文本因子超額走闊看好量價(jià)因子

1、8 月因子觀點(diǎn)：量價(jià)因子或持續(xù)占優(yōu)從常規(guī)角度看，內(nèi)生變量視角短期看好估值、波動(dòng)率、換手率因子，不看好財(cái)務(wù)質(zhì)量因子。外生變量視角短期看好反轉(zhuǎn)、波動(dòng)率、換手率因子，不看好小市值、Beta、技術(shù)因子。因子周期視角中長期看好大市值、估值、盈利、財(cái)務(wù)質(zhì)量、波動(dòng)率、換手率因子，但隨著實(shí)體經(jīng)濟(jì)庫茲涅茨周期見頂，經(jīng)濟(jì)長期增長趨勢放緩的背景下因子風(fēng)格或有切換。此外本文對(duì)前期研究人工智能 57：文本 FADT 選股（20220701）中構(gòu)建的研報(bào)文本得分因子 forecast_adj_txt 進(jìn)行了補(bǔ)充討論。討論內(nèi)容 1：我們比較了盈利預(yù)測調(diào)整場景下和全部 A 股研報(bào)場景下構(gòu)建出的研報(bào)文本得分因子，發(fā)現(xiàn)場景對(duì)因子

2、效果具有重要影響，納入弱邏輯研報(bào)進(jìn)行訓(xùn)練會(huì)增加模型噪音，場景選擇或更重要；討論內(nèi)容 2：直接將研報(bào)發(fā)布前后的 AR（模型標(biāo)簽）作為因子值與 forecast_adj_txt 因子進(jìn)行比較，發(fā)現(xiàn)前者幾乎沒有選股效果，增量或來源于文本得分引入了“賠率”信息。圖表1： 內(nèi)生變量和外生變量對(duì)風(fēng)格因子 8 月表現(xiàn)的預(yù)測1.20.8內(nèi)生變量得分外生變量預(yù)測（右軸）7.94%0.644.73%5.63%0.69 6.42%0.70.435.25%0.490.540.36 3.47%0.390.54.99%0.220.86%-0.45%289.26%10%6%0.42%0.0(0.4)-2%(0.8)-6%(

3、1.2)估值成 盈 財(cái)長 利 務(wù)質(zhì)量小反波換市轉(zhuǎn)動(dòng)手值率率-10%Beta技術(shù)：預(yù)測內(nèi)生變量視角基于因子動(dòng)量、因子離散度、因子擁擠度三類指標(biāo)，預(yù)測風(fēng)格因子未來表現(xiàn)，因子動(dòng)量反映因子過去一段時(shí)間內(nèi)表現(xiàn)；因子離散度相當(dāng)于因子估值；因子擁擠度反映因子是否處于擁擠狀態(tài)。內(nèi)生變量對(duì)大類風(fēng)格因子 8 月表現(xiàn)預(yù)測結(jié)果如下：看好估值、波動(dòng)率、換手率因子，不看好財(cái)務(wù)質(zhì)量因子。其中，換手率因子在離散度指標(biāo)上占優(yōu)，處于過度忽視狀態(tài)；波動(dòng)率、換手率因子在擁擠度指標(biāo)上占優(yōu)；財(cái)務(wù)質(zhì)量因子在動(dòng)量上劣勢明顯。外生變量視角假設(shè)風(fēng)格因子表現(xiàn)受市場變量、宏觀變量等外生變量驅(qū)動(dòng)，對(duì)每個(gè)大類風(fēng)格因子篩選出具備預(yù)測能力的外生變量，使用線

4、性回歸預(yù)測未來一個(gè)月的 Rank IC 值。外生變量對(duì)大類風(fēng)格因子 8 月 Rank IC 預(yù)測結(jié)果如下：反轉(zhuǎn)、波動(dòng)率及換手率因子 Rank IC 預(yù)測值超過 6%，可能較為有效，建議短期看多上述因子表現(xiàn)；不看好小市值、Beta、技術(shù)因子未來一個(gè)月表現(xiàn)，上述因子表現(xiàn)可能受宏觀環(huán)境制約。因子周期視角將華泰金工經(jīng)濟(jì)周期研究成果應(yīng)用于風(fēng)格配置，自上而下構(gòu)建經(jīng)濟(jì)系統(tǒng)周期運(yùn)行狀態(tài)與因子表現(xiàn)對(duì)應(yīng)關(guān)系的“因子投資時(shí)鐘”，根據(jù)當(dāng)前周期狀態(tài)預(yù)測因子未來表現(xiàn)的整體趨勢。預(yù)計(jì)未來一年處于庫茲涅茨周期見頂回落，經(jīng)濟(jì)長期增長趨緩的環(huán)境，同時(shí)朱格拉周期向下，流動(dòng)性趨于寬松。建議配置大市值、估值、盈利、財(cái)務(wù)質(zhì)量因子，但隨著

5、實(shí)體經(jīng)濟(jì)庫茲涅茨周期見頂，經(jīng)濟(jì)長期增長趨勢放緩的背景下因子風(fēng)格或有切換。另外，波動(dòng)率、換手率因子在不同的宏觀環(huán)境下表現(xiàn)都較好，這兩個(gè)因子建議長期配置。日歷效應(yīng)統(tǒng)計(jì)各風(fēng)格因子在各自然月份勝率，根據(jù)歷史經(jīng)驗(yàn)，8 月反轉(zhuǎn)、換手率、小市值因子整體 Rank IC 勝率較高。圖表2： 各風(fēng)格因子在各自然月份因子勝率（2006 年 1 月2022 年 7 月）風(fēng)格因子1 月2 月3 月4 月5 月6 月7 月8 月9 月10 月11 月12 月Rank IC 為正概率76.47%55.56%72.22%77.78%44.44%61.11%77.78%64.71%70.59%76.47%82.35% 82.

