Barra长期与交易风险模型(上)：因子暴露因子收益与有效性检验

内容目录一.引言 4二.与CNTR：不同投资期限下的风险模型设计 4Barra多因子风险模型基本框架 4投资期限与因子稳定性 5与CNTR因子体系对比 5三.风险因子暴露的构建 6数据处理框架 616个稳定风格因子的构建 7CNTR4个快速风格因子的构建 10四.横截面回归与因子收益估计 横截面收益模型 加权与最小二乘回归约束 五.风格因子特征与有效性分析 12因子评价指标 12稳定风格因子综合表现 12快速风格因子综合表现 19稳定与快速风格因子的暴露稳定性比较 21六.总结 22风险提示 23历史规律失效风险 23数据与测算误差风险 23模型设定风险 23图表目录与CNTR因子体系对比 5Barra167BarraCNTR410波动类因子统计检验 12Beta因子十分组月均&累计超额收益率（2016.01-2026.08） 13图表6：ResidualVolatility因子十分组月均&累计超额收益率（201601-2026.08）1规模类因子统计检验 13Size因子十分组月均&累计超额收益率（2016.01-2026.08） 14图表9：MidCapitalization因子十分组月均&累计超额收益率（201601-2026.08）1Liquidity因子十分组月均&累计超额收益率（2016.01-2026.08） 14价值、收益与成长类因子统计检验 15Book-to-Price因子十分组月均&累计超额收益率（201601-2026.08）15EarningsYield因子十分组月均&累计超额收益率（201601-2026.08）15DividendYield因子十分组月均&累计超额收益率（201601-2026.08）16Growth因子十分组月均&累计超额收益率（2016.01-2026.08） 16质量类因子统计检验 16Leverage因子十分组月均&累计超额收益率（2016.01-2026.08） 17Variability因子十分组月均&（2016.01-2026.08）EarningsQuality因子十分组月均&累计超额收益率（201601-2026.08）1Profitability因子十分组月均&累计超额收益率（2016.01-2026.08） 1821：InvestmentQuality因子十分组月均&（2016.01-2026.08）趋势类因子统计检验 18Momentum因子十分组月均&累计超额收益率（2016.01-2026.08） 19Reversal因子十分组月均&（2016.01-2026.08）快速风格因子统计检验 19AnalystSentiment因子十分组月均&（2016.01-2026.08）图表27： Reversal因子十分组月均&累计超额收益率（2016.01-2026.08）...............................................................................................20Seasonality因子十分组月均&累计超额收益率（2016.01-2026.08） 20Momentum因子十分组月均&（2016.01-2026.08）20个风格因子的暴露稳定性热力图 21稳定与快速风格因子的暴露稳定性比较 22一.引言多因子风险模型通过一组具有明确经济含义的共同风险因子，对股票之间的收益差异和共同波动进行解释，并将无法由共同因子解释的部分归为特质收益。在投资组合管理中，风险因子的作用不仅在于刻画组合的风格与行业暴露，也为风险控制、绩效归因和组合优化提供统一的分ACNE6和交易风险模型（TradingModel，CNTR）MSCI《BarraChinaAMarketEquityTradingModel(CNTR)EmpiricalNotes》，CNLT主要面向CNTR型的差异主要体现在风险因子的变化速度与稳定性上。MSCI以因子暴露在不同时点之间的横截面相关性衡量因子稳定性，并将其视为信息衰减速度的体现。因子暴露变化较慢、稳定性较高的风险因子更适用于长期模型，而变化更快的风险因子则更适合用于刻画短期投资中的风险来源。在因子结构上，CNTR16个稳定风格因子，并进一步加入AnalystSentiment、IndustryMomentum、Seasonality和Reversal4CNTR并不是两套相互独立的风险CNTRBarra多因子风险模型的基本框架及两类模型在投资期限和因子结构上的差异；随20个风格因子的底层指标、构建方法及数据预处理流程，并通过横截面回归估计市场、行业及风格因子收益率；在此基础上，结合因ICICIRIC胜率及十分组超额收益等指标考察各风格因子的实证表现，并进一步比较稳定风格因子与快速风格因子的跨期暴露稳定性，以检验两类风险因子在信息衰减速度上的实际差异。BarraCNE6CNTRBarra多因子风险模型基本框架Barra多因子风险模型将股票收益划分为共同因子收益与特质收益两部分。共同因子用于解释具有系统性的收益波动，并进一步分为市场、行业和风格三类风险来源；特质收益则表示股票收益中无法由共同因子解释的部分。对于股票n在时点t的超额收益，可以将其表示为：� =�

