基本面研究系列-风控模型和超额收益风险的分化

正文目录TOC\o"1-2"\h\z\u指数增强策略发生了什么 4阿尔法、组合优化和风险控制 4组合优化：收益端和风控端 5风控模型何时会低估预期风险 5风控约束对组合收益风险的影响 7总结 9本轮策略回调中应关注的问题 9风格和行业能解释多少 9成分内选股占比对风控的影响 10如何在风控模型框架下进行压力测试 如何理解市值和中盘风格的关系 阿尔法端发生了什么变化 12风险提示 13图表目录图1：同类策略在市场出现波动时，风险变化不一 4图2：超额收益表现：大幅分化 4图3：风格超额暴露：存在显著差异 4图4：风格累计收益：市值和中盘波动较大 4图5：不同管理人中证500指增成分内占比限制 5图6：不同管理人市值偏离限制 5图7：风控模型解释度：中枢均未超过50% 6图8：市场出现波动时风控模型预测能力下降 6图9：加入新的因子，对风险模型解释度贡献较小 6图10：加入不同预测周期因子，对风险模型解释度贡献较小 6图11：A股风险模型对中证1000指数风险的预测：部分时点大幅低估 7图12：各区间内模型超额收益对比 8图13：模型超额收益：2024/1/29-2024/2/7 8图14：模型跟踪误差对比：成分股占比和风格偏离共同影响 8图15：中盘风格约束与否对组合收益影响较小 8图16：风格对风控模型解释度贡献大幅提高 10图17：市值、贝塔贡献最大，中盘解释度仅特定时间抬升 10图18：A股风险模型解释度拆分：2024年国家和风格解释度抬升，行业解释度降低 10图19：市值和中盘风格暴露值对比 12图20：市值和中盘风格累计收益 12表1：风控约束的设置：成分内占比、风格偏离 7表2：指数内量价、高频和基本面因子值对比 122024年以来小/微盘风格出现波动，对部分指增产品带来一定影响。下图选取了4只中证1000指增产品，分别计算了其跟踪误差、区间超额收益和相对基准的风格偏离。从结果C和产品DA和产品B则相对较高。对于跟踪误差，202412AB幅度相对较小，产品CD10%A和产品D，其在市值、中盘、贝塔、流动性等风格上均有较大差异。指数增强类策略一般包括如下环节：收益端阿尔法因子的选择，优化端风格行业偏离的限制、跟踪误差的约束和换手率限制等。此轮小/微盘风格出现波动，对同类产品收益和风险端造成了不同的影响。在本报告中，我们从组合优化和风险控制端出发，对上述分化现象进行研究测算，并对后续需要关注的问题进行分析。图1：同类策略在市场出现波动时，风险变化不一 图2：超额收益表现：大幅分化12%

-10% -8% -6% -4% -2% 0% 2% 4% 6%11%10%

产品A9%8%7% 产品B6%5%产品C4%2023-10-092023-10-122023-10-172023-10-092023-10-122023-10-172023-10-202023-10-252023-10-302023-11-022023-11-072023-11-102023-11-152023-11-202023-11-232023-11-282023-12-012023-12-062023-12-112023-12-142023-12-192023-12-222023-12-272024-01-022024-01-052024-01-102024-01-152024-01-182024-01-232024-01-262024-01-312024-02-052024-02-082024-02-21产品A 产品B 产品C 产品

产品D资料来源：Wind，浙商券研所；间资料来源：Wind，浙商券研所；间图3：风格超额暴露：存在显著差异 图4：风格累计收益：市值和中盘波动较大1.50 10%1.00 8%0.50 6%4%0.002%-0.500%-1.00-1.50-2.00-2.50市值

