本文基于多元回归法和预测组合法,构建了基本面动量因子(FIR)并在A股进行了实证检验,结果显示自2016年下半年起基本面动量策略表现稳定,取得显著超额收益。多元回归法表现优于预测组合法,EPS因子表现最佳,FIR因子整体优于原始基本面因子,展示了基本面因子动量在量化选股中的应用价值
| 因子 | 滞后期L | 因子多空净值 | IC平均值 |
|---|---|---|---|
| ROE | 0 | 1.224 | 0.050 |
| ROE | 1 | 1.233 | 0.042 |
| ROE | 4 | 1.212 | 0.035 |
| ROE | 8 | 1.192 | 0.033 |
| ROA | 0 | 1.336 | 0.045 |
| ROA | 1 | 1.274 | 0.038 |
| ROA | 4 | 1.191 | 0.032 |
| ROA | 8 | 1.159 | 0.032 |
| EPS | 0 | 1.570 | 0.061 |
| EPS | 1 | 1.494 | 0.053 |
| EPS | 4 | 1.357 | 0.043 |
| EPS | 8 | 1.282 | 0.039 |
| APE | 0 | 0.685 | 0.041 |
| APE | 1 | 0.729 | 0.037 |
| APE | 4 | 0.837 | 0.034 |
| APE | 8 | 0.985 | 0.034 |
| CPA | 0 | 1.330 | 0.042 |
| CPA | 1 | 1.324 | 0.043 |
| CPA | 4 | 1.294 | 0.041 |
| CPA | 8 | 1.282 | 0.040 |
| GPA | 0 | 1.247 | 0.029 |
| GPA | 1 | 1.223 | 0.027 |
| GPA | 4 | 1.199 | 0.024 |
| GPA | 8 | 1.184 | 0.024 |
| FIR | NA | 1.387 | 0.044 |
报告标题
基本面动量策略在 A 股实证
作者与联系
陶勤英,SAC证书编号 S0160517100002,财通证券研究所分析师
联系邮箱:taoqy@ctsec.com,电话:021-68592393
发布时间
2021年4月20日
报告主题
本文围绕A股市场,系统探讨并实证验证了基本面动量策略的有效性。主要内容是借鉴 Huang et al.(2019)在构建基本面动量策略上的方法设计,并结合多元回归法和预测组合法两种技术路线构造因子,针对6类主要基本面因子(ROE、ROA、EPS、APE、CPA、GPA)构建所谓的基本面隐含收益率因子(FIR),并对其进行绩效与稳定性检验。
核心论点与研究结论
整体而言,报告重点阐释了基于多期基本面因子趋势数据构建的动态因子FIR拥有较好解释未来收益的能力,适用于A股市场实证与实际量化投资策略开发。,2,3,4,7,8]
报告首先介绍了基本面因子在传统多因子模型中的重要性及其不足,即以往的模型仅使用“当期静态值”(latest available value),忽视了因子动态演进的动量特性。Huang et al.(2019)提出了基本面动量的构造方法,强调利用因子的动态趋势预测未来收益。
报告借鉴其方法,重点探讨了如何在A股构建基本面动量因子,通过考察从2016年下半年开始的实证表现验证该因子的有效性。,2]
提出股票未来收益的分解:
[ E_{t}[R_{i,t+1}] = f_{i,t} + \beta E_{t}[F_{i,t+1}] ]
其中, (f_{i,t}) 是当前基本面因子对应收益率, (E_{t}[F_{i,t+1}]) 是未来基本面因子的预期,(\beta)敏感系数。
未来基本面因子不可见,采用历史L期因子均值(MA)预测未来值:
[ E_{t}[F_{i,t+1}] = MA_{i,t,L} = \frac{1}{L} \sum_{j=0}^{L-1} F_{i,t-j} ]
这里L分别取0(当期)、1(过去一个季度)、4(过去一年)、8(过去两年),涉及6类因子,即共24个基本面时间维度组合。
