量化專題報告：多因子系列之十行業(yè)內(nèi)選股初探

1、內(nèi)容目錄 HYPERLINK l _TOC_250012 一、綜述 3 HYPERLINK l _TOC_250011 二、行業(yè)內(nèi)因子篩選 4 HYPERLINK l _TOC_250010 基礎(chǔ)因子 6 HYPERLINK l _TOC_250009 特質(zhì)因子 10 HYPERLINK l _TOC_250008 2.2.1 銀行 10 HYPERLINK l _TOC_250007 2.2.2 券商 11 HYPERLINK l _TOC_250006 2.2.3 地產(chǎn) 11 HYPERLINK l _TOC_250005 2.2.4 其他 12 HYPERLINK l _TOC_2500

2、04 2.3 匯總 14 HYPERLINK l _TOC_250003 三、組合構(gòu)建 14 HYPERLINK l _TOC_250002 四、總結(jié)、思考與展望 20 HYPERLINK l _TOC_250001 五、參考文獻(xiàn) 21 HYPERLINK l _TOC_250000 風(fēng)險提示 21圖表目錄圖表 1：各行業(yè)樣本數(shù) 4圖表 2：因子列表 5圖表 3：因子無效行業(yè) 6圖表 4：周期行業(yè)yoy_np_q 因子與 sue 因子ICIR 值對比 6圖表 5：單季度營收增長因子測試 7圖表 6：存貨周轉(zhuǎn)率變化因子測試 8圖表 7：應(yīng)收賬款占比與應(yīng)收賬款周轉(zhuǎn)率變化因子表現(xiàn) 9圖表 8：應(yīng)收賬

3、款周轉(zhuǎn)率變化因子測試 9圖表 9：凈息差因子分組超額收益 10圖表 10：撥備覆蓋率因子第一組超額收益 11圖表 11：券商估值因子第一組超額收益 11圖表 12：地產(chǎn)行業(yè)成長因子第一組超額收益 12圖表 13：流動負(fù)債增長因子第一組超額收益 12圖表 14：商譽占比因子IC 累計值 13圖表 15：各行業(yè)研發(fā)強(qiáng)度第一組超額收益 13圖表 16：各行業(yè)選取因子匯總 14圖表 17：模型表現(xiàn)對比 15圖表 18：全市場模型和行業(yè)選股模型相關(guān)系數(shù) 16圖表 19：各模型表現(xiàn) 16圖表 20：各模型表現(xiàn)對比 17圖表 21：300 增強(qiáng)策略凈值 18圖表 22：300 增強(qiáng)結(jié)果對比 18圖表 23：

4、300 增強(qiáng)歸因分析 18圖表 24：500 增強(qiáng)策略凈值 19圖表 25：500 增強(qiáng)結(jié)果對比 19圖表 26：500 增強(qiáng)歸因分析 19一、綜述隨著全市場基本面 alpha 增量信息的挖掘變得越來越困難，行業(yè)內(nèi)選股模型開始備受關(guān)注。一方面是因為有很多因子只在某一行業(yè)，或者某些特定行業(yè)有效，而全市場建模無法方便的加入這些信息。另一方面，由于不同行業(yè)的屬性不同，細(xì)分行業(yè)建?？赡鼙热袌鼋ｎA(yù)測的更加準(zhǔn)確?；谏鲜鰞蓚€原因，我們嘗試構(gòu)建行業(yè)內(nèi)選股模型，期望該方法能夠?qū)υ械娜袌瞿Ｐ陀兴倪M(jìn)。目前市場上對行業(yè)內(nèi)選股的研究已經(jīng)有很多，我們將其分為三類：第一類是純測試的方法。給定一個標(biāo)準(zhǔn)，例如 IC

5、 或者 ICIR 的閾值，然后滾動篩選出每個行業(yè)滿足該篩選標(biāo)準(zhǔn)的因子，分行業(yè)進(jìn)行預(yù)測，最后合起來構(gòu)建組合。通過回測，我們發(fā)現(xiàn)此方法最終的策略表現(xiàn)相對于原來的全市場策略并沒有增強(qiáng)，即使是全樣本篩選因子而不是滾動篩選，在可能過擬合的情況下，該方法也并沒有顯著的好于原策略。究其原因，我們認(rèn)為有兩點：不同行業(yè)應(yīng)該有不同的篩選標(biāo)準(zhǔn)。由于不同行業(yè)的股票數(shù)量相差較大，對不同行業(yè)有相同預(yù)測能力的因子，在股票數(shù)量少的行業(yè)，其穩(wěn)定性即 ICIR 也會較低。過嚴(yán)的篩選標(biāo)準(zhǔn)會使得某些行業(yè)沒有有效因子，而過松的篩選標(biāo)準(zhǔn)會使得某些行業(yè)加入過多的噪聲。而對不同行業(yè)使用不同篩選標(biāo)準(zhǔn)，則會增加大量的參數(shù)而導(dǎo)致模型容易過擬合。行

6、業(yè)內(nèi)股票數(shù)量過少，盡管篩選出來的因子可能更加符合行業(yè)特征，使得預(yù)測的偏差更小，但是由于行業(yè)樣本少，預(yù)測的方差會增大?？紤]一種特殊情況，假設(shè)某行業(yè)股票收益的預(yù)測函數(shù)與全市場股票完全一致。那么行業(yè)內(nèi)選股是用該行業(yè)（50 只股票）的歷史數(shù)據(jù)進(jìn)行訓(xùn)練來預(yù)測該行業(yè)股票收益，而全市場模型是用 3000 只股票的歷史數(shù)據(jù)來進(jìn)行預(yù)測，顯然后者的預(yù)測會更加準(zhǔn)確。在實驗中我們也發(fā)現(xiàn)像綜合行業(yè)的樣本內(nèi)選股收益總是要弱于全市場選股的。第二類是純邏輯的方法。即先有行業(yè)的邏輯，再根據(jù)邏輯構(gòu)造因子。這個方法是最為理想的方法，我們也嘗試通過行業(yè)研究的邏輯來尋找因子，但遇到了一些困難：行業(yè)研究的精力集中在對公司業(yè)務(wù)的拆解，通過

