20141212-浙商证券-单因子测试_HS300指数增强之多因子策略_40页_2mb

HS300 指数增强之多因子策略总结

核心内容

本报告分析了HS300指数增强策略中多因子模型的构建与应用，重点探讨了单因子有效性测试、因子筛选、多因子模型构建以及不同权重配置方法的实证效果。报告旨在构建一个稳定且有效的多因子模型，以实现对HS300指数的超额收益增强。

主要观点

• HS300指数增强标的：HS300指数由沪深两地A股市值最大的300只股票组成，具有良好的流动性，是指数增强的首选标的。
• 多因子模型构建：多因子模型分为静态与动态两类，静态模型适用于长期投资，动态模型则适用于短期交易。本报告重点分析静态模型。
• 因子库构建：现有因子库包含17类78个因子，涵盖估值、规模、盈利、成长、经营、偿债能力、资本结构、股东指标、市场因子等，因子库可以扩展以获取更多alpha。
• 因子有效性测试：通过分组回测，评估因子的区分能力。根据收益风险偏好，采用不同的目标函数（如年化超额收益、收益/回撤比、信息比例）进行测试，确保因子的有效性。
• 有效因子筛选：有效因子需满足分组收益单调递增，即第一组收益最优，且分组收益有显著区分性。若因子不具备这种特性，则不作为有效因子。
• 多因子模型构建方法：从有效单因子中选择三个作为初始模型，逐步加入不同类因子构建双因子和三因子模型，直到目标函数不再显著改善。
• 权重配置与选股数量：尝试了等权、流通市值、总市值等权重配置方式，以及不同数量的选股策略（如20、50、100只股票），以寻找最优的增强方案。

关键信息

1. 单因子有效性测试

• 规模因子：总市值和流通市值因子在收益上表现出显著的区分性，小盘股组合年化超额收益达8.61%或8.71%，但收益风险比不高，不推荐用于稳健型投资。
• 估值类因子：市净率和企业倍数因子在收益和收益风险方面均表现出显著的有效性，而市盈率、市销率、市现率则不具备区分性。
• 成长类因子：总资产增长率和主营利润增长率在收益方面有显著区分性，其中主营利润增长率年化超额收益达14.14%，表现最佳。净利润增长率和营业利润增长率因子在收益风险方面表现一般。
• 盈利类因子：ROE、ROE(扣除)、每股收益、每股收益(扣除)在收益方面有显著有效性。其中，每股收益第一组年化超额收益达10.05%，而每股收益(扣除)第一组为9.60%，两者均表现优异。

2. 回测方法

• 去极值处理：采用中位数去极值方法，将因子值超出4倍标准差的异常值替换为中位数。
• 相对因子计算：基于申万一级行业分类，计算因子的相对值，即行业内排名，以减少行业间差异的影响。
• 回测时间与周期：回测时间跨度为2005年4月1日至2014年6月30日，每月月底调仓，评估各因子分组的收益表现。

3. 回测结果

• 规模因子：总市值因子在收益上表现最佳，但收益风险比不高。配对后年化超额收益提高至9.10%。
• 估值因子：市净率和企业倍数因子在收益和收益风险上均有效，其中最低市净率组合年化超额收益为7.62%，夏普比例为0.77。
• 成长因子：主营利润增长率在收益方面表现最佳，年化超额收益达14.14%，但收益风险比较低。
• 盈利因子：ROE和每股收益在收益上表现突出，其中每股收益第一组年化超额收益达10.05%，信息比例为0.99，表现出良好的收益风险比。

结论

• 本报告对HS300指数增强策略中的单因子进行了系统测试，筛选出有效的因子，包括规模因子、市净率、企业倍数、总资产增长率、主营利润增长率、ROE、ROE(扣除)、每股收益、每股收益(扣除)等。
• 有效因子的筛选基于收益和收益风险的区分性，确保模型稳健性。
• 多因子模型构建过程中，采用打分法和加权法，以提高模型的综合表现。
• 不同权重配置和选股数量对模型效果有显著影响，需通过实证回测选择最佳方案。
• 配对交易策略在部分因子中表现良好，有助于提高超额收益。
• 最终多因子模型将基于实证效果，选择最优的因子组合和权重配置方式，以实现稳定超越HS300指数的目标。