金融研究报告详尽分析报告
1. 元数据与概览
- 报告标题:《再论估值因子:因子重构 or 收益预判?——多因子系列报告之二十九》
- 作者及联系方式:周萧潇、刘均伟,均具备证券投资咨询执业资格,工作于光大证券研究所。
- 发布日期:2020年初(截止数据为2020年2月1日左右)
- 发布机构:光大证券股份有限公司研究所
- 主题对象:主要聚焦于股票市场中的估值因子分析,特别关注估值因子在量化模型中的表现,及其2019年失效的情况,探索因子构造改良及收益预判方法。
报告核心论点与目标
报告主要探讨了估值因子在2019年出现显著回撤导致经典量化多因子模型表现受挫的现象。针对估值因子的失效问题,报告提出两种应对路径:
-
估值因子重构:通过基于基本面的绝对和相对估值视角,对估值因子做改造,尝试提高其预测能力和稳定性;
-
收益预判模型:基于查找与估值因子收益相关的外部经济指标(包括货币政策、利率、资金流向、市场情绪等),构建估值因子收益的中期预判体系;
最终在2020年初,报告对估值因子的中期表现持较为乐观的态度,同时提醒预测模型存在失效风险。
2. 逐节深度解读
2.1 近期估值因子收益出现较大回撤
-
关键论点:
- 估值因子(尤其是BP因子)长期预测能力稳定,自2018年下半年起表现起伏,2019年全年的12个月仅有4个月IC为正,[“IC”即信息系数,衡量因子预测能力的统计指标];
- 相关表现回撤反映在沪深300价值指数显著跑输沪深300整体指数,显示基于估值指标的选股策略失效。
-
数据与图表解析:
- 图1(BP因子IC表现) 显示2019年IC频繁下滑且负值较多,累计IC也出现较大回撤;
- 图2(沪深300价值指数与沪深300指数走势对比),价值指数明显低于沪深300指数,佐证估值选股失效。
-
分析总结:
- 估值因子作为经典因子,在2019年遭遇严峻挑战,带动多因子模型效能下降;
2.2 基于基本面估值的量化估值因子改造
此部分报告深入探讨了估值因子的构造及改良方法。
2.2.1 量化估值因子介绍
- 估值因子明细(表1) 展示了包括BP(净资产/市值)、DP(股息率)、EP(盈利率)等多种估值指标;
- 重点因子BP因子为Fama-French三因子之一,IC和收益长期表现优于其他估值因子(表2);
- 估值因子在不同行业和市值间存在差异,测试时采用行业市值中性处理(回归中加入29个中信一级行业哑变量和市值变量);
2.2.2 行业表现差异
- 表3(估值因子分行业表现) 显示BP因子在大多数行业均具备正向IC_IR,尤其是在轻工制造、建筑、钢铁等行业表现较好;
- 分行业的均衡有效性保证了BP因子作为代表因子的合理性。
2.2.3 基本面绝对估值与相对估值
- 绝对估值主要基于股利贴现模型(DDM)、自由现金流贴现模型(DCF),其价格由未来现金流(盈利预期)、无风险利率、风险溢价三个因素决定;
- 相对估值则是较常用的市盈率、市净率等指标的横向比较(同行业内比较估值水平)与纵向比较(历史分位数比较);
- 横向比较与因子测试方法匹配,是多因子回归原理基础,纵向比较在量化中较少采用,故进行衍生因子开发。
2.2.4 估值历史分位数因子(图4)
- 以BP因子为基础计算股票在过去不同窗口长度(日数如60、120、240、360)的分位数位置;
- 结果显示,带有历史分位数特征的估值衍生因子BP_quantile_120的IC_IR最高,近0.6,表现优于其他窗口长度的因子;
- 窗口过长会导致因子效用降低。
2.2.5 估值时序z_score因子(图5)
- 计算时间序列标准差调整值z_score取代历史分位数,相比仅基于排序,z_score结合了分布形态信息;
- BP_Z_120因子(120天窗口)IC_IR达到0.63,表现进一步优于分位数改造,且随窗口增大效能下降。
2.2.6 改造因子与原始因子比较(表6-7,图6-7)
-
BP_Z_120相较原始BP:
- 信息系数平均值提升约1.6个百分点(4.62%提升至6.21%)
- IC_IR提升约0.16至0.63
