20180927-渤海证券-基本面量化系列专题之四_多因子模型在钢铁行业中的应用研究_23页_1mb

多因子模型在钢铁行业中的应用研究总结

核心内容

本文是基本面量化系列专题的第四篇，旨在探索多因子模型在钢铁行业个股层面的应用效果。通过对七大类因子（估值、盈利、成长、动量、波动率、流动性和市值）进行单因子检验，并构建多因子选股模型，研究结果显示部分因子在特定市场条件下表现较好，而部分因子存在失效期。

主要观点

• 有效因子：盈利、成长、动量和波动率这四大类因子在钢铁行业中相对更为有效。

• 因子表现：

  • 估值因子：ETOP_barra 和 CETOP_barra 表现较佳，但在2014年12月至2016年2月期间失效。
  • 盈利因子：qfa_roe、qfa_roa 和 SALE2EV 表现较好，主要失效期为2011年8月至2012年11月。
  • 成长因子：qfa_yoynetprofit_qq、yoy_growth_netprofit_qq 和 growth_netprofit_qq_3 表现较好，主要失效期为2014年12月至2016年2月。
  • 动量因子：RSTR_m1、RSTR_m3 和 RSTR_m6 表现较好，但整体上与行业发展状况无明显规律。
  • 波动率因子：dastd_barra、VOL_1 和 VOL_3 表现较好，主要失效期为2014年底和2017年6月至今。
  • 流动性因子：MSS 表现相对较好，但整体上不如基本面因子。
  • 市值因子：LNCAP_barra 和 nonlinearsize_barra 表现较好，主要失效期为2014年底和2017年6月至今。

• 多因子模型：通过将有效因子进行正交处理，构建了多因子选股模型。结果显示，按固定比例选股可获得年化8.7%的超额收益，按固定只数选股可获得年化12.9%的超额收益。

关键信息

因子数据处理步骤

1. 数据对齐：确保因子数据为当时可获取的最新财报数据。
2. 去极值：使用中位数法处理极端值。
3. 缺失值处理：用行业股票的中位数填补缺失值。
4. 标准化：对数据进行ZScore标准化处理，使其符合N(0,1)正态分布。

单因子检验方法

• 使用横截面回归检验因子的显著性。
• 计算信息比率（IC）和ICIR，衡量模型预测能力和稳定性。
• 通过多空检验，比较因子值前30%和后30%的股票次月收益率差，评估因子的有效性。

多因子模型构建

• 将相关性较高的因子进行正交处理，减少多重共线性影响。
• 采用移动均值模型进行收益预测，选择前12期因子历史收益率的均值作为下一期预测值。
• 股票池选取采用固定比例（前30%）和固定只数（前10只）两种方法。

选股效果

• 固定比例选股：年化超额收益为8.7%，月超额收益大于0的概率为52.7%。
• 固定只数选股：年化超额收益为12.9%，月超额收益大于0的概率为50%。

风险提示

• 未来模型失效的风险。

未来展望

• 后续将进一步探索钢铁行业量化选股策略，包括更多特色因子的挖掘和基于宏观因子的选股方法。

行业发展与因子表现关系

• 行业复苏期：适宜选择估值低、业绩好、成长性高的股票。
• 行业衰退期：选择估值低、业绩好、成长性相对不错的股票，防守性可能一般。
• 价量因子：表现无明显规律，更多与市场整体投资风格偏好相关。

总结

本文通过多因子模型对钢铁行业个股进行选股效果检验，发现不同因子在不同市场条件下表现不一，且存在失效期。综合七大类因子构建的模型在行业复苏期表现较好，但在衰退期效果有限。未来将探索更多量化策略，以提升模型的稳定性和适用性。