6月因子观点因子周期的新思考.docx

《6月因子观点因子周期的新思考.docx》由会员分享，可在线阅读，更多相关《6月因子观点因子周期的新思考.docx（25页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、6月因子观点：看好估值、波动率、换手率因子综合内生变量、外生变量、因子周期三重逻辑，6月看好估值、波动率、换手率因子。内生 变量视角短期看好估值、波动率、换手率因子，不看好Beta、技术因子。外生变量视角短 期看好估值、反转、波动率、换手率因子，不看好小市值因子。因子周期视角中长期看好 小市值、反转、技术、波动率、换手率因子。本月推荐荷宝量化投资部首席研究员David Blitz 于2022年1月在JPM因子投资特刊发表的The Quant Cycle论文,该研究提出因子周期 三阶段理论，为理解因子周期提供了新思路。图表1：内生变量和外生变量对风格因子6月表现的预测O%5%估值财务质量小市值反

2、转波动率换手率Beta技术资料来源：Wind,预测内生变量视角基于因子动量、因子离散度、因子拥挤度三类指标，预测风格因子未来表现， 因子动量反映因子过去一段时间内表现；因子离散度相当于因子估值；因子拥挤度反映因子 是否处于拥挤状态。内生变量对大类风格因子6月表现预测结果如下：看好估值、波动率、 换手率因子，不看好Beta、技术因子。其中，估值、波动率因子在动量指标上占优；换手率 因子在离散度指标上占优，处于过度忽视状态；盈利、财务质量因子在拥挤度指标上占优。外生变量视角假设风格因子表现受市场变量、宏观变量等外生变量驱动，对每个大类风格 因子筛选出具备预测能力的外生变量，使用线性回归预测未来一个

3、月的Rank IC值。外生 变量对大类风格因子6月Rank IC预测结果如下：估值、反转、波动率、换手率因子Rank IC 预测值超过5%,可能较为有效，建议短期看多上述因子表现；不看好小市值因子未来 一个月表现，可能受宏观环境制约。因子周期视角将华泰金工经济周期研究成果应用于风格配置，自上而下构建经济系统周期 运行状态与因子表现对应关系的“因子投资时钟”，根据当前周期状态预测因子未来表现的 整体趋势。库兹涅茨周期仍处于上行区间但接近顶部，预计经济短期维持趋势向上的环境， 但即将迎来拐点；朱格拉周期向下，流动性趋于宽松。建议配置小市值、反转、技术因子。 另外，波动率、换手率因子在不同的宏观环境

4、下表现都较好，这两个因子建议长期配置。图表17:大类风格因子拥挤度历史序列估值成长盈利财务质量小市值2.0 r反转波动率换手率Beta技术二?5&7。 ，中5二。 -LEOoae 二 E965OU 二Tocooe 二甲s:se 二甲5,953 -LEOloL。、 -LCO二045Z ,LEOcoLoe -L8二。&5e 二?5二5e EH -LEOS。、 二5,8。、 二甲Lqzooou资料来源：Wind,图表18:大类风格因子5月底截面拥挤度和2007年以来历史分位数板面拥挤度时序拥挤度分位数（右轴）98.9%1.41.3100%1.21.00.80.60.40.21.01.01.01.11

5、.2-9.5%80%0.856.8%0.955.7% 46.5%20.0%20.5%i9-7% 0.60.638.9%60%33.5%40%20%O%估值盈利财务质量小市值反转波动率换手率Beta技术资料来源：Wind,外生变量视角外生变量视角假设风格因子表现受市场变量、宏观变量等外生变量驱动，对每个大类风格 因子筛选出具备预测能力的外生变量，使用线性回归预测未来一个月的Rank IC值。以下 分别展示最新一期预测方法及预测结果。外生变量选取选取6项市场指标和13项宏观指标作为外生变量。选择沪深300和中证500月涨跌幅、 月波动率及月均换手率，用于表征市场行情的变化。从国民经济核算、工业、价

