“海量”专题（128）——股票的“共性”与“个性”

来源：海通量化团队

　　研究发现，因子不同分项的选股效果存在差异。对于技术因子，其与行业、主题、风格相关部分与股票次月收益呈正相关，个股部分则呈现负相关。对于基本面因子，其行业、个股部分与股票次月收益的相关性方向一致，但个股部分具有更高的稳定性。通过对部分常见因子的分解，可以提高因子选股的有效性与稳定性。

技术因子的分解

收益率、波动率是最常用的技术因子。“反转效应”与“低波效应”在投资中有着广泛的应用。研究发现，对收益率、波动率进行分解，可以得到选股效果相反的分项。使用分解后的分项替代原始因子可以提升因子的表现。

如下图所示，对于收益率，可以1）提纯出CART（Cumulative Abnormal Return）或者FF3模型的残差收益率；2）分解为行业/主题收益与个股收益。对于波动率，可以分解为FF3模型的特质波动率，以及与市场、风格相关的系统性波动。

图中绿色部分为股票与行业/主题、市场/风格相关的“共性”部分，与股票未来收益正相关；而红色部分为股票收益的“个性”部分，与股票未来收益负相关。对于收益率、波动率，整体指标的选股效果由于分项间选股效果间的抵消而减弱。因此，若使用技术因子的分项代替原来的收益率、波动率因子，可以进一步提升因子的有效性。

收益率的分解

海内外市场都存在短期反转现象：股票当月收益与次月收益负相关。然而，股票收益率与市场、规模、价值等因素相关。为了剔除这些因素对股票收益以及反转效应的影响，可以对股票收益率进行分解。

第一种常见的分解方式是将股票收益分解为风格收益与CART。例如，按规模、价值将全市场股票分成5*5组。股票的风格收益，即所属分组股票的平均收益；CART等于股票收益减风格收益。第二种常见的分解方式是使用FF3模型对股票收益进行归因，回归模型的估计值即股票收益中被市场、规模、价值因素解释的部分；而将剩余部分取均值，可以得到股票的残差收益率。

表1统计了正交化后的累计收益、CART、残差收益率与股票次月收益的截面相关性。随着收益率的分解，因子RankIC的下降幅度有限，而RankIC-IR则大幅上升。这表明，股票收益率的反转效应，主要由股票收益的“个性”部分造成，随着收益率因子“纯度”提高，反转效应也愈加稳定。

除上述分解方法外，我们发现股票收益中的行业、主题部分与未来收益呈现正相关，而收益率与股票次月收益呈现负相关。若将收益率中与行业、主题相关部分剔除，剩余部分会体现出更加明显的反转效应。表2统计了正交化后的行业、主题以及对应个股收益的截面选股效果。结果显示，行业、主题收益与股票次月收益呈现正相关；而相对行业、主题的个股收益维持了累计收益率相似水平的截面负相关性，而在因子稳定性方面则显著提高。

波动率

与“反转效应”类似，“低波效应”也是因子投资中常用的选股方式。其中，基于FF3模型得到的残差波动率（特质波动率），相比普通波动率具有更好的选股效果。此外，定义FF3模型下股票收益率估计值的标准差为系统性波动。线性回归下，总平方和等于被解释平方和加残差平方和。因此，股票的波动率平方等于系统性波动的平方与特质波动率的平方之和。

系统性波动与代表了股票波动中与市场、风格相关的部分，与股票次月收益呈现正相关。如表3所示，系统性波动率的截面溢价显著大于零，而特质波动率的截面溢价显著小于零。两者选股效果相互抵消，从而导致了普通波动率的选股效果不及特质波动率。

财务指标的分解

除了对技术因子进行分解外，也可以尝试对财务指标进行分解。例如，通过截面回归的方式将财务指标分解为风格、行业、个股三方面的影响。

研究发现，许多财务指标，行业部分与个股部分与股票次月收益的相关性方向一致。但行业部分的截面相关性较低且不稳定；而个股层面上的截面相关性较高，稳定性也显著高于“行业+个股”。因此，对于财务指标，可以使用个股部分的因子值以提升模型的稳定性。而对于行业部分的信息，在以往的研究中，我们尝试了将多个行业财务指标复合，构建行业排序因子的方法，将行业信息融入到多因子模型之中。