+� ������+� ���������+��,�

�,

�=1

�,�,

�,

1

�,�,

�,

�,�式中，X表示股票对相应风险因子的暴露，反映股票在某一风险维度为特质收益。�,�,�,�,市场因子���A1；行业因子����用于刻画不同产业之间的收益差异，本文按照申万��,�,�,�,动、流动性等跨行业的系统性股票特征。CNTR采用相同的市场因子和行业因子框架，其主要差异集中在风格因子体系。因子暴露主要由股票自身的行业归属以及价格、交易和基本面信息决定，而因子收益率则需要在每一期利用股票截面收益进行估计。由此，风险模型实现了从“股票特征”到“共同风险来源”的映射，并为后续因子收益估计、因子协方差以及特质风险建模提供基础。投资期限与因子稳定性上述收益分解框架在不同投资期限下保持一致，但用于解释共同风险的风格因子需要与实际持有周期相匹配。若因子暴露变化速度明显快于组合持有周期，其所反映的信息可能在较长持有期内迅速衰减，同时增加维持目标风险暴露所需的组合换手。因此，CNLTCNTR的差异首先体现在对风险因子信息持续时间的不同要求。MSCI定义，CNLT主要面向月度及以上投资期限，强调暴露变面向数日左右的较短投资期限，因此可以纳入变化速度更快的风险来源。MSCI以不同时点股票因子暴露的横截面相关性衡量FactorExposureStability，并将其视为因子信息衰减速度的度量：相关性保持越高，说明因子信息越稳定；相关性下降越快，则说明因子更偏向短期风险特征。因子稳定性同时受到底层数据更新频率和单次更新幅度的影响，并与组合换手直接相关。对长期投资者而言，过快的因子可能带来不必要的频繁调整和交易成本；对短期交易模型而言，这类因子则能够补充更及时的风险信息。因此，CNLTCNTR的风格因子构成差异，本质上反映了不同投资期限对风险信息持续性的不同要求。CNTR因子体系对比在整体结构上，CNLTCNTR共享相同的市场因子、行业因子以及164CNTR比较维度 比较维度 CNTR 备注相匹配行业因子申万一级行业相匹配行业因子申万一级行业申万一级行业无稳定风格因子16个16个两类模型共享快速风格因子0个4个仅CNTR纳入风格因子合计16个20个CNTR形成“16+4”结构的16BetaBook-to-PriceDividendYield、EarningsQuality、EarningsVariability、EarningsYield、Growth、InvestmentQuality、Leverage、Liquidity、Reversal、MidCapitalization、Momentum、Profitability、ResidualVolatilitySize。CNTR进一步加入AnalystSentimentIndustryMomentumSeasonalityReversal4根据MSCI的模型，CNTR新增的4个快速风格因子均对CNLT中的全部因子进行正交化，以减少其与原有长期风险因子的重叠，并保留新增因子所包含的短期风险信息。在这一设定下，CNTR中16个稳定风格因子的因子组合及因子收益与CNLT保持一致，因此两类模型在风格因子层面的主要区别在于是否额外纳入快速风险来源。从模型演进看，CNE5DividendYield、EarningsQuality、InvestmentQuality、Reversal和ProfitabilityEarningsVariability；CNTR4个快速风格因子，由此形成面向不同投资期限的风险因子体系。风险因子暴露是连接股票特征与横截面风险模型的核心变量。风格因子通常由一个或多个具有明确经济含义的底层指标（Descriptor）构成。为保证不同股票及不同指标之间具有可比性，原始数据需要经过时点对数据处理框架风格因子的底层指标在数据频率、量纲、缺失情况及截面分布上存在差异，因此在合成为最终因子暴露前，需要进行统一的数据预处理。本文依次进行数据时点对齐、异常值处理、缺失值处理、标准化及必要的正交化。数据时点对齐财务数据、分析师预测等信息具有明确的披露与更新时点，因此因子构建首先需要保证数据在历史时点真实可得。对于任一交易日，仅使用该日之前已经公开或已可获得的信息计算相应底层指标，避免使用后续财务重述、未来公告或尚未发布的数据，从而降低前瞻偏差。对于季度或年度披露的财务指标，则按照实际可获得时点向后使用，直至新的有效数据更新。异常值处理由于个股基本面、估值及交易指标在截面上可能出现极端取值，异常值会放大少数股票对后续标准化和横截面回归的影响。本文采用5倍MAD方法对原始底层指标进行去极值处理。设当期截面中位数为m，AD为|�−|的截面中位数，则将超出[�−5∙��,�+5∙�∗=��(�(�,�−5∙��,�+5∙��)�该处理保留正常区间内的原始排序关系，同时限制极端值对截面分布的影响。对于本身分布跨度较大、去极值后可能明显损失原始特征信息的指标，则不机械执行截断，而结合指标定义保留其有效差异。缺失值处理对于原始数据缺失导致的底层指标空值，本文根据当日截面缺失比例10%标准化在完成时点对齐、异常值处理与缺失值处理后，需要进一步消除不同Z-score标准化：对每个交易日、每个底层指标分别减去当期截面均值，并除以截面标准nk上的原始值为xraw(n,�(�,�)=(�𝑚�(�,�)−��)/��其中，μk和σk分别为当期截面样本的普通均值和标准差。标准化后，不同底层指标被转换至统一的数值尺度，便于后续多指标合成与因子暴露比较。对于由多个底层指标构成的风格因子，各底层指标完成上述处理后，再按照相应权重合成为最终的风格因子暴露。正交化部分风格因子在经济含义和底层数据上存在较强相关性，如果直接同时进入横截面模型，可能造成风险来源混杂并提高因子收益估计误差。正交化的基本思路是将待处理因子对相关风险因子进行横截面回归，并使用回归残差作为新的因子暴露。若待处理因子x、需要剔除的正交对象为Z，则可概括表示为：�=�+��+�,����ℎ=�由于残差部分�Z度上降低特定因子之间的线性共线性。→异常值处理→缺失值处理→底层指标标准化→风格因子合成→必要的正交化→最终因子暴露。16个稳定风格因子的构建图表2：BarraCNLT16个风格因子定义风格因子底层指标说明权重 定义BetaHBETA贝塔股票超额收益率��−���与市场指数超额收益率1 ��−���的回归系数：��−���=�+���−���+��Book-to-PriceBTOP账面市值比1最近报告的普通股账面价值除以当前市值。Dividend-YieldDTOP股息率112（��除以上月月末股价���=−������/𝑀注：1. ����=���−��−1−��,EarningsQuality

