【华泰金工林晓明团队】3月因子配置:量价因子或占优,关注SUE.txt因子——因子观点月报20220302

（以下内容从华泰证券《【华泰金工林晓明团队】3月因子配置:量价因子或占优,关注SUE.txt因子——因子观点月报20220302》研报附件原文摘录）
　　林晓明 S0570516010001 SFC No.BPY4211 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 报告发布时间：2022年3月2日 摘要 3月因子观点：量价因子或占优，建议关注SUE.txt因子 随着业绩密集期的到来，上市公司业绩或将成为短期主线牵引市场情绪变动，基于分析师解读业绩的点评文本构建的SUE.txt因子上月表现回暖，单因子选股增强组合2月绝对收益13.12%，短期建议关注。从常规角度看，内生变量视角短期看好估值、波动率、换手率因子；外生变量视角短期看好盈利、反转、换手率因子；因子周期视角中长期看好大市值、估值、盈利、财务质量、波动率、换手率因子；整体而言量价因子或占优。 业绩密集期关注SUE.txt因子，基础化工、机械、医药行业平均得分更高 文本SUE.txt因子从分析师业绩解读的角度挖掘可能发生PEAD效应的股票，对SUE.txt因子筛选出的基础股票池进行增强得到的top30组合历史表现优秀。SUE.txt基础池2月收益11.23%，SUE.txt增强池（top30组合）收益13.12%，业绩密集期建议关注SUE.txt因子表现。分析今年以来的各行业业绩预告对应的平均SUE.txt因子值，发现基础化工、机械、医药等板块平均得分更高，未来一段时间或存在超额收益。 内生变量视角：短期看好估值、波动率、换手率 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3月表现预测结果如下：看好估值、波动率、换手率因子，不看好财务质量、Beta因子。其中估值、换手率因子在离散度指标上占优，处于过度忽视状态；波动率、换手率因子在拥挤度指标上占优，交易拥挤程度较低。 外生变量视角：短期看好盈利、反转、换手率 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3月Rank IC预测结果如下：盈利、反转因子Rank IC预测值超过5%，换手率因子预测值超过4%，可能较为有效，建议短期看多上述因子表现；不看好估值、Beta、小市值、技术因子未来一个月表现，上述因子表现可能受宏观环境制约。 因子周期视角：中长期看好大市值、估值、盈利、质量、波动率、换手率 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。预计未来一年处于库兹涅茨周期见顶回落，经济长期增长趋缓的环境，同时朱格拉周期向下，流动性趋于宽松。建议配置大市值、估值、盈利、财务质量因子，但随着实体经济库兹涅茨周期见顶，经济长期增长趋势放缓的背景下因子风格或有切换。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。 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。 正文 三月因子观点：量价因子或占优，建议关注SUE.txt因子 伴随着2021年报披露的进行与2022Q1季报披露的临近，上市公司业绩或将成为短期主线牵引市场情绪变动。基于分析师解读业绩的点评文本构建的SUE.txt因子上月表现回暖，单因子选股增强组合2月绝对收益13.12%，绝对收益型投资者建议业绩密集期关注SUE.txt因子表现。从行业平均SUE.txt得分来看，基础化工、医药、机械等行业的整体得分更高，未来一段时间PEAD效应或更为显著。 另外从常规角度看，内生变量视角短期看好估值、波动率、换手率因子，不看好财务质量、Beta因子。外生变量视角短期看好盈利、反转、换手率因子，不看好小市值、Beta因子。因子周期视角中长期看好大市值、估值、盈利、财务质量、波动率、换手率因子，但随着实体经济库兹涅茨周期见顶，经济长期增长趋势放缓的背景下因子风格或有切换。 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3月表现预测结果如下：看好估值、波动率、换手率因子，不看好财务质量、Beta因子。其中估值、换手率因子在离散度指标上占优，处于过度忽视状态；波动率、换手率因子在拥挤度指标上占优，交易拥挤程度较低。 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3月Rank IC预测结果如下：盈利、反转因子Rank IC预测值超过5%，波动率因子预测值超过4%，可能较为有效，建议短期看多上述因子表现；不看好估值、Beta、小市值、技术因子未来一个月表现，上述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。预计未来一年处于库兹涅茨周期见顶回落，经济长期增长趋缓的环境，同时朱格拉周期向下，流动性趋于宽松。建议配置大市值、估值、盈利、财务质量因子，但随着实体经济库兹涅茨周期见顶，经济长期增长趋势放缓的背景下因子风格或有切换。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。 日历效应统计各风格因子在各自然月份胜率，根据历史经验，3月反转、换手率、小市值因子整体Rank IC胜率较高。 业绩发布密集期推荐关注SUE.txt因子 SUE.txt因子增强股票池2月绝对收益13.12% 2022年1月受美联储加息预期影响及年初宏观数据显示的稳增长压力背景下，处于业绩半真空期的A股市场整体加速下行。2月初超预期信贷社融数据进一步确认“政策底”，市场情绪回暖，2月A股市场震荡磨底，虽然短期受俄乌冲突的影响市场或有反复，但随着上市公司业绩密集期的到来，具有业绩支撑的标的或将带动市场情绪探底回升。 我们在前期报告《人工智能51：文本PEAD选股策略》（20220107）中构建的文本SUE.txt因子从分析师业绩解读的角度挖掘可能发生PEAD效应的股票，并对SUE.txt因子筛选出的基础股票池进行增强得到top30组合，历史回测业绩表现良好。