6、35%82.35%55.56%66.67%44.44%77.78%88.89%83.33%64.71%41.18%88.24%41.18%82.35%70.59%44.44%55.56%55.56%77.78%88.89%61.11%41.18%35.29%94.12%47.06%76.47%58.82%33.33%61.11%72.22%77.78%77.78%44.44% 47.06%29.41%88.24%47.06%70.59%52.94%88.89%77.78%33.33%77.78%44.44%55.56%82.35%64.71%52.94%70.59%52.94%82.35%88

7、.89%83.33%72.22% 72.22%83.33% 83.33%82.35%100.00%88.24% 88.24%94.12%82.35%44.44%72.22%88.89%61.11%72.22% 72.22%64.71%100.00%70.59%76.47% 76.47%88.24%50.00%72.22%94.44%83.33%66.67%83.33%88.24%94.12%82.35%82.35%82.35%64.71%44.44%61.11%83.33%55.56% 55.56%55.56%64.71%70.59%52.94%41.18%64.71%64.71%88.89%

8、66.67%66.67%72.22% 66.67%77.78%70.59%70.59%76.47%82.35%94.12%估值成長盈利財(cái)務(wù)質(zhì)量小市值 反轉(zhuǎn)波動(dòng)率換手率 Beta 技術(shù)估值70.59%50.00%50.00%66.67%38.89%55.56%77.78%41.18%70.59%64.71% 64.71%82.35%成長88.24%55.56%77.78%55.56%83.33%88.89% 88.89%47.06%52.94%70.59%35.29%82.35%盈利70.59%50.00%50.00%61.11%72.22%100.00%72.22%41.18%47.06% 4

9、7.06%52.94%82.35%財(cái)務(wù)質(zhì)量58.82%33.33%50.00%77.78%66.67%88.89%44.44%41.18%29.41%58.82%47.06%70.59%小市值47.06%88.89%77.78%27.78%66.67%27.78%55.56%64.71%35.29%47.06%58.82%52.94%反轉(zhuǎn)82.35%72.22%50.00%72.22%61.11%55.56%72.22%64.71%82.35%64.71%82.35%64.71%波動(dòng)率76.47%38.89%66.67% 66.67%55.56%50.00%66.67%70.59%76.47%

10、58.82%76.47%58.82%換手率76.47%38.89%72.22%72.22% 72.22%61.11%77.78%82.35% 82.35%70.59%88.24%64.71%Beta52.94%50.00%61.11% 61.11%44.44%50.00%44.44%64.71% 58.82%52.94%41.18%58.82%技術(shù)47.06%77.78%50.00%44.44%61.11%66.67%77.78%52.94%47.06%70.59%70.59%70.59%因子收益率為正概率關(guān)于 forecast_adj_txt 的更多討論在華泰金工前期研究人工智能 57：文本

11、 FADT 選股（20220701）中我們在賣方分析師盈利預(yù)測調(diào)整的場景下對(duì)研報(bào)情感進(jìn)行判別，以分析師研報(bào)文本標(biāo)題和摘要轉(zhuǎn)換成的詞頻矩陣為輸入特征，以研報(bào)發(fā)布前后個(gè)股的超額收益為預(yù)測標(biāo)簽，使用機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，在樣本外構(gòu)建了 forecast_adj_txt 因子。該因子回測期內(nèi)（20090123-20220729）分層表現(xiàn)較為優(yōu)秀，分十層回測多頭第一層年化收益 24.36%，相對(duì)中證 500 年化超額收益 15.17%。我們進(jìn)一步以 forecast_adj_txt 因子的多頭第一層為基礎(chǔ)股票池，使用基本面+技術(shù)面共 9個(gè)因子進(jìn)行增強(qiáng)，每月末根據(jù)這9 個(gè)因子的合成打分精選靠前的25 只股

12、票構(gòu)建等權(quán)的FADT組合，該組合回測期內(nèi)（20090123-20220729）年化收益 44.04%，相對(duì)中證 500 超額年化收益 33.63%。圖表3： Forecast_adj_txt 因子分層回測凈值圖表4： Forecast_adj_txt 因子分層回測超額凈值（基準(zhǔn)中證 500）分層1分層2分層3分層4分層5分層6分層7分層8分層9分層10 分層1分層2分層3分層4分層5分層6分層7分層8分層9分層10615541032512009-01-232009-11-202010-09-132011-07-142012-05-152013-03-112014-01-072014-11-04

13、2015-08-252016-06-232017-04-202018-02-072018-12-062019-10-082020-07-312021-05-312022-03-252009-01-232009-11-202010-09-132011-07-142012-05-152013-03-112014-01-072014-11-042015-08-252016-06-232017-04-202018-02-072018-12-062019-10-082020-07-312021-05-312022-03-2500：，朝陽永續(xù)，回測期：20090123-20220729：，朝陽永續(xù)，回測期

14、：20090123- 20220729圖表5： Forecast_adj_txt 因子分層 1 分年度業(yè)績（基準(zhǔn)中證 500）時(shí)間區(qū)間收益率區(qū)間超額收益年化波動(dòng)率最大回撤夏普比率卡瑪比率200999.85%-4.92%32.48%21.99%3.074.54201030.01%18.10%27.90%22.11%1.081.362011-29.77%9.31%24.20%32.32%-1.23-0.92201211.15%9.89%25.04%22.42%0.450.50201349.81%26.63%25.94%13.85%1.923.60201456.64%11.98%22.41%14.0

15、6%2.534.03201588.26%30.05%44.56%50.83%1.981.742016-6.70%4.79%29.69%25.43%-0.23-0.2620170.15%1.34%15.43%14.49%0.010.012018-29.72%8.78%25.74%31.05%-1.15-0.96201961.38%27.01%25.12%18.10%2.443.39202067.62%42.19%30.62%18.59%2.213.64202136.79%20.71%21.85%15.02%1.682.452022-1.81%15.69%成立以來24.36%15.17%27.90

16、%54.50%0.87 0.45，朝陽永續(xù)，回測期：20090123-20220729因子覆蓋度圖表6： Forecast_adj_txt 因子覆蓋度圖表7： Forecast_adj_txt 因子多空對(duì)沖凈值2,0001,6001,2008004002009-01-230分層1相對(duì)分層10凈值14121086422009-01-232009-11-202010-09-132011-07-142012-05-152013-03-112014-01-072014-11-042015-08-252016-06-232017-04-202018-02-072018-12-062019-10-0820

17、20-07-312021-05-312022-03-2502010-01-232011-01-232012-01-232013-01-232014-01-232015-01-232016-01-232017-01-232018-01-232019-01-232020-01-232021-01-232022-01-23：，朝陽永續(xù)，：，朝陽永續(xù)，回測期：20090123- 20220729圖表8： FADT 增強(qiáng)組合回測凈值140120100806040200最大回撤（右軸）增強(qiáng)組合回測凈值中證500凈值2009 2010 2011 2012 2013 2014 2015 2016 2017 2

