敬请参阅最后一页特别声明 -1- 证券研究报告 2017 年 4 月 28 日 金融工程 因子测试全集 多因子系列报告之二 金融工程 深度 光大金工 因子测试框架 ：多指标全面测试 通过 分期截面 RLM 回归计算因子收益，计算因子暴露 与 下期收益率的相关度 IC 值， 同时 结合分层回测法检验因子单调性，构建 较为综合全面的因子测试体系。 因子测试 中使用了 包括 因子收益序列 t 值，因子累计收益率， 因子 测试t 值， IC， IR，多空组合收益率、最大回撤、换手率 等等 指标 更 为 全面的 因子库 ： 涵盖了 估值因子 ， 规模因子 ， 成长因子 ， 质量因子 ， 杠杆因子 ， 动量因子 ， 波动因子 ， 技术因子 ， 流动性因子 ， 分析师因子 等 共 10 大类 100 多个细分因子。 行情类因子有效性整体高于财务类因子 ： 行情类因子中的流动性因子、波动因子、动量因子 IC 绝对值较高且 普遍具有较 好 的显著性，因子收益率与 IC、 IR 值也普遍高于财务类因子。 历史 IR 值最高的 30 个因子中包含 7 个财务类因子、 3 个分析师 预期类因子、20 个行情类因子 。 分析师预期因子值得关注 ： 分析师因子中的一致预期目标价（ TargetReturn）、一致预期营业收入1 个月增长率 （ EOPChange_1M）等 因子的 IC 和 IR 值较高，历史的收益率排名 可进入前 20。 一致预期目标价的历史 IR 为 0.63、一致预期营业收入 1 个月增长率历史 IR 为 0.40。分析师预期类因子的覆盖率普遍较低， 全A 平均覆盖率为 65%。 分析师 刘均伟 (执业证书编号： S0930517040001) 021-22169151 liujunweiebscn 联系人 周萧潇 021-22167060 zhouxiaoxiaoebscn 相关研报 多因子系列报告之一：因子测试框架 2017-04-10 万得资讯2017-04-28 金融工程 敬请参阅最后一页特别声明 -2- 证券研究报告 目 录 1、 因子测试框架回顾 . 6 1.1、 样本筛选 . 6 1.2、 数据清洗 . 6 1.3、 因子标准化 . 6 1.4、 因子测试模型 . 7 1.5、 因子有效性检验 . 7 2、 大类因子测试全集 . 8 2.1、 估值因子测试结果 . 8 2.2、 规模因子测试结果 . 11 2.3、 成长因子测试结果 . 13 2.4、 质量因子测试结果 . 15 2.5、 杠杆因子测试结果 . 18 2.6、 动量因子测试结果 . 20 2.7、 波动因子测试结果 . 22 2.8、 流动性因子测试结果 . 24 2.9、 技术因子测试结果 . 26 2.10、 分析师因子测试结果 . 28 3、 因子测试结果小结 . 32 万得资讯2017-04-28 金融工程 敬请参阅最后一页特别声明 -3- 证券研究报告 图 目录 图 1：估值因子累积收益率 . 9 图 2：估值因子测试部分结果（分组回溯年化收益率） . 10 图 3：估值因子测试部分结果（分组回溯年化收益率） . 10 图 4：规模因子累积收益率 . 12 图 5：规模因子测试结果（分组回溯年化收益率） . 12 图 6：成长因子累积收益率 . 14 图 7：成长因子测试结果（分组回溯年化收益率） . 14 图 8：质量因子累积收益率 . 16 图 9：质量因子测试结果（分组回溯年化收益率） . 17 图 10：质量因子测试结果（分组回溯年化收益率） . 17 图 11：杠杆因子累积收益率 . 18 图 12：杠杆因子测试结果（分组回溯年化收益率） . 19 图 13：动量因子累积收益率 . 20 图 14：动量因子测试结果（分组回溯年化收益率） . 21 图 15：波动因子累积收益率 . 23 图 16：波动因子测试结果（分组回溯年化收益率） . 23 图 17：流动性因子累积收益率 . 