在经历完去年年底至今年年初业绩真空期的回撤之后，2月SUE.txt因子表现回暖，SUE.txt基础池2月收益11.23%，SUE.txt增强池（top30组合）收益13.12%，业绩密集期建议关注SUE.txt因子表现。 当前时点哪些行业未来可能发生PEAD效应？ 我们统计2022年以来发布了业绩预告的所有股票最新SUE.txt因子得分，探究当前时点分析师较为看好哪些行业的业绩表现。这里我们考虑原始SUE.txt因子值，不进行衰减操作，对行业内所有个股的SUE.txt因子值求平均作为该行业整体的SUE.txt因子值，结果如下图所示。横轴表示行业平均SUE.txt因子值，纵轴表示该行业内统计的股票数量，相同的大类板块标注为一样的颜色。 TMT板块中的电子、周期板块中的基础化工、制造业板块中的机械以及医药板块整体来看不仅平均SUE.txt因子得分更高，并且行业内统计的股票数量也更多，说明整体来看这些板块不仅业绩靓眼，而且是分析师较为看好的行业，未来或发生股价正向漂移。有色、电新及国防军工等行业平均SUE.txt因子得分也较高，但行业内统计的股票数量相对更低，选行业内个股的意义或大于行业的整体配置。 最后我们展示基础化工、电子、医药、机械、有色金属及国防军工等业绩表现靠前的行业内因子得分分别最高的10只股票，如下表所示。从细分个股的SUE.txt得分来看，基础化工行业的业绩表现相比之下更受分析师的认可。 SUE.txt因子构建回顾 本小节简要回顾SUE.txt因子的构建方式，更为详细的阐述请读者参考前期报告。SUE.txt因子的构建可以归纳为三个步骤：1）匹配与业绩公告相关的卖方分析师研报文本；2）分词预处理；3）词频矩阵转化与机器学习训练。 文本数据匹配 由于难以精确定位与业绩预告相关的所有研报，因此我们假设业绩预告发布后的5个自然日内的所有个股相关研报都是对该业绩预告作出的评论和解读。匹配过程中，我们首先读取万得的公司业绩预告数据，对于其中每一条业绩预告，我们根据其发布时间从朝阳永续的分析师文本数据中匹配未来5个自然日内的研报数据。同时，我们也对股票业绩预告发布前、后两个交易日内的收盘价进行了匹配，并以中证500同一时间段内的收益作为基准，计算该股票该次业绩预告的两日异常收益（Abnormal Return, AR）。最后的匹配结果示例如下表所示。 文本分词 完成数据匹配后，我们使用Jieba分词对研报的文本和摘要数据进行分词处理。利用Jieba分词的词性标注功能，本文对分词后的文本根据其词性仅保留普通名词、专有名词、动词、副动词、动名词、形容词、副词对应的词语作为清洗后的数据。 模型训练及因子构建 我们采用滚动的方式对模型进行训练，每次滚动样本内为过去24个月，样本外为未来12个月。每一轮滚动，我们以样本内的所有样本为整体，提取其研报标题出现频率最高的100个词、研报摘要出现频率最高的500个词，将文本转换为词频矩阵；最后将两个词频矩阵拼接，下图展示了文本数据转换为词频向量的结果。同时每轮滚动还将标签Y进行三分类处理，样本内超额收益靠前的1/3标记为1，靠后的1/3标记为-1，其余标记为0。 使用XGBoost模型对上述特征和标签进行训练学习，训练完成后在样本外进行测试。SUE.txt因子生成的频率为每个月末，在月末截面期追溯过去一个季度的全市场业绩预告样本，使用训练好的模型进行预测，得到每条样本在每个类别上的概率估计值，以此我们计算其log-odds值： 其中为三个类别标签，分别表示上涨、震荡、下跌。为比较不同发布时间的业绩预告的因子值，我们将衰减到当期月末得到最终的SUE.txt因子。 因子表现回顾 2月大类风格因子表现 大类风格因子2月在全A股票池的Rank IC值和因子收益率如下图所示。成长、小市值及反转因子表现较好，Rank IC值分别为11.34%、7.96%及7.40%，因子收益率则分别为1.50%、1.16%及1.40%，印证了上月我们看好小市值因子的观点，小市值因子延续高胜率。估值因子表现居中，上月Rank IC为4.34%；盈利、波动率、Beta及技术因子表现较为平淡，上月Rank IC略大于零，而财务质量与换手率因子上月回调，其中换手率因子上月因子收益率为-1.76%，未能延续前期的强势表现。 近1年大类风格因子表现 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。 自2021年春节后以来，小市值因子持续表现亮眼，机构抱团股瓦解以后小市值风格持续占优，同时量价类因子中的反转、波动率与换手率因子并驾齐驱，总的来看是过去12个月表现最好的四个因子，但最近一月换手率因子发生明显回撤。估值与技术因子表现次之，其中技术因子最近连续两月表现不佳。盈利、成长、Beta因子表现较为平淡，财务质量因子持续回撤。 近期细分因子表现 计算34个细分因子1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3月表现进行打分预测，综合预测结果如下表所示。看好估值、波动率、换手率因子，不看好财务质量、Beta因子。其中，估值、换手率因子在离散度指标上占优，处于过度忽视状态；波动率、换手率因子在拥挤度指标上占优。 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，小市值因子动量仍然最强，但是较上月末有所减弱，波动率因子次之，成长、盈利、财务质量因子动量较弱。从时序角度看，波动率、换手率因子动量处于历史高位，超过2007年以来的80%分位数；估值、小市值因子动量次之，盈利与成长因子动量处于历史低位，均低于历史后20%分位数。 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，估值、反转、换手率因子离散度相对较高，Beta因子离散度相对较低。从时序角度看，估值、换手率因子离散度处于历史高位，约位于2007年以来的80%分位数水平左右，可能处于过度忽视状态；财务质量、技术因子离散度处于历史低位，低于2007年以来的20%分位数水平，其中财务质量低于10%分位数水平，相比于上月末边际变化不明显，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、Beta、财务质量因子拥挤度相对较高，波动率、换手率因子拥挤度相对较低。