18、018 2019 2020 2021 20220%-20%-40%-60%-80%-100%：，朝陽永續(xù)，回測期：20090123-20220729圖表9： FADT 增強(qiáng)組合回測超額凈值（基準(zhǔn)中證 500）超額最大回撤（右軸）相對(duì)中證500凈值504540353025201510502009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 20220%-10%-20%-30%-40%-50%：，朝陽永續(xù)，回測期：20090123-20220729圖表10： 文本 FADT 選股組合 2022 年 8 月持倉：，朝陽永續(xù)，

19、前期報(bào)告發(fā)布以后，在與讀者的交流過程中，發(fā)現(xiàn)部分讀者所關(guān)心的問題我們在報(bào)告中并未進(jìn)行討論，在此我們進(jìn)行一些補(bǔ)充。研報(bào)文本挖掘：場景選擇或是更重要的影響因素從應(yīng)用場景的角度來說，我們關(guān)于研報(bào)文本挖掘的兩篇報(bào)告文本PEAD 選股（20220107）和文本 FADT 選股（20220701）與市場以往的研究有所不同，我們在限定的場景下進(jìn)行研報(bào)情感分析，上篇我們僅針對(duì)業(yè)績發(fā)布的場景，下篇我們則擴(kuò)展到賣方盈利預(yù)測調(diào)整的場景，兩篇研究都并非對(duì)所有的賣方研報(bào)進(jìn)行討論。我們?nèi)绾卫斫膺@兩種做法的區(qū)別？從邏輯上來說，限定場景實(shí)際上是預(yù)設(shè)了先驗(yàn)信息，即認(rèn)為“業(yè)績發(fā)布”或者“盈利預(yù)測調(diào)整”這兩組場景對(duì)股價(jià)的影響是具有

20、強(qiáng)邏輯的，與傳統(tǒng)事件驅(qū)動(dòng)研究類似。如果不限制場景，相當(dāng)于不給定先驗(yàn)信息，認(rèn)為所有的研報(bào)相關(guān)事件都可能對(duì)股價(jià)造成影響，讓模型學(xué)習(xí)區(qū)分邏輯強(qiáng)弱。圖表11： 強(qiáng)邏輯研報(bào)與弱邏輯研報(bào)示意圖：，朝陽永續(xù)，第一種做法的優(yōu)勢在于如果先驗(yàn)信息是正確的，那么我們給模型學(xué)習(xí)的樣本信噪比將更高，但可能會(huì)導(dǎo)致股票覆蓋度較低；第二種做法的優(yōu)勢在于股票覆蓋度高，但眾多場景的規(guī)律一起學(xué)習(xí)可能會(huì)造成信噪比降低。實(shí)際上這也引申出讀者比較關(guān)心的一個(gè)問題：上述兩篇報(bào)告的方法論在全部賣方分析師研報(bào)上是否有效？下面我們進(jìn)行數(shù)據(jù)層面的補(bǔ)充討論，下文我們將基于全部研報(bào)樣本構(gòu)建的文本因子稱為 research_txt 因子。圖表12： 全研

21、報(bào)樣本-research_txt 分層回測凈值圖表13： 全研報(bào)樣本-research_txt 分層回測超額凈值（基準(zhǔn)中證 500 分層1分層2 分層3分層4分層5分層6分層7分層8分層9分層10 分層1分層2分層3分層4分層5分層6分層7分層8分層9分層1018541232612009-01-232009-11-202010-09-132011-07-142012-05-152013-03-112014-01-072014-11-042015-08-252016-06-232017-04-202018-02-072018-12-062019-10-082020-07-312021-05-31

22、2022-03-252009-01-232009-11-202010-09-132011-07-142012-05-152013-03-112014-01-072014-11-042015-08-252016-06-232017-04-202018-02-072018-12-062019-10-082020-07-312021-05-312022-03-2500：，朝陽永續(xù)，回測期：20090123-20220729：，朝陽永續(xù)，回測期：20090123- 20220729圖表14： 全研報(bào)樣本-research_txt 因子覆蓋度圖表15： 全研報(bào)樣本-research_txt 因子多空對(duì)沖

23、凈值2,4002,000因子覆蓋度分層1相對(duì)分層109871,600 651,20048003400212009-01-232009-11-302010-09-302011-07-292012-05-312013-03-292014-01-302014-11-282015-09-302016-07-292017-05-312018-03-302019-01-312019-11-292020-09-302021-07-302022-05-312009-01-232009-11-202010-09-132011-07-142012-05-152013-03-112014-01-072014-11-

24、042015-08-252016-06-232017-04-202018-02-072018-12-062019-10-082020-07-312021-05-312022-03-2500：，朝陽永續(xù)，：，朝陽永續(xù)，回測期：20090123- 20220729圖表16： 全研報(bào)樣本-research_txt 分層 1 分年度業(yè)績（基準(zhǔn)中證 500）時(shí)間區(qū)間收益率區(qū)間超額收益年化波動(dòng)率最大回撤夏普比率卡瑪比率200990.34%-2.77%31.26%18.95%3.305.44201030.28%18.76%28.09%23.49%1.131.352011-33.62%1.98%24.59%3

25、5.20%-1.40-0.9820129.58%8.69%25.75%22.96%0.390.43201358.12%34.32%26.17%14.51%2.394.30201432.87%-3.98%23.47%16.40%1.452.072015107.83%45.06%46.93%54.44%2.412.072016-8.73%3.00%31.59%26.81%-0.28-0.342017-10.81%-10.00%14.38%14.41%-0.77-0.772018-31.75%3.90%25.34%33.73%-1.29-0.97201957.94%24.76%24.12%17.41

26、%2.503.47202044.06%22.57%31.37%18.94%1.472.43202138.22%22.47%23.58%13.71%1.692.912022-6.99%10.32%成立以來20.96%12.23%28.53%63.81%0.73 0.33，朝陽永續(xù)，回測期：20090123-20220729從全研報(bào)樣本計(jì)算得出的 research_txt 因子無論是多頭收益、超額收益穩(wěn)健性還是多空對(duì)沖的穩(wěn)健性都不如 forecast_adj_txt 因子，在其他模型參數(shù)都完全相同的情況下，多頭端年化收益降低約 3.5 個(gè)百分點(diǎn)。但是因子覆蓋度相比于后者有所提升，平均因子覆蓋度 1