- 多空年化收益提升1.1个百分点,最大回撤下降6个百分点,波动性下降;
- 多空收益净值曲线显示BP_Z_120在2019年的下跌中更稳定,无大幅回撤;
-
不同分行业表现呈现BP_Z_120在银行和非银行金融领域表现明显下滑;
-
BP_Z_120与1个月动量因子高度负相关,表明该改造因子带有很强的价格动量特征,价格变动主导估值因子变动。
-
总结:改造因子确实提升了整体有效性和稳定性,但强动量相关性和银行行业表现下降使得该改造因子不能完全替代原始BP,仍有局限。
2.3 估值因子的有效性预判
2.3.1 因子择时测试回顾
报告回顾了以前相关研究结论,列出了多类外部变量及其与估值因子收益相关的测试结果,主要指标包括:
- 货币政策指标:3个月国债收益率,M1/M2同比增速及差值;
- 经济环境指标:GDP增长率、CPI、PPI、工业增加值同比等;
- 市场状态指标:信用利差、期限利差、沪深300及中证1000指数收益率与波动率;
- 因子估值差指标(Value_Spread):对估值因子收益具较强正向预测能力;
2.3.2 相关性分析(表9)
- 多数利率指标(TIPS_1Y、Bond_yield_1Y、Bond_yield_10Y)与估值因子收益呈显著负相关,说明利率下降利好估值因子表现;
- M2-M1(广义货币与狭义货币增速差)指标高度相关,反映经济景气度和市场情绪,对估值因子有较好的预测作用;
- 外部变量与较长期因子收益(24-36个月)的相关性较高,但数据重叠带来相关性显著性降低,预测长周期收益难度较大。
2.3.3 基本面视角解析估值因子失效原因(2019年)
- 2019年是估值扩张主导的年份,沪深300和大多行业的股价上涨主要由估值提升驱动;
- 典型表现在优质公司的估值大幅攀升,导致以低估值选股为原则的量化模型忽略或降低优质公司配置权重,从而影响收益表现(表10);
- 金融供给侧改革带来了利率下降及市场风险偏好提升的双重促动,驱动估值快速上升(图8显示ERP逐步恢复);
2.3.4 资金面与外资流入的影响
- A股持有者结构中,外资持股占比约4%,正在快速增长,预计未来将超过公募基金、保险成为重要机构投资者(图9);
- 陆港通资金流入近年来加速,2019年整体流入尤为明显(图10),MSCI纳入比例增加也是推动外资流入重要因素(图11);
- 净流入金额与估值因子收益相关性弱,但资金流入增速与估值因子收益具有明显负相关(图12、13),表明增加的外资流入加剧了估值因子的失效压力;
- 外资持仓股票估值偏高(图14),进一步佐证外资偏好高估值优质股,忽略低估值因子筛选。
2.3.5 市场情绪影响
- 光大市场情绪指数由10个成分指标构成(表11),覆盖投资者人数、换手率、融资余额、ETF流动性、股东减持率、强势股比率等;
- 市场情绪指数与BP多空净值呈一定正相关(图15),尤其情绪指数升高对应未来6个月估值因子的收益提升(图16、17);
- 解释为市场情绪高涨时,市场交易更活跃,投资者对低估值股票表现更加理性,从而提升估值因子后续表现。
2.4 当前估值因子中期判断较为乐观
- 综合货币政策、市场环境、资金流动和市场情绪等指标,报告构建了针对估值因子6个月中期收益的预测打分模型(表12);
- 模型逻辑清晰:通过对5个指标(ERP、北上资金增速、1年期国债收益率、M2-M1差值、中证1000波动率)做时间序列z_score标准化,赋+1/-1分后加权得到总分;
- 模型在回测中胜率达62%,成功预警了2018年10月至2019年底估值因子低迷的阶段(图18);
- 截至2020年1月末,除ERP仍较低外,其他指标均改善,模型总分转正,显示对估值因子中期收益持乐观态度(表13)。
2.5 风险提示
- 报告指出,所有结论均基于历史数据及模型,存在失效风险;
- 估值因子的表现和外部宏观指标相关性不保证持续有效性,投资仍需谨慎。
3. 图表深度解读
3.1 图1:BP因子自2003年起的IC月度变化与累计IC走势
- 紫色条形代表每月信息系数(IC)值,橙色曲线为累计IC。