25 图 18：流动性因子测试结果（分组回溯年化收益率） . 25 图 19：技术因子累积收益率 . 27 图 20：技术因子测试结果（分组回溯年化收益率） . 27 图 21：分析师预期因子累积收益率（部分） . 29 图 22：分析师预期因子累积收益率（部分） . 30 图 23：分析师因子测试结果（分组回溯年化收益率） . 30 图 24：分析师因子测试结果（分组回溯年化收益率） . 30 图 25：分析师因子测试结果（分组回溯年化收益率） . 30 万得资讯2017-04-28 金融工程 敬请参阅最后一页特别声明 -4- 证券研究报告 表 目录 表 1：估值因子明细表 . 8 表 2：估值因子测试结果（因子收益 &IC_IR） . 9 表 3：估值因子测试结果（分层回溯年化收益率） . 10 表 4：估值因子历史 IC 值相关性检验 . 10 表 5：规模因子明细表 . 11 表 6：规模因子测试结果（因子收益 &IC_IR） . 11 表 7：规模因子测试结果（分层回溯年化收益率） . 12 表 8：规模因子历史 IC 值相关性检验 . 13 表 9：成长因子明细表 . 13 表 10：成长因子测试结果（因子收益 &IC_IR） . 13 表 11：成长因子测试结果（分层回溯年化收益率） . 14 表 12：成长因子历史 IC 值相关性检验 . 15 表 13：质量因子明细表 . 15 表 14：质量因子测试结果（因子收益 &IC_IR） . 16 表 15：质量因子测试结果（分层回溯年化收益率） . 17 表 16：质量因子历史 IC 值相关性检验 . 17 表 17：杠杆因子明细表 . 18 表 18：杠杆因子测试结果（因子收益 &IC_IR） . 18 表 19：杠杆因子测试结果（分层回溯年化收益率） . 19 表 20：杠杆因子历史 IC 值相关性检验 . 19 表 21：动量因子明细表 . 20 表 22：动量因子测试结果（因子收益 &IC_IR） . 20 表 23：动量因子测试结果（分层回溯年化收益率） . 21 表 24：动量因子历史 IC 值相关性检验 . 21 表 25：波动因子明细表 . 22 表 26：波动因子测试结果（因子收益 &IC_IR） . 22 表 27：波动因子测试结果（分层回溯年化收益率） . 23 表 28：波动因子历史 IC 值相关性检验 . 24 表 29：流动性因子明细表 . 24 表 30：流动性因子测试结果（因子收益 &IC_IR） . 25 表 31：流动性因子测试结果（分层回溯年化收益率） . 26 表 32：流动性因子历史 IC 值相关性检验 . 26 表 33：技术因子明细表 . 26 表 34：技术因子测试结果（因子收益 &IC_IR） . 27 表 35：技术因子测试结果（分层回溯年化收益率） . 27 表 36：技术因子历史 IC 值相关性检验 . 28 万得资讯2017-04-28 金融工程 敬请参阅最后一页特别声明 -5- 证券研究报告 表 37：分析师因子明细表 . 28 表 38：分析师预期因子测试结果（因子收益 &IC_IR） . 29 表 39：分析师预期因子测试结果（分层回溯年化收益率） . 31 表 40：分析师预期因子历史 IC 值相关性检验 . 32 表 41：全部因子历史 IR 值排名前 30 . 32 万得资讯2017-04-28 金融工程 敬请参阅最后一页特别声明 -6- 证券研究报告 在多因子系列报告的第一篇报告中，我们构造了一个全面的基于 RLM 稳健回归的截面回归单因子测试框架，并整理了包括 估值因子 ， 规模因子 ， 成长因子 ， 质量因子 ， 杠杆因子 ， 动量因子 ， 波动因子 ， 技术因子 ， 流动性因子 ，分析师因子 等 10 个 大类 100 多个细分因子。 这篇报告中我们将首先给出这些大类因子的具体测试结果，深入 讨论每个大类因子内的细分因子的预测性、稳定性、单调性和相关性等等指标。