中盘 贝塔 流动性产品A 产品D

-2%-4%-6%

2024-01-022024-01-032024-01-042024-01-052024-01-082024-01-092024-01-022024-01-032024-01-042024-01-052024-01-082024-01-092024-01-102024-01-112024-01-122024-01-152024-01-162024-01-172024-01-182024-01-192024-01-222024-01-232024-01-242024-01-252024-01-262024-01-292024-01-302024-01-312024-02-012024-02-022024-02-052024-02-062024-02-072024-02-082024-02-192024-02-202024-02-21资料来源：Wind，浙商券研所；间资料来源：Wind，浙商券研所；间此部分我们首先对指增策略的执行环节进行简要梳理，重点对风险端控制的方法进行分析，并关注其可能出现失效的情形。最后，在模型的基础上对同类指增策略收益和风险出现偏离的现象进行测算分析。组合优化：收益端和风控端指增策略的一般流程包括：一，明确股票池或者选股域；二，构建因子特征库，回测其有效性；三，基于筛选标准或者打分模型，确定哪些因子用于收益率的预测；四，设定目标函数和约束条件，确定当期持仓标的及对应权重。以中证1000表明量价和高频在其内有效性加强，将其用于收益端模型。组合优化环节，将80%的持仓1%0.5%0.4个标准差内，或可再加上其他约束条件。使用优化器得到此次持仓结果，进行组合构建。收益端需关注的是因子预测能力，以及信号合成的方式。同时，需针对实际的选股域进行因子测试和模型优化。型的实际构成。从下图可以看出，对于同类型产品，各家管理人对于成分内占比的限制差进行相关测算和分析。图5：不同管理人中证500指增成分内占比限制 图6：不同管理人市值偏离限制60% 1.61.450%1.240%1.030% 0.80.620%0.410%0.20%A B C D E F G H

