【华泰金工林晓明团队】7月因子观点:价值风格在望,如何优化估值因子

（以下内容从华泰证券《【华泰金工林晓明团队】7月因子观点:价值风格在望,如何优化估值因子》研报附件原文摘录）
　　林晓明 S0570516010001 SFC No. BPY421 研究员 何 康 S0570520080004 研究员 SFC No.BRB318 王晨宇 S0570522010001 研究员 陈 伟 S0570121070169 联系人 本文源自2022年7月8日发布的研报《价值风格在望，如何优化估值因子》，对本文的完整理解请参见研报原文。 摘要 7月因子观点：多维度看好估值与量价类因子 综合内生变量、外生变量、因子周期与日历效应等视角，7月看好估值与量价类因子。内生变量视角短期看好换手率、波动率、估值因子，不看好财务质量、Beta因子。外生变量视角看好估值、换手率、波动率因子，不看好小市值、Beta因子。因子时钟视角长期看好小市值、反转、技术、波动率、换手率因子，因子周期拟合结果显示估值、小市值、反转、换手率、技术因子较为优势。从日历效应来看，7月看好估值、成长、换手率、技术因子。 估值指标存在尾部偏差，基于基本面信息可进一步改良 估值指标基于历史的横截面信息进行定价，但低估值个股可能具有相对更低的增长预期或增长性风险，常规估值指标难以充分解释定价因素；特别的，极端值个股包含更多的不确定因素，可能对因子的有效性产生干扰。Macquarie Research提出了基于基本面亏损（Lossmaker）信息特征，对估值指标进行调整，对净利润与经营性净现金流为负的样本降低估值。在A股市场的实证显示，该方法对于BP指标有较好的改进效果，能够明显提升BP指标的尾部稳定性和IC_IR。该方法提供了纯数值层面的调整方案，避免了信息损失，对多因子模型具有一定的参考价值。 内生变量视角：短期看好换手率、波动率、估值 内生变量视角基于因子动量、因子离散度、因子拥挤度三类指标，预测风格因子未来表现，因子动量反映因子过去一段时间内表现；因子离散度相当于因子估值；因子拥挤度反映因子是否处于拥挤状态。内生变量对大类风格因子7月表现预测结果如下：看好换手率、波动率、估值因子，不看好财务质量、Beta因子。其中，波动率和换手率因子在因子动量与拥挤度维度均相对突出；换手率因子离散度占优，被忽视程度可能较高；估值因子各维度较为均衡，在因子动量维度上相对优势更大。 外生变量视角：短期看好估值、换手率、波动率 外生变量视角假设风格因子表现受市场变量、宏观变量等外生变量驱动，对每个大类风格因子筛选出具备预测能力的外生变量，使用线性回归预测未来一个月的Rank IC值。外生变量对大类风格因子7月Rank IC预测结果如下：估值、换手率、波动率因子Rank IC预测值超过10%，可能较为有效，建议短期看多上述因子表现；不看好小市值和Beta因子未来一个月的表现，因子表现可能受宏观环境制约。 因子周期视角：长期看好小市值、反转、技术、波动率、换手率因子 当前库兹涅茨周期已处于顶端，即将迎来拐点进入下行区间；朱格拉周期向下，流动性趋于宽松。当前周期运行状态即将进入第三象限，长期建议配置小市值、反转、技术因子。另外，波动率、换手率因子在不同的宏观环境下表现都较好，这两个因子建议长期配置。综合来看，预测未来一年小市值、反转、技术、波动率、换手率因子有效。 风险提示：风格因子的效果与宏观环境和大盘走势密切相关，历史结果不能预测未来。金融周期规律被打破。市场出现超预期波动，导致拥挤交易。 7月因子观点：看好估值与量价类因子 综合内生变量、外生变量、因子周期与日历效应等视角，7月看好估值与量价类因子。内生变量视角短期看好换手率、波动率、估值因子，不看好财务质量、Beta因子。外生变量视角看好估值、换手率、波动率因子，不看好小市值、Beta因子。因子时钟视角长期看好小市值、反转、技术、波动率、换手率因子，因子周期拟合结果显示估值、小市值、反转、换手率、技术因子较为优势。日历效应7月看好估值、成长、换手率、技术因子。 内生变量视角基于因子动量、因子离散度、因子拥挤度三类指标，预测风格因子未来表现，因子动量反映因子过去一段时间内表现；因子离散度相当于因子估值；因子拥挤度反映因子是否处于拥挤状态。内生变量对大类风格因子7月表现预测结果如下：看好换手率、波动率、估值因子，不看好财务质量、Beta因子。其中，波动率和换手率因子在因子动量与拥挤度维度均相对突出；换手率因子离散度占优，被忽视程度可能较高；估值因子各维度较为均衡，在因子动量维度上相对优势更大。 外生变量视角假设风格因子表现受市场变量、宏观变量等外生变量驱动，对每个大类风格因子筛选出具备预测能力的外生变量，使用线性回归预测未来一个月的Rank IC值。外生变量对大类风格因子7月Rank IC预测结果如下：估值、换手率、波动率因子Rank IC预测值超过10%，可能较为有效，建议短期看多上述因子表现；不看好小市值和Beta因子未来一个月的表现，因子表现可能受宏观环境制约。 因子周期视角将华泰金工经济周期研究成果应用于风格配置，自上而下构建经济系统周期运行状态与因子表现对应关系的“因子投资时钟”，根据当前周期状态预测因子未来表现的整体趋势。库兹涅茨周期已处于顶端，即将迎来拐点进入下行区间；朱格拉周期向下，流动性趋于宽松。当前周期运行状态即将进入第三象限，长期建议配置小市值、反转、技术因子。另外，波动率、换手率因子在不同的宏观环境下表现都较好，这两个因子建议长期配置。综合来看，预测未来一年小市值、反转、技术、波动率、换手率因子有效。 进一步结合因子周期拟合的结果，估值、小市值、反转、换手率、技术因子处于上行轨道；盈利、财务质量因子已经处于下行周期末端；成长因子从底部进入回升阶段；波动率因子上行趋缓，可能接近顶部；Beta因子由顶部进入下行区间。 进一步观察各风格因子在各自然月份胜率，根据历史经验，7月估值、成长、反转、换手率、技术因子的Rank IC为正概率较高；估值、成长、盈利、换手率、技术因子收益率为正概率较高。