6、格指数、 银行与货币、利率与汇率5个方面，选择较常用的13项宏观指标。时间序列回归模型的一个重要前提是自变量为平稳时间序列，而大局部宏观指标和市场指 标在时间序列上的分布非平稳，不符合预测模型对自变量的假设，因此我们针对不同的外 生变量，进行一定差分处理或计算变化率，使得外生变量在单位根检验下均为平稳时间序 列。另外，局部宏观变量数据发布具有滞后性，我们在建模时将这局部宏观数据按其实际 发布时间滞后使用。例如，月的M1同比数据通常在T月中旬公布，因此我们在T月末 建模时用到的是T1月的M1同比数据。下表展示具体19项外生变量及其所属类别和变量处理方法。为了更清楚地展示局部宏观变 量的滞后期，我

7、们以T月末为截面期，最右列为外生变量能取到的最新数据时间。图表19：外生变量列表Wind,变量类别变量细分类别变量名称变量处理方法最新数据时间市场变量沪深300月涨跌幅不处理第T月市场变量中证500月涨跌幅不处理第T月市场变量沪深300月波动率变化率第T月市场变量中证500月波动率变化率第T月市场变量沪深300月均换手率一阶差分第T月市场变量中证500月均换手率一阶差分第T月宏观变量国民经济核算PMI二阶差分第T月宏观变量国民经济核算宏观经济景气指数先行指数变化率第T-3月宏观变量工业工业增加值当月同比二阶差分第T-1月宏观变量价格指数CPI当月同比二阶差分第T-1月宏观变量价格指数PPI全部

8、工业品当月同比一阶差分第T1月宏观变量价格指数企业商品价格指数CGPI当月同比二阶差分第T-1月宏观变量银行与货币M1同比一阶差分第T-1月宏观变量银行与货币M2同比一阶差分第T-1月宏观变量银行与货币大型存款机构存款准备金率二阶差分第T月宏观变量利率与汇率中债国债到期收益率3个月变化率第T月宏观变量利率与汇率国债收益率差10年期-3月期变化率第T月宏观变量利率与汇率美元兑人民币汇率变化率第T月宏观变量利率与汇率SHIBOR1W变化率第T月外生变量预测方法参考Hua, Kantsyrev和Qian于2012年发表论文Factor-Timing Model,使用外生变量预 测大类风格因子Rank

9、 IC值。首先使用条件期望模型和AIC准那么，在月最后一个交易 日，对每个大类风格因子筛选出可能影响因子Rank IC值的条件变量；其次将大类风格因 子与筛选出的条件变量做线性回归，预测T月的因子Rank IC值。条件期望模型假设单个风格因子Rank IC时序向量Y与外生变量时序向量X的联合分布服从多元正态分 布，即：Exx T1XY(y)N (p , 0yx *P)，那么在给定X=x的情况下，Y的条件分布仍为正态分布，条件数学期望和条件方差分别为:勺-=凤3 =吗=/4石户一”其中E(Y|X=x)称为Y关于X的回归，它是x的线性函数。AIC和AICc准那么使用AIC赤池信息量准那么衡量统计模

10、型拟合优良性。相比其它模型评价指标，AIC的优势 在于兼顾模型简洁性和准确性。在进行多个模型比拟和选择时，通常选择AIC最小的模型。基于条件期望模型的AIC计算公式如下：AIC = T-logYx) + 2N-K其中T为样本窗口长度，N为风格因子数量(这里固定为1), K为外生变量数量。当样本数量较小时，基于AIC的方法可能会产生模型过拟合问题。为防止此问题，研究者 提出AICc指标，在AIC上添加小样本误差修正量。基于条件期望模型的AICc计算公式如 下：2K （K + 1）AICc = T Zog（|切xl） + 2N K +，；1 - A 1外生变量筛选流程样本区间内筛选外生变量流程如下