0.0

A B C D E F G H I J K M L资料来源：Wind，浙商券研所 资料来源：Wind，浙商券研所风控模型何时会低估预期风险风控模型，即选取可对标的收益进行解释的因子，包括行业风格，风格又包括基本面、量价、高频等。风控模型的本质是什么？在约束已知风险的情况下，获取阿尔法因子贡献的超额收益。其有效性来源是什么？假设模型所使用的行业、风格因子能够对标的收益进行较好的解释，且在行情较为均衡的情况下，其对波动率能够进行有效的预测，从而控制组合风险。风控模型解释度中枢均在50%以下，其对应的是市场截面波动率解释能力。从实际结果看（图9和图0，当纳入市值、贝塔、波动率、动量和行业等风格后，加入新的长短周期因子，对其解释度不会有显著改进。从图8结果可以看出，在多数情况下风控模型能够对市场指数波动率进行较好的预测。不过当市场出现较大波动时，不论是长中模型，均会显著低估风险。从这一点来看，使用风控模型对组合风险进行管理，在部分时点会天然地低估，这与阿尔法因子和是否对风格行业进行约束约束无直接关系。图7：风控模型解释度：中枢均未超过50% 图8：市场出现波动时风控模型预测能力下降45%40%35%30%25%20%15%10%5%0%中国 中国香港 日本 韩国 中国台湾 美国资料来源商证研究所年1月 资料来源：Qontigo，浙证券究所图9：加入新的因子，对风险模型解释度贡献较小 图10：加入不同预测周期因子，对风险模型解释度贡献较小资料来源：BarraUSTotalEquityTradingModel，浙商券研所 资料来源：BarraUSTotalEquityModel，浙商券研所A1000指数权重值作为输入，基于调整后的因子方差协方差矩阵和残差方差，对指数未来1个月的波动率进行预测。下图给出的是预测值和指数实际年化波动率的走势对比。可以发现，多数时间预测值相较实际值存在一定高估，部分时点则会显著大幅低估指数波动率，区间内以2024年2极值。还可以发现，20241月风控模型已存在低估。2022320224月，模型也出现大幅低估。2020/022022/042024/02图11：A股风险模型对中证10002020/022022/042024/0270% 20%60% 10%50% 0%40% -10%30% -20%20% -30%10% -40%2018/012018/022018/032018/012018/022018/032018/042018/052018/062018/072018/082018/092018/102018/112018/122019/012019/022019/032019/042019/052019/062019/072019/082019/092019/102019/112019/122020/012020/022020/032020/042020/052020/062020/072020/082020/092020/102020/112020/122021/012021/022021/032021/042021/052021/062021/072021/082021/092021/102021/112021/122022/012022/022022/032022/042022/052022/062022/072022/082022/092022/102022/112022/122023/012023/022023/032023/042023/052023/062023/072023/082023/092023/102023/112023/122024/012024/02偏离值 实际波动率 预测波动率资料来源：Wind，浙商证券研究所；时间区间，2018-2024年2月；数据截至2024/2/21风控约束对组合收益风险的影响此部分我们通过调整约束条件，在固定基准指数、风控模型和阿尔法因子的条件下，分析风控约束的变化对组合可能带来的影响。具体来说，我们以中证1000对成分内占比、风格敞口进行调整，对各策略组合进行分析。其中对于成分内占比和风格约束阈值，参考了图562023720242月，每月调仓。该测算仅为说明风控约束对组合可能的影响，因此未考虑一些可能对实际交易产生影响的因素。具体约束设置见表。表1：风控约束的设置：成分内占比、风格偏离模型因子选取股票池成分占比下限市值中盘动量贝塔流动性行业偏离个股偏离模型1量价+高频中证1000100%0.10.10.21%0.5%模型2量价+高频中证1000100%0.1--0.21%0.5%模型3量价+高频中证1000100%0.30.30.21%0.5%模型4量价+高频中证1000100%0.3--0.21%0.5%模型5量价+高频中证1000100%0.50.50.21%0.5%模型6量价+高频中证100080%0.10.10.21%0.5%模型7量价+高频中证100060%0.10.10.21%0.5%模型8量价+高频中证100040%0.10.10.21%0.5%模型9量价+高频中证100020%0.10.10.21%0.5%模型10量价+高频中证100040%0.40.40.21%0.5%模型11量价+高频中证100040%0.4--0.21%0.5%模型12量价+高频中证100040%------1%0.5%模型13量价+高频中证100040%0.30.30.21%0.5%资料来源：Wind，浙商证券研究所从结果看，模型123489，其所得优化组合分别是一致的，因此仅考虑模型13。下面对核心结论进行说明。一，成分内占比的影响：严约束条件下，成分内占比约束对策略没有显著影响。对比模型1、模型6、模型7、模型8，图12中结果表明其在2024年2月超额收益分别为-0.83%、-1.20%、-1.75%、-1.71%，差异相对较小。图中结果也表现，小/微盘风格回撤4144个模型在给定时点跟踪误差处于同一水平。二，市值风格约束的影响：成分内放松市值敞口对策略收益风险影响较小，成分内占比较低时影响较大。模型3和模型5较模型1超额收益减少了23%和284%（图3，跟踪误差处于相近水平（图14；模型、模型0和模型13结果表明，将市值敞口从放松至0.3/0.4，对策略超额收益和跟踪误差影响较大。三，中盘风格约束的影响：中盘偏离可基本由市值约束限制。模型1和模型2，模型3和模型4，这两对模型的结果表明限制在成分内选股时，在表1市值约束敞口下，是否约束中盘敞口对策略的影响可以忽略。对比模型10和模型1（图1、图14，在放松成分内占比时，是否施加中盘约束对策略影响较小。四，无风格约束的影响：对策略收益风险影响较大。对比模型8和模型12，不对主要风格施加约束，区间内超额收益回撤和跟踪误差均大幅提高（图13和图4图12：各区间内模型超额收益对比 图13：模型超额收益：2024/1/29-2024/2/720%15%10%5%0%-5%-10%