ABS 资产负债表应计项目 0.5

其中：𝑁�=𝑀−���ℎ−(𝑇−��)2.𝑀��为总带息债务，𝑀为折旧与摊销之和。���=−������/𝑀注：ACF 现金流量表应计项目 0.5VSAL 营业额的波动性 0.3

1. ���=��−����+���)+����为净利润,��为投资活动的净现金流，𝑀为折旧与摊销之和。（过去五年）年度营业收入标准差/年度营业收入均值。EarningsVariability

VERN 盈利的波动性 0.3 （过去五年）年度盈利的标准差/年度盈利均值。VFLO 现金流的波动性 0.3 （过去五年）年度现金流标准差/年度现金流均值。ETOPF性ETOPF性预测市盈率0.25未来12个月的预测盈利除以每日股价。CETOP现金市盈率0.25过去12个月的现金盈利除以当前市值。ETOP滞后市盈率0.25过去12个月的盈利除以当前市值。EM企业乘数0.25上一年的息税前利润（𝐴��）除以当前企业价分析师预测长期盈利增EGRLF 0.33 分析师预测的长期盈利增长率。

预测收益市盈率的波动

0.1

预测12月的每股收益（𝐷�）标准差/当前股价。EarningsYieldGrowthInvestmentQuality

将过去五个财年的年度每股收益与时间进行回归，再用回归系数除以年度每股收益的均值。EGRO长率EGRO长率每股收益增长率0.33SGRO销售增长率0.33AGRO总资产增长率0.33CXGRO资本支出增长率0.33IGRO发行量增长率0.33最近三个财年的总资产对时间回归的斜率，除以平均总资产，再取相反数。平均资本支出，再取相反数。平均流通股本，再取相反数。𝑇𝐿=��+��+����Leverage MLEV 市场杠杆率 0.33