通过加总的方式综合来看，估值、成长、换手率、技术因子7月相对较优，财务质量、Beta因子胜率较低。 基于基本面亏损的估值指标调整思路 就前文多维度的分析来看，未来价值风格具有相对可观的潜力。对于量化投资实践，估值指标是价值投资的核心度量，包括应用最为广泛的市净率PB与市盈率PE，以及PS、PD、PCF等结构相似的比率型估值指标。以本报告为例，我们对估值因子的构建采用PE、PB、PS、PD四个指标的倒数进行合成，对不同维度的基本面信息起到一定的聚合作用。 一般逻辑来看，低估值的股票拥有更大的回升空间，具备更好的投资价值；但在市场实践中，“低估值陷阱”并不鲜见，低估值的个股容易面临进一步的股价下滑。常见估值指标的分母端立足历史的横截面信息，而低估值个股可能具有相对更低的增长预期或增长性风险，常规估值指标难以充分解释市场的定价。特别的，估值指标处于极端值的个股可能包含更多的未考虑因素，从而对因子的有效性产生干扰。 参考海外文献，Macquarie Research在Quantamentals – Anatomy of Value（2021）一文中对估值因子的应用进行了剖析；其中对于BP（市净率倒数），文章发现指标与收益率的线性特征偏弱，指标尾部组合的稳定性偏低。 文章基于MSCI World成分股票池的分层测试显示，BP分层组合的收益保序性弱于EP指标，头尾两端胜率和超额收益率明显偏高，而高估值部分分层与收益的相关性与直观逻辑相反，BP估值越贵的组合在收益水平上反而有所提升。此外，BP分层组合在尾端（低估值）组的跟踪误差也明显更大。整体而言，EP指标的保序性和稳定性较BP更强。 对于该现象，文章认为由以下原因导致：1. BP不含有经营与利润相关的动态信息，无法反映企业的盈利效率；2. 会计价值不等价于内在价值，可能还收到无形资产等因素的影响；3. 不同性质企业的会计科目与处理方法存在差异；4. 低BP企业往往有着更高的增长不确定性。基于以上想法，文章提出了针对基本面亏损股票（Lossmaker）的调整思路，即当个股的基本面（包括净利润和经营性净现金流）出现负值时，对该股票的估值指标值进行降级。其计算方法如下图所示：当股票出现单一层面的亏损时，将对应指标降低1.5倍的标准差；当股票在两个层面均呈现负值时，则将指标降低3倍的标准差。 A股估值指标的尾部偏移情况分析 作为参考，我们在A股中对该思路进行初步检验。首先对BP和EP的指标进行类似的分层回测；由于没有明确的基准，我们采用横向Rank化的方式将单期收益转化为1-10分，以重点观察分层之间的横向关系；其中，分值越高代表收益越靠前。进一步的，我们观察中信一级行业中性化后指标的表现情况，并基于Rank IC统计因子间的表现差异。 基于中证全指样本池的分层测试可以较明显的看出，估值指标的低估值端有较明显的非线性特征，最低估层的表现整体弱于次低估层；而在EP指标中，高估端组合同时出现了反常的表现提升。同时，两种指标的头尾端组合的排名标准差明显高于其余分层，与原文的结果较为吻合。横向对比BP与EP指标，在同样的行业中性化处理场景下，EP指标的IC标准差低于BP因子，在稳定性上可能相对更佳。我们同时在整体流动性和市值更高的中证800指数成分股票池中进行验证。 可以看到，在Rank均值分布上，估值指标在中证800指数成分股中呈现类似的现象，即低估端的表现相对偏弱，标准差则明显偏高。同时注意到，行业中性化对于指标的整体保序性和稳定性有所提升，且对于BP指标的效果更加明显。 基于基本面亏损的指标调整验证 下一步，我们基于基本面亏损指标对估值因子进行调整，观察该方法是否能够在A股市场中对因子起到优化效果。在对于基本面亏损的指标处理上，我们按照原文的思路，分别选择最近报告期的净利润TTM与自由现金流TTM指标，以反映近一年以来个股的基本面状况。我们首先对中证全指和中证800股票池中的Lossmaker比例进行统计，并比较海外市场的分布情况。 与文章中的统计结果对比来看，A股与S&P ASX300股票池的净利润和经营性净现金流亏损比例相对接近，大部分区间在30%以内波动；同时可以发现，A股中净利润亏损的比例整体低于经营性净现金流亏损比例，但海外样例市场则相反。 从结果来看，基于基本面亏损调整后的BP指标在整体线性特征及尾部保序性上均有所提升，在结合行业中性化后效果较为理想，但尾部组合的标准差仍旧偏高；对于EP指标，处理后的效果相对弱于BP指标，可能由于EP指标本身含有盈利相关的信息，进一步调整反而对原分布造成干扰。从IC统计上看，该处理对BP因子的稳定性和IC_IR有较显著的提升，在中证全指样本内均超过EP。 相似的，在中证800成分股票池中我们得到了近似的结论，基于基本面亏损的调整对BP指标的收益线性相关性、尾部保序性和稳定性均有所提升；对于EP指标影响相对较小。对比处理前的表现，BP指标的稳定性与IC_IR均有较大提升。 小结 从统计结果来看，常规估值指标的形式较为简洁，难以充分涵盖定价因素；而处在头尾端的股票样本稳定性明显更低。Macquarie Research提出了基于基本面亏损特征对估值指标的调整思路，针对净利润和经营性净现金流的亏损，相应调低估值，并发现该方法对BP指标较为有效。 从A股市场的实证来看，经过基本面亏损指标调整后，BP指标的稳定性提升明显，IC_IR有较显著的提高，该方法具有一定的可行性与普适性。同时，相比于直接剔除极端样本，纯数值层面的处理方案样本信息损失较小，对于多因子模型或具有一定的优势 该方法的立意是引入多维信息，对常规估值指标进行补正，是值得参考的思路。但与此同时，该方法在亏损特征选取、参数设置上较为主观和朴素，也并未给出优化过程或相对严格的关系推导。在实际应用层面，该方法或有进一步优化的空间。 因子表现回顾 6月大类风格因子表现 大类风格因子6月在全A股票池的Rank IC值和因子收益率如下图所示。反转因子表现较好，Rank IC超过10%；成长、盈利、换手率因子均呈现正向的Rank IC和收益率；财务质量、波动率因子同样呈现正向Rank IC，但收益率出现一定背离。