探寻风格因子周期:宏观量化能否贡献超额收益?——因子新视野研究系列之一

（以下内容从申万宏源《探寻风格因子周期:宏观量化能否贡献超额收益?——因子新视野研究系列之一》研报附件原文摘录）
　　1. 风格因子存在周期性特征 在数说资产配置研究系列中，我们搭建了经济、流动性视角下的资产配置时钟，并在进一步研究中加入信用多维度指标、市场对宏观变量的关注度等角度，探索宏观环境对大类资产、股票不同行业的影响。在研究中我们发现，宏观环境对行业有较为显著的周期性影响，且不同行业与不同宏观变量关联的紧密程度有所差异：周期行业与经济的关联更强，TMT对流动性变化更为敏感，而消费板块与信用结构的关系更明显。 在研究宏观变量与大类资产、行业的关系时我们也发现，宏观变量向行业表现的映射过程也会体现出与风格的一定联系，如大盘股票与经济更相关，小盘股对流动性更敏感等。而在海外量化系列的研究中我们也发现，海外风格因子也存在明显的周期性特点，通过划分宏观周期寻找因子在不同环境下的表现规律也是海外头部公募量化管理人常用的策略手段。 以小市值因子为例，我们分别计算中证1000/沪深300的净值曲线（以2009年底为起点，分别计算两条指数的净值后相除）以及全市场规模因子的月度IC如下： 因子呈现明显的周期性特征：2013-2016年中、2021年以来小市值因子表现持续较为出色、因子负向IC持续，而2017、2020年大市值因子表现明显占优。 又如估值因子，其在2017年、2018年下半年、2022年的多数时间有相对持续的正IC，但在2013年上半年、2020年和2021年的上半年IC为负： 以上规律和宏观环境能够找到一定程度的对应关系：流动性宽松时小市值因子表现较好，经济上行阶段估值因子表现更突出；这也符合投资逻辑：我国权益市场在资金充裕时情绪整体较好，小市值股票更易被资金推动，而经济上行阶段流动性有一定收缩，投资者更关注确定的估值修复机会。 可以看到，我国的风格因子也存在一定的周期性特征。本报告中，我们将根据申万金工此前构建的经济、流动性、信用等宏观量化指标体系（详见附录），探索风格因子与宏观环境的关系并在组合构建中尝试应用找到的规律。 2. 海外规律的本土化实践：因子多头组合的宏观敏感性特征 首先，我们参照贝莱德、景顺的宏观因子轮动体系常用的五个大类因子：市值、价值、低波、质量、动量，观察其在宏观周期下的表现变化。在海外研究中常用的方法是周期划分法，即与“时钟”的思想较为类似，但此前的系列报告中我们经过讨论发现：1）若以经济、流动性进行区分，无论是大类资产还是行业，其表现在单变量维度下的区分度将更明显；2）国内经济周期、因子数据整体较短，时钟划分的每个象限样本量少，规律性不显著。因此，我们在测算时仍然沿用此前应用于行业指数的测试方法，计算各指数因子对各个宏观变量的敏感程度。 针对上述五个因子，我们按照申万大类风格因子的计算方法（详见附录），每月根据沪深300中因子值前20%的股票构建多头组合，然后计算经济、流动性、信用的敏感性得分。以经济为例，根据GDP同比变化方向我们区分经济上行、下行阶段，然后计算：1）不同经济状况下的月均收益差：经济上行时组合收益越高、经济下行时组合收益越低，因子对经济变化越敏感；2）经济上行时的组合收益为正的频率：经济上行时组合收益为正的频率越高，因子受益于经济的程度越高；3）经济下行时组合收益为负的频率：经济下行时组合收益为负的次数越多，因子受经济影响程度越高。我们对各因子按照3个指标从高到低进行1到5的打分，然后将3项得分加总，总分越低的因子代表综合排名越靠前，其对经济的敏感程度就越高。 