模型模型3模型5模型6模型7模型8模型模型

-14% -12% -10% -8% -6% -4% -2% 0%2023年7-12月 2024年1月 2024年2月

模型12-13%0%-3%-3%0%-3%-3%-1%-1%-1%-8%-9%-5%资料来源：Wind，浙商券研所；据截至资料来源：Wind，浙商券研所图14：模型跟踪误差对比：成分股占比和风格偏离共同影响 图15：中盘风格约束与否对组合收益影响较小18% 5%3%2%1%3%2%1%0% -1%-2%-3%-4%-5%14%12%10%8%6%4%2%0%2024-01-022024-01-032024-01-042024-01-052024-01-082024-01-092024-01-102024-01-112024-01-022024-01-032024-01-042024-01-052024-01-082024-01-092024-01-102024-01-112024-01-122024-01-152024-01-162024-01-172024-01-182024-01-192024-01-222024-01-232024-01-242024-01-252024-01-262024-01-292024-01-302024-01-312024-02-012024-02-022024-02-052024-02-062024-02-072024-02-082024-02-192024-02-202024-02-212024-02-222024-02-07 2024-01-22

模型10 模型资料来源：Wind，浙商券研所 资料来源：Wind，浙商券研所；间2.4总结收益和风险或会发生突变，需进行相应的压力测试以应对尾部风险。2024年小/微盘风格出现波动，部分跟踪该风格的策略出现了回调。承接前文对风控模型、风格行业约束对组合收益风险影响的测算，此部分重点讨论了如下问题：本轮市场波动中，风控模型解释度发生了什么变化，具体是哪些指标？成分股内占比对策略超额表现带来影响的机制是什么？近期市场关注的非线性市值因子是什么，其是否确实有显著解释能力？阿尔法因子有效性发生了哪些变化？如何进行压力测试以应对尾部风险？下面进行具体测算和分析。风格和行业能解释多少首先回顾一下风控模型的整体结构：nfciXifisXsfsn其中rn为标的超额收益；fc为国家因子；fi为行业因子；fs为风格因子；un为残差项。对于截面形式，使用每日数据进行回归，在给定因子暴露的条件下估计因子收益；对于时序形式，首先构建组合计算因子收益，时序回归得到标的暴露值。7间内，国家因子贡献度大于风格和行业。2019-2022年，行业和风格因子解释度稳步抬升；202320241-2月，国家和风格因子解释度抬升，行业因子下降。行业风格出现了极值，其影响也会较大。当市场出现普涨或普跌时，国家因子解释度较高；当市场交易特定风格或者行业时，其贡献也会相应增加。202416中选定的时点，模型解释度较历史均值（图7）出现大幅提升。其中，国家和风格因子贡献较多，行业因子则相对较小。例如2024/2/5，模型解释度超过80%，风格因子贡献超过70%。图17中我们对风格因子解释度构成进行了拆分。可以发现，市值、贝塔贡献较大，流动性仅在部分时点贡献较大。对于中盘，其仅在2024/2/6日贡献较大，不过当日国家因子主导了模型解释度。图16：风格对风控模型解释度贡献大幅提高 图17：市值、贝塔贡献最大，中盘解释度仅特定时间抬升100% 80%