估值、小市值、技术、beta等因子均呈现回撤。 近1年大类风格因子表现 我们对大类风格因子近12个月的Rank IC值做累加，得到各月累计Rank IC值，如下图所示。总的来看，波动率、反转、换手率因子近1年整体表现良好；估值与小市值因子在整个区间内表现较好，但近两个月有所走弱。技术因子2021年下半年表现相对较好，但2022年以来整体平庸。成长、Beta、盈利、财务质量等因子近一年来均未呈现明显优势。 近1年细分因子表现 计算34个细分因子9月Rank IC值，以及近12个月的月频Rank IC值。将近12个月Rank IC的均值除以标准差，得到近1年IC_IR。近期细分因子表现如下图所示。 因子表现计算方法 因子T月表现的计算方法可以简要描述为： 1. 以T-1月最后一个交易日为截面期，以全A股为股票池，计算附录一中10大类共34个细分因子值。对每一大类风格因子内部各细分因子做去极值、标准化预处理及因子方向调整，再等权合成，得到截面期大类风格因子值。 2. 计算T月股票池内个股区间收益。 3. 对大类风格因子或细分因子做去极值、标准化和行业市值中性化预处理，计算T-1月预处理后因子与T月个股区间收益的Spearman秩相关系数，即T月因子Rank IC值。 4. 对大类风格因子值、个股总市值做去极值和标准化预处理，以T-1月预处理后大类风格因子值、预处理后个股总市值、中信一级行业哑变量为自变量，以T月个股区间收益为因变量，以流通市值平方根为权重，做加权线性回归，大类风格因子值对应的回归系数即为T月大类风格因子收益率。 详细计算方法请参见附录二。 内生变量视角 内生变量视角基于因子动量、因子离散度、因子拥挤度三类指标，预测风格因子未来表现。因子动量反映因子过去一段时间内表现；因子离散度相当于因子估值，高因子离散度反映因子被过度忽视，低因子离散度反映因子被过度投资；因子拥挤度反映因子是否处于拥挤状态。一般看好高因子动量、高因子离散度、低因子拥挤度因子短期表现，三项指标在截面和时序上均有预测效果。 内生变量综合预测结果 基于因子动量、因子离散度、因子拥挤度三类指标，分别从截面和时序角度，对大类风格因子7月的表现进行打分预测，综合预测结果如下表所示。总体来看，看好换手率、波动率、估值因子，不看好财务质量、Beta因子。其中，波动率和换手率因子在因子动量与拥挤度维度均相对突出；换手率因子离散度占优，被忽视程度可能较高；估值因子各维度较为均衡，在因子动量维度上相对优势更大。 综合预测得分是以下6项细分指标的均值： 1. 归一化截面因子动量； 2. 因子动量历史分位数； 3. 归一化截面因子离散度； 4. 因子离散度历史分位数； 5. 1－归一化截面因子拥挤度； 6. 1－因子拥挤度历史分位数。 其中，归一化采用min-max归一化，根据截面上各类因子相应指标最小值和最大值，将其缩放至[0, 1]范围内；历史分位数取每个因子最新月末截面期相应指标，在其历史上（自2007年1月末截面期开始）所处分位数，本身在[0, 1]范围内；因子拥挤度为反向指标，故用1减去相应指标。 因子动量 定义因子动量为因子在过去12个月末截面期的21日Rank IC均值。从截面角度看，小市值、波动率、换手率因子动量较强，成长、盈利、财务质量因子动量较弱。从时序角度看，估值因子动量处于历史高位，超过2007年以来的80%分位数水平；盈利因子动量处于历史低位，在2007年以来的20%分位数以下。 因子离散度 因子离散度计算方式为： 1. 在月末截面期，取每个中信一级行业因子值排名前20%个股的因子值中位数，以及因子值排名后20%个股的因子值中位数，两者求差值； 2. 30个行业的差值求平均值，得到当前截面期该因子离散度原始值； 3. 对当前截面期因子离散度原始值做标准化，计算其在过去72个月末截面期的Z分数。 从截面角度看，换手率、盈利和技术因子离散度相对较高，财务质量和Beta因子离散度相对较低。从时序角度看，换手率和技术因子离散度处于历史高位，超过2007年以来的80%分位数水平，处于相对被忽视状态；财务质量因子离散度处于历史低位，低于2007年以来10%以下分位数水平，可能处于过度投资状态。 因子拥挤度 因子拥挤度计算方式为： 1. 在每个月末截面期，分别计算个股a）过去63个交易日的日度涨跌幅标准差作为波动率指标，b）过去63个交易日的日均换手率作为换手率指标，c）过去63个交易日个股收益与万得全A收益线性回归的回归系数作为Beta指标； 2. 取各个中信一级行业因子值排名前20%个股的波动率/换手率/Beta均值，以及因子值排名后20%个股的波动率/换手率/Beta均值，两者求比值； 3. 对波动率、换手率、Beta的三个比值求均值，得到当前截面期该因子拥挤度。 从截面角度看，小市值和成长因子拥挤度相对较高，波动率和换手率因子拥挤度相对较低。从时序角度看，Beta因子拥挤度处于2007年以来较高水平，可能处于交易拥挤状态；反转因子拥挤度低于2007年以来的20%以下的历史分位数水平，交易相对不拥挤。 外生变量视角 外生变量视角假设风格因子表现受市场变量、宏观变量等外生变量驱动，对每个大类风格因子筛选出具备预测能力的外生变量，使用线性回归预测未来一个月的Rank IC值。以下分别展示最新一期预测方法及预测结果。 外生变量选取 选取6项市场指标和13项宏观指标作为外生变量。选择沪深300和中证500月涨跌幅、月波动率及月均换手率，用于表征市场行情的变化。从国民经济核算、工业、价格指数、银行与货币、利率与汇率5个方面，选择较常用的13项宏观指标。 时间序列回归模型的一个重要前提是自变量为平稳时间序列，而大部分宏观指标和市场指标在时间序列上的分布非平稳，不符合预测模型对自变量的假设，因此我们针对不同的外生变量，进行一定差分处理或计算变化率，使得外生变量在单位根检验下均为平稳时间序列。另外，部分宏观变量数据发布具有滞后性，我们在建模时将这部分宏观数据按其实际发布时间滞后使用。例如，T-1月的M1同比数据通常在T月中旬公布，因此我们在T月末建模时用到的是T-1月的M1同比数据。 