20171011-渤海证券-多因子模型研究之一_单因子测试_33页_2mb

多因子模型研究之一：单因子测试总结

核心内容

多因子模型是金融量化研究中的重要工具，通过分析多个因子与股票收益率之间的统计关系，预测股票未来收益与风险，从而实现优质标的的筛选。本报告为多因子模型研究系列的第一篇，聚焦于单因子测试，旨在筛选出具有显著性和选股能力的因子，为后续构建多因子收益模型提供基础。

单因子测试流程主要包括以下步骤：

1. 数据采集：选取全体A股，剔除ST/PT股票及上市不满两年的股票，样本期为2006年1月至2017年6月，按月提取数据。
2. 因子显著性测试：使用加权最小二乘回归（WLS）模型，考虑行业与市值因素影响，计算t值、因子收益序列及IC值，进行统计显著性分析。
3. 分层回测：将股票池按市值分为大、中、小三类，对因子进行分组回测，计算年化收益率、波动率、夏普比率等指标，评估因子在不同市值股票中的区分度。
4. 多重共线性分析：通过相关性矩阵检测因子之间的相关性，识别潜在的共线性问题，并提出进一步处理建议。

主要观点

• 因子分类：共测试了估值、盈利、成长、动量、波动率、流动性六大类因子，总计107个。
• 显著性指标：因子的显著性由t值绝对值平均值、t值绝对值>2的概率、因子收益平均值、因子收益标准差、因子收益t值、因子收益>0概率、IC平均值、IC标准差、IRIC及IC>0概率等指标综合判断。
• 选股能力评估：通过分层回测评估因子的选股能力，理想的因子应表现出较好的单调性与组间收益差异。
• 因子适用性差异：不同市值股票对因子的敏感性不同，例如，估值类因子更适用于大中市值股票，而动量、波动率、流动性因子在小市值股票中表现更好。
• 多重共线性处理：部分因子之间存在较强相关性，需进一步处理以避免模型失真。

关键信息

1. 估值因子

• 测试因子：EPFWD、CETOP、bp_lf、bp_rel、ep_ttm、epcut_ttm、ep_rel、sp_ttm、peg。
• 显著性表现：
  • EPFWD：t值绝对值平均值为2.78，t值>2的概率为51%，因子收益平均值为0.05，IC平均值为0.05，IRIC为0.56。
  • bp_rel：t值绝对值平均值为3.00，t值>2的概率为56%，因子收益平均值为0.03，IC平均值为0.04，IRIC为0.49。
• 回测表现：
  • 大市值股票：EPFWD、bp_rel、ep_rel等因子表现良好。
  • 中小市值股票：EPFWD、bp_lf、epcut_ttm等因子表现较好。
• 共线性分析：市盈率类因子和市净率类因子之间存在较高相关性，建议选取EPFWD和bp_rel作为代表。

2. 盈利因子

• 测试因子：profitmargin_q、profitmargin_ttm、qfa_roa、roa_ttm、qfa_roe、roe_ttm、roic_qq、sales2EV。
• 显著性表现：
  • qfa_roe：t值绝对值平均值为2.49，t值>2的概率为54%，因子收益平均值为0.03，IC平均值为0.03，IRIC为0.34。
  • profitmargin_q：t值绝对值平均值为2.00，t值>2的概率为43%，因子收益平均值为0.02，IC平均值为0.02，IRIC为0.29。
• 回测表现：
  • 大中市值股票：ROE、ROA类因子表现较好，其中qfa_roe在所有市值股票中表现最优。
  • 小市值股票：表现相对较弱。
• 共线性分析：ROE类因子、ROA类因子与ROIC、profitmargin_q之间相关性较高，建议选取qfa_roe作为代表。

3. 成长因子

• 测试因子：sgro、egro、EGRLF、EGRSF、growth_or3、growth_or1、qfa_yoyor、qfa_yoynp、growth_np1。
• 显著性表现：
  • qfa_yoyor：t值绝对值平均值为1.60，t值>2的概率为31%，因子收益平均值为0.02，IC平均值为0.02，IRIC为0.33。
  • qfa_yoynp：t值绝对值平均值为1.59，t值>2的概率为29%，因子收益平均值为0.02，IC平均值为0.02，IRIC为0.34。
• 回测表现：
  • 季度增长率因子：qfa_yoyor和qfa_yoynp表现相对较好。
  • 年增长率因子：表现不如季度因子。
• 共线性分析：成长类因子之间相关性较低，但相邻时间跨度因子相关性较高，建议选取qfa_yoyor和qfa_yoynp作为代表。

4. 动量因子

• 测试因子：RSTR_barra、RS_1、RS_3、RS_6、RSTR_m1、RSTR_m3、RSTR_m6、RSTR_m12、RSTR_m24、alpha。
• 显著性表现：
  • RS_1：t值绝对值平均值为3.25，t值>2的概率为57%，因子收益平均值为-0.07，IC平均值为-0.08，IRIC为-0.73。
  • RS_3：t值绝对值平均值为3.45，t值>2的概率为63%，因子收益平均值为-0.06，IC平均值为-0.07，IRIC为-0.60。
• 回测表现：
  • 动量因子：在小市值股票中表现更好，具有较好的单调性。
• 共线性分析：动量因子之间相关性较低，但部分因子（如RS_1、RS_3）与alpha因子之间相关性较高。

5. 波动率因子

• 测试因子：DASTD、CMRA、HSIGMA、Beta、yieldvol_1、yieldvol_3、yieldvol_6、yieldvol_12、high_low_1、high_low_3、high_low_6、high_low_12、VOL_1、VOL_3、VOL_6、VOL_12。
• 显著性表现：
  • Beta：t值绝对值平均值为2.21，t值>2的概率为15%，因子收益平均值为0.01，IC平均值为0.01，IRIC为0.25。
  • HSIGMA：t值绝对值平均值为3.74，t值>2的概率为61%，因子收益平均值为0.04，IC平均值为0.04，IRIC为0.44。
• 回测表现：
  • 波动率因子：在大市值股票中表现较好，具有较好的单调性。
• 共线性分析：波动率因子之间相关性较高，建议选取HSIGMA作为代表。

6. 流动性因子

• 测试因子：STOM、STOQ、STOS、STOA、STOM_barra、STOQ_barra、STOA_barra、Ins、ins_c、Size、non-linear-size、marketcap。
• 显著性表现：
  • STOM_barra：t值绝对值平均值为3.38，t值>2的概率为60%，因子收益平均值为0.03，IC平均值为0.03，IRIC为0.37。
  • STOA_barra：t值绝对值平均值为3.40，t值>2的概率为63%，因子收益平均值为0.02，IC平均值为0.02，IRIC为0.37。
• 回测表现：
  • 流动性因子：在小市值股票中表现较好，具有较好的单调性。
• 共线性分析：流动性因子之间相关性较高，建议选取STOM_barra和STOA_barra作为代表。

未来计划

• 因子筛选：基于显著性检测和分层回测结果，最终选出10个表现较为优异的因子，用于构建多因子收益模型。
• 模型优化：未来将考虑采用因子剔除、合并或逐步回归等方法处理多重共线性问题，以提高模型的稳健性。
• 因子适用性：根据不同因子的性质，进一步构建适合不同市值股票的模型，以最大化因子的选股能力。