2024/1/22 2024/1/25 2024/1/31 2024/2/5 2024/2/6 2024/2/8国家 行业 风格

-10%-20%

2024/1/22 2024/1/25 2024/1/31 2024/2/5 2024/2/6 2024/2/8市值 贝塔 中盘 流动性 其他资料来源：Wind，浙商券研所 资料来源：Wind，浙商券研所图18：A股风险模型解释度拆分：2024年国家和风格解释度抬升，行业解释度降低50%45%40%35%30%25%20%15%10%5%2011/012011/032011/052011/012011/032011/052011/072011/092011/112012/012012/032012/052012/072012/092012/112013/012013/042013/062013/082013/102013/122014/022014/042014/062014/082014/102014/122015/032015/052015/072015/092015/112016/012016/032016/052016/072016/092016/112017/012017/032017/052017/072017/092017/112018/012018/042018/062018/082018/102018/122019/022019/042019/062019/082019/102019/122020/032020/052020/072020/092020/112021/012021/032021/052021/072021/092021/112022/012022/032022/062022/082022/092022/122023/022023/042023/062023/082023/102023/12解释度 国家 行业 风格资料来源：Wind，浙商证券研究所；时间，2011-2024/2/21；滚动1年均值成分内选股占比对风控的影响在风控模型框架下，指增策略组合相对基准的主动风险计算方法为：active(wportwbench)(XX)(wportwbench)各策略结果的差异由持仓标的权重决定，具体地由风格、国家和行业风格相对基准的偏离决定。0。若成分全部在基准内，则策略组合在国家因子上也没有出现偏离。假设策略基准是中证1000，其中仅30%的权重来自基准。虽然严格约束了风格和行业敞口，策略组合和基准此时已不能使用同一个国家因子，尤其是当基准和成分外股票所在指数之间出现极端分化时。在实际策略构建和应用时，为提高组合收益表现，一般会进行成分外配置，然后施加约束以降低跟踪误差。在正常情况下，是可以将风险限制在设定目标内的。不过当基准内外出现极值分化时，约束本身确实没有增加风险，风险来源于未控制的成分内占比偏离。表1中通过设定不同情景，也已证实了这一分析。如何在风控模型框架下进行压力测试风控模型本身为多元线性模型，其有效性来自解释变量的选择是否完备。这里并不应仅关注统计意义上的显著性，而应从市场关注的角度出发。如果某一因素开始成为重要的交易变量，即应将其纳入模型。不过前文结果表明（图9和图10）在现有框架下，模型整体解释度已无法显著提高。前文分析结果表明，风控模型在2024年策略波动中并没有失效，且并没有出现未纳入因素引致较大影响的情况。那么问题是什么呢？风控模型中的国家因子，当成分内占比较低时，已无法对成分内外极值现象进行解释，对相对基准的风险进行约束。这个并不是现有模型的问题，而是实际策略选择导致的尾部风险影响。因此可考虑从如下角度出发进行策略风险压力测试：一，若成分内占比高，则对有敞口的风格进行极值测算；二，若成分内占比较低，则将成分内外出现极端分化的情景进行测试；三，若同时放开了成分内占比和风格敞口约束，则应进行综合的压力测试。如何理解市值和中盘风格的关系此部分我们对图15中的结果进行更进一步的分析。市值风格为一个线性因素，越大表明标的市值越大，反之越小。为考虑非线性的影响，在风控模型中添加了市值的立方项，然后对市值进行回归以剔除其影响。该风格起初被定义为Nonlinear-Size，后为MidCapitalization。从其发展历程看，是从统计意义上的因子构建，到逻辑意义上的含义重新解构。市值和中盘风格，似乎较好表述了大、中和小盘：市值风格高，即为大盘，低即为小盘；中盘风格高即为中盘，反之为大盘或小盘。定量来看，实际是什么结果呢，或者说上述定义是否具备完备性？图19给出了中盘和市值风格暴露分布的对比。可以发现，中盘风格自身并不能完全区分中盘和大/小盘标的；其次，中盘暴露较高的标的，其与负市值暴露的标的存在较大的重合。从实际数据看，对市值敞口进行约束，是基本能够对中盘风格偏离进行限制的，前文的测算也证实了这一点。321-4-3-2-11234-1321-4-3-2-11234-1-2-3-4008%市值风格暴露

7%6%5%7%6%5%4%3%2%1%0% -1%中盘风格暴露

2024-01-022024-01-032024-01-042024-01-052024-01-022024-01-032024-01-042024-01-052024-01-082024-01-092024-01-102024-01-112024-01-122024-01-152024-01-162024-01-172024-01-182024-01-192024-01-222024-01-232024-01-242024-01-252024-01-262024-01-292024-01-302024-01-312024-02-012024-02-022024-02-052024-02-062024-02-072024-02-082024-02-192024-02-202024-02-21资料来源：Wind，浙商券研所；间，2024/1/31 资料来源：Wi