7、對子行業(yè)發(fā)展或者公司業(yè)務(wù)的發(fā)展的分析來預(yù)測公司未來的營收以及凈利潤，這種基于公司業(yè)務(wù)的邏輯較難形成選股因子。例如對于凈利率和毛利率這兩個因子，在每個行業(yè)都是有用的基本面指標(biāo)，但如果去測試，會發(fā)現(xiàn)不同行業(yè)毛利率和凈利率的因子表現(xiàn)相差巨大。行業(yè)研究和因子選股的是兩種思路，不管是毛利率還是凈利率，都只是研究員對公司未來盈利預(yù)測時需要考慮的變量之一，除此之外，他們更加關(guān)心的是公司業(yè)務(wù)或者所屬子行業(yè)的發(fā)展，實地調(diào)研的結(jié)果等。而從因子選股的角度來說，對于基本面因子，我們是需要該變量有預(yù)測公司未來基本面的能力，從而才可能預(yù)測股票未來的收益。行業(yè)研究的邏輯較為微觀，一個細(xì)分領(lǐng)域的可比公司可能只有不到十家，這與

8、我們量化選股要求廣度的思路相違背。第三類是測試和邏輯相結(jié)合的方法，即先測試每個行業(yè)每個因子的表現(xiàn)，然后從中找到一些行業(yè)邏輯。這類方法較為方便，但十分容易找到偽邏輯，從而陷入過擬合。例如我們在交運行業(yè)測試因子，發(fā)現(xiàn)資產(chǎn)周轉(zhuǎn)率增長表現(xiàn)很好，在所有測試的因子中 ICIR 排名第一，我們認(rèn)為這是由于交運行業(yè)較為重視公司的周轉(zhuǎn)率，于是將該因子納入交運行業(yè)的因子池，但這顯然是靠測試得到的邏輯，有很高的過擬合的概率。因為資產(chǎn)周轉(zhuǎn)率的提升在每個行業(yè)都代表著公司運營效率的提升，按照這個邏輯，資產(chǎn)周轉(zhuǎn)率增長因子應(yīng)該在每個行業(yè)都表現(xiàn)較好，但事實是只有部分行業(yè)中該因子有選股能力。因此如果我們沒有找到為何資產(chǎn)周轉(zhuǎn)率在不

9、同行業(yè)表現(xiàn)不同的核心邏輯，那么我們在交運行業(yè)中就不該選入資產(chǎn)周轉(zhuǎn)率增長這一因子。對于這類邏輯在各個行業(yè)都通用的傳統(tǒng)財務(wù)因子，我們需要進(jìn)行行業(yè)間的橫向比較，從而找出因子適用的行業(yè)。對于純邏輯的方法，我們目前還沒有找到一個有效的構(gòu)建選股因子或者模型的方法。因此，在本篇報告中，我們還是使用測試和邏輯相結(jié)合的方法來構(gòu)建行業(yè)內(nèi)模型。那么對于這個方法，最需要注意的就是其過擬合的可能性，我們在研究中盡量避免這一問題，使得模型在樣本外有較好的表現(xiàn)。本報告的研究主要分為兩部分，第一部分是行業(yè)內(nèi)因子的選取，第二部分是如何將各行業(yè)的預(yù)測結(jié)合起來最后形成投資組合。由于行業(yè)內(nèi)選股是偏基本面的策略，因此本文只采用線性加權(quán)

10、的方式進(jìn)行預(yù)測，我們將重點放在第一部分，即尋找各個行業(yè)適用的因子。二、行業(yè)內(nèi)因子篩選由于行業(yè)內(nèi)的樣本過少，當(dāng)前成分股最多的行業(yè)也只有不到 300 只股票，而最少的只有30 只左右，在我們樣本區(qū)間的早期，大部分行業(yè)成分股的樣本數(shù)量都不到 100 只。因此在選取行業(yè)內(nèi)因子時，我們必須找到因子的邏輯。圖表 1：各行業(yè)樣本數(shù)2009 年 1 月2019 年 6 月機(jī)械86328基礎(chǔ)化工109273醫(yī)藥105270電子元器件62207計算機(jī)29191汽車61173電力及公用事業(yè)67150電力設(shè)備47149房地產(chǎn)108134傳媒15132通信30118建筑31117輕工制造31103交通運輸66101有色

11、金屬5097食品飲料3795商貿(mào)零售7991紡織服裝5584建材4183農(nóng)林牧漁4876家電2365國防軍工1956石油石化1845鋼鐵4044證券839綜合2338煤炭2834餐飲旅游2030銀行1426多元金融217保險36資料來源： ，Wind我們將因子分為兩類，之所以這樣分類，是因為我們認(rèn)為對于這兩類因子，我們尋找邏輯的方式是不同的：基礎(chǔ)因子：這類因子基本都是各行業(yè)適用的傳統(tǒng)財務(wù)指標(biāo)，全市場有效，但在不同行業(yè)的表現(xiàn)不同。這類因子由于已經(jīng)通過全市場的驗證，在大樣本下證明了其有效性，且一般來說都有一個較為合理的全市場邏輯，因此不會存在過擬合的可能。對于這類因子，我們的假設(shè)是這些因子在不同行