该方法体现了基本面因子的动态追踪与趋势推断,是构建基于历史滞后信息对未来收益预测的此次策略的基础。
[ R_{i,t} = \alpha_t + \sum_{k=1}^K \sum_{L=0,1,4,8} \beta_{L,t}^k MA_{i,t-1,L}^k + \varepsilon_{i,t} ]
[ FIR_{i,t} = \sum_{k=1}^K \sum_{L=0,1,4,8} E[\beta_{L,t+1}^k] MA_{i,t,L}^k ]
其中假设回归系数稳定,取上一期系数作为下一期系数预测。省略 (\alpha_t)项因其与股票无关。
检验方法
通过因子信息系数(IC)和分组收益率测试因子有效性,数据覆盖2012年初至2021年3月底。
关键数据与解读
图1和图2展示了IC波动和分组收益的走势:IC分布近似正态,分组收益显著呈现多头明显优于空头的格局。
表1对比了24个原始基本面因子(6因子×4滞后期)及构造的FIR因子在2016年下半年后期的表现:
这一部分验证了FIR作为动态综合因子的优越性,比单一基本面因子的表现更为稳健,支持基本面动量策略的实用价值。,5]
[ R_{i,t}^m = \alpha_t^m + \beta_t^m MA_{i,t-1}^m + \varepsilon_{i,t}^m ]
预测下一期FIR为:
[ FIR_{i,t}^m = E[\alpha_{t+1}^m] + E[\beta_{t+1}^m] MA_{i,t}^m ]
再将所有因子的FIR取算术平均得最终FIR值:
[ FIR_{i,t} = \frac{1}{M} \sum_{m=1}^M FIR_{i,t}^m ]
优劣对比
该方法本质是等权组合,能有效缓解共线性,但由于弱因子的存在,通常会降低组合整体表现。
实证结果
此方法虽操作简便且稳健处理因子相关性,但收益率和IC表现略低于多元回归法。,6,7]
总体看,FIR因子作为动态基本面因子在A股表现出良好的超额收益能力,具有实际指导意义。,8]
内容描述
解读
文本关系
本图支持了“FIR因子性能有限,但自2016年后显著改善且稳定”的结论。
内容描述
解读
支持文本
图中刻画的多空收益净值1.39及各级别收益差异,验证了FIR因子稳定带来超额收益的有效性。,4]
解读
表1数据结合该结果,说明FIR因子在动态加权整合后,综合指标优于多数单个基础因子。
差异点
预测组合法的IC平均值0.019略高于多元回归法(0.018),但IC标准差为0.114明显更高,因子稳定性较差。
分组收益率和多空收益的波动较大且略逊于多元回归法。
意义
尽管能缓解共线性带来的歧义,但等权平均削弱了策略整体收益表现,弱化了高表现因子的影响。
报告核心为策略构建和因子实证,未涉及传统意义上的公司估值分析或目标价格。因此缺少DCF、P/E等常见估值模型应用分析。
报告提及以下主要风险:
报告未进一步细分风险缓释措施,主要通过多种方法(多元回归与预测组合)探寻稳健因子构造,但风险仍需警惕。,8]
总体上,研究方法严谨,数据支撑充分,但对模型假设的解释不够全面,且现实应用的一些实务风险未覆盖,这些点值得后续研判。,4,7,8]
本报告系统构建并实证检验了基于基本面因子的动量策略在中国A股市场的表现,采用多元回归法和预测组合法两种技术路径构造了基本面隐含收益率(FIR)因子。通过详实的统计检验和分组收益分析,确认FIR因子在2016年下半年起表现持续改善,IC值和多空组合收益均显著升高,体现出稳定的超额收益能力。
具体而言:
图表数据充分展示了因子IC的时序波动、收益梯度及分组效果,从视觉和统计学层面都支持了基本面动量策略的趣味性和实用价值。
该报告整体立场谨慎而积极,体现了对基本面因子动量机制的认可及对历史数据依赖的警惕,兼顾了理论创新与实证检验的平衡,是A股量化投资领域中具参考价值的研究大作。,4,6,7]
本报告成功验证了基本面动量策略在中国A股市场的长期有效性,尤其是结合多期基本面因子趋势信息构建的FIR因子于2016年后显示出良好超额收益,为国内寻求稳健因子投资策略的机构投资者提供了新的有力工具和研究思路。未来研究可以进一步纳入市场微观结构、交易成本、宏观经济及预期修正因素,并强化策略实盘测试以验证实际应用可行性。
金融工程:基本面动量策略在A股实证.pdf