下表展示具体19项外生变量及其所属类别和变量处理方法。为了更清楚地展示部分宏观变量的滞后期，我们以T月末为截面期，最右列为外生变量能取到的最新数据时间。 外生变量预测方法 参考Hua，Kantsyrev和Qian于2012年发表论文Factor-Timing Model，使用外生变量预测大类风格因子Rank IC值。首先使用条件期望模型和AIC准则，在T-1月最后一个交易日，对每个大类风格因子筛选出可能影响因子Rank IC值的条件变量；其次将大类风格因子与筛选出的条件变量做线性回归，预测T月的因子Rank IC值。 条件期望模型 假设单个风格因子Rank IC时序向量Y与外生变量时序向量X的联合分布服从多元正态分布，即： 则在给定X＝x的情况下，Y的条件分布仍为正态分布，条件数学期望和条件方差分别为： 其中E(Y|X=x)称为Y关于X的回归，它是x的线性函数。 AIC和AICc准则 使用AIC赤池信息量准则衡量统计模型拟合优良性。相比其它模型评价指标，AIC的优势在于兼顾模型简洁性和准确性。在进行多个模型比较和选择时，通常选择AIC最小的模型。 基于条件期望模型的AIC计算公式如下： 其中T为样本窗口长度，N为风格因子数量（这里固定为1），K为外生变量数量。 当样本数量较小时，基于AIC的方法可能会产生模型过拟合问题。为避免此问题，研究者提出AICc指标，在AIC上添加小样本误差修正量。基于条件期望模型的AICc计算公式如下： 外生变量筛选流程 样本区间内筛选外生变量流程如下图所示，具体步骤为： 1. 最优外生变量集合S_0初始为空集，AICc初始值AICc_0＝T·log(|Σ_XX|)； 2. 遍历不在S_i中的每个外生变量k，计算将k加入到集合S_i后模型AICc值，取最小值AICc_min； 3. 若AICc_min小于AICc_i，则转向第4步；否则筛选结束，集合S_i为最优外生变量集合；将AICc_min对应的外生变量k加入S_i，即S_(i+1)＝S_i∪{k}，AICc_(i+1)为基于外生变量集合S_(i+1)计算得到的AICc，并转至第2步。 回归预测模型构建 对于每个大类风格因子，取样本区间为过去72个月，分三步预测未来一个月Rank IC值： 1. 使用AICc在样本区间内筛选出对因子Rank IC值具有解释能力的外生变量； 2. 将筛选出来的全部外生变量纳入回归模型，在样本区间内构造因子Rank IC值序列关于外生变量的多元线性回归模型； 将最新一期的外生变量代入回归模型，得到未来一个月的因子Rank IC预测值。 外生变量预测结果 外生变量对大类风格因子7月Rank IC预测结果如下图所示。估值、换手率、波动率因子Rank IC预测值超过10%，可能较为有效，建议短期看多上述因子表现；不看好小市值和Beta因子未来一个月的表现，因子表现可能受宏观环境制约。 因子预测结果解读 下面展示各个大类风格因子Rank IC预测值，以及进入回归模型的外生变量对预测结果的贡献情况，贡献度定义为自变量与回归系数的乘积。 下面尝试对预测Rank IC绝对值超过10%的风格因子进行解读。在构建回归模型前，我们对部分外生变量进行了差分处理或计算变化率，在解读预测结果时，我们应关注这些外生变量取值的边际变化，而非变量值本身。 1． 估值因子：Rank IC预测值为17.7%。回归模型截距项为6.8%，表明估值因子存在长期正收益。SHIBOR1W变化率较前值上升1.85pct，为Rank IC预测值提供8.6%的正向贡献，是影响该因子Rank IC预测值的主要因素； PPI同比下降0.8%，为Rank IC预测值提供2.3%的正向贡献。 2．波动率因子：Rank IC预测值为22.4%。回归模型截距项为9.8%，长期看波动率因子存在正收益。SHIBOR1W变化率较前值上升1.85pct，为Rank IC预测值提供11.1%的正向贡献；中证500月均换手率一阶差分较前值上升0.44pct，为Rank IC预测值提供1.5%的正向贡献。 3．换手率因子：Rank IC预测值为17.2%，其中回归模型截距项为9.6%，表明换手率因子长期存在正收益。SHIBOR1W变化率较前值上升1.85pct，为Rank IC预测值提供5.9%的正向贡献；中证500月均换手率一阶差分较前值上升0.44pct，为Rank IC预测值提供1.7%的正向贡献。 另外，小市值因子的外生变量预测Rank IC为-0.3%，beta因子外生变量预测Rank IC为为-0.9%，7月因子预期表现可能不理想。 因子周期视角 因子周期视角将华泰金工经济周期研究成果应用于风格因子表现预测。预测分为两部分：自上而下构建经济系统周期运行状态与因子表现对应关系的“因子投资时钟”，根据当前周期状态预测因子未来表现的整体趋势；自下而上对风格因子去趋势累计收益率进行三周期回归拟合，外推因子未来表现的边际变化。与前述内生变量、外生变量视角不同，因子周期视角侧重于对因子中长期表现的预测。 自上而下预测整体趋势：因子投资时钟 对因子周期的研究发现，大部分因子的中长期走势与经济形势挂钩，影响较为明显的两个因素是经济增长和流动性，前者可使用库兹涅茨周期刻画，后者可使用朱格拉周期辅助判断。我们借助这两个变量将经济环境分为四种情况，不同经济周期下因子表现分类如下图所示，称之为因子投资时钟。因子投资时钟的详细构建方法请参考华泰金工研究报告《周期视角下的因子投资时钟》（20181011）。 在不同资产类别中，商品是靠近实体经济的一种资产，商品价格长周期上的波动在一定程度上反映了实体经济的总需求，因此可借助商品识别经济的中长期波动。CRB综合现货指数三周期分解结果如下图所示，库兹涅茨周期已处于顶端，即将迎来拐点进入下行区间；朱格拉周期向下，流动性趋于宽松。当前周期运行状态即将进入第三象限，长期建议配置小市值、反转、技术因子。另外，波动率、换手率因子在不同的宏观环境下表现都较好，这两个因子建议长期配置。综合来看，预测未来一年小市值、反转、技术、波动率、换手率因子有效。 