20180718-东北证券-港股研究系列_Barra模型及应用_14页_1mb

港股研究系列：Barra模型及应用总结

核心内容

本报告介绍了港股Barra模型的构建与应用，旨在为后续港股策略分析提供工具基础。Barra模型是一种多因子模型，将股票收益率分解为国家因子、行业因子和风格因子三部分，以实现对组合收益和风险的归因与预测。

主要观点

• Barra模型的应用：通过截面回归方法，Barra模型能够有效解释股票收益，并对风险进行分解与管理。
• 模型可靠性：样本内 $\mathbf{R}^2$ 均值为 40.63%，处于较高水平，说明模型具有一定的可信度。
• 风格因子表现差异：港股风格因子在收益表现上与A股存在差异，例如贝塔、动量、流动性因子在港股中为正值，而波动率、市值、非线性市值因子为负值，BP因子表现最佳。
• 数据质量与处理：港股数据质量相较A股较差，需进一步完善。数据清洗包括去极值、标准化、因子载荷正交化及缺失值补足。

关键信息

1. 数据与方法

• 数据来源：本地搭建的港股数据表，包括基础信息、行情序列、交易数据、恒生行业分类、股票估值、资产负债、利润和现金流量等，数据来源于Wind。
• 风格因子：共涉及10个风格因子，包括市值（Size）、贝塔（Beta）、动量（Momentum）、波动率（Residual Volatility）、非线性市值（Non-Linear Size）、市净率倒数（Book-to-Price）、流动性（Liquidity）、盈利（Earning Yield）、成长（Growth）和杠杆（Leverage）。
• 数据处理方法：
  • 标准化：采用市值加权平均和简单标准差进行标准化处理。
  • 极值处理：将数据限制在[-3.5, 3.5]区间，保留原始数据的排序。
  • 缺失值处理：使用其他因子指标进行回归补足。
  • 截面回归：采用加权最小二乘回归方法，以总市值平方根为权重，减少异方差影响。

2. 模型结果

• 模型解释度：样本内 $\mathbf{R}^2$ 均值为 40.63%，随时间推移呈下降趋势，反映因子有效性有所降低。
• 风格因子收益：
  • 正值因子：贝塔、动量、流动性、盈利、成长、BP。
  • 负值因子：波动率、市值、非线性市值、杠杆。
  • 差异表现：港股与A股在风格因子收益表现上存在显著差异，例如港股贝塔因子收益绝对值较大，波动率因子为负值，而A股波动率因子为负值，贝塔因子为正值。

3. 持仓风格分析

• 公募基金持仓：
  • 暴露变动较小的因子包括市值、非线性市值、流动性、盈利、成长和杠杆。
  • 暴露增加较多的因子为贝塔和波动率，动量因子暴露有所提高。
• 陆港通持仓：
  • 市值暴露有所降低，贝塔和波动率暴露先升后降。
  • 非线性市值暴露有所提高，其他因子暴露变动不大。

4. 行业分布分析

• 公募基金行业占比：金融业、消费品制造业、资讯科技业和公用事业占比最高，且消费品制造业、消费者服务业、资讯科技业和金融业占比逐渐提升。
• 陆港通行业占比：金融业、消费品制造业、地产建筑业和资讯科技业占比最高，行业占比变动相对较小，消费品制造业有所提高，金融业有所降低。

附录：风格因子计算方法

1. SIZE：个股总市值自然对数。
2. Beta：使用CAPM回归，以全市场个股超额收益为市场指数，采用半衰期加权。
3. Momentum：由RSTR和HALPHA加权计算，分别基于过去504个交易日的超额收益率和截距项。
4. Residual Volatility：由DASTD、CMRA和HSIGMA加权计算，需对Beta和Size进行正交化处理。
5. Non-Linear Size：对标准化Size的立方进行回归，去除线性部分。
6. Book-to-Price：市净率倒数。
7. Liquidity：由STOM、STOQ和STOA加权计算，需对Size进行正交化处理。
8. Earnings Yield：由CETOP和ETOP加权计算，分别基于经营性现金净流入和净利润。
9. Growth：由EGRO和SGRO加权计算，分别基于每股盈利和每股营业收入增长率。
10. Leverage：由MLEV、DTOA和BLEV加权计算，分别基于市值、负债/资产和账面杠杆。

总结

本报告通过构建港股Barra模型，展示了港股风格因子的收益表现及其在公募基金和陆港通持仓中的应用。模型解释度较高，但因子有效性随时间有所下降。不同风格因子在港股市场表现与A股市场存在差异，为后续港股策略研究提供了重要参考。同时，报告指出港股数据质量相对较低，需进一步完善和核对。未来研究将逐步深化港股相关分析。