11、列图所示，具体步骤为：1 .最优外生变量集合So初始为空集，AICc初始值AICco=Tlog(|Zxx|);.遍历不在Si中的每个外生变量k,计算将k加入到集合Si后模型AICc值，取最小值 AICCmin ；2 .假设AICCmin小于AICc,那么转向第4步；否那么筛选结束，集合Si为最优外生变量集合； 将AICCmin对应的外生变量k加入Si,即Si+i = SiUk, AICci+1为基于外生变量集合Si+1计 算得到的AICc,并转至第2步。图表20:外生变量筛选流程图初始化，取So为空集，Alec。=riog(lxxl)初始化，取So为空集，Alec。=riog(lxxl)资料来

12、源:回归预测模型构建对于每个大类风格因子，取样本区间为过去72个月，分三步预测未来一个月RanklC值:1 .使用AICc在样本区间内筛选出对因子Rank IC值具有解释能力的外生变量；.将筛选出来的全部外生变量纳入回归模型，在样本区间内构造因子RanklC值序列关于 外生变量的多元线性回归模型；将最新一期的外生变量代入回归模型，得到未来一个月的因子Rank IC预测值。外生变量预测结果外生变量对大类风格因子6月Rank IC预测结果如下列图所示。估值、反转、波动率、换手 率因子Rank IC预测值超过5%,可能较为有效，建议短期看多上述因子表现；不看好小 市值因子未来一个月表现，可能受宏观环

13、境制约。图表21：外生变量对大类风格因子6月RanklC预测值30% -25% -20% -15% -10% -5% -0% -5% -11.5%3.0%4.3%2.7%-2.7%25.1%21.5%6.1%-0.8%-0.8%估值成长盈利财务质量小市值反转波动率换手率Beia技术资料来源：Wind,预测因子预测结果解读下面展示各个大类风格因子Rank IC预测值，以及进入回归模型的外生变量对预测结果的 贡献情况，贡献度定义为自变量与回归系数的乘积。图表22：估值因子RankIC预测值及外生变量贡献情况图表23：成长因子RankIC预测值及外生变量贡献情况工业增加值变动cp_当月同比回归模型截

14、距项预测O值美元兑人民币汇率M2同比回归模型截距项预测O值资料来源：Wind,预测资料来源：Wind,预测图表24：盈利因子RankIC预测值及外生变量贡献情况图表25：财务质量因子Rank IC预测值及外生变量贡献情况盈利5% 4% -3% -2% -1% -4.3%3.0%0.9%0.4%3% 2% -1% -2.7%1.1%O%O%财务质量0.9%0.8%回归模型截距项沪深3。怎均换手率回归模型截距项沪深3。月均换手率存款金率资料来源：Wind,预测资料来源：Wind,预测图表26：小市值因子RankIC预测值及外生变量贡献情况图表27：反转因子RankIC预测值及外生变量贡献情况2%

15、-1小市值1% -0.7%中证5。月均换手率回历量极距项预测O值.4PM一指标3 回归模型截距项预测O值资料来源：Wind,预测资料来源：Wind,预测0.0%图表29：换手率因子RankIC预测值及外生变量贡献情况换手率15.2%3.2%-1 21.5%8.7%-3.8%-1.8%25%20%15%10%5%0%-5%-10%图表28：波动率因子RankIC预测值及外生变量贡献情况工业冢值变动 美元民币汇率M2同比沪-密。同波动率中证5。月涨跌幅回归距项预测O值美元民币汇率 M2同比沪一渣00月波动率 沪L港。月涨跌幅 中窿。月涨跌幅 回归蜃截距项 预测O值资料来源：Wind,预测图表30：

16、 Beta因子Rank IC预测值及外生变量贡献情况资料来源：Wind,预测图表31：技术因子RankIC预测值及外生变量贡献情况技术4.6%1.2%1.6%-1.8%-0.8%xP xP xp xP 2 2 2 9 6 4 2 O-2-4o%.o-6.3%存款准备V中证5。0 4换手率中证5。0月波动率中证5。余跌幅回归模型极距项预测O值存款准备金率工业增加值变动Be2 M2 同比-0.8%2%1%0% -1% -2% -回归模型截距项预测O值 J% 3资料来源：Wind,预测资料来源：Wind,预测下面尝试对预测Rank IC绝对值超过5%的风格因子进行解读。在构建回归模型前，我们对 局部