自下而上预测边际变化：因子周期回归拟合 下面展示各个大类风格因子三周期回归拟合结果。三周期回归拟合详细方法请参考华泰金工研究报告《因子收益率的周期性研究初探》（20180605）。图中红线为去趋势后因子累计收益率，灰线为回归拟合曲线，灰线相对红线的延伸部分为因子未来一年表现边际变化情况预测。综合来看，估值、小市值、反转、换手率、技术因子处于上行轨道；盈利、财务质量因子已经处于下行周期末端；成长因子从底部进入回升阶段；波动率因子上行趋缓，可能接近顶部；Beta因子由顶部进入下行区间。 风险提示 风格因子的效果与宏观环境和大盘走势密切相关，历史结果不能预测未来。金融周期规律被打破。市场出现超预期波动，导致拥挤交易。 附录 附录一：所有细分因子计算方法 上表第四列因子方向解释：取值为1代表因子值越大越好，-1代表因子值越小越好。当采用等权法合成风格因子时，需将因子值乘以因子方向之后再相加。 附录二：风格因子合成、Rank IC值计算、因子收益率计算方法 我们以某一截面期T估值类风格因子的合成为例，具体说明风格因子合成过程： 1. 因子原始值计算：设第T期指定股票池（全A股）内共存在N只股票，首先根据附录一表格计算细分因子EP、BP、SP、股息率在第T期的值，均为N×1维向量； 2. 因子的行业与市值中性化处理：用OLS线性回归拟合 取上述回归方程的残差向量替代原始计算的因子值X^T作为第T期因子X的新值，仍记为X^T，这里的X指代EP、BP、SP、股息率等细分因子（特别地，若因子X为‘对数总市值’因子，则它只对行业哑变量回归，亦即对该因子只进行行业中性化处理）； 3. 因子去极值、标准化： a) 中位数去极值：对于经过中性化处理之后的因子值X^T（N×1维向量），先计算其中位数D_M，再计算|X^T - D_M|的中位数D_M1，接下来将向量X^T中所有大于D_M + 5D_M1的元素重设为D_M + 5D_M1，将向量中所有小于D_M - 5D_M1的元素重设为D_M - 5D_M1； b) 标准化：将去极值处理后的因子值X^T（N×1维向量）减去其现在的均值、再除以其现在的标准差，就得到了标准化后的新因子值，仍记为X^T； 4. 风格因子合成与Rank IC计算：将属于估值类的四个细分因子值（经过以上所有处理之后）乘以各自的因子方向（1或-1）之后直接等权相加，就得到了估值风格因子的值，与个股下期收益率向量r^(T + 1)计算Spearman秩相关系数，即得到估值风格因子的Rank IC值； 5. 细分因子的Rank IC值即用第2步处理结束后得到的因子值X^T乘以因子方向（1或-1）再与个股下期收益率向量r^(T + 1)计算Spearman秩相关系数。 6. 将T期因子值与T+1期个股收益率进行线性回归，得到的回归系数即为因子收益率。回归模型为： 在截面期对因子d进行回归测试，能够得到该因子的因子收益率。 免责声明与评级说明 公众平台免责申明 本公众号不是华泰证券股份有限公司（以下简称“华泰证券”）研究报告的发布平台，本公众号仅供华泰证券中国内地研究服务客户参考使用。其他任何读者在订阅本公众号前，请自行评估接收相关推送内容的适当性，且若使用本公众号所载内容，务必寻求专业投资顾问的指导及解读。华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。 本公众号转发、摘编华泰证券向其客户已发布研究报告的部分内容及观点，完整的投资意见分析应以报告发布当日的完整研究报告内容为准。订阅者仅使用本公众号内容，可能会因缺乏对完整报告的了解或缺乏相关的解读而产生理解上的歧义。如需了解完整内容，请具体参见华泰证券所发布的完整报告。 本公众号内容基于华泰证券认为可靠的信息编制，但华泰证券对该等信息的准确性、完整性及时效性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。 在任何情况下，本公众号中的信息或所表述的意见均不构成对任何人的投资建议。订阅者不应单独依靠本订阅号中的内容而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。订阅者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。 本公众号版权仅为华泰证券所有，未经华泰证券书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。华泰证券 具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。 林晓明 执业证书编号：S0570516010001 华泰金工深度报告一览 金融周期系列研究（资产配置） 【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121 【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116 【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法 【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022 【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826 【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率 【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下） 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上） 【华泰金工林晓明团队】周期轮动下的BL资产配置策略 【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究 