个股信息

首先，以估值指标（PE_ttm）为例。通过截面回归，可得到市场平均估值，规模对估值的影响，行业对估值的影响以及估值的个股部分。表4统计了正交化后的PE_ttm各组成部分的截面选股效果。其中，行业部分为截面回归的行业虚拟变量前系数，而个股部分即截面回归的残差。“行业+个股”、“个股部分”与股票次月收益负相关。相比之下，“行业+个股”具有更高的IC，而“个股部分”的IR显著高于“行业+个股”。“行业部分”虽然与“个股部分”呈现出一致的相关性方向，但其显著性并不能满足作为选股因子的要求。

类似地，如果对一致预期PE、盈利ROA、盈利增长dROA进行分解，并统计各组合部分的截面选股效果，如表5所示。对于各财务指标，“行业+个股”与“个股部分”的选股方向一致。由于“行业部分”与股票收益之间同样存在一定的相关性，使用“个股部分”会降低部分的IC，但是剔除行业因素后，因子的稳定性获得了大幅提高。从组合构建角度看，如果IR的提升能够弥补IC的损失，模型的整体效果会进一步提高。

行业信息

在前文中，我们发现，财务指标的“个股部分”相比“行业+个股”部分具有更高的信息比率。但是，财务指标的“行业部分”与股票次月收益之间同样存在一定的相关性，将其剔除后，“个股部分”的IC会低于“个股+行业”部分。

对于行业中性组合，本质上还是在行业内部选股，损失的行业信息本身就难以利用，而因子信息比率的提升则会提高模型的效果。但是，对于非行业中性组合，使用剔除行业因素影响后的财务指标，会损失相关行业财务信息。为此，我们可以将多个行业财务指标与其他行业指标加总，得到复合行业指标。此外，为了降低行业复合指标异常值对结果的影响，可以将行业复合指标转化为对应的行业排序因子。

在得到股票的行业排序因子，即对应行业复合财务指标的截面排序后，可以检验行业排序因子的有效性。例如，可以通过截面回归模型，分析行业排序因子是否具有显著的截面溢价。需要注意的是，在截面回归模型中，我们不能引入行业虚拟变量作为控制变量。因为，相同行业的股票，其行业排序因子的取值相同，若再加入行业虚拟变量，会造成多重共线性的问题。根据定义，行业排序因子截面溢价的经济学含义为，在控制其他常见因子影响后，排序最高行业相对排序最低行业的超额收益。如图4所示，我们计算了“海通行业轮动模型”给出的行业排序因子的月截面溢价。

行业排序因子截面溢价的月胜率66%，月均溢价为0.92%、信息比率为1.24，在时间序列上显著大于零。因此，我们可以在股票的收益预测中加入行业排序因子，以引入行业信息。此外，在风险模型中，为了实现行业的偏离，我们也需要放松行业中性的约束条件

总结

本文中，我们对常用的选股因子进行了分解，并尝试通过因子提纯，提高因子的稳定性。对于技术因子，我们发现，诸如收益率、波动率等因子，其与行业/主题、市场/风格之间相关的“共性部分”，往往与股票未来收益之间呈现正相关；而其“个性部分”的残差收益、特质波动率则与股票未来收益之间呈现负相关。对于财务指标，我们发现，剥离估值、盈利、增长等指标与风格、行业相关部分后，其选股效果的稳定性大幅提高，但相关性也略有下降。通过将多个行业财务指标复合，构建行业排序因子可以在收益预测模型中补充行业信息，提升模型的精度。

风险提示

统计模型失效；因子未来表现与历史表现出现偏差。

联系人：沈泽承，021-23212067

专题报告下载地址：

https://pan.baidu.com/s/16uVSstHyllcLB5nEiL4bGA

“海量”专题回顾

【点击标题可链接至报告原文】

　　[海通金工量化策略回顾]

