因子模型系列二：市值类因子有效性剖析-20171231-招商证券-25页-3mb

专题报告总结：市值类因子有效性剖析

核心内容概述

本报告为招商金工因子模型系列的第二篇，重点在于介绍如何通过日截面可计算条件剔除异常数据，构建等权市场组合与等权投资基准组合，并以市值类因子为例，详细阐述了因子模型被解释变量的构建流程以及单因子收益估计的方法。该报告在系列中起到承上启下的作用，为后续因子研究提供了算法上的示范与参考。

主要观点

• 因子模型构建理念：采用横截面模型形式，以超额因子暴露解释个股超额收益，避免直接选股，提高模型稳定性。
• 数据清洗与可计算条件：剔除股价异动、停牌、新股/更名、ST股等异常数据，构建每日可计算股票池，确保数据质量。
• 系统性风险暴露估计：使用OLS方法估计个股在特定截面的超额系统性风险暴露 $\Delta \tilde{\beta}_{i,t_0}^M$，并计算残差以评估模型的解释能力。
• 被解释变量构建：将个股超额收益减去系统性风险解释部分，得到经系统性风险调整后的超额收益，作为因子模型的被解释变量。
• 独立性检验：采用卡方检验方法评估市值因子与超额收益之间的独立性，发现市值因子在中间分位点（20%~80%）的独立性较低，说明其对超额收益的解释力较强。
• 因子标准化赋值：将因子暴露标准化至 $[-0.5, 0.5]$ 范围，确保因子收益与波动具有可比性。
• 单因子收益估计：分别采用OLS和WLS方法进行市值类因子的收益估计，评估因子的显著性、收益贡献、波动率与Sharpe比率等指标。

关键信息

基础数据库搭建

• 所有数据来源于Wind数据库。
• 市值因子包括合计市值、流通市值和自由流通市值，分别计算为：
  • 合计市值：$\ln(S_SHARED_TOTALA \times 收盘价)$
  • 流通市值：$\ln(FLOAT_A_SHR \times 收盘价)$
  • 自由流通市值：$\ln(S_SHARED_FREESHARES \times 收盘价)$

等权市场组合与投资基准组合

• 构建每日等权市场组合与等权投资基准组合（对标中证500、沪深300、上证50）。
• 等权基准更能反映市场真实可交易股票收益，尤其在2015年市场大量个股停牌时表现更优。

系统性风险暴露 $\Delta \tilde{\beta}_{i,t_0}^M$

• 通过OLS方法估计个股的系统性风险暴露，使用前60个交易日数据。
• 在不同基准下， $\Delta \tilde{\beta}_{i,t_0}^M$ 的分布存在差异，如银行行业在中证500下回归系数较大，而在上证50下则较小。
• 通过独立性检验，发现市值因子在中间分位点区间（20%~80%）与超额收益的相关性较高。

单因子收益估计结果

市值因子收益走势

• 合计市值因子：2007-2009年收益波动频繁，2009年后收益多为负，2016年12月出现反转。
• 流通市值因子：走势与合计市值相似，但收益持续性更优。
• 自由流通市值因子：波动量能略弱于前两者，但2014年11月和2015年6月曾出现显著正收益。

因子波动量能与持续性

• 波动量能：市值类因子整体波动量较强，合计市值和流通市值的波动量能优于自由流通市值。
• 同向波动持续月份数：流通市值因子的持续性优于其他两个因子，表明其在不同市场阶段的稳定性更高。

结构清晰内容总结

1. 数据处理与模型构建

• 数据来源：Wind数据库。
• 数据清洗：剔除股价异动、停牌、ST股等数据，构建等权市场组合与等权基准组合。
• 模型形式：横截面模型，通过超额因子暴露解释个股超额收益。

2. 系统性风险暴露估计

• 方法：OLS估计个股超额系统性风险暴露 $\Delta \tilde{\beta}_{i,t_0}^M$。
• 数据窗口：前60个交易日数据用于估计。
• 行业分析：不同行业对系统性风险暴露的解释能力存在差异，如银行、计算机行业表现突出。

3. 被解释变量构建

• 公式：$\Delta r_{i,[t_0 + 1,t_1]}^{B,M} = \Delta r_{i,[t_0 + 1,t_1]}^B - \Delta \tilde{\beta}{i,t_0}^M \cdot r{M,[t_0 + 1,t_1]}$
• 意义：体现因子模型以超额因子暴露解释超额收益的理念。

4. 独立性检验

• 方法：卡方独立性检验，评估市值因子与超额收益之间的独立性。
• 结果：市值因子在中间分位点（20%~80%）与超额收益相关性较高，表明其对收益解释力强。

5. 因子标准化赋值

• 范围：$[-0.5, 0.5]$，通过等长子区间进行标准化。
• 目的：保证因子收益与波动的可比性，避免因量纲不同造成误判。

6. 单因子收益估计

• 方法：采用OLS和WLS两种方法进行收益估计。
• 指标：t统计量、Sharpe值、收益均值、波动率、同向波动持续月份等。
• 结果：流通市值因子的t统计量和显著性指标优于其他因子；自由流通市值因子的Sharpe值更高，表现更优。

总结

本报告详细介绍了因子模型的构建流程，特别是针对市值类因子的处理方式与收益估计方法。通过对数据的清洗与标准化，以及独立性检验与不同估计方法的对比，为后续因子模型的构建提供了重要的参考依据。研究结果表明，市值类因子在不同市场阶段表现出一定的收益特征，其中流通市值因子在持续性和显著性上表现较好，自由流通市值因子在风险调整后收益更具优势。