12、業(yè)表現(xiàn)不同，從而通過行業(yè)的橫向比較，尋找到哪些行業(yè)更適用的邏輯，并在這些行業(yè)使用該因子。特質(zhì)因子：這類因子是只有某些特定行業(yè)邏輯的因子，一般來說全市場無效，只在少數(shù)幾個行業(yè)有效，例如研發(fā)、商譽、經(jīng)營類、杠桿類因子等。這類因子是最需要注意過擬合風(fēng)險的。對于一個因子，分二十多個樣本測試一遍，幾乎總可能找到顯著的子樣本。那么對于這類因子，必須要先有邏輯，然后再進(jìn)行測試?；蛘呤窃撘蜃幼銐蝻@著，能夠通過多重檢驗。為了避免過擬合，我們選取盡可能少的，邏輯清晰的因子作為我們的基礎(chǔ)因子池。圖表 2：因子列表類別指標(biāo)含義1估值ep市盈率倒數(shù)2估值bp市凈率倒數(shù)3成長yoy_np_q單季度凈利潤增長4成長yoy_

13、or_q單季度營收增長5成長roe_q_delta單季度 roe 變化6盈利roe_q單季度 roe7盈利netmargin_ratio_q單季度凈利率8盈利grossmargin_ratio_q單季度毛利率9盈利netmargin_ratio_q_delta單季度凈利率變化10盈利grossmargin_ratio_q_delta單季度毛利率變化11運營inv_turnover_q_delta單季度存貨周轉(zhuǎn)率變化12運營asset_turnover_q_delta單季度資產(chǎn)周轉(zhuǎn)率變化13運營acct_rcv_q_delta單季度應(yīng)收賬款周轉(zhuǎn)率變化14特質(zhì)nim銀行業(yè)凈息差15特質(zhì)npc銀行業(yè)

14、撥備覆蓋率16特質(zhì)ep_12m券商月報數(shù)據(jù)構(gòu)建的 ep17特質(zhì)sp_12m券商月報數(shù)據(jù)構(gòu)建的 sp18特質(zhì)adv_to_sales房地產(chǎn)行業(yè)業(yè)績保證系數(shù)19特質(zhì)yoy_cur_liab流動負(fù)債增長20特質(zhì)rd_or研發(fā)強(qiáng)度21特質(zhì)goodwill_to_bv商譽占比資料來源： ，Wind下面我們分別對這些因子進(jìn)行測試以及分析，以下測試中剔除了綜合行業(yè)以及金融行業(yè)。我們首先對所有因子進(jìn)行異常值處理，然后分別在行業(yè)內(nèi)對市值進(jìn)行中性化。由于 12 年之前的股票數(shù)量過少，我們的樣本從 13 年開始。不同行業(yè)的股票數(shù)量不一樣，其 ICIR的大小不具備可比性，對于不滿足硬性標(biāo)準(zhǔn)（ICIR0.6）的因子，我

15、們還會綜合考慮該因子在行業(yè)內(nèi)的相對表現(xiàn)?；A(chǔ)因子在基礎(chǔ)因子中，經(jīng)過測試我們發(fā)現(xiàn)其中有幾個因子幾乎在所有行業(yè)中的有效?？梢钥吹?，這幾個因子都與公司的凈利潤相關(guān)，這也是公司基本面最核心的因素。同時這幾個指標(biāo)分別代表了公司的三的方面，估值，盈利能力，以及成長性。圖表 3：因子無效行業(yè)指標(biāo)無效行業(yè)roe_q餐飲旅游ep餐飲旅游yoy_np_q餐飲旅游，零售，農(nóng)林牧漁roe_q_delta家電，農(nóng)林牧漁，餐飲旅游資料來源： 我們發(fā)現(xiàn)餐飲旅游行業(yè)，這些最基本的因子都沒有效果。我們認(rèn)為可能有兩點原因。第一是餐飲旅游行業(yè)的股票數(shù)量過少，截止目前只有 30 只左右，因子中包含的噪聲較多。同時其子行業(yè)又分旅行社、

16、景區(qū)、酒店、餐飲，成分股之間差異較大，題材頻出，因此市場表現(xiàn)可能會與基本面有較大的偏離。對于餐飲旅游行業(yè)，我們將不進(jìn)行單獨的行業(yè)內(nèi)預(yù)測。在農(nóng)林牧漁行業(yè)，成長因子凈利潤增長和 roe 變化并沒有效果。但我們測試農(nóng)林牧漁行業(yè)的其他因子，會發(fā)現(xiàn) sue 因子表現(xiàn)很好，這可能是由于農(nóng)林牧漁行業(yè)的凈利潤波動性較大，單季度的凈利潤增長可能是由于周期性原因?qū)е?，并不代表公司過去業(yè)績的穩(wěn)定增長。因此使用 sue 能夠幫助我們過濾掉利潤波動大的公司。這一邏輯在可能在其他周期性的行業(yè)中也同樣適用，我們比較了周期性行業(yè) sue 與 yoy_np_q 的 ICIR 值，在周期性行業(yè)中，sue 確實要穩(wěn)定好于單季度凈利

17、潤的增長。圖表 4：周期行業(yè)yoy_np_q 因子與 sue 因子 ICIR 值對比yoy_np_qsue基礎(chǔ)化工1.3322.085電力設(shè)備1.2351.430機(jī)械0.9581.199鋼鐵0.7441.109建材0.6751.027有色金屬0.8810.916輕工制造0.6290.901石油石化0.7640.864農(nóng)林牧漁0.6000.829建筑工程0.4210.590煤炭0.5940.569資料來源： ，Wind除了上述四個因子之外，其他因子基本上都只在半數(shù)行業(yè)顯著。對于這類因子，我們根據(jù)測試結(jié)果提出猜想，然后尋找行業(yè)的邏輯，且在有邏輯的行業(yè)使用他們。需要注意的是我們不可能找到所有表現(xiàn)好的