48、“海量”专题（48）——海通金工2017年量化策略回顾

104、“海量“专题（104）——行稳致远：海通金工2018量化策略回顾

【宏观量化与资产配置】

7、“海量”专题（7）——大类资产配置之风险预算模型

20、“海量"专题（20）——长期投资者如何进行战略资产配置

23、“海量"专题（23）——中国版全天候策略

27、“海量"专题（27）——2017，全球对冲基金的新纪元？

33、“海量"专题（33）——Black-Litterman模型的直观理解

36、“海量"专题（36）——积极的风险均衡（Active Risk Parity）策略

46、“海量”专题（46）——Faber的战术资产配置策略在中国市场上的应用

56、“海量“专题（56）——从周期调整市盈率（CAPE）看中美股市当前的估值水平

59、海量“专题（59）——宏观动量策略在全球股票市场中的应用

66、海量“专题（66）——宏观动量策略在债券市场中的应用

67、海量“专题（67）——宏观预期数据的选择与应用

101、“海量“专题（101）——美股的均值回归特征和收益率预测

105、“海量“专题（105）——全球股市轮动策略兼论从全球视角看A股投资价值

112、“海量“专题（112）——MOM投资框架

117、“海量“专题（117）——美国MOM数据分析

119、“海量“专题（119）——负债驱动投资（LDI）简介

124、“海量“专题（124）——主权财富基金资产配置的共性与差异

【因子投资与Smart Beta】

9、“海量”专题（9）——高相关资产配置中的因子降维与组合优化

10、“海量”专题（10）——高相关资产配置中的因子预算

14、“海量”专题（14）——大类资产中的风格因子与Smart Beta

41、“海量”专题（41）——风险加权指数

118、“海量”专题（118）——“单因子多组合”还是“多因子单组合”