27、574只，相比于后者的 1107 只覆蓋度提升約 40%。同時(shí)我們可以看到，research_txt 因子的分層效果仍然比較明顯，雖然多頭端年化收益削減4%，但是也達(dá)到 20.96%，單獨(dú)來看 research_txt 因子仍然是一個(gè)較為有效的因子，說明文本 PEAD 選股與文本 FADT 選股兩篇報(bào)告中提出的對(duì)研報(bào)進(jìn)行情感分析的方法論是較為有效的方法，穩(wěn)健性較強(qiáng)。在我們與讀者交流的過程中，部分觀點(diǎn)認(rèn)為實(shí)際上盈利預(yù)測調(diào)整或許已經(jīng)包含絕大部分賣方研報(bào)的點(diǎn)評(píng)場景，賣方分析師對(duì)于個(gè)股每年或多或少都會(huì)進(jìn)行若干次數(shù)的盈利預(yù)測調(diào)整。我們從數(shù)據(jù)實(shí)證的角度對(duì)上述觀點(diǎn)進(jìn)行論證，令 research_txt 因子

28、對(duì) forecast_adj_txt 因子進(jìn)行中性化處理，考察殘差因子的表現(xiàn)。圖表17： research_txt 對(duì) forecast_adj_txt 中性化以后的殘差因子分層回測圖表18： research_txt 與 forecast_adj_txt 因子相關(guān)性 分層1分層2分層3分層4分層5分層6分層7分層8分層9分層1010100%880%660%440%220%2009-01-232009-11-202010-09-132011-07-142012-05-152013-03-112014-01-072014-11-042015-08-252016-06-232017-04-2020

29、18-02-072018-12-062019-10-082020-07-312021-05-312022-03-250200920102011201220132014201520162017201820192020202120220%：，朝陽永續(xù)，回測期：20090123-20220729：，朝陽永續(xù)，回測期：20090123- 20220729從結(jié)果來看，殘差因子雖然還有一定的分層效果，但是多頭端收益發(fā)生了嚴(yán)重的衰減。主要是由于兩個(gè)因子的相關(guān)性過高，大部分時(shí)間相關(guān)性超過 0.6，在 0.7 上下波動(dòng)。這組數(shù)據(jù)實(shí)證結(jié)果印證了上述觀點(diǎn)：即盈利預(yù)測調(diào)整包含了大部分的賣方研報(bào)的點(diǎn)評(píng)場景，剔除盈利預(yù)測

30、場景的 alpha 以后 research_txt 因子幾乎不再具有超額收益。這也側(cè)面說明我們對(duì)場景進(jìn)行選擇確實(shí)是有效的做法，可以提升信噪比。直接將標(biāo)簽作為因子是否有效？有不少讀者好奇直接將我們用于模型訓(xùn)練的標(biāo)簽 2 日 AR 作為因子是否有效，在前期報(bào)告人工智能 57：文本 FADT 選股（20220701）中我們沒有對(duì)此進(jìn)行展示，本小節(jié)我們補(bǔ)充這部分內(nèi)容。如果要將研報(bào)發(fā)布前后 2 日個(gè)股相對(duì)于中證 500 的超額收益作為因子， 為保證與 forecast_adj_txt 因子的可比性，在每個(gè)月月末對(duì)于每只股票，我們也選取過去三個(gè)月的所有盈利預(yù)測調(diào)整研報(bào)，將每條研報(bào)發(fā)布前后 2 日的 AR

31、作為單次得分，最后對(duì)所有盈利預(yù)測調(diào)整研報(bào)得分求均值作為個(gè)股的因子值，稱其為 AR 因子。AR 因子的分層效果如下圖所示。從結(jié)果來看，AR 因子幾乎完全沒有分層效果，與 forecast_adj_txt 因子相去甚遠(yuǎn)。圖表19： AR 因子分層回測凈值圖表20： AR 因子分層回測絕對(duì)收益 分層1分層2分層3分層4分層5分層6分層7分層8分層9分層10絕對(duì)收益超額收益820%615%10%45%20%2009-01-232009-11-202010-09-132011-07-142012-05-152013-03-112014-01-072014-11-042015-08-252016-06-2

32、32017-04-202018-02-072018-12-062019-10-082020-07-312021-05-312022-03-250分層1分層2分層3分層4分層5分層6分層7分層8分層9分層10-5%：，朝陽永續(xù)，回測期：20090123-20220729：，朝陽永續(xù)，回測期：20090123- 20220729那么增量體現(xiàn)在何處？結(jié)合與讀者的交流，我們嘗試再給出一些解釋。如果我們直接用標(biāo)簽 AR 作為因子，我們能觀測到的只有標(biāo)簽本身，沒有其他信息。而通過分析師研報(bào)的引入，我們最后給出了樣本劃分為三個(gè)類別（上漲、震蕩、下跌）的概率，因此除了標(biāo)簽本身的取值，我們還引入了“賠率”信息。

33、試想有兩只股票 A 和 B，若研報(bào)發(fā)布前后超額收益完全相同，那么我們?nèi)绾螌⑦@兩只股票進(jìn)一步區(qū)分開？從 AR 的角度我們很難做到，但是從 forecast_adj_txt 因子的角度，進(jìn)一步的區(qū)分成為可能。如下公式所示，假若股票 A 和股票 B 的研報(bào)預(yù)測出來三類概率分別為() = (0.5,0.4,0.1)() = (0.5,0.2,0.3)_ = _ = 0.51 0.50.51 0.5 0.11 0.10.31 0.3= 0 (. ) = 2.20= 0 (. ) = 0.85上漲類別概率均為 0.5，如果僅以上漲類別概率來構(gòu)成因子（類似于直接將 AR 作為因子），那么我們實(shí)際上認(rèn)為兩只股

34、票沒有區(qū)別。但是我們在計(jì)算 forecast_adj_txt 因子時(shí)，還會(huì)將下跌類別概率納入考慮，股票 A 下跌類別概率為 0.1，相比于股票 B 的 0.3 賠率很低，因此模型認(rèn)為股票 A 的上漲 0.5 分是優(yōu)于股票 B 的上漲 0.5 分的，由此帶來增量信息。因子表現(xiàn)回顧7 月大類風(fēng)格因子表現(xiàn)大類風(fēng)格因子 7 月在全 A 股票池的 Rank IC 值和因子收益率如下圖所示。小市值因子表現(xiàn)一騎絕塵，Rank IC 值達(dá)到 28.68%，因子收益為 3.55%，與歷史上小市值因子在 7 月的低勝率有所背離。此外反轉(zhuǎn)、換手率、Beta 及技術(shù)因子也表現(xiàn)較好，Rank IC 分別為 6.93%、

