现金流、折现率、集中度三维度因子择时体系-20190815-天风证券-26页_2mb

金融工程：现金流、折现率、集中度三维度因子择时体系总结

核心内容

本文提出了一个基于现金流、折现率、资产集中度的三维度因子择时模型，该模型是在传统的CAPM模型和TWO-BETA模型基础上进行拓展，引入情绪轴以识别因子短期波动和泡沫风险，从而构建一个更加全面的因子配置体系。

主要观点

1. 模型演进：从CAPM模型的单维度市场划分，到TWO-BETA模型的二维市场划分，再到引入资产集中度的三维模型，使市场状态划分更加精细，能够更好地解释金融异象（如小盘溢价）。

2. 现金流与折现率 Beta 拆解：

   • 现金流 Beta 表示因子收益对现金流变化的敏感度，现金流 Beta 越高，收益越高（good beta）。
   • 折现率 Beta 表示因子收益对折现率变化的敏感度，由于计算方向调整，折现率 Beta 越高，收益越低（bad beta）。

3. 因子配置轮盘：

   • 基于现金流与折现率 Beta 的不同组合，确定不同经济环境下应配置的因子。
   • 例如：在现金流上行、折现率上行时配置Momentum、Residual_Volatility、Liquidity；在现金流下行、折现率下行时配置Size、BP、Leverage。

4. 资产集中度（情绪轴）：

   • 资产集中度用于识别因子泡沫，当资产集中度急速上升时，表明因子可能面临回撤风险。
   • 通过计算相对资产集中度标准差，识别泡沫期，并对泡沫期因子进行权重调整，规避短期波动风险。

5. 三维体系模型：

   • 在因子配置轮盘基础上加入情绪轴，构建三维因子择时模型。
   • 该模型能够更有效地捕捉因子的短期波动，提升策略收益。

关键信息

1. 因子配置轮盘效果

• 年化多空收益：37.05%
• 年化超额收益：8.22%
• 多空信息比：从2.4225提升至3.4839
• 最大回撤：从-11.15%降低至-10.59%
• 月度胜率：从73.63%提升至79.12%
• 换手率：月度平均从28.21%上升至30.05%

2. 三维体系效果

• 年化多空收益：40.68%
• 年化超额收益：11.85%
• 多空信息比：从3.7909提升至4.2147
• 最大回撤：从-10.59%降低至-9.69%
• 月度胜率：从78.02%提升至79.12%
• 换手率：月度平均达到59.16%

3. 因子配置轮盘与三维体系的对比

• 三维体系在多空收益和超额收益方面均优于因子配置轮盘。
• 三维体系的多头超额收益年化达到18.20%，相比因子配置轮盘的17.12%有所提升。
• 三维体系的换手率更高，可能对策略成本产生一定影响。

4. 参数敏感性分析

• 三维体系的多空超额收益率在不同均线长度下保持稳定，均在11.57%至11.85%之间。
• 多头超额收益率在均线长度为10日时表现最佳，达到5.51%。

因子收益分析

• Size因子：在经济与利率下行时表现较好。
• Momentum因子：在经济与利率上行时表现较好。
• Residual_Volatility因子：在经济上行、利率上行时表现较好。
• BP因子：在现金流下行时表现较好。
• Liquidity因子：在经济上行、利率上行时表现较好。
• Leverage因子：在经济与利率下行时表现较好。

风险提示

1. 经济规律变化：可能导致模型失效。
2. 统计规律的不稳定性：可能导致模型波动。

代理变量

• 现金流：采用制造业活动指数进行代理。
• 折现率：采用国开债10年到期收益率进行代理。
• 情绪轴：采用资产集中度进行代理。

图表说明

• 图25：因子配置轮盘因子权重分布。
• 图35：三维体系因子权重分布。
• 图28：市值因子多空累计收益率与资产集中度。
• 图29：市值因子资产集中度波动识别。
• 图30：因子配置轮盘多空超额收益。
• 图31：因子配置轮盘多头超额收益。
• 图33：三维体系多空超额收益。
• 图34：三维体系多头超额收益。

参考文献

1. Campbell J Y, Vuolteenaho T. Bad Beta, Good Beta[J]. American Economic Review, 2004, 94(5):1249-1275.
2. Barra China Equity Model (CNE5)
3. Kinlaw W B, Kritzman M, Turkington D. Crowded Trades: Implications for Risk and Return[J]. Journal of Portfolio Management, 2019, 45(4):104-117.