【华泰金工林晓明团队】市场拐点的判断方法 【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上） 【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究 【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索 【华泰金工林晓明团队】市场周期的量化分解 【华泰金工林晓明团队】周期研究对大类资产的预测观点 【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究 【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究 【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列 行业指数频谱分析及配置模型：市场的周期分析系列之三 【华泰金工林晓明团队】市场的频率——市场轮回，周期重生 【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探 周期起源 【华泰金工林晓明团队】金融经济周期的耗散结构观——华泰周期起源系列研究之十 【华泰金工林晓明团队】经济系统中有序市场结构的进化——华泰周期起源系列研究报告之九 【华泰金工林晓明团队】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八 【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七 【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六 【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究报告之五 【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四 【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三 【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二 【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一 FOF与金融创新产品 【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究 【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一 因子周期（因子择时） 【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三 【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二 【华泰金工林晓明团队】因子收益率的周期性研究初探 择时 【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列 【华泰金工林晓明团队】A股市场低开现象研究 【华泰金工林晓明团队】华泰风险收益一致性择时模型 【华泰金工林晓明团队】技术指标与周期量价择时模型的结合 【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用 中观基本面轮动 【华泰金工林晓明团队】行业配置落地：指数增强篇——华泰中观基本面轮动系列之十 【华泰金工林晓明团队】行业配置策略：拥挤度视角——华泰中观基本面轮动系列之九 【华泰金工林晓明团队】行业配置策略：景气度视角——华泰中观基本面轮动系列之八 【华泰金工林晓明团队】行业配置策略：趋势追踪视角——华泰中观基本面轮动系列之七 【华泰金工林晓明团队】行业配置策略：宏观因子视角——华泰中观基本面轮动系列之六 【华泰金工林晓明团队】行业全景画像：投入产出表视角——华泰中观基本面轮动系列之五 【华泰金工林晓明团队】行业全景画像：改进杜邦拆解视角——华泰中观基本面轮动系列之四 【华泰金工林晓明团队】行业全景画像：风格因子视角 ——华泰中观基本面轮动系列之三 【华泰金工林晓明团队】行业全景画像：宏观因子视角 ——华泰中观基本面轮动系列之二 【华泰金工林晓明团队】确立研究对象：行业拆分与聚类——华泰中观基本面轮动系列之一 行业轮动 【华泰金工林晓明团队】不同协方差估计方法对比分析（二）——华泰行业轮动系列报告之十三 【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二 【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一 【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十 【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九 【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八 【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七 【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六 【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五 【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四 【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三 