17、外生变量进行了差分处理或计算变化率，在解读预测结果时，我们应关注这些外生变 量取值的边际变化，而非变量值本身。1 .估值因子：回归模型截距项为6.2%,对Rank IC预测值有较大正向贡献，说明长期看 估值因子存在正收益。美元兑人民币汇率5月末（6.6578）相比4月末（6.428）提升 4.34%,为预测值提供7.8%的正向贡献。2 .反转因子：回归模型截距项为7.1%,对Rank IC预测值有较大正向贡献，说明长期看 反转因子存在正收益。3 . 波动率因子：回归模型截距项为8.8%,对Rank IC预测值有较大正向贡献，说明长期 看波动率因子存在正收益。美元兑人民币汇率为预测值提供15.8

18、%的正向贡献。中证 500指数5月涨跌幅7.01%,为预测值提供7.9%的正向贡献。M2同比新值（10.5, 4 月）相比前值（9.7, 3月）提升0.8pct,为预测值提供-3.7%的负向贡献。4 . 换手率因子：回归模型截距项为8.7%,对Rank IC预测值有较大正向贡献，说明长期 看波动率因子存在正收益。美元兑人民币汇率为预测值提供15.2%的正向贡献。中证 500指数月涨跌幅为预测值提供3.2%的正向贡献。M2同比为预测值提供3.8%的负向 贡献。另外，小市值因子6月Rank IC预测值为-2.7%。PMI差分新值（5月相对4月提升2.2pct） 相比前值（4月相对3月降低2.1 p

19、ct）提升4.3pct,为预测值提供3.4%的负向贡献。小市 值因子表现可能受宏观环境制约。因子周期视角因子周期视角将华泰金工经济周期研究成果应用于风格因子表现预测。预测分为两局部： 自上而下构建经济系统周期运行状态与因子表现对应关系的“因子投资时钟”，根据当前周 期状态预测因子未来表现的整体趋势；自下而上对风格因子去趋势累计收益率进行三周期 回归拟合，外推因子未来表现的边际变化。与前述内生变量、外生变量视角不同，因子周 期视角侧重于对因子中长期表现的预测。自上而下预测整体趋势：因子投资时钟对因子周期的研究发现，大局部因子的中长期走势与经济形势挂钩，影响较为明显的两个 因素是经济增长和流动性，

20、前者可使用库兹涅茨周期刻画，后者可使用朱格拉周期辅助判 断。我们借助这两个变量将经济环境分为四种情况，不同经济周期下因子表现分类如下列图 所示，称之为因子投资时钟。因子投资时钟的详细构建方法请参考华泰金工研究报告周 期视角下的因子投资时钟(20181011)o图表32：不同经济周期下的因子表现分类流动性趋于宽松流动性趋于督张蛆济衰退大市值估值、盈利财务质量大市值、估值成长、盈利财务质量小市值、技术小市值反转、技术成长、盈利泣动性趋于宽松流动性林于素张资料来源:在不同资产类别中，商品是靠近实体经济的一种资产，商品价格长周期上的波动在一定程 度上反映了实体经济的总需求，因此可借助商品识别经济的中长

21、期波动。CRB综合现货指 数三周期分解结果如下列图所示，库兹涅茨周期仍处于上行区间但接近顶部，预计经济短期 维持趋势向上的环境，但即将迎来拐点；朱格拉周期向下，流动性趋于宽松。当前周期运 行状态处于因子投资时钟第四象限尾声，即将进入第三象限，长期建议配置小市值、反转、 技术因子。另外，波动率、换手率因子在不同的宏观环境下表现都较好，这两个因子建议 长期配置。综合来看，预测未来一年小市值、反转、技术、波动率、换手率因子有效。图表33:实体经济三周期滤波结果aLoa。、 Coe eLoooe eTzse cmloscm Coe aLGse eLcose CM&。 eTLse Coe QT6。 eL