为下一步的因子合成与 组合构建 打下基础。 1、 因子测试框架回顾 首先我们简单的回顾一下上一篇报告中的因子测试框架的主要内容 ，我们的多因子 模型的构建流程包括以下几个方面： 1.1、 样本筛选 测试样本范围：全体 A 股 测试样本期： 2006-01-01 至 2017-04-01 为了使测试结果更符合投资逻辑， 我们设定了三条 样本 筛选规则： （ 1） 剔除选股日的 ST/PT 股票； （ 2） 剔除上市不满一年的股票； （ 3） 剔除选股日由于停牌等原因而无法买入的股票。 1.2、 数据清洗 我们采用 稳健的 MAD（ Median Absolute Deviation 绝对中位数法） 首先计算因子值的中位数 ，并定义绝对中位值为： = (| |) 采取与 3法等价的方法，我们将大于 + 3 1.4826 的值或小于 3 1.4826 的值定义为异常值。 类似的， 对缺失值的处理方式要依据缺失值的来源和逻辑解释，选取不同的操作，包括剔除或者 以 行业 中位数 替代。 在单因子测试时，我们对缺失率小于 20%的因子数据用中信一级行业的中位数代替，当缺失率大于 20%时则做剔除处理。 1.3、 因子标准化 常见的因子标准化方法包括： Z 值标准化 （ Z-Score） ， Rank 标准化，风格标准化等等。 由于 Rank 标准化后的数据会丢失 原始 样本的一些重要信息，这里我们仍然选择 Z 值标准化来处理因子数据。 万得资讯2017-04-28 金融工程 敬请参阅最后一页特别声明 -7- 证券研究报告 1.4、 因子测试 模型 我们采取 截面回归 测试的方法 ， 每期 针对全体样本做一次回归，回归时因子暴露为已知变量，回归得到每期的一个因子收益值 . 进行 截面回归判断每个单因子的收益情况和显著性时，需要特别关注 A 股市场中一些显著影响个股收益率的因素，例如 行业因素和市值因素 。市值因子在过去的很长一段时间内都是 A股市场上影响股票收益显著性极高的一个因子，为了能够在单因子测试时得到因子真正收益情况，我们在回归测试时对市值因子也做了剔除。 加入行业因子和市值因子后，单因子测试的回归方程如下所示： = 1111 1 1 + 其中： 代表股票 i 在所测试因子上的因子暴露； 代表股票 i 的行业因子暴露（ 为 哑变量（ Dummy variable），即股票属于某个行业则该股票在该行业的因子暴露等于 1，在其他行业的因子暴露等于 0）。此处我们将选用中信一级行业分类作为行业分类标准。 代表股票 i 的市值因子暴露。 Robust Regression 稳健回归 常见于单因子回归测试， RLM 通过迭代的赋权回归可以有效的减小 OLS 最小二乘法中 异常值（ outliers）对 参数估计结果有效性和稳定性 的影响。 详 细的 RLM 回归方法的介绍请参考我们的多因子系列报告之一：因子测试框架。 1.5、 因子有效性检验 采用多期截面 RLM 回归 后 我们可以得到因子收益序列 ，以及每一期回归 假设检验 t 检验的 t 值 序列， 针对这两个序列我们将通过以下几个指标来判断该因子 的 有效 性 以及稳定性 ： （ 1） 因子收益序列 的假设检验 t 值 （ 2） 因子收益序列 大于 0 的概率 （ 3） t 值绝对值的均值 （ 4） t 值绝对值大于等于 2 的概率 IC 值 （信息系数） 是指个股第 t 期在因子 i 上的因子暴露 （剔除行业与市值后） 与 t + 1 期的收益率的相关系数 。 通过 计算 IC 值 可以有效的观察到某个因子收益率预测的稳定性和动量特征，以便在优化组合时用作筛选的指标。万得资讯2017-04-28 金融工程 敬请参阅最后一页特别声明 -8- 证券研究报告 我们 采用 Spearman的 秩相关系数 方法计算因子暴露与下期收益率的相关性IC 值。 类似回归法的因子测试