35、 7.49%、6.06%及 6.45%。估值、成長、波動(dòng)率因子表現(xiàn)居中，盈利及財(cái)務(wù)質(zhì)量因子 7 月發(fā)生回撤。圖表21： 1 月大類風(fēng)格因子表現(xiàn)25%因子Rank IC因子收益率（右軸）4%28.68%3.55%3%15%5.57%6.93%1.22%7.49%6.06%6.45%2%0.62%1%5% 3.42%0.20%-0.32%0.32%3.91%0.63%0%-5%-0.03%-0.22%-1.85%-0.80%-0.02%-1%-15%估成值長盈財(cái)小利務(wù)市質(zhì)值量反波換轉(zhuǎn)動(dòng)手率率-2%Beta技術(shù)：近 1 年大類風(fēng)格因子表現(xiàn)對(duì)大類風(fēng)格因子近 12 個(gè)月的 Rank IC 值做累加，得到

36、各月累計(jì) Rank IC 值，如下圖所示。整體來看最近一年表現(xiàn)最好的因子為反轉(zhuǎn)、波動(dòng)率及換手率等量價(jià)類因子，其次為估值及小市值因子。小市值因子整個(gè) 22Q2 持續(xù)震蕩，在 5-6 月的反彈行情中表現(xiàn)不佳，但 7 月表現(xiàn)強(qiáng)勢。技術(shù)因子表現(xiàn)次之，基本面類因子最近一年表現(xiàn)十分平淡，累計(jì) Rank IC 持續(xù)在零軸附近波動(dòng)。圖表22： 近 1 年大類風(fēng)格因子累計(jì) Rank IC 值估值成長盈利財(cái)務(wù)質(zhì)量小市值反轉(zhuǎn)波動(dòng)率換手率Beta技術(shù)140%100%60%20%-20%2021-07-302021-08-312021-09-302021-10-292021-11-302021-12-312022-01

37、-282022-02-282022-03-312022-04-292022-05-312022-06-302022-07-29-60%：近期細(xì)分因子表現(xiàn)計(jì)算 34 個(gè)細(xì)分因子 1 月 Rank IC 值，以及近 12 個(gè)月的月頻 Rank IC 值。將近 12 個(gè)月 Rank IC 的均值除以標(biāo)準(zhǔn)差，得到近 1 年 IC_IR。近期細(xì)分因子表現(xiàn)如下圖所示。圖表23： 近 1 年細(xì)分因子表現(xiàn)30%20%10%0%-10%上月Rank IC近1年IC_IR（右軸）1.21.00.80.60.40.20.0(0.2)EP BP SP DPSales_G_q Profit_G_q ROE_G_qROE

38、 ROAgrossprofitmargin netprofitmargin assetturnover debttoassetscurrent ocftoassets ln_capital return_1m return_3m exp_wgt_return_3m exp_wgt_return_6mstd_1m std_3m IVR_FF3factor_1m IVR_FF3factor_3mturn_1m turn_3m bias_turn_1mBeta macd dea difrsi psy bias(0.4)：因子表現(xiàn)計(jì)算方法因子 T 月表現(xiàn)的計(jì)算方法可以簡要描述為：以 T-1 月最后一個(gè)

39、交易日為截面期，以全 A 股為股票池，計(jì)算附錄一中 10 大類共 34個(gè)細(xì)分因子值。對(duì)每一大類風(fēng)格因子內(nèi)部各細(xì)分因子做去極值、標(biāo)準(zhǔn)化預(yù)處理及因子方向調(diào)整，再等權(quán)合成，得到截面期大類風(fēng)格因子值。計(jì)算 T 月股票池內(nèi)個(gè)股區(qū)間收益。對(duì)大類風(fēng)格因子或細(xì)分因子做去極值、標(biāo)準(zhǔn)化和行業(yè)市值中性化預(yù)處理，計(jì)算 T-1 月預(yù)處理后因子與 T 月個(gè)股區(qū)間收益的 Spearman 秩相關(guān)系數(shù)，即 T 月因子 Rank IC 值。對(duì)大類風(fēng)格因子值、個(gè)股總市值做去極值和標(biāo)準(zhǔn)化預(yù)處理，以 T-1 月預(yù)處理后大類風(fēng)格因子值、預(yù)處理后個(gè)股總市值、中信一級(jí)行業(yè)啞變量為自變量，以 T 月個(gè)股區(qū)間收益為因變量，以流通市值平方根為權(quán)

40、重，做加權(quán)線性回歸，大類風(fēng)格因子值對(duì)應(yīng)的回歸系數(shù)即為 T 月大類風(fēng)格因子收益率。詳細(xì)計(jì)算方法請參見附錄二。內(nèi)生變量視角內(nèi)生變量視角基于因子動(dòng)量、因子離散度、因子擁擠度三類指標(biāo)，預(yù)測風(fēng)格因子未來表現(xiàn)。因子動(dòng)量反映因子過去一段時(shí)間內(nèi)表現(xiàn)；因子離散度相當(dāng)于因子估值，高因子離散度反映因子被過度忽視，低因子離散度反映因子被過度投資；因子擁擠度反映因子是否處于擁擠狀態(tài)。一般看好高因子動(dòng)量、高因子離散度、低因子擁擠度因子短期表現(xiàn)，三項(xiàng)指標(biāo)在截面和時(shí)序上均有預(yù)測效果。內(nèi)生變量綜合預(yù)測結(jié)果基于因子動(dòng)量、因子離散度、因子擁擠度三類指標(biāo)，分別從截面和時(shí)序角度，對(duì)大類風(fēng)格因子 8 月表現(xiàn)進(jìn)行打分預(yù)測，綜合預(yù)測結(jié)果如下