18、行業(yè)的邏輯，一些行業(yè)因子表現(xiàn)較好可能剛好是隨機(jī)樣本造成的，其表現(xiàn)并不可持續(xù)。因此，我們盡可能找到一些簡單直觀的邏輯，并只在有邏輯的行業(yè)中使用他們。yoy_or_q：營收增長按道理在每個行業(yè)都是較為重要的指標(biāo)，但是在很多行業(yè)中，其并沒有選股效果例如煤炭，農(nóng)林牧漁，軍工，食品飲料，輕工，公用，石油石化，紡織服裝，建材。這些行業(yè)并沒有明顯的共性。但是在 TMT 行業(yè)，營收增長因子效果非常好，排在所有行業(yè)的前列。這可能的原因是在 TMT 行業(yè)中，有較多公司或者項目尚未盈利，但其未來成長性較好，因此在評價公司成長性時會更加重視公司的營收增長。圖表 5：單季度營收增長因子測試ICICIR通信0.0531.

19、368計算機(jī)0.0481.575傳媒0.0450.856商貿(mào)零售0.0421.320餐飲旅游0.0420.684電力設(shè)備0.0371.007基礎(chǔ)化工0.0371.439機(jī)械0.0351.042醫(yī)藥0.0351.091有色金屬0.0310.950電子元器件0.0311.026建筑0.0310.751家電0.0300.671鋼鐵0.0290.611石油石化0.0290.495汽車0.0260.874交通運輸0.0260.746建材0.0250.567紡織服裝0.0230.535國防軍工0.0210.313輕工制造0.0210.470食品飲料0.0180.452電力及公用事業(yè)0.0160.488農(nóng)林

20、牧漁0.0080.196煤炭-0.002-0.041資料來源： ，Windbp: 按照邏輯我們應(yīng)該在強(qiáng)周期行業(yè)中使用 bp 指標(biāo)，這是由于強(qiáng)周期行業(yè)在不同時期市盈率波動較大，而企業(yè)的凈資產(chǎn)相對于盈利來說周期性并不強(qiáng)，因此 bp 是一個較為有效的指標(biāo)。我們在金融和周期板塊中測試了該因子，均有不錯的表現(xiàn)。inv_turnover_q_delta：Alan 等（2014）研究了存貨周轉(zhuǎn)率在零售行業(yè)的表現(xiàn)，他們認(rèn)為存貨周轉(zhuǎn)率的提升代表著企業(yè)效率的提升，其未來的營收和利潤也會有所增加，而這一因子并不能被市場及時的定價。之所以在零售行業(yè)分析是因為零售行業(yè)的主要業(yè)務(wù)就是直接進(jìn)行商品的買賣，其存貨周轉(zhuǎn)率對盈利

21、有較大的影響。其他消費類行業(yè)例如食品飲料，家電與此有類似的邏輯。我們在這些行業(yè)測試了存貨周轉(zhuǎn)率因子，除了紡服行業(yè)，都有較好的表現(xiàn)。圖表 6：存貨周轉(zhuǎn)率變化因子測試ICICIR通信0.0421.094交通運輸0.0381.174食品飲料0.0350.819電力設(shè)備0.0331.008醫(yī)藥0.0331.298石油石化0.0300.696基礎(chǔ)化工0.0291.116家電0.0280.695商貿(mào)零售0.0260.817汽車0.0250.845有色金屬0.0240.725鋼鐵0.0220.536煤炭0.0220.434建材0.0220.538電子元器件0.0190.792電力及公用事業(yè)0.0160.56

22、0計算機(jī)0.0130.482建筑0.0110.294機(jī)械0.0090.405紡織服裝0.0070.189國防軍工0.0070.140農(nóng)林牧漁-0.009-0.215輕工制造-0.010-0.291傳媒-0.015-0.351資料來源： ，Windacct_rcv_turnover_q_delta：應(yīng)收賬款周轉(zhuǎn)率增長代表企業(yè)的回款速度變快，也代表著企業(yè)面對下游供應(yīng)更加強(qiáng)勢。但在許多行業(yè)中，應(yīng)收賬款并不是問題，例如上游資源型行業(yè)，石油石化，煤炭等，應(yīng)收賬款占總營收比率不到 5。而在一些行業(yè)，例如機(jī)械，建筑，應(yīng)收賬款比例非常高達(dá)到 20甚至 30。這是由于這些行業(yè)很多時候都是賒賬進(jìn)行購買。例如機(jī)械行

23、業(yè)，對于一些零售端客戶，會使用分期付款的方式進(jìn)行促銷，導(dǎo)致該行業(yè)應(yīng)收賬款占比較高。而對于這些行業(yè)，應(yīng)收賬款周轉(zhuǎn)率的變化顯得非常重要。我們將各行業(yè)應(yīng)收賬款占比與因子表現(xiàn)進(jìn)行回歸，回歸系數(shù)非常顯著。因此我們在較為重視應(yīng)收賬款的機(jī)械，建筑，電力設(shè)備，計算機(jī)行業(yè)使用該因子。圖表 7：應(yīng)收賬款占比與應(yīng)收賬款周轉(zhuǎn)率變化因子表現(xiàn)資料來源： ，Wind圖表 8：應(yīng)收賬款周轉(zhuǎn)率變化因子測試應(yīng)收賬款占比ICICIR電力設(shè)備0.3830.0230.663國防軍工0.3530.0360.687機(jī)械0.3240.0190.812計算機(jī)0.3190.0210.613電子元器件0.2510.0150.592醫(yī)藥0.2500

24、.0130.567傳媒0.1990.0340.854建筑0.1960.0290.821通信0.1910.0330.800電力及公用事業(yè)0.175-0.001-0.044輕工制造0.1490.0020.048建材0.1310.0120.374基礎(chǔ)化工0.1260.0160.758紡織服裝0.1260.0170.418汽車0.1220.0230.823家電0.0990.0060.164交通運輸0.0700.0230.767餐飲旅游0.0650.0120.248煤炭0.060-0.005-0.085農(nóng)林牧漁0.059-0.015-0.475有色金屬0.0470.0120.377商貿(mào)零售0.0360.

