20220617-东吴证券-_基本面选股因子_系列（一）_从布林带到估值异常因子_23页_1mb

“基本面选股因子”系列（一）总结

核心内容概述

本报告探讨了基于布林带均值回复策略与基本面估值修复逻辑构建的选股因子，通过优化剔除市场、行业与个股层面的估值逻辑变化影响，最终形成了“估值异常EPA因子”。该因子在多个维度上表现优异，具有较高的稳定性与风险调整后的收益能力。

主要观点

• 估值均值回复特性：股票的PE指标存在均值回复性质，当市场情绪导致估值偏离合理水平时，未来存在回归中枢的可能性。
• 因子构建过程：
  • EPD因子：基于PE的布林带模型，计算估值偏离程度，用于识别估值异常股票。
  • EPDS因子：通过剔除个股估值逻辑变动的影响，优化EPD因子的稳定性。
  • EPA因子：进一步剔除Barra风格因子（Beta、成长、价值）的影响，形成最终的估值异常因子。
• 因子表现：
  • EPD因子：月度RankIC均值为6.56%，年化收益17.21%，胜率80.99%，最大回撤4.16%。
  • EPDS因子：月度RankIC均值为5.76%，年化收益16.55%，胜率82.19%，最大回撤2.38%。
  • EPA因子：月度RankIC均值为6.13%，年化收益18.29%，胜率86.99%，最大回撤1.53%，RankICIR提升至4.75，信息比率3.76。
• 收益来源分析：
  • 错误定价：因子收益主要来源于市场有限注意力导致的错误定价，尤其在市场关注度低的样本中表现更优。
  • 风险补偿：因子表现与经济周期关系不大，不支持风险补偿假说。
• 因子稳健性分析：
  • 参数敏感性检验显示，因子对参数变化不敏感。
  • 换手率较高，第1、5组年化换手率约为500%。
  • 在剔除传统因子ret20、ROE_yoy后，因子仍能提供增量信息。

关键信息

因子构建方法

1. EPD因子：基于252日滚动PE均值与标准差构建估值偏离度。
2. EPDS因子：通过横截面回归IR（个股收益率的均值与标准差之比）剔除个股估值逻辑变化影响。
3. EPA因子：剔除Barra风格因子（Beta、成长、价值）影响，形成更纯粹的估值异常因子。

回测结果

• EPD因子：

  • 月度RankIC均值：6.56%
  • RankICIR：3.66
  • 年化收益：17.21%
  • 信息比率：2.58
  • 胜率：80.99%
  • 最大回撤：4.16%

• EPDS因子：

  • 月度RankIC均值：5.76%
  • RankICIR：4.02
  • 年化收益：16.55%
  • 信息比率：3.13
  • 胜率：82.19%
  • 最大回撤：2.38%

• EPA因子：

  • 月度RankIC均值：6.13%
  • RankICIR：4.75
  • 年化收益：18.29%
  • 信息比率：3.76
  • 胜率：86.99%
  • 最大回撤：1.53%

分行业表现

• 估值异常因子在中证1000成分股中表现最佳，年化收益率18.31%，信息比率2.88。
• 在沪深300成分股中表现最差，年化收益率10.58%，信息比率1.49。
• 原因：中证1000成分股市场关注度较低，因子效果更佳；沪深300中金融地产板块使用PB估值，与PE因子不匹配。

投资组合表现

• 构建“估值异常”投资组合，选择中证500成分股中EPA因子值最大的前100只股票，等权配置。
• 组合年化收益率：19.43%
• 组合超额年化收益率：11.86%
• 超额信息比率：2.03
• 最大回撤：-5.28%

风险提示

• 所有统计结果基于历史数据，未来市场可能发生重大变化。
• 单因子收益存在较大波动，需结合资金管理和风险控制方法进行应用。

附录

图表说明

• 图1：估值异常EPA因子的5分组及多空对冲净值走势。
• 图2：经典均值回复布林带策略。
• 图3：基于估值的布林带模型结构。
• 图4：横截面选股规避市场层面影响。
• 图5：估值偏离EPD因子净值走势。
• 图6、7：宁德时代与长春高新的EPD分组情况。
• 图8：缓慢偏离EPDS因子净值走势。
• 图9、10：纯净EPD与EPDS因子净值走势。
• 图11：估值异常EPA因子净值走势。
• 图12：EPA因子历史收益率。
• 图13：EPA因子在不同关注度样本中的表现。
• 图14、15：EPA因子分组中分析师覆盖人数与覆盖率。
• 图16：EPA因子在不同参数下的信息比率。
• 图17：EPA因子分组的年化换手率。
• 图18：剔除ret20、ROE_yoy后的净值走势。
• 图19：EPA因子在不同行业板块中的表现。
• 图20：“估值异常”投资组合净值走势及超额收益。

表格说明

• 表1：EPD因子绩效指标。
• 表2：EPDS因子绩效指标。
• 表3：EPD、EPDS与Barra风格因子相关系数。
• 表4：纯净EPD与EPDS因子绩效指标。
• 表5：剔除Barra风格因子前后EPDS因子RankIC变化。
• 表6：EPD、EPDS、EPA因子绩效指标。
• 表7：EPA因子在不同关注度样本中的绩效指标。
• 表8：EPA因子分年度表现。
• 表9：EPA因子与传统因子相关性。
• 表10：剔除传统因子后EPA因子绩效指标。
• 表11：EPA因子在沪深300、中证500、中证1000成分股中的绩效指标。
• 表12：“估值异常”投资组合绩效指标。

总结

本报告构建了基于估值修复逻辑的“估值异常EPA因子”，通过剔除市场、行业及个股层面的估值逻辑变化影响，提升了因子的稳定性和收益能力。该因子在市场关注度较低的样本中表现尤为突出，支持错误定价假说。在中证500成分股中构建的“估值异常”投资组合表现出色，能够稳定战胜市场。然而，因子效果依赖历史数据，实际应用中需注意市场变化及风险控制。