因子选股系列：BARRA中国市场模型（CNE6）解读-20190226-西南证券-30页_4mb

报告摘要

BARRA 中国市场模型（CNE6）解读总结

核心内容

MSCI于2018年8月发布了中国股权市场的最新模型CNE6，该模型在CNE5的基础上进行了修改、整合和完善，构建了三层风格因子体系，包括9个一级因子、20个二级因子和46个三级因子。CNE6新增了Quality（质量）、Sentiment（情绪）和Dividend Yield（分红收益率）三个一级因子，同时对原有因子进行了分类整合，如将Residual Volatility和Beta整合为Volatility，将Size和Mid Cap整合为Size等。

主要观点

因子体系结构
CNE6构建了三层风格因子体系，其中一级因子由下层因子加权计算得出，增加了因子的解释能力。新增的Quality因子反映了公司质量，Sentiment因子反映了市场情绪，Dividend Yield因子度量公司分红状况。
单因子检验结果
大多数因子具有一定的选股能力，但部分因子如Quality、Growth及其相应二级因子表现不佳。例如，Quality因子的平均IC值为1.04%，IC序列超过80%的值小于0，说明其选股效果有限。
纯因子收益率分析
纯因子收益率反映了因子在排除其他因素影响后的独立表现。结果显示，Size、Liquidity和Volatility因子的纯因子收益率较高，其中Volatility因子在2015年表现良好，但随后显著下降；Size因子在2017年前表现优异，之后几乎为零。其余因子在样本期内表现相对平稳。
残差选股能力分析
CNE6模型的回归残差仍具有显著的选股能力，IC值分别为-7.11%和-8.36%，且超过80%的值小于0，说明模型对股票收益率的解释并不完备。若将残差的均值和波动率作为一级因子纳入模型，解释能力可提升至34.22%。
模型应用问题
在使用CNE6模型时，需解决以下问题：
- 因子加权方式：合理的加权方式能显著提升模型的解释能力。
- 数据质量和因子覆盖度：Sentiment因子覆盖度较低，影响其在选股和风险管理中的应用。
- 模型解释能力完备性：CNE6因子体系对股票收益率的解释能力仍有待提升。

关键信息

因子体系结构：CNE6模型的因子体系包括9个一级因子、20个二级因子和46个三级因子。
新增因子：Quality、Sentiment和Dividend Yield是CNE6新增的一级因子。
因子表现：Volatility、Size和Liquidity因子的纯因子收益率较高，而Quality、Growth等因子的选股效果较弱。
残差能力：回归残差的均值和标准差仍具有显著的选股能力，且模型解释能力仍有提升空间。
模型应用建议：在实际应用中，需注意因子加权方式、数据质量和模型完备性。

图表分析

图1至图66：展示了CNE6因子体系在不同时间周期内的多空表现，包括一级因子、二级因子和三级因子的收益率、回撤率和换手率。
图65：显示了9个一级因子的累积纯因子收益率，其中Size、Liquidity和Volatility表现最佳。

表格分析

表1：列出了MSCI CNE6因子体系的推测，包括一级因子、二级因子、三级因子及其描述。
表2至表10：分别展示了各个因子的单因子检验结果，包括平均IC、IC_IR、IC<0的比例、年化收益率、最大回撤率和平均换手率。
表11：给出了残差选股能力的检验结果，包括残差20日均值和标准差的IC值、年化收益率和最大回撤率。

总结与展望

CNE6模型在解释股票收益率方面具有一定能力，但仍有提升空间。尽管部分因子如Volatility和Size表现良好，但整体模型的选股能力并不理想，尤其是Quality和Growth因子。未来的研究可以进一步优化因子加权方式，提高数据质量和覆盖度，并探索更多因子以增强模型的解释能力。同时，需注意模型的局限性，避免将其作为唯一的选股工具。