25、0140.423食品飲料0.0330.0060.176鋼鐵0.0310.0090.168石油石化0.0300.0250.487資料來源： ，Wind還有一些因子，例如 asset_turnover_q_delta，netmargin_ratio_q 等，盡管它們有很強(qiáng)的全市場邏輯以及全市場表現(xiàn)，但是我們在測試中發(fā)現(xiàn)只有半數(shù)行業(yè)這些因子有顯著的選股效果，我們并沒有找到在哪些行業(yè)這些因子更加適用的邏輯，也有可能該因子在不同行業(yè)的表現(xiàn)本身并沒有顯著的差異，我們測試的結(jié)果是由于歷史樣本造成的,因此我們不在模型中加入他們。而對于上述找到邏輯的因子，由于因子和股票未來收益的邏輯并不是那么直接，我們基本上都

26、是通過尋找子樣本的方法來尋找邏輯，這一方法在學(xué)術(shù)研究中也非常常見，例如 Titman（2004）通過尋找子樣本因子表現(xiàn)的方法來證明過度投資是導(dǎo)致超額資本支出和股票收益負(fù)相關(guān)的原因。但由于上述的一些因子我們是先測試再尋找的邏輯，我們不排除該方法存在過擬合的可能性。特質(zhì)因子特質(zhì)因子由于只在某些行業(yè)里面有特定的邏輯，因此不需要進(jìn)行行業(yè)的橫向比較。對于這類因子，最好是自上而下的尋找行業(yè)的邏輯，然后再進(jìn)行測試。而對于先測試出來的結(jié)果，我們需要謹(jǐn)慎對待。因為盡管某個因子全市場無效，但分 29 個樣本測試，在其中一個樣本有效的概率也較大，對于這類因子，我們需要進(jìn)行多重檢驗。由于財務(wù)指標(biāo)例如運營效率類指標(biāo)，負(fù)

27、債類指標(biāo)大多都是各行業(yè)均較為適用的指標(biāo)，因此行業(yè)內(nèi)特質(zhì)的財報因子并不多，下面我們列出了一些常見的行業(yè)特質(zhì)因子。銀行通過參考我們前期的報告銀行行業(yè)基本面量化選股與擇時，我們選取了凈息差和和撥備覆蓋率兩個因子。其中凈息差代表了銀行的盈利能力，凈息差越高，說明銀行單位生息資產(chǎn)的盈利能力。因此凈息差越高的公司，未來營收和凈利潤的增長也會越快。圖表 9：凈息差因子分組超額收益資料來源： ，Wind撥備覆蓋率本來是一個衡量銀行風(fēng)險的因子，指貸款損失準(zhǔn)備對不良貸款的比率，主要反映商業(yè)銀行對貸款損失的彌補(bǔ)能力和對貸款風(fēng)險的防范能力。但是這個指標(biāo)經(jīng)常被銀行作為調(diào)節(jié)利潤的工具。例如某銀行資產(chǎn)規(guī)模和營收同步增長，對

28、應(yīng)的不良資產(chǎn)也同比例增長，如果要維持前期的撥備覆蓋率，就要計提更多的減值準(zhǔn)備，從而使得凈利潤的增長降低。有些銀行會選擇不計提，保持較高的報表凈利潤增速，但使得撥備覆蓋率降低。因此維持一個較高的撥備覆蓋率代表公司對其當(dāng)前以及未來盈利有足夠的信心。但這個因子未來有失效的可能，這是由于新政策規(guī)定銀行的撥備覆蓋率不得高于 2，使得銀行無法通過提高減值準(zhǔn)備的計提來隱藏利潤。圖表 10：撥備覆蓋率因子第一組超額收益資料來源： ，Wind券商估值因子是券商行業(yè)最有效的因子。由于券商行業(yè)每個月會及時的發(fā)布其上月的經(jīng)營情況，我們根據(jù)最新的月報數(shù)據(jù)構(gòu)造估值因子 ep、bp、sp，并與使用財務(wù)報表構(gòu)建的估值因子相比

29、較。盡管 IC 和 ICIR 上與原因子沒有顯著差別，但是 ep，sp 因子的單調(diào)性變好，第一組的收益有略微提升，bp 幾乎沒有差別。圖表 11：券商估值因子第一組超額收益資料來源： ，Wind地產(chǎn)受“預(yù)售制”的影響，房企利潤表通常為歷史項目的現(xiàn)實確認(rèn)，因此利潤表科目是滯后于企業(yè)當(dāng)前的經(jīng)營狀況的，我們需要從另外兩張報表來尋找地產(chǎn)企業(yè)當(dāng)前的增長情況?，F(xiàn)金流量表相比利潤表更能反映地產(chǎn)公司目前的經(jīng)營狀況，但是銷售商品提供勞務(wù)獲得的現(xiàn)金流增長這一指標(biāo)最近幾年表現(xiàn)一般。我們使用業(yè)績保障系數(shù)=預(yù)收賬款/營業(yè)收入 TTM 來作為房地產(chǎn)公司增長的代理指標(biāo)。預(yù)收賬款代表著企業(yè)當(dāng)前的銷售情況，而營業(yè)收入代表這過去