22、co。 CMvzooe cmlcdoocm cmllo。、 cmt寸Ooe ex。 CMLA。、 CMvsoe cmlooocm QT866L c eT966L CMT966L CML466L 7工66亡 odLcJ66L eTL66LaLoa。、 Coe eLoooe eTzse cmloscm Coe aLGse eLcose CM&。 eTLse Coe QT6。 eLco。 CMvzooe cmlcdoocm cmllo。、 cmt寸Ooe ex。 CMLA。、 CMvsoe cmlooocm QT866L c eT966L CMT966L CML466L 7工66亡 odLcJ66L

23、 eTL66L资料来源：Wind,预测自下而上预测边际变化：因子周期回归拟合下面展示各个大类风格因子三周期回归拟合结果。三周期回归拟合详细方法请参考华泰金 工研究报告因子收益率的周期性研究初探(20180605)o图中红线为去趋势后因子累计 收益率，灰线为回归拟合曲线，灰线相对红线的延伸局部为因子未来一年表现边际变化情 况预测。综合来看，估值、小市值、反转、波动率、换手率技术因子处于触底回升阶段； 成长、盈利、财务质量因子处于下行阶段；Beta因子周期不明显。图表34：估值因子去趋势后累计收益率与三周期回归拟合图表35:成长因子去趋势后累计收益率与三周期回归拟合8% -I6% -去趋势后因子累

24、计收益率 回归拟合曲线去趋势后因子累计收益率回归拟合曲线4% -2% -15% I10% -5% .Luacxuc 8&CM0CM8二。 soaCM81657 8C05CM ozseO95Q OLOSCM8G5QOC05Q s&se o 二。e005CM 86。、 8,8。、8;。、 8,9。、 OS。、% % % % 0 5 0 5- 1 1J-usud 5&W L9R。、 50、。、 8,65e 8C05。 s:se L995。 sloLoe 845CM OCOL。 8&L0CM 5二 Loe 8O5N 06。、 8,8。、 8;。、 8,9。、 8心。7资料来源：Wind,预测资料来源：

25、Wind,预测财务质量因子去趋势后累计收益率与三周期回归拟合图表37:图表36:盈利因子去趋势后累计收益率与三周期回归拟合去趋势后因子累计收益率8% -回归拟合曲线6%4%2%0%-2%-4%10% -I去趋势后因子累计收益率oo/回归拟合曲线% 642024680Acrcuc oeCMoe 5，Rod Looaoa 5,68e 5,88e 5,z8e 5，98a 8ID8CM s，寸8d 5S5Q 5，e8d LCHse 8，08e 8，6。7 500。、 oz。、 5,9目 510。、Lucrcuc s&eoe 5二。 L。，。、 L965Q 5005CSJ l9z5oumoSSB u-P

26、EEodl u WPEEl-odssoo) 山OHb0山 OH boJoQ: bos 一 US dddSd8 d山资料来源：Wind,因子表现计算方法因子T月表现的计算方法可以简要描述为：1 .以月最后一个交易日为截面期，以全A股为股票池，计算附录一中10大类共34 个细分因子值。对每一大类风格因子内部各细分因子做去极值、标准化预处理及因子方 向调整，再等权合成，得到截面期大类风格因子值。2 .计算T月股票池内个股区间收益。3 .对大类风格因子或细分因子做去极值、标准化和行业市值中性化预处理，计算T-1月预 处理后因子与T月个股区间收益的Spearman秩相关系数，即T月因子Rank IC值。4 .对大类风格因子值、个股总市值做去极值和标准化预处理，以T-1月预处理后大类风格 因子值、预处理后个股总市值、中信一级行业哑变量为自变量，以T月个股