型,长期回溯结果优势明显,持续跟踪效果也不错,但是在因子分析和模型构建过程中我们仍然有一些疑问。其中最大的一个疑问是对行业差异处理方式的问题。在我们之

10、前对市场驱动因子分析的过程中,我们是不考虑股票之间的样本差异的。当我们希望考察估值因子的月度相对收益时,我们将所有上市满三个月的非ST 上市公司按照估值水平由低到高排列,将排名前10%的股票所构建的等权重组合称之为多方组合,将排名后10%的股票所构建的等权重组合称之为空方组合,所谓的月度相对收益也就是两个多空组合的月度相对收益。在这个逻辑过程中,我们是将所有股票的估值进行直接比较的,并不考虑股票之间的行业差异。这意味着我们经常在拿一只钢铁股和一只医药股比估值,而这种比较是否有意义也就仁者见仁、智者见智了。如果认为这种跨行业的估值比较是没有意义的,那么我们可以对股票组合作行业中性的限定,即我们只

11、对相同行业之内的股票进行因子比较分析,然后通过一定的技术方法构建组合。对行业中性下市场驱动因子表现以及量化策略表现的分析比较便是本篇报告要解决的第一个问题。如果认为这种跨行业的估值比较在一定程度上还是有意义的,即认为长期配置估值较低的行业是可以跑赢估值较高的行业。那么我们可以考虑从股票 的因子得分出发,计算行业的因子得分,并最终构建行业配置模型。这便是本篇报告要解决的第二个问题。2. 行业中性下的市场驱动因子的表现2.1 行业中性下的因子分析组合构建方法所谓的行业中性,即保证在最后构建的组合中,每个行业的权重是和市场一致的;而在构建的过程中,我们是在行业内进行因子比较的。首先,我们利用市场驱动

12、因子对行业内的股票进行排序并分为10组;然后,我们将每个行业中的第i组的股票结合起来构成第i组组合。而结合的方法则是按行业权重赋权。图3. 行业中性下的因子分析组合构建方法资料来源:申万研究2.2 行业中性下,反转效应更明显统计2002年5月至2009年8月行业中性下的市场驱动因子表现,并与非行业中性时比较,我们发现:对于大多数市场驱动因子而言,是否考虑行业差异,因子的表现差别并不大。只是考虑行业差异后,即行业中性下,大多数因子的区分度略有减弱。但是值得我们注意的是,行业中性下的反转效应比未考虑行业差异时的反转效应明显得多。表2.200205200908市场驱动因子月度相对收益均值其它估值 盈

13、利 成长 运营 动量 规模价格 换手率 行业中性 2.32% -0.06% 0.14% 0.17% -2.78% -0.02% 0.89% 1.47% 非行业中性 2.37% 0.11% 0.32% 0.44% -1.92% -0.16% 1.04% 1.54% - -0.05% -0.18% -0.18% -0.27% -0.86% 0.14% -0.15% -0.07% 资料来源:申万研究结合我们之前的研究,对于月度动量反转效应我们有以下结论:行业中性下,股票组合月度反转效应最为明显;非行业中性下的股票组合次之;而行 业之间月度则存在动量效应。股票之间存在反转效应,行业之间存在动量效应这一

14、事实并不矛盾,产生这种差别最大的原因在于样本间同质性的不同。 表3. 股票组合反转效应明显(月度相对收益均值组合名称1月动量因子 行业中性下的股票组合 -2.66% 非行业中性下的股票组合 -2.02% 申万一级行业 0.68%资料来源:申万研究所谓的反转效应,简而言之便是,上个月A 比B 涨得好,而这个月则变成B 比A 涨得好。对于行业中性下的股票组合而言,同一个行业内的股票同质性较高,上个月如果股票A 跑赢了股票B,同时股票A 与股票B 在各方面都比较相像的话,那么下个股票B 跑赢股票A 的概率便较大。如果从股票组合的角度观察的话,那么我们便发现了股票反转效应。但是对于行业之间的比较而言,

15、不同行业的同质性较差,在较长的时间内可能都是某些行业占优势。如果从行业组合的角度观察的话,我们便发现了行业动量效应。2.3 行业中性下量化策略的优势在于超额收益更稳定回溯2002年5月至2009年8月,三个量化模型在考虑行业差异时的表现, 我们发现:行业中性下等权重组合上涨372%,主观权重组合上涨419%,规避换手率陷阱后累积收益提高到437%。而在未考虑行业差异时,这三个数据分别为:338%、417%和466%。是否考虑行业差异对量化模型的累积收益影响并不大。图4. 行业中性下的量化策略表现(200205-2009081000200030004000500060007000APR2002D