30、，業(yè)績保障系數(shù)越大，代表企業(yè)未來年度的業(yè)績更有保障。圖表 12：地產(chǎn)行業(yè)成長因子第一組超額收益資料來源： ，Wind另外，流動負(fù)債和總負(fù)債增長因子在地產(chǎn)行業(yè)有較好的表現(xiàn)。這是由于房地產(chǎn)行業(yè)為高杠桿經(jīng)營的行業(yè)，發(fā)債是其主要的融資渠道。負(fù)債的增長能夠側(cè)面反映公司的業(yè)務(wù)的擴(kuò)張，能夠預(yù)測其未來營收的增長。但隨著宏觀去杠桿的進(jìn)行，該因子在 18 年之后表現(xiàn)一般，其未來的表現(xiàn)需要進(jìn)一步的觀察。圖表 13：流動負(fù)債增長因子第一組超額收益資料來源： ，Wind其他傳媒行業(yè)近年來最受關(guān)注的便是商譽因子。我們測了商譽占凈資產(chǎn)比例這一因子，發(fā)現(xiàn)其效果較好。但這個因子更多的是一個負(fù)向因子，即商譽占比最高的一組，幾乎穩(wěn)

31、定跑輸市場。圖表 14：商譽占比因子IC 累計值資料來源： ，Wind電子，計算機(jī)，醫(yī)藥行業(yè)，研發(fā)強(qiáng)度因子均有較好的表現(xiàn)。圖表 15：各行業(yè)研發(fā)強(qiáng)度第一組超額收益資料來源： ，Wind除此之外，對于那些并不是行業(yè)特有的邏輯，而是在測試中發(fā)現(xiàn)的特質(zhì)因子，我們需要使用多重檢驗來排除過擬合的可能。尤其是一些經(jīng)營類因子，或者杠桿類因子，由于其全市場并沒有穩(wěn)定的 alpha，只是在某些行業(yè)測出來好，因此很容易得出某行業(yè)較為重視該方面的經(jīng)營效率或者杠桿風(fēng)險這樣的偽邏輯而陷入過擬合。從純測試的角度來說，我們對一個因子在所有行業(yè)內(nèi)的測試結(jié)果進(jìn)行多重檢驗，采用 BHY調(diào)整，發(fā)現(xiàn)大部分原本在少數(shù)兩三個行業(yè)中有效的

32、因子，經(jīng)過調(diào)整之后變得都不顯著了。這可能是由于財務(wù)因子顯著性相對于價量因子不是特別高，在多重檢驗下，我們通過單純的測試得到的財務(wù)因子基本上都不能通過檢驗。因此通過純測試的方法得到的因子我們需要謹(jǐn)慎考慮其過擬合的可能性。匯總圖表 16：各行業(yè)選取因子匯總在上述的分析中，我們盡可能的從邏輯出發(fā)，針對因子在不同行業(yè)的適用性，以及一些行業(yè)的特質(zhì)邏輯，選取了每個行業(yè)適用的因子。因子最少的行業(yè)只有 3 個因子，而因子最多的行業(yè)也只有 8 個因子。雖然我們選取的因子不多且都是一些常見的因子，但是基本能夠保證這些因子在行業(yè)內(nèi)是有邏輯的，其因子表現(xiàn)是可以持續(xù)的。如果今后能夠再找到某些因子的行業(yè)邏輯，我們可以對該

33、因子列表進(jìn)行持續(xù)的填充。行業(yè)因子交通運輸ep、yoy_np_q、roe_q_delta、roe_q證券bp、ep_12m、sp_12m有色金屬ep、yoy_np_q、roe_q_delta、roe_q、bp醫(yī)藥ep、yoy_np_q、roe_q_delta、roe_q、rd_or、inv_turnover_q_delta銀行bp、ep、yoy_or_q、yoy_np_q、roe_q_delta、roe_q、nim、npc通信食品飲料ep、yoy_np_q、roe_q_delta、roe_q、yoy_or_qep、yoy_np_q、roe_q_delta、roe_q、inv_turnover_q

34、_delta石油石化ep、yoy_np_q、roe_q_delta、roe_q、bp商貿(mào)零售ep、yoy_or_q、roe_q_delta、roe_q、inv_turnover_q_delta汽車ep、yoy_np_q、roe_q_delta、roe_q、inv_turnover_q_delta輕工制造ep、yoy_np_q、roe_q_delta、roe_q農(nóng)林牧漁煤炭ep、bp、sue1ep、yoy_np_q、roe_q_delta、roe_q、bp建筑ep、yoy_np_q、roe_q_delta、roe_q、bp、acct_rcv_turnover_q_delta建材ep、yoy_np

35、_q、roe_q_delta、roe_q、bp計算機(jī)ep、yoy_np_q、roe_q_delta、roe_q、yoy_or_q、acct_rcv_turnover_q_delta、rd_or家電ep、yoy_np_q、roe_q、inv_turnover_q_delta基礎(chǔ)化工機(jī)械ep、yoy_np_q、roe_q_delta、roe_qep、yoy_np_q、roe_q_delta、roe_q、bp、acct_rcv_turnover_q_delta國防軍工ep、yoy_np_q、roe_q_delta、roe_q鋼鐵ep、yoy_np_q、roe_q_delta、roe_q、bp房地產(chǎn)b

36、p、cur_liab_yoy、adv_to_sales紡織服裝ep、yoy_np_q、roe_q_delta、roe_q電子元器件電力設(shè)備ep、yoy_np_q、roe_q_delta、roe_q、yoy_or_q、rd_orep、yoy_np_q、roe_q_delta、roe_q、acct_rcv_turnover_q_delta傳媒ep、yoy_np_q、roe_q_delta、roe_q、yoy_or_q、goodwill_to_bv電力及公用事業(yè)ep、yoy_np_q、roe_q_delta、roe_q資料來源： 三、組合構(gòu)建得到每個行業(yè)適用的指標(biāo)之后，我們嘗試構(gòu)建行業(yè)內(nèi)的選股模型。