此外，我们也使用综合流动性指标、信用指标进行类似的计算，我们将各项得分换算为百分位数后等权得到各因子对各宏观变量的敏感程度得分，敏感程度从高到低排序如下： 价值、低波因子对经济的敏感程度都较高，在经济上行、下行阶段体现出较明显的收益差异；流动性对各因子沪深300多头组合的表现区分度不大，这也与我们之前在大类资产的测算中发现的沪深300整体对流动性敏感程度偏低可能有一定关系；信用综合指标则对沪深300作用明显，动量对信用最敏感，而价值因子反而对信用的敏感程度最弱。由此可以看到，海外常用的自上而下框架之下的主要因子规律在沪深300上也能够有一定的体现： 1） 在经济上行、信用还未开始扩张的复苏初期以低估值、低波动为主； 2） 信用扩张后的经济加速上行期增加动量的配置； 3） 经济进入下行阶段、信用状态维持的滞胀阶段以动量+质量为主； 4） 衰退期主要为质量和价值。 和海外对比来看，上述规律与海外最大的不同是低波因子的特点：低波动率在海外主要是在经济下行的阶段超额收益更突出，而我国300低波组合对经济的敏感性可能与指数本身的金融占比高、低估值属性有关系，指数中的低波动股票往往是更大市值、盈利更稳定的股票，与全市场低波因子存在差异。 依据上述规律，我们尝试构建沪深300多头因子组合的轮动模型，具体定量计算方案如下： 1） 每月末，根据申万金工的经济前瞻指标、流动性综合指标、信用综合指标观点及上述三张表中的结果调整各因子的宏观敏感性得分：若经济前瞻指标提示经济上行，则需要选择对经济敏感的因子多头组合，表1的分数列即为各因子的经济敏感性得分，若经济前瞻指标为负，则需要选择对经济不敏感的因子组合，我们取表1分数列的相反数作为当期经济敏感性得分，流动性、信用也进行类似处理； 2） 得到每期的综合得分：若流动性与信用指标未发生背离，则将各因子调整方向后的经济、流动性、信用得分直接加总得到综合分数，若发生背离，则仅将经济、信用得分加总得到综合分数； 3） 选择综合得分前2的组合直接等权加权得到最终的股票组合。 上述组合在2013年以来、2020年以来的表现情况如下： 可以看到，组合具备较为稳定的超额收益能力，2020年以来的表现更为突出，2013、2020年以来的月度胜率分别为58%、57%，组合在2023年初主要选择低波+动量的组合，6月已经转为质量+动量。 3.加入更多大类风格因子：不同股票池的结论存在差异 在上面部分中我们主要沿用海外主要使用的风格因子进行测试，我们发现国内市场同样存在宏观周期下的因子特征，但同时我们也发现国内的因子规律与海外存在一定差异，且上述结论似乎与股票池沪深300本身的特征有一定关系。在本部分中，我们将使用的因子进一步拓宽到10个大类风格因子上，并尝试对不同股票池的因子进行测试。 在表征因子表现时，我们使用月度多空收益、月度因子IC两种指标，待观察的因子根据长期收益方向调整后主要为规模、低估值、分红、盈利、财务质量、成长、反转、低波动率、低流动性、分析师预期（细分因子见附录表格），其中规模因子同时设置大市值、小市值两个方向。在计算多空收益时，我们将对应股票池的因子值从低到高分为5组并计算最高组和最低组的月度收益差；在计算因子IC时，我们计算股票池内个股月度收益和因子值的秩相关系数。 3.1 经济敏感性：宏观环境偏弱时关注基本面因子 以经济为例，我们根据GDP同比的变化方向区分经济上行、下行阶段，并计算以下6个指标：1）不同经济状况下的月均多空收益差：经济上行时因子多空收益越高、经济下行时因子多空收益越低，因子对经济变化越敏感；2）经济上行时的多空收益为正的频率：经济上行时因子多空收益为正的频率越高，因子受益于经济的程度越高；3）经济下行时多空收益为负的频率：经济下行时因子多空收益为负的次数越多，因子受经济影响程度越高；4）不同经济状况下的月均IC差；5）经济上行时因子IC为正的频率；6）经济下行时因子IC为负的频率。 