注：��：上个交易日的市值��：最近报告的长期负债��:优先股权益DTOA 资产负债比 0.33 注

�𝑁�=𝑇𝑀LiquidityMidCapitalizationMomentum

𝑇：总负债（包括长期负债和流动负债）𝑀：最近报告的总资产账面价值��𝐿=��+��+��BLEV账面杠杆率BLEV账面杠杆率0.33注：1. ��：最近报告的普通股账面价值2. ��:优先股权益3. ��：最近报告的长期负债STOM月度换手率0.25过去21个交易日的每日换手率之和的对数。STOQ季度换手率0.25过去三个月的月均换手率的对数。STOA年度换手率0.25过去一年的月均换手率的对数。252天内每日交易的股票百分比进行加ATVR年化交易量比率0.2563天的半衰期进行指数加权。1.计算非滞后的长期相对强度：股票对数收益率的756195LTRSTR长期相对强度0.5个交易日。2.273个交易日的均值，再取相反数。1.756个交易日的时间窗口和195个交易日的半衰期计算出LTHALPHA长期历史alpha0.5ALPHA。2.273个交易日的均值，再取相反数。MID-CAP中盘/非线性市值1公司总市值（Size）的立方。1.个股相对市场的对数超额收益在过去252个交易日的时间窗口内的指数衰减加权和，权重的半衰RSTR非滞后的相对强度0.5期为126个交易日。2.个交易日的均值。HALPHAalpha0.5计算BETA的模型时的截距项。����=log��𝑚�𝐿 SizeSIZE市值1注：1. ��𝑚�𝐿（总市值）：公司Profitability 资产周转率 0.25 注：

�𝑁=𝑚���𝑀Sales12个月的营业总收入GP 资产毛利率 0.25注：

𝐷=𝑚���−����𝑀1. COGS：营业成本GPM 销售毛利率 0.25 𝐷�=𝑚���−����𝑚���𝑁�=𝑚�����ROA资产回报率ROA资产回报率0.25DASTD日波动率0.33注：1. Earning：净利润ResidualVolatility

CMRA 累计收益范围 0.33HSIGMA 历史波动率

过去252个交易日的日超额收益率的波动率，半衰期为42个交易日。12个月内累计超额对数收益率最高和最低的股票之差。设��T个月的累计超额对数21个交易日。1Z(T)=Σ�[ln1+��−ln1+���其中，��T（21天内复利)是无风险回报率。1A=��−��Max��,�min=Min��,12回 归 模 型 ��−���=�+���+��残差的波动率。�=���(��)使用过去252个交易日的日收益率进行估计，半衰期为63个交易日。下表展示了16个风格因子的定义和计算方法。CNTR4个快速风格因子的构建CNTR在16个稳定风格因子的基础上增加AnalystSentiment、IndustryMomentum、SeasonalityReversal4个快速风格因子。下表展示了这四个因子的计算方式：图表3：BarraCNTR4个快速风格因子定义风格因子底层指标说明权重定义RR盈利预测修正比率0.33先计算盈利预测正向修正数量与负向修正数量之差3个月进行加权移动Analyst

分析师预测盈利收益率变化

0.33

平均。先计算分析师预测Earnings-to-Price（盈利收益率4动平均。EPSF_C0.33化EPSF_C0.33化化，再对过去4个月进行加权移动平均。基于过去126日个股相对强弱，按平方根市值加权IndustryMomentumINDMOM行业动量1 33日滞后处理。SeasonalitySEASON季节性统计过去5年中相同日历日期之后一个月的日收益1率，以其平均收益率除以收益率标准差Short-TermReversalSTREV短期反转1 63个交易日相对市场的对数超额收益

先计算分析师预测每股收益（EPS）的月度相对变四.横截面回归与因子收益估计在完成市场、行业及风格因子暴露构建后，需要进一步利用股票截面收益估计各风险因子的当期收益率。本文沿用前文的多因子收益分解框横截面收益模型t上，以股票当期超额收益��,�变量，通过横截面回归估计市场、行业及风格因子的当期收益率。具体模型仍表示为：� =�

+� ������+� ���������+��,�

�,

�=1

�,�,

�,

1

�,�,

�,

�,�其中，各变量含义与（2.1）中式一致，��,�，����和���𝑡�为本期需要�,� 通过横截面回归估计的因子收益率，��,�为股票特质收益。加权与最小二乘回归约束普通最小二乘回归默认每只股票具有相同权重，但在股票横截面中，不同规模公司的市场影响程度存在明显差异。为降低小市值股票对回归结果的过度影响，同时避免直接采用市值加权导致少数超大市值股票占据过高权重，本文采用平方根市值加权最小二乘法估计因子收益率。对于N只股票，回归参数通过最小化加权残差平方和得到：� � �inΣ���−�−Σ���������−Σ����������1