从时序角度看，Beta因子拥挤度超过2007年以来的90%历史分位数水平，可能处于交易拥挤状态；波动率、换手率、技术因子拥挤度低于2007年以来的25%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S0初始为空集，AICc初始值AICc0＝T·log(|ΣXX|)； 2. 遍历不在Si中的每个外生变量k，计算将k加入到集合Si后模型AICc值，取最小值AICcmin； 3. 若AICcmin小于AICci，则转向第4步；否则筛选结束，集合Si为最优外生变量集合； 将AICcmin对应的外生变量k加入Si，即Si+1＝Si∪{k}，AICci+1为基于外生变量集合Si+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3月Rank IC预测结果如下图所示。盈利、反转因子Rank IC预测值超过5%，可能较为有效，建议短期看多上述因子表现；不看好估值、Beta、小市值、技术因子未来一个月表现，上述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5%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． 盈利因子：回归模型截距项为3.5%，对Rank IC预测值有正向贡献，说明长期看盈利因子存在正收益。PPI同比新值（1月，9.1）相比前值（12月，10.3）降低1.2pct，为预测值提供1.8%的正向贡献。沪深300月均换手率新值（2月，49.23%）相比前值（1月，51.40%）降低2.2pct，为预测值提供0.4%的正向贡献。 2． 反转因子：回归模型截距项为7.8%，对Rank IC预测值有正向贡献，说明长期看反转因子存在正收益。中证500月均换手率新值（2月，128.38 %）相比前值（1月，142.51%）降低14.13pct，为预测值提供-0.8%的负向贡献。 另外，值得注意的是外生变量对Beta因子表现的预测： 1． Beta因子Rank IC预测值为-3.7%。2月中证500月涨跌幅4.15%，为预测值提供0.8%的正向贡献。CGPI当月同比的变化值（1月，-1.1）相比前值（12月，-2.3）提升1.2pct，为预测值提供-1.9%的负向贡献。M2同比新值（1月，9.8）较前值（12月，9）提升0.8pct，为预测值提供-2.6%的负向贡献。Beta因子未来表现可能受宏观环境制约。 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，预计未来一年处于库兹涅茨周期见顶回落，经济长期增长趋缓的环境，同时朱格拉周期向下，流动性趋于宽松。当前周期运行状态处于因子投资时钟的第四象限的末尾，建议配置大市值、估值、盈利、财务质量因子。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，预测未来一年大市值、估值、盈利、财务质量、波动率、换手率因子有效，但随着库兹涅茨周期见顶，经济长期增长趋势放缓的背景下因子风格或有切换。 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，小市值、波动率、换手率、技术因子处于周期上行状态，成长、盈利、财务质量因子处于周期下行状态，Beta、反转、技术因子处于探底回升的状态，但Beta因子的预期变化上行趋势不清晰，是否反转仍有待观察确认。 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： 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。 风格因子合成、Rank IC值、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作为第T期因子X的新值，仍记为，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： 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乘以因子方向（1或-1）再与个股下期收益率向量计算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： 免责声明与评级说明 公众平台免责申明 本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，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。 本公众号研究报告有关内容摘编自已经发布的研究报告的，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。 本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，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客户私人投资建议。订阅人不应单独依靠本订阅号中的信息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。普通投资者若使用本资料，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股份有限公司所有，未经公司书面许可，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。本公司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。 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】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】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）