对于我们使用的共11个因子，我们首先对其按照6个指标从高到低进行1到11的打分，然后将6项得分加总，总分越低的因子代表综合排名越靠前，其对经济的敏感程度就越高。 首先，我们针对全市场股票进行上述指标的计算，将各项得分换算为百分位数后等权得到各因子对经济的敏感程度得分，敏感程度从高到低排序如下： 从上面的结果来看，部分因子如估值、盈利、财务质量因子在经济上行、下行阶段的区分度较为明显，不过较多因子的收益、IC区分度并不明显。对此我们也想到，实际在指数增强组合构建中，我们往往也会依托不同的基准股票池进行因子投资，不同股票池的有效因子也存在差异，部分因子可能存在在一个股票池中有周期波动而在另一个股票池没有的情况，因此我们尝试在300、500中分别进行敏感性的测试，结果如下： 在沪深300股票池中，敏感性的结论较为明显：低估值、低波动率、大市值、高分红因子在经济上行时相对收益更突出、因子IC明显更高，而财务质量、盈利在经济下行时占优。 而在中证500股票池中，大市值的IC较低，估值、反转对经济更加敏感，而财务质量、盈利同样在经济下行时有更突出的表现： 可以看到，因子对经济的敏感性特征在特定的股票池中较为显著，且不同股票池的结论有所差异：1）沪深300中，市值因子的使用方向主要为大市值，经济上行阶段的有效因子主要为低估值、低波动率、大市值和高分红，即重点关注龙头股的估值修复机会；2）而在中证500中，市值因子的方向性与经济的关联程度不高，不建议根据经济状况进行偏离，低估值同样有效，反转、低流动性也是显著的因子，即在500股票池中，经济上行阶段重点关注估值修复、超跌反弹的机会；3）经济下行时，两个股票池中有效的因子都主要为财务质量和盈利因子，即在宏观环境整体偏弱时，重点关注个股的基本面改善。而前面我们看到在300中对经济敏感的低波动率在500中的敏感性不高，说明该现象确实与沪深300本身的特点有关。 3.2 流动性敏感性：市值因子敏感程度高 对于流动性，我们也同样进行类似的计算，按照流动性综合指标宽松、收紧区分之后计算因子的多空收益、IC的区分度，分股票池的结果如下： 流动性整体对沪深300因子的区分效果偏弱，这也与我们此前在宽基指数上的结论一致。沪深300中市值因子的使用方向主要为正向，且对流动性环境较为敏感，流动性宽松时大市值表现更好，而反转因子上也有类似的结果；流动性偏紧时，分析师预期、低流动性因子表现更出色。 而在中证500股票池中，市值与流动性的关系最为密切，流动性宽松时小市值表现明显好，而流动性偏紧时收益偏向大市值；反转同样受益于流动性宽松，分析师预期和高分红在流动性紧时表现更好： 3.3 信用敏感性：成长因子明显受益于信用扩张 按照综合信用指标的宽松与否进行区分，我们发现信用对沪深300因子的区分度整体更强，这也与我们此前在宽基指数上的结论：沪深300与信用关系更紧密、中证500与流动性关联更高相吻合。沪深300风格因子中，成长因子在信用扩张阶段的超额表现最突出，大市值在信用扩张阶段的多空收益、IC也显著好于收缩阶段，而防御属性的价值、高分红因子则更适合在收缩阶段使用： 中证500的成长因子同样对信用敏感，而对信用不敏感的同样主要为偏向防御属性的因子： 3.4 风格因子的宏观敏感性规律总结 除了沪深300、中证500，我们也在全市场以及中证1000股票池中进行了风格因子宏观敏感性的测试，结果发现宏观环境对多数全市场因子的区分度不明显，说明我国风格因子存在较为明显的股票池依赖，而中证1000股票池中体现的规律与中证500更接近，但也存在一定差异。