- 2003-2018年中IC多为正值,且累计IC逐年上升,表示BP因子长期稳定且有效。
- 2019年IC频繁为负,累计IC曲线出现显著回撤,反映估值因子表现严重受挫。
3.2 图2:沪深300价值指数与沪深300整体指数走势对比
- 橙色:沪深300指数,紫色:沪深300价值指数,灰色:价值指数/沪深300的比值
- 2019年价值指数明显跑输沪深300,总体表现不佳。
- 证明采用估值指标选股的价值指数在2019年失灵,估值因子面临验证危机。
3.3 图4:历史分位数BP衍生因子IC、IC_IR表现
- 横轴为不同时间窗口(60、120、240、360天),纵轴为因子IC均值(紫色柱状)、IC标准差(橙色柱状)及IC_IR(红线,右轴)
- BP_quantile_120显示最高IC_IR约0.59,整体因子有效性随回溯窗口增长但有下降趋势。
- 表明基于历史分位数120天窗口构建的估值因子效果最佳。
3.4 图5:BP的时序z_score衍生因子IC、IC_IR表现
- 结构与图4类似。
- BP_Z_120因子IC_IR最高约0.63,优于分位数方法。
- 该因子结合了数据分布形态,在衡量相对估值时更为精准。
3.5 图6:BP_Z_120与原始BP因子多空收益净值比较
- 紫色为BP_Z_120因子多空收益净值,橙色为原始BP因子。
- BP_Z_120因子累计收益总量相近但波动更小,尤其2019年未出现大幅回撤。
- 实证支持新的时序z_score改造因子提升了稳定性和抗风险能力。
3.6 图7:BP_Z_120与其他大类因子相关性
- 横轴为主要风格因子(BP、1个月动量、波动率等),纵轴为相关系数
- BP_Z_120与1个月动量因子强负相关约-0.8左右,提示其高度依赖价格近期趋势变化。
- 其余风格因子相关性较弱或中性,表明改造因子融合了动量信息。
3.7 图8:沪深300股权风险溢价(ERP)曲线
- 紫色折线为ERP(沪深300平均收益率减去10年国债收益率),浅紫色为沪深300指数。
- 2019年ERP逐步回升至2%左右,反映市场风险偏好逐渐恢复中。
- 估值扩张受到风险偏好和利率的共同推动。
3.8 图9-14:资金流入及持仓估值情况
- 图9饼图显示外资持股比例4%,且已形成重要力量;
- 图10资金净买入趋势稳健上行,累计超过1兆;
- 图11时间线展示了MSCI纳入比例提升各个节点;
- 图12与图13显示净流入金额与风格因子表现相关性偏弱,但流入增速与估值因子负相关明显;
- 图14显示北上资金持仓股票PB均值高于整体市场和沪深300,明显偏高估值区间;
- 说明外资流入加剧市场对高估值优质股的偏好,对估值因子表现形成负压。
3.9 图15-17:市场情绪与估值因子表现关系
- 图15、16为情绪指数与BP因子多空净值及6个月滚动收益对比线图
- 图17统计相关性小幅正向,表明高情绪环境利好估值因子表现;
- 交易活跃与更理性投资可能是其背后原因。
3.10 图18:估值因子收益预测方向与实际表现对比
- 条形图展示模型打分对应的多空状态和实际6个月滚动BP因子收益;
- 模型胜率62%,在2018-2019年间较好捕捉了因子回撤;
- 2020年1月评分转正,反映出因子可能进入估值反转或回暖阶段。
4. 估值分析
- 估值因子构造:主要基于市净率倒数(BP因子),采取行业及市值中性回归方法消除行业和规模带来的干扰;
- 衍生估值因子:引入“历史分位数”和“时序z_score”方法,带来因子效果提升;
- 估值模型的核心假设:通过绝对估值理论断定估值受益率由利率、风险偏好、盈利预期三大因子驱动;
- 估值因子收益预判模型:根据与因子收益显著相关的宏观经济和市场指标(如M2-M1差、国债收益率、资金流入增速等),构建逻辑透明的打分模型以预测未来6个月因子表现;
- 模型性质:基于统计相关性和经济逻辑,数据采用240天滚动样本标准化得分,模型结果用于择时和仓位调整,而非绝对定价。
5. 风险因素评估