16、EC2002AUG2003APR2004DEC2004AUG2005APR2006DEC2006AUG2007APR2008DEC2008AUG2009等权重策略主观权重策略主观权重策略+规避换手率陷阱申万A指资料来源:申万研究但是如果我们从超额收益的稳定性这个角度来考察问题,我们将发现行业中性下的量化策略更优。从2002年5月至2009年8月,行业中性下的主观权证组合月度超额收益的均值、标准差、信息比率分别为1.27%、2.90%、0.438;而未考虑行业差异的主观权重组合的这三个数据分别为1.32%、3.94%、0.334。行业中性下的量化策略的月度超额收益的标准差下降了很多,从而信息比率

17、也提高了很多,进而表明模型稳定性的提高。 图5. 行业中性下量化策略超额收益更稳定1000200030004000500060007000800020020420021220030820040420041220050820060420061220070820080420081220090800.511.522.53行业中性(左非行业中性(左行业中性/申万A指(右非行业中性/申万A指(右资料来源:申万研究行业中性下量化模型的超额收益更稳定并不让人感到意外。行业中性下所构建的股票组合的行业权重总是跟市场一致的,这是由行业中性下股票组合的构建方法所决定的。而未考虑行业差异时,我们所构建的股票组合则隐

18、含了对某些行业的超配、低配。由于我们对估值因子赋予了较高的权重,因此低估的股票便更容易进入我们的股票组合,在我们的股票组合中钢铁股的占比往往高于黑色金属行业的市场权重,这就隐含了未考虑行业差异时,我们的股票组合往往超配钢铁股这一事实。因此,相对市场而言,未考虑行业差异的量化组合的波动性将更大。3. 从股票因子得分到行业配置3.1 行业配置模型所筛选出的行业表现优异当然不同行业的估值水平也不是完全不可比的。前期研究2表明,低PE 行业、低PB 行业长期是可以跑赢市场的,不同行业的估值水平还是有一定可比性的。因此我们可以考虑从股票的因子的得分出发,计算行业的因子得分,然后结合行业的不同因子得分状况

19、构建行业配置模型。 图6. 从股票因子得分到行业配置模型的构建方法资料来源:申万研究2详见行业估值及基于估值的行业配置量化行业资产配置研究之二,刘敦、马骏、提云涛,2009年4月 首先,我们将某个行业的因子得分数据按照流通市值加权得到该行业的因子得分。然后,我们对不同行业的因子得分进行排序,从而得到行业因子的秩得分。最后,我们对估值因子赋予40%的权重、盈利因子赋予30%的权重、动量因子赋予30%的权重构建量化行业配置模型。我们将行业得分排名前7名的行业称为超配行业,后7名的行业称为低配行业,其余行业称为标配行业。回溯了从2002年5月至2009年8月该行业配置模型的表现,我们发现超配行业组合

20、累积涨幅191.3%,标配行业组合累积涨幅84.4%,低配行业组合累积涨幅为36.6%,而同期申万A 指累积涨幅为85.5%。行业配置模型表现相当优异。图7:200205-200908行业配置模型表现100020003000400050006000200204200212200308200404200412200508200604200612200708200804200812200908超配行业组合标配行业组合低配行业组合申万A指资料来源:申万研究3.2 但是行业配置模型似乎没有股票选择模型优秀如果我们拿基于市场驱动因子分析的行业配置模型与行业中性下的“主观权重+规避换手率陷阱”股票选择模型

21、比较,我们发现行业配置模型似乎没有股票选择模型优秀。如表4所示,不管从累积超额收益的角度还是信息比率的角度来看,行业配置模型的表现都比股票选择模型要差。 表4.行业配置模型与股票选择模型比较行业模型股票模型累积超额收益 105.80% 351.40% 月度超额收益均值 0.54% 1.31% 月度超额收益标准差 1.78% 2.83% 信息比率0.3020.462资料来源:申万研究从行业配置模型与股票选择模型的超额收益图我们可以直观地比较两种模型超额收益的稳定性。如图8、图9所示,我们发现行业配置模型的超额收益波动较大,而股票选择模型的超额收益则较为稳定。 图8:行业配置模型超配行业的超额收益

