量化投资月报：7月看好估值和量价，关注GAT模型-20210709-华泰证券-27页_1mb

7月因子观点总结：看好估值和量价因子，关注GAT选股模型

核心内容概述

2021年7月，华泰研究建议投资者关注估值因子和以反转、波动率、换手率为代表的量价因子。同时，强调华泰图注意力网络（GAT）选股模型在2021年上半年样本外表现突出，尤其在量价因子占优的市场环境下，GAT模型展现出显著优势。

主要观点与关键信息

1. 因子视角分析

• 内生变量视角：短期看好估值、波动率、换手率因子，不看好成长、盈利、财务质量因子。估值、波动率、换手率因子在动量、离散度和拥挤度指标上占优，表明其未来表现可能较好。
• 外生变量视角：短期看好反转、波动率、换手率因子，不看好财务质量、小市值因子。这些因子的RankIC预测值超过5%，可能具有较好的短期表现。
• 因子周期视角：中长期看好大市值、估值、盈利、财务质量、波动率、换手率因子。预计未来一年处于库兹涅茨周期向上和朱格拉周期向下，流动性宽松，建议配置上述因子。波动率、换手率因子在不同宏观环境下表现良好，建议长期配置。

2. GAT选股模型表现

• GAT模型使用158个量价因子，结合图注意力网络，将股票间关系作为增量信息纳入预测模型。
• 2021年上半年样本外表现优异，年化超额收益达26.4%，信息比率为2.67，优于对照组LightGBM模型（年化超额收益6.1%，信息比率0.52）。
• 模型采用TopkDropout策略，每日等权持有50只股票，替换5只最低预测收益股票。
• 模型在2019年和2020年表现不佳，可能与量价因子衰减和市场结构性行情有关。2021年以来表现明显改善，超额收益显著。

3. 因子表现回顾

• 6月大类风格因子表现：成长、盈利、小市值因子表现较好，小市值因子RankIC值超过10%。估值、波动率、Beta、技术因子出现回撤，反转、换手率因子RankIC值为正但因子收益率为负。
• 近1年大类风格因子表现：波动率、换手率、反转、估值因子表现良好，但近两个月表现平淡；技术因子尚可，成长、盈利、财务质量、Beta因子表现相对平淡。小市值因子波动较大，2020年12月和2021年1月出现较大回撤。
• 因子表现计算方法：采用Spearman秩相关系数计算RankIC值，同时结合行业市值中性化处理和标准化预处理。

4. GAT模型测试流程与参数设置

• 数据获取：使用Wind数据，转换为Qlib格式，股票池为沪深300成分股，回测区间为2010年1月4日至2021年6月30日。
• 特征与标签提取：使用Alpha158vwap因子库，标签为t+2日vwap复权均价相对于t+1日的涨跌幅。
• 特征预处理：训练集与验证集采用截面标准化，测试集采用稳健Z分数标准化，并对缺失值进行填充。
• 参数设置：包括时间序列长度（20）、隐藏层神经元数（64）、层数（2）、Dropout概率（0.7）、训练轮数（200）、学习率（0.0001）等。

5. GAT模型原理

• GAT模型通过图注意力机制，隐式学习股票间的相互影响，而非显式建图。
• 模型结构包括两层LSTM、GAT层和两层全连接层，输入为每只股票过去20个交易日的158个量价因子，输出为对股票收益的预测。

6. 量价因子与GAT模型相关性

• GAT模型与波动率、换手率因子的RankIC值相关性分别为0.51和0.56，表明其表现与量价因子密切相关。
• 在量价因子占优的市场环境下，GAT模型表现更优。

7. 外生变量预测方法

• 使用条件期望模型和AIC准则筛选外生变量，构建线性回归模型预测未来一个月的RankIC值。
• 选取6项市场指标和13项宏观指标作为外生变量，对部分变量进行差分处理或计算变化率，以保证平稳性。
• 外生变量对反转、波动率、换手率因子预测贡献显著，而对财务质量、小市值因子贡献为负，可能受宏观环境影响。

8. 因子周期视角：因子投资时钟

• 经济周期分为库兹涅茨周期和朱格拉周期，两者共同影响因子表现。
• 当前处于库兹涅茨周期向上、朱格拉周期向下，流动性宽松，建议配置大市值、估值、盈利、财务质量因子。
• 波动率、换手率因子在不同宏观环境下表现稳定，建议长期配置。

9. 风险提示

• 风格因子的表现与宏观环境和大盘走势密切相关，历史表现不能预测未来。
• 金融周期规律可能被打破，市场出现超预期波动可能影响因子表现，导致交易拥挤。

附录说明

• 附录一：列出所有细分因子及其计算方法，包括估值、成长、盈利、财务质量、小市值、反转、波动率、换手率、Beta、技术等类别。
• 附录二：详细说明风格因子合成、RankIC值计算及因子收益率计算方法，包括行业市值中性化、去极值处理、标准化、等权合成等步骤。

图表目录

• 图表1：内生变量与外生变量对7月风格因子表现的预测。
• 图表2：不同模型TopkDropout策略回测指标。
• 图表3：GAT模型全回测期净值与超额净值表现。
• 图表4：GAT模型2021年上半年净值与超额净值表现。
• 图表5：GAT模型参数设置。
• 图表6：GAT原理示意图。
• 图表7：GAT选股模型示意图。
• 图表8：GAT模型与波动率因子RankIC相关性。
• 图表9：GAT模型与换手率因子RankIC相关性。
• 图表10：6月大类风格因子表现。
• 图表11：近1年大类风格因子累计RankIC值。
• 图表12：近1年细分因子表现。
• 图表13：内生变量预测7月风格因子综合得分。
• 图表14：大类风格因子动量历史序列。
• 图表15：6月底截面动量与历史分位数。
• 图表16：大类风格因子离散度历史序列。
• 图表17：6月底截面离散度与历史分位数。
• 图表18：大类风格因子拥挤度历史序列。
• 图表19：6月底截面拥挤度与历史分位数。
• 图表20：外生变量列表。
• 图表21：外生变量筛选流程图。
• 图表22：外生变量对7月RankIC预测值。
• 图表23~32：各因子RankIC预测值及外生变量贡献情况。
• 图表33：不同经济周期下因子表现分类。
• 图表34：实体经济三周期滤波结果。
• 图表35~44：各因子去趋势后累计收益率与三周期回归拟合。

总结

华泰研究从内生变量、外生变量、因子周期三重视角对2021年7月风格因子进行预测，综合看好估值、波动率、换手率因子，同时建议关注GAT选股模型。该模型在样本外表现优异，尤其在量价因子占优的市场环境下更具优势。此外，外生变量和因子周期视角进一步支持波动率、换手率因子的长期配置建议。投资者需注意风格因子与宏观环境的强相关性及潜在的市场波动风险。