多因子系列报告之二十：红利因子、低波因子的新构造-20190417-光大证券-20页_1mb

红利因子、低波因子的新构造总结

核心内容概述

本篇报告聚焦于对Smart Beta策略中常用的红利因子与低波因子进行优化改造，旨在提升因子的预测能力和稳定性。主要从两个角度出发：

1. 红利因子：通过预测股息率的方式重构红利因子，提升其在不同样本空间中的表现。
2. 低波因子：采用成交额等分K线、成交量等分K线、ticK等分K线等新K线构造方式，重新定义波动率因子，以提高因子的稳定性与多空收益表现。

主要观点

红利因子优化

• 原始股息率因子（DP_TTM）：定义为近12个月现金股利（税前）与股票市值的比值，但其预测能力受限，尤其在业绩波动较大的公司中表现不佳。
• 预期股息率因子：通过预测公司未来分红，将股息率拆分为净利润和股息支付率两部分，分别进行估计。该因子在IC均值、IC_IR和胜率上均优于DP_TTM因子。
• 预测股息率因子：在分红预案发布至除权除息日之间，使用已知的分红数据，从而提高因子的预测能力。该因子在IC均值上从3.00%提升至3.29%，IC_IR从0.49提升至0.56，稳定性显著增强。
• 因子表现差异：预测股息率因子在全市场、中证500和沪深300成分股中的表现基本一致，IC均值在3.29%左右，且与DP_TTM因子的相关性为0.83，与ROE因子的相关性为0.63。

低波因子优化

• 传统波动率因子（如STD_1M、STD_3M、STD_6M）：基于时间等分K线构造，其IC_IR表现较好，但换手率较高，且收益率序列存在显著的自相关性和非正态分布问题。
• 新K线构造方式：采用成交额等分、成交量等分、ticK等分等非时间等分K线，以提升波动率因子的稳定性。
• 等K线个数波动率因子（如Value_D_STD_60）：在IC_IR、稳定性、换手率等方面优于时间等分K线下的波动率因子，且在全市场中的累计多空年化收益达到28.23%，显著高于时间等分K线下的12.3%。
• K线构造对正态性、自相关性的影响：非时间等分K线下的收益率更接近正态分布，且自相关性随滞后期增加快速收敛，有利于因子的稳定性。

关键信息

红利因子新构造方法

• 净利润预测：使用分析师一致预期数据，避免历史数据的季节性和波动性影响。
• 股息支付率预测：在预期净利润为正时，采用公司近三年平均股息支付率。
• 分阶段计算股息率：根据分红预案发布时间与除权除息日，分阶段使用不同数据源计算预期股息率。

低波因子新构造方法

• K线构造方式：
  • 时间等分K线：每根K线有相同的时间跨度。
  • 成交额等分K线：每根K线有相同的成交额。
  • 成交量等分K线：每根K线有相同的成交量。
  • ticK等分K线：每根K线有相同的交易笔数。
• 等K线个数波动率因子：以固定K线数量（如60个）计算过去K线的收益率标准差，以避免时间窗口带来的信息偏差。
• 稳定性提升：成交额等分K线下的波动率因子稳定性显著优于时间等分K线，IC_IR表现更优。

改进效果对比

风险提示

• 报告结论基于模型和历史数据，模型存在失效的风险。
• 因子表现可能随市场环境变化而波动，需注意实际应用中的不确定性。
• 报告内容不构成投资建议，投资者应自行承担风险。

相关研究

• 《因子正交与择时：基于分类模型的动态权重配置——多因子系列报告之十》
• 《成长因子重构与优化：稳健加速为王——多因子系列报告之十二》
• 《组合优化算法探析及指数增强实证——多因子系列报告之十三》
• 《以质取胜：EBQC综合质量因子详解——多因子系列报告之十七》
• 《数据纵横：探秘K线结构新维度——机器学习系列报告之二》

总结

本报告通过重构红利因子和低波因子，提出了更具预测能力和稳定性的新因子构造方法。红利因子通过预测股息率，提高其在不同市场条件下的有效性；低波因子则通过采用成交额等分K线，提升波动率因子的稳定性与多空收益表现。新因子在IC均值、IC_IR、胜率和多空收益上均有显著提升，但需注意模型和数据的局限性，实际应用中仍需谨慎评估与验证。