20171128-东北证券-多因子系列（4）_行业分类下的单因子组合构建_12页_1mb

报告摘要

文档总结：行业分类下的单因子组合构建

核心内容

本文探讨了基于行业分类的单因子组合构建方法，旨在通过选择与行业特性匹配的估值指标提升投资组合的收益和稳定性。研究重点在于分析不同行业对估值因子的适用性，并结合历史数据验证行业分类组合相较于单一因子组合的表现。

主要观点

行业分类与因子匹配：将中信29个行业分为四大类（周期行业、金融行业、科技行业、其他行业），分别采用不同的估值指标进行选股，以提升因子有效性。
因子选择依据：
- 周期行业：使用企业估值倍数倒数（EBITDA/EV），因其不受折旧和资本结构影响，适合资本密集型企业。
- 金融行业：使用市净率倒数（BP），因银行和非银金融企业资产以账面价值为主。
- 科技行业：使用市销率倒数（SP），因科技企业盈利波动大，P/E难以反映其真实价值。
- 其他行业：使用市盈率倒数（EP），因这些行业较少受技术更新和周期性影响。
调仓与筛选机制：调仓时间为每年4月末和9月末，选股范围为全部A股，筛选标准为各行业按照指标从大到小排序后取前10%分位数的股票。
回溯与对比：回溯时间从1999年10月至2017年11月，对比了2009年至今的回溯表现，发现行业分类组合在2014年后逐渐超越单因子组合，且在2016年12月超过EP组合，成为收益最高的组合。
收益表现：行业分类组合在总收益、年化收益、风险调整后收益等方面均优于单因子组合，且波动性更低。
风格暴露与收益来源：组合风格偏盈利性和高BP，收益来源包含传统风险因子解释之外的残差部分。

关键信息

回溯结果概览

组合类型	总收益	年化收益	年化波动	最大回撤	Sharpe比率
分类组合	739.01%	12.36%	28.96%	66.74%	0.427
企业估值倍数	249.54%	7.10%	32.03%	72.32%	0.222
BP	218.90%	6.56%	30.00%	71.80%	0.219
SP	300.94%	7.91%	30.50%	71.15%	0.259
EP	450.28%	9.79%	30.50%	69.72%	0.321

超额收益表现

组合类型	超额收益	超额年化收益	超额年化波动	超额最大回撤	超额 Sharpe
分类组合	82.89%	3.36%	8.88%	22.37%	0.379
企业估值倍数	-23.81%	-1.48%	7.83%	24.35%	NA
BP	-30.49%	-1.97%	6.45%	32.25%	NA
SP	-12.60%	-0.74%	8.01%	24.64%	NA
EP	19.95%	1.00%	7.63%	21.53%	0.131

分组表现

分组	总收益	年化收益	年化波动	最大回撤	Sharpe
第一组	301.77%	16.71%	27.61%	37.91%	0.605
第二组	230.29%	14.20%	28.02%	39.74%	0.507
第三组	220.72%	13.82%	27.03%	39.04%	0.511
第四组	204.71%	13.18%	27.27%	40.24%	0.483
第五组	170.45%	11.69%	25.89%	39.11%	0.452
第六组	99.60%	7.98%	24.16%	38.23%	0.330
第七组	142.73%	10.35%	25.11%	40.92%	0.412
第八组	112.82%	8.75%	25.48%	39.90%	0.344
第九组	144.41%	10.44%	25.37%	44.97%	0.411
第十组	140.29%	10.23%	24.78%	41.26%	0.413

行业分类与选股行业

行业分类	选股行业
周期行业	石油石化、煤炭、有色金属、基础化工、钢铁、汽车、房地产
金融行业	银行、非银行金融
科技行业	电子元器件、通信、计算机
其他行业	电力及公用事业、轻工制造、电力设备、国防军工、农林牧渔、医药、纺织服装、食品饮料、商贸零售、交通运输、家电、传媒、综合

结论

通过区分行业特性并选择适合的估值指标进行选股，可以显著提升组合的收益和稳定性。行业分类组合在多个时间段内表现优于单一因子组合，尤其在2014年后，随着市场风格向价值投资转变，分类组合的优势更加明显。这为smart beta产品的设计提供了思路，即在不同行业分类下采用不同因子的策略，以提高投资组合的收益能力和风险调整表现。

展开完整摘要