22、表现图9:行业中性下主观权重+规避换手率模型表现0.00.51.01.52.02.53.0200204200302200312200410200508200606200704200802200812超配行业/申万A指低配行业/申万A指超配行业/低配行业0.01.02.03.04.05.06.07.08.0200204200302200312200410200508200606200704200802200812多方组合/申万A指空方组合/申万A指多方组合/空方组合数据来源:申万研究 数据来源:申万研究虽然对于行业配置模型和股票选择模型我们都是用多因素模型,但是二者还是有较大差别的。第一,在23

23、个行业总选择7个行业的难度与在1000多只股票中选择100只股票的难度是不一样的。所选行业的表现更容易收到模型外因素的影响。第二,选择行业相当于选择一类股票的平均收益,而选择股票出发点则是选择相对优秀的股票。行业选择本身就是股票选择钝化的结果,因此累积超额收益略差也在情理之中。第三,行业配置模型所选出的行业的重复度,比股票选择模型所选出的股票的重复度高得多。以上原因造成了这两类模型表现的巨大差别。当然我们需要强调的是,行业配置模型天生有诸多难以克服的问题并不意味着我们所构建的行业配置模型是无效的。我们所构建的基于市场驱动因子分析的行业模型,以及基于行业估值、景气、IPC 所构建的行业模型3都是

24、不错的行业配置模型,所选择的行业长期明显跑赢市场。同时,行业配置模型与股票选择模型并不是非此即彼的关系,两者产生的Alpha 从一定意义上是相对独立的。因此我们可以考虑将二者结合起来从而产生更大的Alpha。4. 结论与建议报告最后让我们回到开始时的那个问题拿一只钢铁股和一只医药股比估值是否有意义?对于这个问题我们仍然没有是或者否的明确答案。如果认为跨行业不太可比,那么构建行业中性的选股策略便更为可行。由于排除了隐含行业配置的影响,行业中性下的股票选择模型显得更纯粹,更能体现模型的选股能力。如果认为跨行业比较还是有一定合理性的,那么我们便可构建基于市场驱动因子分析的行业配置模型,或许可以从选股

25、之外的角度贡献一些Alpha。通过对行业中性下市场驱动因子表现以及基于市场驱动因子分析的行业配置模型表现的分析,我们发现:3详见根据股票表现同步性特征寻找Alpha 2009年秋季量化投资策略研究之三,袁英杰,2009年9月 第一,行业中性下反转效应更明显。在行业中选股从而构建反转组合的效果要比在全市场选股构建反转组合好。第二,行业中性下量化策略的超额收益比未考虑行业差异时更稳定。追求稳定超额收益时应尽量选用行业中性策略。第三,基于股票因子得分的行业配置模型效果良好,但也存在着诸如入选行业重复度过高等问题。2009 年 9 月 数量研究 附录 1 市场驱动因子分析方法 1.1 市场驱动因子选取

26、七大类 31 个因子 我们将影响股票市场表现的各种股票共性称之为市场驱动因子。目前，我们所归纳总结的市场驱动 因子包括：估值、盈利、成长、运营、规模、动量共七大类 31 个因子。选择这七大类因子及其具体因子， 主要出于以下考虑：第一，估值、盈利、成长一直是各种各样的投资策略最为关心的三大类因子，因此 在我们的市场驱动因子体系当中，我们同时考虑这三大类因子的绝对值与其行业相对值。第二，通过前 期研究中发现，资产现金率、应收应付比、营业利润占比对与数量化选股都有较好的作用，因此我们在 这里将其归结为运营因子进行考查。第三，我们还考查了动量因子、规模因子和其它因子，利用动量因 子可以考察动量反转效应

27、，利用规模因子可以考察大小盘股票的风格轮动效应，利用其它类中的股价因 子和换手率因子可以考察低价股效应和换手率陷阱。 附表 1. 市场驱动因子体系列表 大类因子 具体因子 市盈率 估值因子 市净率 市盈率_行业相对 市净率_行业相对 净资产收益率 总资产报酬率 盈利因子 毛利率 净资产收益率_行业相对 总资产报酬率_行业相对 毛利率_行业相对 收入成长因子 营业利润成长因子 总利润成长因子 成长因子 净利润成长因子 收入成长因子_行业相对 营业利润成长因子_行业相对 总利润成长因子_行业相对 净利润成长因子_行业相对 资产现金率 运营因子 应收应付比 营业利润占比 过去 1 个月股票涨幅 动量

