20171231-招商证券-因子模型系列之二_市值类因子有效性剖析_25页_3mb

专题报告总结

核心内容概述

本报告是招商金工因子模型系列的第二篇，旨在介绍基础数据库的搭建过程、模型被解释变量的构建方法，并以市值类因子为例展示单因子收益估计的算法流程。报告强调了使用日截面可计算条件剔除异动数据，构建等权市场组合与等权基准组合，从而提高因子模型的稳健性和解释能力。

主要观点

• 因子模型构建理念：因子模型以超额因子暴露解释超额收益，采用横截面模型形式，通过增量信息逐层解释方法添加新因子，以消除多重共线性，提高模型精度。
• 数据处理方式：通过剔除股价异动、停牌、更名等异常情况，构建每日可计算股票池，并据此计算等权市场组合与等权基准组合。
• 系统性风险暴露计算：使用OLS方法估计个股的超额系统性风险暴露（$\Delta \tilde{\beta}_{i,t_0}^M$），并结合不同基准（中证500、沪深300、上证50）进行分析。
• 因子收益估计：采用OLS和WLS方法对市值类因子进行收益估计，通过t统计量、Sharpe值、波动量能等指标评估因子的有效性。
• 独立性检验：使用卡方检验判断因子与超额收益之间的独立性，发现市值因子在中位数和平均值上表现出一定的相关性。
• 因子标准化赋值：通过将因子暴露值标准化为[-0.5, 0.5]区间，以增强因子收益与波动的可比性。
• 市值类因子表现：流通市值因子在t统计量和持续性方面表现优于合计市值和自由流通市值因子，而自由流通市值因子在Sharpe值上更优。

关键信息

基础数据库搭建

• 基础数据来源于Wind数据库，通过日截面可计算条件剔除异动数据。
• 构建每日等权市场组合与等权基准组合，以反映真实可交易的个股收益。

等权投资基准组合

• 选取中证500、沪深300、上证50的历史成分股作为基准。
• 等权基准在多数时间跑赢标准基准指数，尤其在2015年下半年表现突出。

系统性风险暴露计算

• $\Delta \tilde{\beta}_{i,t_0}^M$ 的计算基于个股超额收益与市场组合收益的OLS回归。
• 不同行业的 $\Delta \tilde{\beta}_{i,t_0}^M$ 分布存在差异，如银行、计算机等行业具有较高的R²值。

单因子收益估计

• 市值因子定义：合计市值、流通市值、自由流通市值分别对应不同的Wind字段，均经过对数处理。
• 独立性检验：通过卡方检验评估因子与超额收益之间的独立性，发现市值因子在中位数和平均值区间具有较高相关性。
• 标准化赋值：将因子暴露值标准化为[-0.5, 0.5]，并尝试不同的子区间数（5、10、50、100、200）以优化结果。
• 收益估计方法：采用OLS和WLS两种方法进行单因子收益估计，其中WLS在提高显著性方面表现更优。

市值类因子收益表现

• 合计市值：在2007-2009年期间收益波动较大，2009年后长期为负，2016年12月出现反转。
• 流通市值：与合计市值类似，但收益持续性更好，2014年11月和2015年6月出现较大正收益。
• 自由流通市值：波动量能较低，收益绝对值小于合计市值和流通市值，但在某些时间段如2014年和2015年也有显著正收益。

因子评估指标

• t统计量均值：流通市值因子最高，显示其解释能力更强。
• Sharpe值：自由流通市值因子最优，表明其风险调整后收益更高。
• 波动量能：合计市值和流通市值因子波动量能较强，尤其在牛市期间表现突出。

图表摘要

• 图1：单因子测试流程图。
• 图2-4：等权基准指数与标准基准指数的净值走势对比。
• 图5-7：不同基准下的 $\Delta \tilde{\beta}_{i,t_0}^M$ 历史分布。
• 图8-16：市值类因子的 $\chi^2$ 统计量分布，显示在中位数和平均值区间相关性较高。
• 图17-19：市值类因子的单期收益和累积收益走势。
• 图20：市值类因子的波动量能。
• 图21-23：市值类因子的t统计量走势，显示其解释能力较强。
• 图24-26：市值类因子收益与大小市值指数之差的对比，显示在2009年前拟合较好，之后有所下降。

结论

本报告为后续因子模型的构建和因子收益估计提供了算法示范，并指出市值类因子在不同基准下表现出不同的收益特征。通过详细分析，明确了市值因子在因子模型中的作用，以及其在不同时间段的表现差异。这些分析结果为后续因子筛选和模型优化提供了重要参考依据。