我们将各股票池风格因子对不同宏观因子的敏感性规律总结为指标方向不同时示意配置的因子如下： 总结来看，各宏观维度下的规律如下： 1） 经济对权益的影响逻辑基本一致，上行时期以估值修复逻辑为主，下行阶段关注基本面； 2） 流动性对小盘股的影响更大，小盘股票池中流动性越宽松越偏向小市值，反转效应也更明显，体现资金在该阶段的影响力，而流动性偏紧时大股票池中低流动性即成交活跃度低的股票受影响更小，小股票池中低波动、高分红的防御属性抗跌能力更强； 3） 信用对大盘股的影响更明显，大盘股中成长因子在信用扩张时明显占优，信用收缩时以防御属性因子为主； 4） 分析师预期在各宏观因子下的区分度都相对较低，而整体IC较高，可认为是周期属性较弱的alpha因子。 和行业配置的结论一样，我们在不同宏观维度上看到的敏感因子并不相同，因此，在根据宏观环境进行因子选择时，我们也需要根据宏观指标方向将不同因子的敏感性得分进行叠加，选择当前环境下敏感性特征最合适的因子，同时我们也可以根据对不同宏观维度重要性的判断主动调整敏感性权重。 4. 不同组合构建方式下的策略表现 确认宏观因子下确实存在风格因子的周期变化规律后，我们进一步尝试构建加入风格因子轮动的多因子股票组合。除了海外使用较多的多头组合加总，我们也尝试比较预期收益打分法以及Barra风险模型下的指数增强组合的表现。 4.1 多头组合 首先，我们继续采用海外最常使用的多头因子组合构建方式，每期选出高配的因子后直接进行多头组合的加权。由于因子的敏感性也可能随时间推移而发生变化，因此在本部分的因子筛选中，我们每月滚动对因子敏感性进行更新；此外，由于我们在计算中发现部分因子在各环境下都有不错的收益或虽敏感性靠前但收益偏弱，我们也额外根据多空收益情况对因子的选择进行调整。以沪深300因子组合为例，具体的因子选择方式如下： 1） 每月末，根据申万金工的经济前瞻指标、流动性综合指标、信用综合指标观点及滚动计算的因子敏感性调整各因子的宏观敏感性得分； 2） 得到每期的综合得分：若流动性与信用指标未发生背离，则将各因子调整方向后的经济、流动性、信用得分直接加总得到综合分数，若发生背离，则仅将经济、信用得分加总得到综合分数； 3） 针对单项收益额外调整：以经济为例，若敏感性位于前50%但经济上行时多空收益为负，额外配置标记为-1，若位于后50%但下行时收益为负，同样记-1，若经济上行、下行时多空收益/IC均为正且胜率都为60%以上，额外配置标记为1； 4） 额外配置标记加总：若流动性与信用指标未发生背离，则将各因子的三项额外配置标记加总，若发生背离，则仅将经济、信用的额外配置标记加总； 5） 最终选择：首先选择综合得分前3的因子，若对应的额外配置标记为负则剔除该因子，另外若某因子的额外配置标记超过1则将因子加入配置。 我们以经济上行、流动性宽松、信用扩张的环境为例进行示意： 由于选择的因子较多，部分因子存在持续IC较弱的情况，因此我们先根据6个月IC筛选为正的因子，然后将叠加宏观因子选择后的组合与仅使用IC选择的结果进行比较。针对每个因子，我们分别在沪深300、中证500中对应60、100只股票组成多头组合，然后按照上述筛选流程，我们得到每期配置的因子后将选择的因子的多头组合等权合成最终股票组合。沪深300、中证500组合2014、2018年以来的表现如下（2018年以前的因子宏观敏感性为样本内数据）： 因子轮动组合相对经IC调整的因子等权、指数本身有较持续的超额收益，但我们也看到宏观方法一直以来的特点，即策略收益分布的均匀性相对较弱，存在部分年份超额收益较难获得的情况： 组合2023年一季度的因子选择如下，基本沿经济复苏+信用扩张的思路进行配置： 4.2 预期收益打分法组合 使用因子多头组合构建多因子组合的方式较为直接，是海外因子轮动类产品最常用的构建方式，其对收益提升的作用也较为直接。但当因子数量较多时，不同因子多头组合的成份股重合率可能较高，持有股票数量也会随着因子数量而变化，这也是我们加入因子IC进一步筛选的原因之一。