20220422-德邦证券-德邦金工文献精译第四期_中国股市的规模和价值因子模型_33页_4mb

金融工程专题总结：中国股市的规模和价值因子模型

核心内容

本文分析了中国股市中规模和价值因子模型的构建与应用，提出了一种适用于中国市场的三因子模型CH-3，并进一步扩展为四因子模型CH-4。研究指出，由于中国市场的特殊性，传统的美国Fama-French三因子模型（FF-3）无法准确解释中国市场的资产定价异象，因此构建了新的模型。

主要观点

• 市场环境差异：中国股市的监管政策与美国有显著差异，尤其是IPO流程和壳价值的影响，导致因子模型结构不同。
• 壳价值影响：小市值股票在IPO流程受限时，常常通过反向并购获得上市资格，其股价中包含大量壳价值。因此，剔除市值最小的30%股票有助于更准确地衡量规模和价值因子。
• 价值因子选择：在多个候选因子中，市盈率倒数（EP）被证明是最适合中国市场的价值因子，因为它能更好地解释截面异象。
• 模型表现：CH-3模型在解释中国股市异象方面优于FF-3模型，其在Fama-MacBeth回归和贝叶斯比较中均占优势。
• 异象解释能力：CH-3模型能够解释大部分异象（8种），而FF-3只能解释3种。CH-4模型通过加入换手率因子，进一步解释了反转和换手异象。

关键信息

1. 壳价值对小市值股票的影响

• 小市值股票在IPO流程受限时，常被用作反向并购的壳公司，导致其定价受到壳价值影响。
• 市值最小的30%股票中，83%是反向并购的壳公司，这些股票的壳价值占比约为30%。
• 壳价值对小市值股票的回报波动有显著影响，导致其与基本面的关联性较低。

2. 价值因子的构建

• 作者选择了EP（市盈率倒数）作为价值因子，因为其在解释中国股市异象方面优于BM（账面市值比）。
• 通过Fama-MacBeth回归，EP因子表现出更强的解释能力，且在统计上显著。

3. 三因子模型CH-3

• CH-3模型包含市场因子（MKT）、规模因子（SMB）和价值因子（VMG）。
• 市场因子的平均月回报为0.66%，SMB为1.03%，VMG为1.14%。
• 回归结果显示，CH-3模型在解释回报方差方面优于FF-3模型，且具有更高的统计显著性。

4. 四因子模型CH-4

• 为了进一步解释反转和换手异象，作者构建了CH-4模型，加入了换手率因子。
• CH-4模型能够解释所有10种异象，且其解释能力优于FF-3和FF-5模型。

5. 异象分析

• 文献中列举了九类A股市场异象，包括规模、价值、收益、波动、反转、换手、投资、应计和非流动性。
• CH-3模型能够解释8种异象，FF-3仅能解释3种。
• CH-3模型的平均绝对年化alpha为5.4%，而FF-3模型为10.8%。

6. 模型比较与验证

• 通过Gibbons-Ross-Shanken（GRS）检验，CH-3模型在解释FF-3因子时表现出显著的alpha，而FF-3无法解释CH-3的因子。
• 贝叶斯比较进一步验证了CH-3模型的优越性。
• 壳价值的加入显著影响了模型的解释能力，因此剔除壳价值股票是构建有效模型的关键。

风险提示

• 市场风格切换风险
• 市场波动风险
• 模型失效风险

结论

• CH-3模型在解释中国股市的异象方面优于FF-3模型，能够有效捕捉规模和价值因子的影响。
• CH-4模型通过加入换手率因子，进一步提升了模型的解释能力，能够解释所有中国股市中的异象。
• 壳价值的存在显著影响了因子模型的解释能力，因此在构建模型时应剔除市值最小的30%股票。

附录与数据来源

• 数据来源为WIND，覆盖了中国A股市场的广泛数据。
• 样本期为2000年1月至2016年12月，共计204个月。
• 壳价值估算基于反向并购数据，且考虑了折现率和公司成为壳的概率。
• 回归分析中使用了Fama-MacBeth方法，并考虑了市值和CAPM beta的调整。

图表说明

• 图1：反向并购壳公司的规模分布，显示83%的反向并购来自市值最小的30%股票。
• 图2：壳价值随时间的变化，展示了壳价值在样本期间的增长趋势。
• 图3：不同规模组对预期外盈利的回报反应，显示中国小市值股票的回归值和t值较低。
• 图4：股票回报关于贝塔、规模和估值比率的Fama-MacBeth回归，验证了EP因子的优越性。
• 图5：CH-3因子的统计量，包括平均值、标准差和t值。
• 图6：中国和美国股市个股的平均R平方，显示CH-3模型在中国市场的解释能力更强。
• 图7：模型CH-3和FF-3对彼此的规模和价值因子的解释能力，CH-3显著优于FF-3。
• 图8：CAPM关于异象的alpha和beta，显示CH-3模型在解释异象方面有显著优势。
• 图9：CH-3模型对异象的alpha和因子载荷，进一步验证其有效性。
• 图10：FF-3模型对异象的alpha和因子载荷，与CH-3模型形成对比。
• 图11：模型解释异象的能力比较，显示CH-3模型在解释能力上占优。
• 图12：四因子模型下的异象alpha，CH-4模型表现更优。
• 图13：文献中的中国市场异象，提供了异象分类的参考。
• 图14：市值组的回报关于壳价值波动性的代理变量的敏感性，验证了壳价值对回报的影响。
• 图15：非金融公司股票收益对贝塔、市值和估值比率的Fama-MacBeth回归，显示了EP因子的重要性。
• 图16：CH-3和FF-3的大小和价值因子对其他模型因子的回归，进一步验证了CH-3模型的优越性。
• 图17：模型概率比较，CH-3模型在贝叶斯比较中占优。
• 图18：模型CH-3和FF-5对彼此因素的解释能力，显示CH-3模型更优。

总体评价

CH-3和CH-4模型在中国股市中表现出较强的解释能力，能够有效捕捉市场异象。通过剔除壳价值股票，模型的准确性得到提升。未来的研究可以进一步探讨其他因子在中国市场的适用性。