本报告构建并验证了基于估值、财务成长、财务质量、价量和分析师预期五大类因子的多因子选股模型。通过对A股及沪深300、中证500等九个细分股票池的因子效用进行统计分析与评分赋权,筛选出显著影响未来股价的关键因子,并据此进行综合打分,形成月度选股组合。模型回测2005年4月至2012年9月显示模拟组合在各股票池均跑赢基准等权指数,且具备较强的抗系统性风险能力,负收益概率低,实际应用价值显著。
| 因子类别 | 因子名称示例 | 计算方法示例 |
|---|---|---|
| 估值类 | PETTM市盈率 | 市值 ÷ 最近4季度归母净利润 |
| 财务成长类 | RGS单季营收增长率 | 当季营收同比增长率 |
| 财务质量类 | ROE | 最近4季度净利润 ÷ 平均归母净资产 |
| 价量类 | PM1 1个月收益率 | 现价 ÷ 1个月前价格 - 1 |
| 分析师预期类 | INSNUM机构覆盖数 | 季度内机构卖方覆盖该股票数 |
| 股票池 | 跑赢基准等权指数胜率 | 月收益率差平均值 | 绝对月收益率平均值 | 负收益概率 |
|---|---|---|---|---|
| 所有A股 | 100% | 23.73% | 26.32% | 3/90 |
| 所有周期性A股 | 100% | 24.64% | 27.34% | 3/90 |
| 所有非周期性A股 | 100% | 22.61% | 25.10% | 3/90 |
| 沪深300 | 100% | 20.27% | 22.22% | 3/90 |
| 沪深300非周期 | 100% | 19.03% | 20.75% | 3/90 |
| 沪深300周期 | 100% | 20.17% | 22.28% | 5/90 |
| 中证500 | 100% | 21.53% | 23.93% | 6/90 |
| 中证500非周期 | 100% | 20.16% | 22.47% | 6/90 |
| 中证500周期 | 100% | 23.00% | 25.55% | 6/90 |
报告标题: 多因子选股模型系列一:因子筛选与综合打分
作者与机构: 金融工程 袁冠群、陈健宓,上海证券研究所
报告发布日期: 2012年10月31日
研究主题: 量化选股模型构建与因子筛选,覆盖A股市场的多因子量化选股策略。
本报告围绕“多因子选股模型”的构建与实证分析展开,重点在于从大量金融因子(估值类、成长类、质量类、价量类和分析师预期类)中筛选出对未来股价具有预测能力的有效因子,并基于这些因子建立综合评分体系,构建量化选股组合。模型利用过去数据回测,证明其能持续跑赢市场基准(沪深300等权指数),且风险控制能力较强,实用价值显著。
报告明确采用了2005年4月至2011年10月作为建模训练区间,2011年11月至2012年9月为验证区间。覆盖股票池包括全部A股,重点研究沪深300和中证500两大股票池,同时兼顾周期性与非周期性行业特点,从而细分为9个细化股票池。
整体来看,报告意在向投资者和量化策略开发者展示其因子筛选方法的科学性和模型有效性,推荐此多因子综合打分模型作为实际投资工具。
报告首先从五大类指标体系出发:
因子计算方法细致且系统,明确考虑了数据的滞后性和异常值处理(如剔除估值类因子中的负值),保证了因子数据的规范与科学性,1,2]。
模型分别对所有A股、沪深300成份股与中证500中小盘股进行了独立研究,且考虑周期性行业与非周期性行业的差异,深度细化至三级行业,总共形成9个不同的股票池。此设计意在适应各类行业特性与样本覆盖的均衡,力求模型适用性广泛,3,4]。
样本时间区间的选取,基于对数据代表性的考察,2011年11月起对模型再验证,体现模型更新迭代机制,4]。
针对每个因子,报告采取分组回测法,将样本按因子值从高到低划分5组,计算次月平均收益率,再进行收益率差和相关性统计分析,从收益率排序和因子排序间的相关系数与P值检验因子的统计显著性与稳定性。
定义了严格的有效性等级体系,通过平均收益差幅度及相关系数阈值指标对因子进行了评级,以保证仅纳入对未来收益贡献显著的因子。此方法严谨,统计基础扎实,具备较强的量化标准化特色,5,6]。
表5-7详细汇总了所有A股、沪深300、中证500三个股票池内各因子的有效性评价。整体而言:
基于因子的有效性结果,报告按四个等级分配不同权重,1级因子权重为4倍,依次递减到1倍,并对分析师预期因子单独赋予7%权重以修正数据不完全性导致的低效,这种灵活加权体现了数据驱动与经验修正相结合的策略。
具体权重分布显示,财务成长类在所有股票池中占比最高,价量类其次,估值类居后,一致预期类权重最少,体现了模型侧重于基本面成长的理念。
因子打分规则中,正向有效因子按因子值由高到低打5分递减,负向因子则反之;对PETTM等表现存在非单调收益分布因子,采用分组调整打分,彰显量化严谨和灵活,10]。
报告通过大量历史回测检验了多因子模型的有效性。从表11和图2-图10可见:
以表11为例展示了从2005年4月至2012年9月,各股票池的基准超额月收益的统计数据和胜率,突出模型的强稳健性:
图2-图10以月度时间序列形式比较模拟组合的绝对收益率(红线)和月收益率差(蓝柱)与基准指数权重(绿线),视觉上强化了数据中的超额收益和抗风险能力,说明模型能够较好地捕捉市场波动且平滑个股风险。
报告并不涉及具体股票的估值预测,但核心在于多因子打分,以及基于因子有效性赋权的综合得分构建选股组合。因子中引入了常见估值指标(PE、PB、EV/EBITDA等),通过因子有效性及多维度统计过滤,模型自行决定估值因子在最终评分中的权重,与传统估值模型结合,体现更具预测力的综合评分。
报告中未详细展开系统性风险等,但通过下列点间接体现:
整体而言,报告显示模型风险控制体现在因子多样化和收益稳定性,但具体系统性风险缓解措施未详述,11]。
本报告系统构建了一套基于五大类金融因子的多因子选股模型,涵盖估值、成长、质量、价量及预期等方面。通过科学的因子筛选、显著性检验和赋权,构建综合评分体系,实证测算显示该多因子模型在2005-2012年间对所有A股及细分市场均表现出极佳的超额收益能力,且胜率达到100%,说明模型具有较强的稳定性和抗系统性风险能力。
因子有效性汇总揭示财务成长类因子贡献最大,符合基本面驱动的投资逻辑,价量类指标也发挥辅助作用,估值因子有选择性应用,一致预期因子由于数据覆盖与客观性问题权重较低。模型分股票池、行业周期性做了细化处理,适应市场异质性。
图表数据从各股票池模拟组合收益、月度超额收益率、负收益概率等多维度佐证了模型的实用价值。模型换仓计入0.5%交易成本依然保持显著超额收益,体现高效的收益风险平衡。
报告还明确了投资评级体系与免责条款,表明专业独立研究的态度和研究结果的适用范围。
总体看,此份研究报告为量化选股研究提供了严谨的统计学方法和实证支持,对有志于构建基于多因子的投资组合的机构和个体投资者具有重要参考价值。
图表示例:
以上内容均基于以下报告页码信息摘录归纳:,1,2,3,4,5,6,7,8,9,10,11,12,13,14]
上海证券_多因子选股模型系列一:因子筛选与综合打分_C3CE60A2-E330-4DFA-BB81-FD35F1875BAC.pdf