37、我們將因子分為估值，成長，盈利和其他四類，然后在小類中等權(quán)合成，再將大類因子用 ICIR 加權(quán)。由于行業(yè)中樣本過少，ICIR 較為不穩(wěn)定，這里我們使用過去 24 個月的 ICIR 值作為權(quán)重。得到各行業(yè)內(nèi)的組合之后，我們將其和全市場選股的模型進(jìn)行對比。圖表 17：模型表現(xiàn)對比第二節(jié)中提到餐飲旅游行業(yè)的股票過少，而且常見的因子對其也沒有預(yù)測能力，因此我們不對餐飲旅游行業(yè)進(jìn)行行業(yè)內(nèi)預(yù)測。綜合行業(yè)沒有特定的行業(yè)邏輯，我們也不對其進(jìn)行行業(yè)內(nèi)的預(yù)測。對于銀行券商行業(yè)，全市場模型幾乎沒有預(yù)測能力。其他行業(yè)中，建筑，國防，石油石化等行業(yè)，行業(yè)內(nèi)模型是要略好于全市場模型的，但是電力設(shè)備，建材等行業(yè)，行業(yè)模型要

38、略差于全市場模型。全市場選股行業(yè)內(nèi)選股年化收益年化波動IR最大回撤年化收益年化波動IR最大回撤銀行0.000.060.010.170.080.061.430.04證券0.010.070.180.260.090.071.290.10建筑0.090.081.150.110.110.081.450.10國防軍工0.040.080.560.110.060.080.750.12石油石化0.070.080.860.160.090.081.170.07汽車0.060.070.790.100.100.051.950.04有色金屬0.060.061.030.120.070.061.190.07紡織服裝0.030

39、.070.620.090.050.050.960.08計算機(jī)0.080.061.190.050.080.061.240.07房地產(chǎn)0.030.050.580.140.060.051.150.09交通運輸0.070.060.990.090.060.070.820.08家電0.040.080.570.140.050.090.570.22食品飲料0.080.081.080.190.110.061.690.05輕工制造0.090.081.170.070.110.071.500.08傳媒0.060.080.680.120.080.080.870.12電力及公用事業(yè)0.060.061.100.080.08

40、0.071.170.12商貿(mào)零售0.050.070.800.100.080.061.330.06醫(yī)藥0.090.051.870.050.100.042.230.02煤炭0.100.071.290.090.090.071.310.13電子元器件0.100.061.620.050.100.051.860.04農(nóng)林牧漁0.090.081.140.100.070.051.150.05通信0.110.071.420.080.090.071.320.05鋼鐵0.110.110.960.100.080.100.830.11基礎(chǔ)化工0.100.051.840.040.100.051.960.02機(jī)械0.100

41、.042.230.030.080.041.850.05建材0.120.091.240.100.100.081.140.09電力設(shè)備0.120.062.150.030.100.061.710.03資料來源： ，Wind由上表我們發(fā)現(xiàn)，即使我們按照行業(yè)的邏輯選取了因子，我們也很難做到在所有行業(yè)中都能夠跑贏全市場模型。我們認(rèn)為這也是做行業(yè)選股一個常見的誤區(qū)，就是希望每個行業(yè)我們都能做的較好，戰(zhàn)勝全市場模型。可能從理論上，這個結(jié)論就無法實現(xiàn)。在綜述中我們提到，行業(yè)股票的數(shù)量是制約行業(yè)選股效果最重要的原因。盡管我們能夠選取出行業(yè)適用的因子，但是由于行業(yè)樣本量太少，我們的對行業(yè)內(nèi)股票收益的估計仍然可能不太

42、準(zhǔn)確。這其實對應(yīng)著機(jī)器學(xué)習(xí)中的 bias variance trade off。行業(yè)內(nèi)選股減小了 bias，但是增加了 variance，因此最后的結(jié)果不一定比原來高 bias 低 variance 的全市場模型好。另一方面，我們在行業(yè)模型中加入的因子信息較少，這是由于很多因子沒有典型的行業(yè)邏輯，例如薪酬類，分析師類因子，以及我們前一部分沒有找到邏輯的財務(wù)因子。因此我們發(fā)現(xiàn)盡管我們有針對性的對每個行業(yè)選取了因子，還是有很多行業(yè)的行業(yè)內(nèi)模型要弱于全市場模型。行業(yè)內(nèi)選股模型的 alpha 的整體 IC 要低于全市場模型（圖表 18）從邏輯上來講，我們認(rèn)為券商，銀行，地產(chǎn)這三個行業(yè)行業(yè)內(nèi)選股模型預(yù)測

43、的會更加準(zhǔn)確，因為其行業(yè)邏輯與其他行業(yè)有較大差別。而綜合，餐飲旅游這兩個行業(yè)由于股票數(shù)量過少，且沒有共同的行業(yè)內(nèi)邏輯，我們使用全市場模型。對于其他行業(yè)，我們無法從邏輯出發(fā)來判定哪個模型會更好。但值得注意的是，兩個模型的預(yù)測值相關(guān)度較低，平均只有 0.4 左右。因此對于其他行業(yè)，一個更好的方法就是將兩個預(yù)測結(jié)合起來從而進(jìn)一步提高模型預(yù)測的準(zhǔn)確性。圖表 18：全市場模型和行業(yè)選股模型相關(guān)系數(shù)資料來源： ，Wind我們分別測試兩種結(jié)合預(yù)測的方法：在每個行業(yè)內(nèi)，將兩個預(yù)測按其過去兩年 ICIR 進(jìn)行加權(quán)，如果其中一個模型過去兩年無效，即 ICIR 為負(fù)，則使用另外一個預(yù)測，如果兩個模型都無效，則等權(quán)加

