20181013-东北证券-金融工程研究报告_Barra模型（CNE6）介绍与应用_16页_2mb

Barra模型(CNE6)介绍与应用总结

核心内容

MSCI新一代A股风险模型（CNE6）是一种基于多因子模型的金融工具，用于股票收益的解释和风险归因分析。CNE6包含48个描述变量、20个基础因子和9个风格因子，相较于前一代模型CNE5，在因子种类和处理方式上有所改进，增加了质量、情绪和分红风格因子，并对部分因子进行了合并处理。

主要观点

• 因子构成：CNE6模型包括48个描述变量、20个基础因子和9个风格因子。风格因子通过两次加权计算得出。
• 新增因子：增加了质量、情绪和分红风格因子，同时合并了非线性市值与市值。
• 基础因子更新：增加了盈余波动、投资质量、长期反转、行业动量等因子。
• 描述变量更新：增加了ATR指标用于流动性分析。
• 数据处理：数据清洗包括极值处理、数据规范化、因子载荷正交化和缺失值补足。
• 覆盖度分析：基础因子中，18个因子的平均覆盖度在95%以上；而分红和情绪因子的覆盖度较低，分别为67.54%和65.21%。
• 因子表现：在单因子收益方面，anasant、beta和btop表现最佳，分别为8.19%、5.86%和5.42%；liquidity、strev和midcap表现最差，分别为-11.22%、-11.10%和-6.76%。
• 模型解释度：9因子模型的R²均值为42.33%，7因子模型的R²为37.43%，整体解释度较高，且与CNE5结果较为一致。
• 因子对比：与CNE5相比，value因子表现提升，momentum因子因包含短期动量表现增强，size因子保持一致，volatility因子方向与beta更为一致。

关键信息

数据和方法

• 数据来源：WIND，包括A股基础信息、行情序列、交易数据、中信行业分类、股票估值、资产负债、利润和现金流量等。
• 数据清洗：包括极值处理、数据规范化、因子载荷正交化以及缺失值补足。
• 极值处理：采用标准化处理，将风险暴露限制在[-3.5, 3.5]区间。
• 缺失值处理：利用其他因子指标进行回归拟合，补足缺失值。
• 截面回归：以流通市值平方根为权重进行加权最小二乘回归，计算风格因子收益。

因子数据结果

• 数据表：构建了Barra Descriptor、Barra_Basic和Barra_Style三张数据表，时间区间为2006年至今，每日更新。
• 基础因子：统计了纯因子收益均值和标准差，其中anasant、beta和btop表现最佳，liquidity、strev和midcap表现最差。
• 风格因子：统计了纯因子收益均值和标准差，其中sentiment表现最佳，liquidity表现最差。

结果展示

• 模型解释度：9因子模型R²均值为42.33%，7因子模型R²为37.43%。9因子模型的解释度更高，主要由于情绪和分红因子的增量贡献，以及股票池较小。
• 风格因子收益：情绪和分红因子收益方向一致，且波动较小，表现较为平稳。
• 与CNE5对比：value因子表现提升，momentum因子因包含短期动量表现增强，size因子保持一致，volatility因子方向与beta一致，liquidity因子表现变动较小。

结构说明

• 因子定义：CNE6模型中的因子分为描述变量、基础因子和风格因子。
• 因子覆盖度：基础因子覆盖度较高，风格因子中分红和情绪因子覆盖度较低，因此在截面回归中采用两种版本。
• 单因子表现：anasant、beta和btop收益最高，liquidity、strev和midcap收益最低。
• 模型表现：9因子模型解释度更高，但股票池较小，而7因子模型与CNE5结果较为一致。

结论

CNE6模型在因子种类和处理方式上进行了优化，提高了模型的解释能力和稳定性。虽然新增因子如情绪和分红覆盖度较低，但其对模型整体表现有积极影响。在进行投资组合分析时，可以利用CNE6模型对风险进行预测和管理，以实现更好的绩效分解和边际风险归因。