41、表所示。看好估值、波動(dòng)率、換手率因子，不看好財(cái)務(wù)質(zhì)量因子。其中，換手率因子在離散度指標(biāo)上占優(yōu)，處于過度忽視狀態(tài)；波動(dòng)率、換手率因子在擁擠度指標(biāo)上占優(yōu)；財(cái)務(wù)質(zhì)量因子在動(dòng)量上劣勢明顯。圖表24： 內(nèi)生變量預(yù)測大類風(fēng)格因子 3 月表現(xiàn)綜合預(yù)測得分0.780.690.640.540.540.490.430.360.390.220.90.80.70.60.50.40.30.20.10.0估成值長盈財(cái)小利務(wù)市質(zhì)值量反波換技Beta轉(zhuǎn)動(dòng)手術(shù)率率：預(yù)測綜合預(yù)測得分是以下 6 項(xiàng)細(xì)分指標(biāo)的均值：歸一化截面因子動(dòng)量；因子動(dòng)量歷史分位數(shù)；歸一化截面因子離散度；因子離散度歷史分位數(shù)；1歸一化截面因子擁擠度；1因子擁擠

42、度歷史分位數(shù)。其中，歸一化采用 min-max 歸一化，根據(jù)截面上各類因子相應(yīng)指標(biāo)最小值和最大值，將其縮放至0, 1范圍內(nèi)；歷史分位數(shù)取每個(gè)因子最新月末截面期相應(yīng)指標(biāo)，在其歷史上（自 2007年 1 月末截面期開始）所處分位數(shù)，本身在0, 1范圍內(nèi)；因子擁擠度為反向指標(biāo)，故用 1減去相應(yīng)指標(biāo)。因子動(dòng)量定義因子動(dòng)量為因子在過去 12 個(gè)月末截面期的 21 日 Rank IC 均值。從截面角度看，小市值、反轉(zhuǎn)、波動(dòng)率及換手率因子動(dòng)量較強(qiáng)，成長、盈利及財(cái)務(wù)質(zhì)量因子動(dòng)量最弱。從時(shí)序角度看，估值、波動(dòng)率及換手率因子動(dòng)量處于歷史高位，均超過 2007 年以來的 90%分位數(shù)；Beta 及小市值因子動(dòng)量次之

43、，超過歷史 70%分位數(shù)；成長及盈利因子動(dòng)量處于歷史低位，均低于歷史后 20%分位數(shù)。圖表25： 大類風(fēng)格因子動(dòng)量歷史序列估值成長盈利財(cái)務(wù)質(zhì)量小市值反轉(zhuǎn)波動(dòng)率換手率Beta技術(shù)0.200.150.100.050.00(0.05)(0.10)2007-01-312008-01-312009-01-312010-01-312011-01-312012-01-312013-01-312014-01-312015-01-312016-01-312017-01-312018-01-312019-01-312020-01-312021-01-312022-01-31(0.15)：圖表26： 大類風(fēng)格因子

44、7 月底截面動(dòng)量和 2007 年以來歷史分位數(shù)94.12%截面動(dòng)量時(shí)序動(dòng)量分位數(shù)（右軸）91.44%90.37%81.82%90%12%73.26%10.13%59.36%70%7%5.79%2%15.51%12.30%22.99%7.52%9.32%7.37%3.29%2.89%40.64% 50%30%10%-3%-8%-1.31%估成值長-4.75%盈利-2.34%財(cái)小務(wù)市質(zhì)值量反波換轉(zhuǎn)動(dòng)手率率-10%-30%Beta-50%技術(shù)：因子離散度因子離散度計(jì)算方式為：在月末截面期，取每個(gè)中信一級(jí)行業(yè)因子值排名前 20%個(gè)股的因子值中位數(shù)，以及因子值排名后 20%個(gè)股的因子值中位數(shù)，兩者求差值

45、；30 個(gè)行業(yè)的差值求平均值，得到當(dāng)前截面期該因子離散度原始值；對(duì)當(dāng)前截面期因子離散度原始值做標(biāo)準(zhǔn)化，計(jì)算其在過去 72 個(gè)月末截面期的 Z 分?jǐn)?shù)。從截面角度看，成長、盈利、換手率及技術(shù)因子離散度相對(duì)較高，盈利因子離散度最高，財(cái)務(wù)質(zhì)量、小市值及 Beta 因子離散度較低。從時(shí)序角度看，成長、盈利、小市值、換手率及技術(shù)因子離散度處于歷史高位，均超過 2007 以來的 50%分位數(shù)，可能處于過度忽視的狀態(tài)；財(cái)務(wù)質(zhì)量因子離散度處于歷史低位，低于 2007 年以來的 5%分位數(shù)水平，可能處于過度投資狀態(tài)。圖表27： 大類風(fēng)格因子離散度歷史序列估值成長盈利財(cái)務(wù)質(zhì)量小市值反轉(zhuǎn)波動(dòng)率換手率Beta技術(shù)5.0

46、04.003.002.001.000.00(1.00)(2.00)(3.00)2007-01-312008-01-312009-01-312010-01-312011-01-312012-01-312013-01-312014-01-312015-01-312016-01-312017-01-312018-01-312019-01-312020-01-312021-01-312022-01-31(4.00)：圖表28： 大類風(fēng)格因子 7 月底截面離散度和 2007 年以來歷史分位數(shù)截面離散度時(shí)序離散度分位數(shù)（右軸）1.931.63 62.57%60.96%1.5858.29%1.4653.48

47、%1.1753.48%47.31%0.801.0125.67%0.640.6420.32%0.6113.90%3.74%2.52.01.51.00.50.0估成盈值長利財(cái) 小 反 波 換務(wù) 市 轉(zhuǎn) 動(dòng) 手質(zhì) 值率 率量100%90%80%70%60%50%40%30%20%10%Beta0%技術(shù)：因子擁擠度因子擁擠度計(jì)算方式為：在每個(gè)月末截面期，分別計(jì)算個(gè)股 a）過去 63 個(gè)交易日的日度漲跌幅標(biāo)準(zhǔn)差作為波動(dòng)率指標(biāo)，b）過去 63 個(gè)交易日的日均換手率作為換手率指標(biāo)，c）過去 63 個(gè)交易日個(gè)股收益與萬得全 A 收益線性回歸的回歸系數(shù)作為 Beta 指標(biāo)；取各個(gè)中信一級(jí)行業(yè)因子值排名前 20%