【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二 【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一 Smartbeta 【华泰金工林晓明团队】重剑无锋：低波动 Smart Beta——华泰 Smart Beta 系列之四 【华泰金工林晓明团队】投资优质股票：红利类Smart Beta——华泰Smart Beta系列之三 【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二 【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一 【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一 多因子选股 【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三 【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二 【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一 【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十 【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九 【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八 【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七 【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六 【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五 【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四 【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三 【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二 【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一 【华泰金工林晓明团队】五因子模型A股实证研究 【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二 人工智能 【华泰金工林晓明团队】新闻舆情分析的HAN网络选股——华泰人工智能系列之五十六 【华泰金工林晓明团队】图神经网络选股的进阶之路——华泰人工智能系列之五十五 【华泰金工林晓明团队】基于遗传规划的一致预期因子挖掘——华泰人工智能系列之五十四 【华泰金工林晓明团队】揭秘微软AI量化研究——华泰人工智能系列之五十三 【华泰金工林晓明团队】神经网络组合优化初探——华泰人工智能系列之五十二 【华泰金工林晓明团队】文本PEAD选股策略——华泰人工智能系列之五十一 【华泰金工林晓明团队】再探cGAN资产配置——华泰人工智能系列之五十 【华泰金工林晓明团队】SinGAN 单样本生成——人工智能系列之四十九 【华泰金工林晓明团队】对抗过拟合：cGAN应用于策略调参——人工智能系列之四十八 【华泰金工林晓明团队】cGAN模拟宏观指标——人工智能系列之四十七 【华泰金工林晓明团队】AlphaNet改进：结构和损失函数——华泰人工智能系列之四十六 【华泰金工林晓明团队】cGAN应用于资产配置——华泰人工智能系列之四十五 【华泰金工林晓明团队】深度卷积GAN实证——华泰人工智能系列之四十四 【华泰金工林晓明团队】因子观点融入机器学习——华泰人工智能系列之四十三 【华泰金工林晓明团队】图神经网络选股与Qlib实践——华泰人工智能系列之四十二 【华泰金工林晓明团队】基于BERT的分析师研报情感因子——华泰人工智能系列之四十一 【华泰金工林晓明团队】微软AI量化投资平台Qlib体验——华泰人工智能系列之四十 【华泰金工林晓明团队】周频量价选股模型的组合优化实证——华泰人工智能系列之三十九 【华泰金工林晓明团队】WGAN生成：从单资产到多资产——华泰人工智能系列之三十八 【华泰金工林晓明团队】舆情因子和BERT情感分类模型——华泰人工智能系列之三十七 【华泰金工林晓明团队】相对生成对抗网络RGAN实证——华泰人工智能系列之三十六 【华泰金工林晓明团队】WGAN应用于金融时间序列生成——华泰人工智能系列之三十五 【华泰金工林晓明团队】再探AlphaNet：结构和特征优化——华泰人工智能系列之三十四 【华泰金工林晓明团队】数据模式探索：无监督学习案例——华泰人工智能系列之三十三 【华泰金工林晓明团队】AlphaNet：因子挖掘神经网络——华泰人工智能系列之三十二 【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一 【华泰金工林晓明团队】从关联到逻辑：因果推断初探——华泰人工智能系列之三十 【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九 【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八 【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七 【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六 【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五 