对此，我们进一步尝试固定股票数量的打分组合。 以沪深300为例，组合构建方式如下： 1） 使用当月宏观模型选择的因子过去6个月的因子平均IC作为因子权重； 2） 将因子权重和单个股票的因子暴露相乘后相加得到各股票的预期收益； 3） 将预期收益从高到低排列，选择最靠前的股票。 我们针对沪深300分别选择60、100只股票，针对中证500选择100、150只股票，组合结果如下： 打分组合中，股票数量较少的组合都体现出更强的进攻性，打分组合的收益情况也明显优于多头因子组合，但组合的跟踪误差也偏大。 4.3 Barra风险模型下的指数增强组合 打分法的组合整体进攻性较强，但其对风险敞口的控制能力弱、跟踪误差大，可能出现明显的风格偏离，因此，我们进一步尝试在Barra风险模型下构建指数增强组合。 以沪深300为例，组合构建方式如下： 1） 每月末使用与4.2中相同的个股预期收益计算方法计算得到各股票的预期收益； 2） 设置基本风险约束为各申万一级行业偏离在0.5%以内，至少85%为指数成份股，并设置个股权重上限、换手限制； 3） 根据因子观点计算敞口规则：分析师预期变化不限制敞口，其余不配置的因子敞口限制在0.1，配置因子中4.1中额外配置因子超过1（即至少2个宏观变量提示必须配置）的敞口限制为0.5，其余限制在0.25，敞口方向与因子使用方向一致。 根据以上步骤，我们对沪深300计算最高权重4%、换手限制2%的组合，对中证500计算最高权重2%、换手限制1%的组合，并与除分析师预期变化外因子敞口全部限制为0.1的组合对比如下： 相比于不放敞口、使用全部因子进行收益预测的组合，进行因子轮动、敞口调整后的组合都能产生年化2~3%的超额收益。虽然从图中看沪深300敞口调整后的收益在2020年之前不明显，但实际上2019年之后敞口调整后的组合都有不错的超额收益，这也与宏观因子轮动本身的结论一致，在相对完整的周期中能够贡献超额，在控制行业和因子偏离的Barra优化框架下因子轮动结果也能够有不错的传导。 整体来看，各组合都能跑赢不做因子轮动的组合，在各组合构建方式下传导效率也较为接近，但由于本身的构建方式特征，直接相比于指数来看超额收益分布存在差异： 多因子打分法在2个指数中的超额都更加明显，超额的波动也更加明显，组合在不控制敞口、行业偏离且持股数量较少的情况下暴露更加极致。多头组合和Barra优化组合的超额收益相对更接近，而优化组合整体的跟踪误差更小、敞口控制情况更理想。 我们观察宏观因子轮动模型在2021-2022年的因子配置情况如下： 沪深300组合中，模型在21年中偏向大盘成长的配置，到22年经济转弱后以基本面因子为主，而到22年底流动性和信用都较为宽松时重新增加大盘的配置。 中证500组合中，模型在21年上半年经济较好时主要配置高分红、低流动性，到22年初经济转弱时同样增加基本面因子，当22年下半年信用开始扩张后增加小市值，与市场行情也较为匹配。此外，由于成长、分析师预期在500中的有效性持续较强，因此该阶段持续配置了这两个因子。 总体来看，以上结果也符合我们宏观量化一直以来的研究结论：在一个完整的周期中系统化的宏观方法能够贡献较明显的超额收益，但一个宏观阶段的持续时间可能较长，其对权益资产表现的影响可能存在分布不均匀的特点，也很可能存在超额收益集中分布在某一个时间段的现象。对此我们认为，自上而下的因子轮动方法论在国内也是有效的，尤其是在宏观波动增加的近三年其有效性也有明显的增加，在传统的alpha模型中增加该beta属性的方法能够提供额外的收益来源；但beta方法本身有一定波动、分布均匀程度弱，也会一定程度增加超额收益的波动，在希望增加收益弹性时是较好的选择。 5. 小结 本报告中，我们重点探索了宏观量化体系下的因子表现变化，从海外已经较为广泛使用的宏观视角下的因子配置体系出发，观察我国风格因子是否存在周期性特点。 