48、個(gè)股的波動(dòng)率/換手率/Beta 均值，以及因子值排名后 20%個(gè)股的波動(dòng)率/換手率/Beta 均值，兩者求比值；對(duì)波動(dòng)率、換手率、Beta 的三個(gè)比值求均值，得到當(dāng)前截面期該因子擁擠度。從截面角度看，小市值、成長、盈利、財(cái)務(wù)質(zhì)量因子擁擠度相對(duì)較高，波動(dòng)率、換手率因子擁擠度相對(duì)較低。從時(shí)序角度看，Beta 因子擁擠度超過 2007 年以來的 80%歷史分位數(shù)水平，可能處于交易擁擠狀態(tài)；估值、反轉(zhuǎn)、波動(dòng)率、技術(shù)因子擁擠度低于 2007 年以來的 25%歷史分位數(shù)水平，交易相對(duì)不擁擠。圖表29： 大類風(fēng)格因子擁擠度歷史序列估值成長盈利財(cái)務(wù)質(zhì)量小市值反轉(zhuǎn)波動(dòng)率換手率Beta技術(shù)2.001.801.60

49、1.401.201.000.800.600.400.202007-01-312008-01-312009-01-312010-01-312011-01-312012-01-312013-01-312014-01-312015-01-312016-01-312017-01-312018-01-312019-01-312020-01-312021-01-312022-01-310.00：圖表30： 大類風(fēng)格因子 7 月底截面擁擠度和 2007 年以來歷史分位數(shù)截面擁擠度時(shí)序擁擠度分位數(shù)（右軸）1.1783.87%1.0972.73%1.031.050.90.940.710.7336.90%0.53

50、29.41%32.62%0.5532.62%23.53%21.93%22.46%13.37%31.4100%1.21.00.80.60.40.280%60%40%20%0.0估成值長0%Beta盈財(cái)小反波換技利務(wù)市轉(zhuǎn)動(dòng)手術(shù)質(zhì)值率率量：外生變量視角外生變量視角假設(shè)風(fēng)格因子表現(xiàn)受市場變量、宏觀變量等外生變量驅(qū)動(dòng)，對(duì)每個(gè)大類風(fēng)格因子篩選出具備預(yù)測能力的外生變量，使用線性回歸預(yù)測未來一個(gè)月的 Rank IC 值。以下分別展示最新一期預(yù)測方法及預(yù)測結(jié)果。外生變量選取選取 6 項(xiàng)市場指標(biāo)和 13 項(xiàng)宏觀指標(biāo)作為外生變量。選擇滬深 300 和中證 500 月漲跌幅、月波動(dòng)率及月均換手率，用于表征市場行情的變

51、化。從國民經(jīng)濟(jì)核算、工業(yè)、價(jià)格指數(shù)、銀行與貨幣、利率與匯率 5 個(gè)方面，選擇較常用的 13 項(xiàng)宏觀指標(biāo)。時(shí)間序列回歸模型的一個(gè)重要前提是自變量為平穩(wěn)時(shí)間序列，而大部分宏觀指標(biāo)和市場指標(biāo)在時(shí)間序列上的分布非平穩(wěn)，不符合預(yù)測模型對(duì)自變量的假設(shè)，因此我們針對(duì)不同的外生變量，進(jìn)行一定差分處理或計(jì)算變化率，使得外生變量在單位根檢驗(yàn)下均為平穩(wěn)時(shí)間序列。另外，部分宏觀變量數(shù)據(jù)發(fā)布具有滯后性，我們在建模時(shí)將這部分宏觀數(shù)據(jù)按其實(shí)際發(fā)布時(shí)間滯后使用。例如，T-1 月的 M1 同比數(shù)據(jù)通常在 T 月中旬公布，因此我們在 T 月末建模時(shí)用到的是 T-1 月的 M1 同比數(shù)據(jù)。下表展示具體 19 項(xiàng)外生變量及其所屬類別

52、和變量處理方法。為了更清楚地展示部分宏觀變量的滯后期，我們以 T 月末為截面期，最右列為外生變量能取到的最新數(shù)據(jù)時(shí)間。變量類別變量細(xì)分類別變量名稱變量處理方法最新數(shù)據(jù)時(shí)間市場變量市場變量市場變量市場變量市場變量市場變量宏觀變量國民經(jīng)濟(jì)核算滬深 300 月漲跌幅中證 500 月漲跌幅滬深 300 月波動(dòng)率中證 500 月波動(dòng)率滬深 300 月均換手率中證 500 月均換手率PMI不處理 不處理 變化率 變化率 一階差分一階差分二階差分第 T 月第 T 月第 T 月第 T 月第 T 月第 T 月第 T 月宏觀變量國民經(jīng)濟(jì)核算宏觀經(jīng)濟(jì)景氣指數(shù)先行指數(shù)變化率第 T-3 月宏觀變量工業(yè)工業(yè)增加值當(dāng)月同比

53、二階差分第 T-1 月宏觀變量價(jià)格指數(shù)CPI 當(dāng)月同比二階差分第 T-1 月宏觀變量價(jià)格指數(shù)PPI 全部工業(yè)品當(dāng)月同比一階差分第 T-1 月宏觀變量價(jià)格指數(shù)企業(yè)商品價(jià)格指數(shù) CGPI 當(dāng)月同比二階差分第 T-1 月宏觀變量銀行與貨幣M1 同比一階差分第 T-1 月宏觀變量銀行與貨幣M2 同比一階差分第 T-1 月宏觀變量銀行與貨幣大型存款機(jī)構(gòu)存款準(zhǔn)備金率二階差分第 T 月宏觀變量利率與匯率中債國債到期收益率 3 個(gè)月變化率第 T 月宏觀變量利率與匯率國債收益率差 10 年期-3 月期變化率第 T 月宏觀變量利率與匯率美元兌人民幣匯率變化率第 T 月宏觀變量利率與匯率SHIBOR1W變化率第 T

54、 月，圖表31： 外生變量列表外生變量預(yù)測方法參考 Hua，Kantsyrev 和 Qian 于 2012 年發(fā)表論文 Factor-Timing Model，使用外生變量預(yù)測大類風(fēng)格因子 Rank IC 值。首先使用條件期望模型和 AIC 準(zhǔn)則，在 T-1 月最后一個(gè)交易日，對(duì)每個(gè)大類風(fēng)格因子篩選出可能影響因子 Rank IC 值的條件變量；其次將大類風(fēng)格因子與篩選出的條件變量做線性回歸，預(yù)測 T 月的因子 Rank IC 值。條件期望模型假設(shè)單個(gè)風(fēng)格因子 Rank IC 時(shí)序向量 Y 與外生變量時(shí)序向量 X 的聯(lián)合分布服從多元正態(tài)分布，即： () () ， () ，則在給定 Xx 的情況下