�� �=1

�� ��=1i�

= ���1Σ���1其中，��i由于每只股票均属于且仅属于一个行业，全部行业虚拟变量之和与市场因子暴露存在完全线性关系。如果直接同时估计市场因子和全部行业因子，回归模型将出现完全共线性。为保证模型具有唯一可识别的解，需要对行业因子收益加入市值加权约束：��Σ������=0��=1�其中，��为第k个行业在当期样本中的市值权重，����为该行业的0，从而将市场整�五.风格因子特征与有效性分析因子评价指标IC及t值绝对值均值及|�|2波动率，以刻画因子收益的方向和波动特征。ICIC均值、ICICIR。同时，按照因子暴露由低到高将股票划分为十组，比较各组下一期收益及累计超额净值，以观察因子暴露对股票收益的截面区分特征。16CNTR4个快速风格因子采用统一口径进行评价；此外，本文进一步比较两类因子的跨期暴露稳定性，以考察其信息衰减速度及投资期限特征。稳定风格因子综合表现16IC及十分组表现，对各类稳定风格因子的实证特征进行分析。波动类因子：Beta，ResidualVolatility图表4：波动类因子统计检验ICIRICIRIC胜率IC均值因子收益率标准差（年化）因子年化收益率因子名称 t值绝对值均值 |�|>2比Beta 3.84 0.65 3.67% 0.05 -0.004 47.8% -0.021Residual

3.62 0.63 -8.97% 0.04 -0.050 34.7% -0.343 Volatility Volatility规模类因子：Size，MidCapitalization，Liquidity图表7：规模类因子统计检验因子名称因子名称t值绝对值均值 |�|>2比因子年化因子收益率标IC均值IC胜率ICIR收益率准差（年化）收益率准差（年化）Size 3.610.62-2.67%0.04-0.01145.5%-0.071Mid 2.420.47-2.04%0.02-0.01542.1%-0.143Liquidity 1.950.40-5.57%0.03-0.03242.2%-0.173CapitalizationBo-t-rernnsdDvendd，Growth收益率准差（年化）Book-to-Price 1.690.34收益率准差（年化）Book-to-Price 1.690.340.15%0.020.02456.7%0.168Earnings 1.650.331.56%0.020.02156.1%0.168Dividend 1.100.140.15%0.010.01354.2%0.136Growth 1.140.17-0.08%0.010.00149.7%0.012因子名称 因子名称 t值绝对值均值 |�|>2比因子年化因子收益率标IC均值IC胜率ICIRYieldYieldYieldYield质量类因子：LeverageEarningsVariabilityEarningsQuality，Profitability，InvestmentQuality图表16：质量类因子统计检验因子名称因子名称t值绝对值均值 |�|>2比因子年化 因子收益率标IC均值IC胜率ICIR收益率准差（年化）Leverage 1.21收益率准差（年化）Leverage 1.210.19-0.03%0.010.00550.7%0.046Earnings 1.340.230.35%0.02-0.00943.5%-0.147Earnings 1.070.141.32%0.010.00453.0%0.068Profitability 1.520.280.77%0.020.00251.0%0.019Investment 1.510.29-0.20%0.010.00654.1%0.071QualityVariabilityQualityQuality趋势类因子：Momentum，Long-TermReversal图表22：趋势类因子统计检验因子名称因子名称t值绝对值均值 |�|>2比因子年化 因子收益率标IC均值IC胜率ICIR收益率准差（年化）收益率准差（年化）Momentum 3.650.652.45%0.04-0.00748.6%-0.0471.840.371.52%0.020.00854.0%0.088Reversal快速风格因子综合表现图表25：快速风格因子统计检验因子名称 因子名称 t值绝对值均值|�|2因子年化 因子收益率标IC均值IC胜率ICIRAnalyst 1.41Analyst 1.410.27收益率3.30%准差（年化）0.010.00957.5%0.1454.210.697.59%0.040.03358.5%0.203Seasonality 1.300.211.57%0.010.00352.5%0.043Industry 1.920.382.29%0.03-0.01247.3%-0.084MomentumSentimentReversalMomentum稳定与快速风格因子的暴露稳定性比较因子暴露稳定性用于衡量同一因子在不同时点上的股票截面暴露是否保持一致，本文通过计算相隔1、5、20和60个交易日的因子暴露截面相关系数，比较稳定与快速风格因子的变化速度。图表30：20个风格因子的暴露稳定性热力图16个稳定风格因子在不同时间间隔下均保520使延长至60个交易日仍维持在较高水平。相比之下，CNTR41日的0.9750.8120600.36和0.05。随着时间间隔拉长，两类因子的稳定性差异显著扩大。图表31：稳定与快速风格因子的暴露稳定性比较Rversl和esoaity20日进一步接