从传统因子来看，沪深300中存在因子的周期性规律：经济上行、信用还未开始扩张的复苏初期以低估值、低波动为主；信用扩张后的经济加速上行期增加动量的配置；经济进入下行阶段、信用状态维持的滞胀阶段以动量+质量为主；衰退期主要配置质量和价值，依此规律构建的组合也能够得到不错的表现。 但和海外对比来看，低波因子与海外呈现出不同的规律：低波动率在海外主要是在经济下行的阶段超额收益更突出，而我国300低波组合对经济敏感性高，这可能与指数本身的金融占比高、低估值属性有关系，这也提示我们我国的因子周期规律可能需要根据不同股票池进行区分。 进一步的，我们拓宽因子池并对不同股票池分别进行测算，主要规律如下： 1） 经济对权益的影响逻辑基本一致，上行时期以估值修复逻辑为主，下行阶段关注基本面； 2） 流动性对小盘股的影响更大，反转效应也更明显，体现资金在该阶段的影响力，而流动性偏紧时大股票池中低流动性即成交活跃度低的股票受影响更小，小股票池中低波动、高分红的防御属性抗跌能力更强； 3） 信用对大盘股的影响更明显，成长因子在信用扩张时明显占优，信用收缩时以防御属性因子为主； 4） 分析师预期在各宏观因子下的区分度都相对较低。 不同宏观维度上敏感因子并不相同，因此，在根据宏观环境进行因子选择时，我们也需要根据宏观指标方向将不同因子的敏感性得分进行叠加，选择当前环境下敏感性特征最合适的因子，同时我们也可以根据对不同宏观维度重要性的判断主动调整敏感性权重。 在进行组合构建时，我们每月根据宏观指标观点和因子的宏观敏感性特征筛选当期配置的因子，然后分别使用因子多头组合、预期收益打分法以及Barra风险模型下的指数增强三种方法构建组合，各组合都能跑赢不做因子轮动的组合，在各组合构建方式下传导效率也较为接近，但从组合本身的特点来看，多因子打分法的集中度更高、风格暴露更极致，收益弹性也更大。 总结而言，在一个完整的周期中系统化的宏观方法能够为多因子组合贡献较明显的超额收益，但超额波动较大、分布不均匀。自上而下的因子轮动方法论在国内也是有效的，尤其是在宏观波动增加的近三年其有效性也有明显的增加，在传统的alpha模型中增加该beta属性的方法能够提供额外的收益来源，在希望增加收益弹性时是较好的选择。 6. 风险提示及声明 本报告模型根据历史数据构建，准确度受限于历史数据的长度；模型历史表现不代表未来，宏观及市场环境大幅变化时模型可能失效。 7. 附录 7.1申万风格因子定义 7.2申万金工宏观量化指标构成 在给出经济观点时，我们主要根据每月末的前瞻综合指标给出，每月末我们通过历史24个月滚动标准化的方法对找到的15个领先指标的周期项序列进行处理，把处理后的指标向过去回推相应领先期数后，进行简单的等权平均，得到合成结果。然后我们利用每一个指标的周期项序列拟合ARIMA模型，根据模型外推得到未来的指标周期项数值，将所有指标外推值和实际值合成后即可得到前瞻综合指标在未来时点的数值，我们根据当前综合指标的周期位置判断经济方向。前瞻指标具体构成如下： 截至2023年5月末的周期位置如下： 在给出综合流动性观点时，我们使用利率、货币投放、超储率三个维度的指标： 对于三项数据，2项及以上给出同向判断的，则以此为最终货币环境判断；若1、3相反且2为0，则以1的信号为准。2023年5月末的结果如下: 在给出信用观点时，我们使用信用价格、信用总量以及结构三类指标，他们都能反映信用环境的变化，也能互为补充，大类指标及细分项2023年5月末的结果如下： 在指标合成上，我们对各大类指标内部求平均后加总，得到-3~3之间的值。

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）