55、，Y 的條件分布仍為正態(tài)分布，條件數(shù)學(xué)期望和條件方差分別為：|= (| = ) = + 1( )|= 1 其中 E(Y|X=x)稱為 Y 關(guān)于 X 的回歸，它是 x 的線性函數(shù)。AIC 和 AICc 準(zhǔn)則使用 AIC 赤池信息量準(zhǔn)則衡量統(tǒng)計(jì)模型擬合優(yōu)良性。相比其它模型評(píng)價(jià)指標(biāo)，AIC 的優(yōu)勢在于兼顧模型簡潔性和準(zhǔn)確性。在進(jìn)行多個(gè)模型比較和選擇時(shí)，通常選擇 AIC 最小的模型?；跅l件期望模型的 AIC 計(jì)算公式如下： = (|) + 2 其中 T 為樣本窗口長度，N 為風(fēng)格因子數(shù)量（這里固定為 1），K 為外生變量數(shù)量。當(dāng)樣本數(shù)量較小時(shí)，基于 AIC 的方法可能會(huì)產(chǎn)生模型過擬合問題。為避免此問

56、題，研究者提出 AICc 指標(biāo)，在 AIC 上添加小樣本誤差修正量?；跅l件期望模型的 AICc 計(jì)算公式如下： = (|) + 2 +2 ( + 1) 1外生變量篩選流程樣本區(qū)間內(nèi)篩選外生變量流程如下圖所示，具體步驟為：最優(yōu)外生變量集合 S0 初始為空集，AICc 初始值 AICc0Tlog(|XX|)；遍歷不在 Si 中的每個(gè)外生變量 k，計(jì)算將 k 加入到集合 Si 后模型 AICc 值，取最小值A(chǔ)ICcmin；若 AICcmin 小于 AICci，則轉(zhuǎn)向第 4 步；否則篩選結(jié)束，集合 Si 為最優(yōu)外生變量集合；將 AICcmin 對(duì)應(yīng)的外生變量 k 加入 Si，即 Si+1Sik，AI

57、Cci+1 為基于外生變量集合 Si+1 計(jì)算得到的 AICc，并轉(zhuǎn)至第 2 步。圖表32： 外生變量篩選流程圖：回歸預(yù)測模型構(gòu)建對(duì)于每個(gè)大類風(fēng)格因子，取樣本區(qū)間為過去 72 個(gè)月，分三步預(yù)測未來一個(gè)月 Rank IC 值：使用 AICc 在樣本區(qū)間內(nèi)篩選出對(duì)因子 Rank IC 值具有解釋能力的外生變量；將篩選出來的全部外生變量納入回歸模型，在樣本區(qū)間內(nèi)構(gòu)造因子 Rank IC 值序列關(guān)于外生變量的多元線性回歸模型；將最新一期的外生變量代入回歸模型，得到未來一個(gè)月的因子 Rank IC 預(yù)測值。外生變量預(yù)測結(jié)果外生變量對(duì)大類風(fēng)格因子 8 月 Rank IC 預(yù)測結(jié)果如下圖所示。反轉(zhuǎn)、波動(dòng)率及

58、換手率因子 Rank IC 預(yù)測值超過 6%，可能較為有效，建議短期看多上述因子表現(xiàn)；不看好小市值、 Beta、技術(shù)因子未來一個(gè)月表現(xiàn)，上述因子表現(xiàn)可能受宏觀環(huán)境制約。圖表33： 外生變量對(duì)大類風(fēng)格因子 8 月 Rank IC 預(yù)測值9.3%7.9%6.4%5.6%5.2%4.7%3.5%3.0%0.9%-0.4%10%8%6%4%2%0%-2%估成盈值長利財(cái)小反波換技Beta務(wù)市轉(zhuǎn)動(dòng)手術(shù)質(zhì)值率率量：，預(yù)測因子預(yù)測結(jié)果解讀下面展示各個(gè)大類風(fēng)格因子 Rank IC 預(yù)測值，以及進(jìn)入回歸模型的外生變量對(duì)預(yù)測結(jié)果的貢獻(xiàn)情況，貢獻(xiàn)度定義為自變量與回歸系數(shù)的乘積。圖表34： 估值因子 Rank IC 預(yù)

59、測值及外生變量貢獻(xiàn)情況圖表35： 成長因子 Rank IC 預(yù)測值及外生變量貢獻(xiàn)情況4.7%5.1%估值-0.4% 0.0%成長3.5%3.1%0.4%6%4%4%3%2%0%-2%IC預(yù)測值2%1%回滬國300歸深債0%PPI模收預(yù)回同型益測歸IC比截月率模10距波期 差值型項(xiàng)動(dòng)截率年距-3期項(xiàng)月：，預(yù)測：，預(yù)測圖表36： 盈利因子 Rank IC 預(yù)測值及外生變量貢獻(xiàn)情況圖表37： 財(cái)務(wù)質(zhì)量因子 Rank IC 預(yù)測值及外生變量貢獻(xiàn)情況盈利2.8%2.4%6%5.6%4%2%0%預(yù)回滬300IC測歸深模值型截月距均項(xiàng)換手率6%5%4%3%2%1%0%-1%-2%-3%-4%IC預(yù)測值財(cái)務(wù)質(zhì)

60、量5.2%1.2%-2.8%回中500歸證模型截月距均項(xiàng)換手率：，預(yù)測：，預(yù)測圖表38： 小市值因子 Rank IC 預(yù)測值及外生變量貢獻(xiàn)情況圖表39： 反轉(zhuǎn)因子 Rank IC 預(yù)測值及外生變量貢獻(xiàn)情況1.0%反轉(zhuǎn)7.9%7.0%0.9%10%小市值0.9%0.9%8%6%0.5%4%2%0.0%IC預(yù)測值0%CPI回預(yù)回IC歸測歸模模當(dāng)型值型月截截同距距比項(xiàng)項(xiàng)：，預(yù)測：，預(yù)測圖表40： 波動(dòng)率因子 Rank IC 預(yù)測值及外生變量貢獻(xiàn)情況圖表41： 換手率因子 Rank IC 預(yù)測值及外生變量貢獻(xiàn)情況8.1%波動(dòng)率6.4%1.4%-1.0%0.0% -1.5%-0.6%換手率9.3%8.6