多因子系列报告之十五：创新基本面因子，提纯净利数据中的选股信息-20180909-光大证券-25页-2mb

创新基本面因子：提纯净利数据中的选股信息总结

核心内容

本报告探讨了通过线性回归框架提纯净利润数据中蕴含的预测信息，提出了线性纯化净利润（LPNP）因子，并对其有效性、稳定性与选股能力进行了详细分析。该因子通过剔除财务数据中的噪音项，提升了对股价预测的准确性与稳定性。

主要观点

• 净利润数据具有高信息含量：净利润是反映公司价值的重要指标，其数据中蕴含了丰富的预测信息，但需要通过特定方法进行提纯。
• 不同构造方式影响预测能力：净利润的同比与环比因子在日频更新下预测能力显著提升，且需进行去极值处理以避免异常值影响。
• 多元与分步回归提纯效果：通过多元回归和分步回归方法，可以进一步增强因子的预测能力，但多元回归在整体表现上优于分步回归。
• LPNP因子表现突出：通过滚动回归取残差的方式构建的LPNP因子，其月度IC均值为3.37%，ICIR为0.87，表现出良好的预测能力。
• 中性化提升因子效果：在剔除市值、ROE、动量等主流因子影响后，LPNP因子的预测能力进一步增强，月度IC均值达4.28%，ICIR达1.27。
• 多空组合表现优异：基于LPNP因子构建的多空组合在2009年至2018年期间，年化收益为11.67%，夏普比率3.08，最大回撤2.95%；中性化后，年化收益提升至14.15%，夏普比率高达3.94，最大回撤仅3.20%。

关键信息

1. 净利润相关因子表现

2. LPNP因子构造与提纯

LPNP因子通过将净利润同时对营业外收入与支付给职工以及为职工支付的现金进行滚动回归取残差的方式构造。其在中性化处理后表现出更优的预测能力。

3. LPNP因子在不同行业下的预测能力

4. LPNP因子多空组合表现（2009-2018）

中性化后：

5. 交易成本影响

交易成本对组合收益有一定影响，但敏感度不高。双边交易成本为0.6%时，年化收益约为22.4%，而无交易成本时可达25.75%。

6. LPNP因子与主流因子相关性

• 正相关因子：ROE、市值（Ln_MC）、动量（1个月）。
• 负相关因子：BP估值、流动性（VSTD）。

因子提纯方法

• 标准化处理：所有财务数据在滚动回归中进行标准化，避免量级差异影响因子有效性。
• 去极值处理：采用MAD（绝对中位数法）去除极值，提高因子的稳健性。
• 横截面回归取残差：通过剔除主流因子的影响，进一步提升LPNP因子的预测能力。

风险提示

• 所有测试结果基于历史数据与模型，模型存在失效风险。
• 财务数据缺失可能影响因子的覆盖度与实用性，需谨慎处理。

适用性与效果

• 全市场选股：LPNP因子在全市场表现优异，年化收益22.4%，夏普比率0.82，最大回撤54.3%。
• 沪深300内选股：年化收益10.2%，夏普比率0.50，最大回撤48.3%。
• 中证500内选股：年化收益17.1%，夏普比率0.67，最大回撤52.2%。

总结

LPNP因子通过线性回归框架有效提纯了净利润数据中的预测信息，其在中性化处理后表现出更显著的预测能力与稳定性。在不同市场和行业中的回测结果表明，该因子具备良好的选股效果，尤其是在周期性行业和消费类行业中表现更为突出。尽管存在一定的风险，但其在不同市场环境下的稳定性和收益表现，使其成为一种值得进一步研究与应用的创新基本面因子。