122、“海量”专题（122）——反向剔除的因子组合

【行业轮动】

16、“海量”专题（16）——动量策略及收益率高阶矩在行业轮动下的应用

49、“海量”专题（49）——行业一致预期数据的应用分析

52、“海量”专题（52）——“基本面+价格”选出好行业

65、海量“专题（65）——龙头股效应在行业轮动上的应用

68、“海量“专题（68）——行业间动量和趋势因子的应用分析

70、“海量”专题（70）——预期情绪数据在行业轮动中的应用

72、“海量”专题（72）——宏观经济数据应用于行业轮动的探索

73、“海量”专题（73）——周期、非周期板块内的行业轮动

102、“海量“专题（102）——基于行业Alpha收益的行业轮动模型

103、“海量“专题（103）——行业微观因子的轮动效果

126、“海量”专题（126）——基于BL模型的行业配置策略

【因子择时与风格轮动】

4、“海量”专题（4）——多因子择时初探

19、“海量"专题（19）——基于条件期望的因子择时框架

47、“海量”专题（47）——探寻风格轮动的先行指标

57、“海量“专题（57）——大小盘轮动研究（创业板50 vs 上证50）

75、“海量“专题（75）——指数轮动：沪深300 VS 中证500

90、“海量“专题（90）——宏观数据在板块轮动中的应用

95、“海量“专题（95）——因子失效预警：因子拥挤

108、“海量”专题（108）——因子拥挤度的改进

109、“海量”专题（109）——因子拥挤度的扩展

【量化多因子选股】

1、“海量”专题（1）——市值因子的非线性特征

2、“海量”专题（2）——选股因子的正交

3、“海量”专题（3）——从最大化复合因子单期IC角度看因子权重

11、“海量”专题（11）——业绩反转之绝对收益

13、“海量”专题（13）——因子视角下的事件驱动策略

15、“海量”专题（15）——因子视角下的事件驱动策略收益

17、“海量”专题（17）——高频因子之收益分布特征

21、“海量"专题（21）——分析师主要要素变动共振事件

22、“海量"专题（22）——价值投资系列之便宜是否值得买

24、“海量"专题（24）——分析师一致预期相关因子

26、“海量"专题（26）——关注盈利是短期风格还是长期趋势

29、“海量"专题（29）——历史财务信息对股票收益的预测能力

30、“海量"专题（30）——历史盈利在预测股票收益时的作用

34、“海量"专题（34）——高频因子之已实现波动率分解

35、“海量"专题（35）——因子加权、正交和择时的若干性质

37、“海量"专题（37）——分位数回归在多因子选股中的应用

38、“海量"专题（38）——因子降维1：底层因子降维方法对比

39、“海量"专题（39）——分析师荐股是否存在超额收益

40、“海量"专题（40）——一致预期数据的质量分析

43、“海量”专题（43）——学术研究中的财务异象之盈利能力

44、“海量”专题（44）——学术研究中的财务异象之盈利质量

51、“海量”专题（51）——A股因子的适用环境分析

55、“海量“专题（55）——学术研究中的财务异象之应计量的分解

58、“海量”专题（58）——业绩超预期股票收益特征分析

60、海量“专题（60）——哪种分析师推荐报告最值得关注？

63、海量“专题（63）——A股市场存在龙头股效应吗？

64、海量“专题（64）——龙头股效应在一致预期数据上的应用

71、“海量”专题（71）——被机构调研的上市公司有超额收益吗？

76、“海量“专题（76）——宏观经济数据可以用来选股吗

77、“海量”专题（77）——宏观经济的不确定性在A股市场被定价了吗？

79、“海量”专题（79）——解禁、融资融券、陆股通和质押的超额收益机会分析

80、“海量”专题（80）——分析师覆盖度与股票预期收益

82、“海量”专题（82）——原油价格对行业和股票影响的量化分析

84、“海量”专题（84）——哪些宏观经济指标可以选股？

85、“海量”专题（85）——A股是否存在异质动量现象？

89、“海量“专题（89）——哪些事件驱动策略可以因子化？

91、“海量“专题（91）——如何计算盈利指标的趋势？

91、“海量“专题（92）——因子敞口上限对优化组合的影响

93、“海量“专题（93）——放松组合构建中的行业中性约束

94、“海量“专题（94）——高频量价因子在股票与期货中的表现

96、“海量“专题（96）——医药行业因子选股研究

97、“海量“专题（97）——预期因子的底层数据处理

100、“海量“专题（100）——行业、概念板块的动量溢出效应

111、“海量“专题（111）——质量因子

113、“海量“专题（113）——近期指数增强策略回撤原因分析

115、“海量”专题（115）——预期调整类因子的收益特征

121、“海量”专题（121）——日内分时成交中的玄机

123、“海量”专题（123）——捕捉投资者的交易意愿

125、“海量”专题（125）——探索A股的五因子模型

127、“海量”专题（127）——当下跌遇到托底

【衍生品和CTA策略】

5、“海量”专题（5）——CTA策略介绍及配置价值（上）

6、“海量”专题（6）——CTA策略介绍及配置价值（下）

8、“海量”专题（8）——豆粕/白糖商品期权指南

12、“海量”专题（12）——基于动量和期限结构的商品期货策略

18、“海量"专题（18）——多品种期货策略中的权重分配

31、“海量"专题（31）——商品期货因子挖掘与组合构建再探究（上）

32、“海量"专题（32）——商品期货因子挖掘与组合构建再探究（下）

42、“海量”专题（42）——CTA多品种趋势策略中的仓位管理方法

53、“海量专题”（53）——基于海内外期货持仓报告的CTA策略

61、海量“专题（61）——原油期货指南

83、“海量”专题（83）——2年期国债期货指南

87、“海量”专题（87）——揭开“逆周期因子”的神秘面纱

110、“海量”专题（110）——2018 年期货市场及CTA策略回顾

【FOF与基金研究】

25、“海量"专题（25）——债券基金的风格归因与因子剥离初探

28、“海量"专题（28）——债券基金风格归因模型2.0之七因子剥离体系

45、“海量”专题（45）——因子剥离体系下的债券基金久期估测构想

69、“海量”专题（69）——A股市场的基金经理是否具备择时能力？

78、“海量”专题（78）——基金业绩持续性的影响因素分析

81、“海量”专题（81）——FoF投资中，如何对主动权益基金进行因子剥离

98、“海量“专题（98）——基金风格稳定性评估及功能性权益基金挖掘

106、“海量“专题（106）——利用因子暴露监控公募基金仓位和投资风格的变化

114、“海量“专题（114）——国内公募权益类基金有Alpha吗？

　　[创新产品研究]

50、“海量”专题（50）——新理念、新趋势：ESG投资概述

62、海量“专题（62）——目标日期基金的下滑轨道设计

120、“海量”专题（120）——ESG评级在因子组合构建中的应用

　　[量化市场观察]

54、“海量“专题（54）——亏损这么多，我该拿你怎么办？

74、“海量“专题（74）——战略配售基金投资标的基本面及收益率分析

86、“海量”专题（86）——股市极值及收益率预测模型的周度择时研究

88、“海量”专题（88）——中国企业的税收负担及其对上市公司投资价值的影响

99、“海量“专题（99）——行业收益结构变化带来的机遇

107、“海量”专题（107）——中美股票市场指数的季节效应

免责声明：自媒体综合提供的内容均源自自媒体，版权归原作者所有，转载请联系原作者并获许可。文章观点仅代表作者本人，不代表新浪立场。若内容涉及投资建议，仅供参考勿作为投资依据。投资有风险，入市需谨慎。