- 模型失效风险:因采用历史数据及统计模型构建,未来数据和市场结构变化可能导致预测失准;
- 估值因子自身风险:
- 改造因子过强的动量特征可能引入趋势性风险,使其在市场快速反转时受到影响;
- 外资流入引发的高估值优质股集中,扭曲估值因子选股逻辑,削弱了传统价值投资优势;
- 外部宏观风险:
- 宏观经济快速转向、货币政策大幅调整会对模型输入变量产生重大影响,带来估值因子表现和预测结果的波动;
- 市场情绪与资金面变化风险:
- 情绪指标虽正向影响因子收益,但该指标可能受突发政策、市场事件影响剧烈,带来预测风险;
报告未明确提供对应的风险缓释策略,仅提醒投资者关注模型有效性变化。
6. 审慎视角与细微差别
- 报告的客观性与局限性:
- 报告系统性地分析了估值因子失效的原因,同时提供了定量改造策略和外部预判模型,框架清晰,数据详实;
- 对改造估值因子BP_Z_120因子的分析较全面,指出其与动量因子高相关性的同时,也提出其不足以完全替代原始因子的观点,显示了分析的谨慎;
- 潜在偏差:
- 预测模型依赖于历史统计相关性,面对市场结构巨变或极端行情可能失效;
- 报告对于外资资金偏好及持有估值的偏高进行了描述,但未深入讨论这是否导致价格泡沫和估值调整风险,及其对量化因子的长远影响;
- 矛盾与细节:
- 估值差(Value_Spread)作为估值因子的择时指标具有较强预测能力,但其理论基础存在“因子本身失效则择时逻辑亦失效”的悖论,说明择时模型面临逻辑自洽性挑战;
- 估值因子改造提高了预测能力,但带来了动量特征增加,这或许与“因子重构”与“收益预判”两条路线的融合体现,未来模型如何权衡两者关系尚需关注。
7. 结论性综合
本报告在详尽回顾估值因子失败的历史表现基础上,结合基本面绝对估值理论和相对估值实践,从两个维度提出解决方案:
-
估值因子重构方面,通过历史分位数和时序z_score方法对原始BP因子进行衍生改造,显著提升了该类因子在信息系数、年化收益及回撤控制方面的表现。其中,BP_Z_120因子表现最佳,IC_IR达0.63,且2019年表现稳定,无显著回撤(图4、5、6)。然而,BP_Z_120与动量因子呈高相关,尤其在银行和非银行金融行业表现不佳,表明其改造带来新的风险因素,难以完全替代传统估值因子。
-
估值因子收益预判方面,报告系统整合了货币政策、经济环境、市场状态、资金流动和市场情绪等外部变量,通过统计关联性及经济逻辑构建了针对6个月因子收益的多指标打分模型(表12、图18),胜率达62%以上,对2019年估值因子表现大幅下行的趋势给予良好预警。该模型基于包括股权风险溢价、北上资金流入增速、1年期国债收益率、M2-M1差等核心指标,体现了因子收益和宏观金融环境的内在联系。
-
估值因子2019年失效主要因估值幅度持续扩张,优质股票估值偏高,传统低估值选股模型无法准确捕捉相关盈利机会,加之外资流入推动高估值资产偏好(图9至14),以及市场情绪高企,投资者对低估值股票的关注度降低。这些因素共同促成估值因子收益的集中回撤。
-
当前(2020年2月1日)经济金融指标综合显示估值因子收益预判为积极态势,除股权风险溢价略低外,其他关键指标已转为支持估值因子回暖(表13)。
-
报告同时提醒,模型及数据结构的稳定性存在不确定性,因子和预测模型均可能失效,投资者应谨慎参考,适度配置。
综上,报告彰显了“因子重构”与“收益预判”两条路径在应对量化估值因子失效问题上的战略意义。改造因子提升了因子预测力及稳定性;预判模型结合宏观变量、资金和情绪指标有效预测了因子收益波动,具有较强实际指导价值。作者最终对估值因子的中期表现保持谨慎乐观,建议投资者动态调整因子权重,并关注宏观金融环境变化。
参考文献及附录
- 报告末尾提供了详细的风格因子构造方法表(包括规模、贝塔、动量、波动、价值等),行业及公司评级体系,以及专业的声明和风险提示,确保报告合规、科学与透明。
整体而言,该报告详细深入地解析了估值因子的表现困境及改良路径,结合量化因子测试与宏观金融变量预测,为投资者提供了科学的参考框架,对理解和应用估值因子具有重要借鉴价值。