44、權(quán)。 2）不區(qū)分行業(yè)，直接用全截面過去兩年的表現(xiàn)進(jìn)行加權(quán)，其他細(xì)節(jié)與方法一一致。圖表 19：各模型表現(xiàn)第一組年化收益第一組年化波動信息比ICICIR全市場選股0.0840.0282.8960.0633.443行業(yè)內(nèi)選股0.0950.0214.4430.0553.741方法一0.0990.0243.9740.0704.186方法二0.1030.0254.0470.0704.135資料來源： ，Wind盡管行業(yè)內(nèi)選股模型的 IC 值要低于全市場選取模型，但是將二者結(jié)合之后，alpha 信號的 IC 以及其 ICIR 都有顯著的提高。但是對于結(jié)合方法，方法一和方法二并無顯著的差別。圖表 20：各模型

45、表現(xiàn)對比方法二合成行業(yè)內(nèi)選股全市場模型合成模型-全市場模型年化收益IC年化收益IC年化收益IC收益差值IC 差值石油石化0.1360.0950.0940.0810.0700.0660.0660.028傳媒0.1100.0600.0750.0470.0610.0490.0490.011計算機(jī)0.1180.0670.0840.0570.0780.0520.0400.015輕工制造0.1250.0820.1160.0690.0910.0660.0350.016食品飲料0.1050.0950.1000.0840.0820.0810.0230.014基礎(chǔ)化工0.1210.0800.0910.0620.1

46、000.0790.0210.001建材0.1390.1030.0970.0690.1180.0910.0210.012汽車0.0760.0660.0980.0680.0560.0540.0210.012建筑0.1050.0790.1100.0880.0850.0530.0190.027通信0.1260.0830.0760.0670.1070.0780.0190.005鋼鐵0.1270.0900.0810.0690.1100.0810.0170.009國防軍工0.0600.0620.0610.0730.0430.0490.0160.014有色金屬0.0710.0640.0670.0610.059

47、0.0510.0120.012家電0.0540.0550.0430.0530.0440.0490.0100.006商貿(mào)零售0.0600.0530.0750.0510.0510.0510.0080.002醫(yī)藥0.1000.0770.0930.0680.0920.0730.0080.003煤炭0.1030.0990.0830.0790.0960.0860.0070.013電力及公用事業(yè)0.0670.0680.0750.0600.0610.0590.0060.009電子元器件0.1090.0780.0980.0690.1060.0790.002-0.001交通運輸0.0690.0610.0590.0

48、540.0690.0470.0010.014機(jī)械0.0980.0720.0780.0600.0970.0770.001-0.005電力設(shè)備0.1200.0840.0970.0630.1210.094-0.001-0.009紡織服裝0.0220.0400.0460.0450.0330.035-0.0110.004農(nóng)林牧漁0.0780.0560.0600.0420.0920.052-0.0140.004資料來源： ，Wind分行業(yè)來看，合成后的預(yù)測模型不管是從 IC 的角度還是從分組收益的角度，基本在所有行業(yè)都優(yōu)于全市場模型。但只在少數(shù)行業(yè)有顯著的提升，大部分行業(yè)提升較少，分組收益和 IC 都僅在

49、 1%左右。我們用上述兩個方法分別構(gòu)建 500 增強(qiáng)和 300 增強(qiáng)組合，結(jié)果如下圖表 21：300 增強(qiáng)策略凈值資料來源： ，Wind圖表 22：300 增強(qiáng)結(jié)果對比全市場模型行業(yè)內(nèi)模型方法一方法二年化收益0.0770.0980.1000.109年化波動0.0530.0480.0500.051IR1.4522.0612.0172.140最大回撤0.0610.0460.0480.041資料來源： ，Wind圖表 23：300 增強(qiáng)歸因分析資料來源： ，Wind圖表 24：500 增強(qiáng)策略凈值資料來源： ，Wind圖表 25：500 增強(qiáng)結(jié)果對比全市場模型行業(yè)內(nèi)模型方法一方法二年化收益0.175

50、0.0950.1790.171年化波動0.0610.0540.0580.058IR2.8801.7773.0962.928最大回撤0.0550.0510.0550.051資料來源： ，Wind圖表 26：500 增強(qiáng)歸因分析資料來源： ，Wind從測試結(jié)果來看，行業(yè)內(nèi)選股模型對 300 增強(qiáng)有較為顯著的提升作用，但通過歸因，我們發(fā)現(xiàn)超額收益的來源主要是銀行和券商兩個行業(yè)。由于全市場模型對這兩個行業(yè)沒有任何超額收益，行業(yè)內(nèi)模型對這個行業(yè)有較為顯著的提升。另一方面，銀行和券商占 300指數(shù)的權(quán)重較大，因此 300 增強(qiáng)模型提升較為顯著。而對于 500 增強(qiáng)模型，我們發(fā)現(xiàn)行業(yè)內(nèi)選股基本上沒有任何的提升，從歸因結(jié)果來看，也是一半行業(yè)變好，一半行業(yè)變差。這可能是由于 500 的權(quán)重行業(yè)例如醫(yī)藥、電子等，我們并沒有找到很多的特質(zhì)因子，因此增量信息并不多，另一方面，500 的行業(yè)權(quán)重較為分散，如果想要有顯著的提升，可能需要對大部分行業(yè)都要有比較明顯的提升。四、總結(jié)、思考與展望如何將行業(yè)內(nèi)的信息納入進(jìn)傳統(tǒng)的多因子模型是大家一直較為關(guān)心的問題。本報告對行業(yè)內(nèi)選股模型進(jìn)行了初步的探索，試圖尋找到行業(yè)內(nèi)選股的有效解決辦法。通過閱讀已有的報告和結(jié)論，我們放棄了純測試的方法。但在試圖通過純邏輯的方法去尋找有效因子時，總是會跟隨著行業(yè)研究的思路把邏輯拆的越來越細(xì)，從而很難形成