28、因子 过去 3 个月股票涨幅 过去 6 个月股票涨幅 过去 12 个月股票涨幅 规模因子 流通市值 总市值 流通股本 简称 PE PB PE_R PB_R ROE ROA OM ROE_R ROA_R OM_R YG OPG TPG NPG YG_R OPG_R TPG_R NPG_R 排序方向 算法 从小到大 股价/每股 EPS 从小到大 股价/每股净资产 从小到大 个股 PE/行业 PE 从小到大 个股 PB/行业 PB 从大到小 净利润/净资产 从大到小 税前利润/总资产 从大到小 (营业收入营业成本/营业收入 从大到小 个股 ROE/行业 ROE 从大到小 个股 ROA/行业 ROA

29、从大到小 个股 OM/行业 OM 从大到小 金融业不适用 金融业不适用 金融业不适用 金融业不适用 备注 在计算成长因子时,我们利用过去 3 年的相关指 从大到小 标采用回归方法确定长期增长趋势: Y = a * t + b 。 金融业不适用 t 从大到小 其中 a 为斜率，b 为截距。 从大到小 然后计算出过去 3 年 Y 的平均值 Y 。 则 Y 的成长因子 YG 为: YG = aY / Y 。 从大到小 Y 营业利润、 总利润、 净利润。 从大到小 其中， 可以是收入、 金融业不适用 从大到小 从大到小 行业相对成长因子个股成长因子行业增长因 子。 金融业不适用 金融业不适用 金融业不

30、适用 CARatio 从大到小 (货币资金交易性金融资产/净资产 ARAP 从小到大 应收账款/应付账款 Opratio 从大到小 营业利润/税前利润 1M_CHG 从大到小 (Pt-Pt-1/Pt-1 3M_CHG 从大到小 (Pt-Pt-3/Pt-3 6M_CHG 从大到小 (Pt-Pt-6/Pt-6 12M_CHG 从大到小 (Pt-Pt-12/Pt-12 F_Cap 从小到大 过去三个月平均流通市值 Mkt_Cap 从小到大 过去三个月平均总市值 F_Share 从小到大 过去三个月平均流通股本 请参阅最后一页的信息披露和法律声明 9 申万研究拓展您的价值 2009 年 9 月 数量研

31、究 总股本 其它因子 股价 换手率 T_Share 从小到大 过去三个月平均总股本 Price Trate 从小到大 过去三个月平均股价 从小到大 过去三个月平均换手率 资料来源：申万研究 1.2 市场驱动因子分析方法等权重多空相对收益 样本空间的选择：为了尽可能全面覆盖完整地覆盖市场，又不让我们的因子分析过多地受到异常值 的影响，我们选取所有上市满三个月的非 ST 上市公司作为因子分析的样本空间。 因子数据的更新：在所有的因子中，与财务数据相关的因子，我们按照上市公司年报、半年报的披 露时间，每年更新两次；与股价数据相关的因子，我们一般采用考察周期上期末的收盘 价；与规模相关的因子，我们一般

32、采用考察周期之前三个月的均值。 驱动因子表现的计算：我们利用各类因子对股票进行排序，将排名前 10%的组合称之为多方组合， 将排名后 10%的组合称之为空方组合。在一定周期内，我们通过等权重的方式计算多方 组合与空方组合的相对收益，SHARP 值。 Trailing 12M 相对收益：市场驱动因子过去 12 个月月度相对收益的简单求和。Trailing 12M 相对 收益可以用于描述市场驱动因子在一段较长的时间内的表现。 1.3 基于市场驱动因子分析的量化策略构建方法 长期来看，估值因子、盈利因子、成长因子、运营因子都可以贡献正的相对收益；动量因子长期平 均相对收益为负，表现出一定的反转效应；规模因子长期表现相对中性4。选择适当的市场驱动因子构建 的量化策略长期有较好的市场表现。我们构建了两个基于市场驱动因子分析的选股模型：第一，我们选 择估值、盈利、成长、运营、动量五类因子构建等权重模型；第二，我们主观对估值因子赋予 50的权 重，动量因子赋予-20%的权重，盈利、成长、运营因子分别赋予 10的权重构建模型，并考虑剔除按换 手率排名前 20%的股票。 4 详见全面回溯因子表现 构建长期量化策略市场驱动因子分析之二 ，刘敦、提云涛，200