【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四 【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三 【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二 【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一 【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十 【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九 【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八 【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七 【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六 【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五 【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起 【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三 【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二 【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一 【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十 【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九 【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八 【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七 【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六 【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五 【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四 【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三 【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二 指数增强基金分析 【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告 【华泰金工林晓明团队】酌古御今：指数增强基金收益分析 【华泰金工林晓明团队】基于回归法的基金持股仓位测算 【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证 基本面选股 【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究 【华泰金工林晓明团队】华泰价值选股之FFScore模型 【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究 【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究 【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究 【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究 基金定投 【华泰金工林晓明团队】大成旗下基金2018定投策略研究 【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四 【华泰金工林晓明团队】基金定投3—马科维茨有效性检验 【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法 【华泰金工林晓明团队】基金定投1—分析方法与理论基础 基金评价 【华泰金工林晓明团队】基金评价及筛选全流程研究框架——股票型与债券型基金多种维度定量与定性评价法 【华泰金工林晓明团队】基金选股择时能力的定量分析法——我国公募基金大多具有较强选股能力 【华泰金工林晓明团队】基金业绩持续性的规律与策略构建——采用有效影响因子筛选出持续性较好的绩优基金 ETF季度盘点 【华泰金工林晓明团队】2021Q2中国ETF市场盘点回顾 【华泰金工林晓明团队】2021Q1中国ETF市场盘点回顾 【华泰金工林晓明团队】2020Q4中国ETF市场全景回顾——总规模创新高，行业主题类ETF渐成市场新主角20210112 【华泰金工林晓明团队】2020年三季度中国ETF市场回顾——产品百花齐放、投资者结构日渐成熟，规模创新高20201021 【华泰金工林晓明团队】ETF产品细分差异化或成突围之道——2020二季度中国ETF市场全景回顾盘点与展望20200803 【华泰金工林晓明团队】ETF规模数量大涨品类不断丰富——2020一季度中国ETF市场全景回顾盘点 其它 【华泰金工林晓明团队】A股市场及行业的农历月份效应——月份效应之二 A股市场及行业的月份效应——详解历史数据中的隐藏法则

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）