选股因子研究系列（四）——多因子选股模型的有效与失效.docxVIP

请务必阅读正文之后的信息披露和法律声明

海道证券

定量研究

证券研究报告专题报告

选股因子研究系列(四

多因子选股模型的有效与失效

样筛选因子才最有效，不论是研究还是投资人员都莫衷一是。

其直观便利的特点而成为常规工具，但困惑与质疑也随之而来

探索因子对收益率的预测能力与表现形态，试图拨开多因子选股

●传统的线性相关系数很难有效筛选出对收益率有较强鉴别能常用的选股因子，包括ROA、EPS、PE、换手率等，分别率的相关系数。除少数几个因子对应的相关系数值大于0.1系数的绝对值都没有超过0.04,其中包括所有反映企业基本

●假设检验的结果反而表明因子与收益率的线性关系是存在的数估计值小于0.1,但检验的结果却显著地区别于零。这是果不佳，也可能由于样本数量众多导致拒绝因子与

●把因子按大小分成若干组之后，考察各组之间的收益差别或因子有效性的方式。根据个股月末的因子值大小分成10组股票下月收益率的平均值。记录每个月收益最高的组别序号频数，计算这十

之间变化时，就能够对因子有效性的强弱有一个客观量化的

●实证发现，平均收益率最高的组合更易出现在因子取值的两

有效性重新定义为，高(低)收益出现在因子取值大小两端的可

出标的。当样本股按照因子大小分成10组时，最大平均收的概率都显著高于其他组。

●因子和收益率的尾部相关系数具有不同于其他相关性度量指标的独特

量化研究1

请务必阅读正文之后的信息披露和法律声明

目录

1.传统线性统计方法的挣扎 3

2.因子有效性的强弱指数 4

3.因子与收益率的尾部相关性 6

4.总结与讨论 8

量化研究2

请务必阅读正文之后的信息披露和法律声明

图目录

图1沪深300样本股收益率与因子的Pearson相关系数 3

图2因子有效性的强弱指数 4

图3最大收益率所处组别占比(ROA增速) 5

图4最大收益率所处组别占比(EPS增速) 5

图5最大收益率所处组别占比(主营业务收入增速) 5

图6最大收益率所处组别占比(流通市值) 5

图7最大收益率所处组别占比(一个月平均换手率) 5

图8最大收益率所处组别占比(ROA) 5

图9最大收益率出现在最大、最小组别的占比(10组) 6

图10最大收益率出现在最大、最小组别的占比(5组) 6

图11尾部相关系数和线性相关系数的对比 7

图12尾部相关系数的稳定性 8

图13因子与收益率的尾部相关系数 8

量化研究3

请务必阅读正文之后的信息披露和法律声明

有理由相信，上市公司的经营与盈利情况如ROA、EPS,股票的量价变化，如价格均线走势、换手率高低，都会对未来的股价造成影响。所以，多因子选股历来都是量化投资的一个重要方向，吸引着众多研究者和实践者投身其中。作为模型根本的因子，自然也成为关注的焦点，受到广泛的讨论与检验。

选择对收益率有较高区分度的因子是模型成功的关键，然而，对于怎样筛选因子才最有效，不论是研究还是投资人员都莫衷一是。传统的线性统计方法因其直观便利的特点而成为常规工具，但困惑与质疑也随之而来。本文将以此为切入点，探索因子对收益率的预测能力与表现形态，试图拨开多因子选股成败的迷雾。

1.传统线性统计方法的挣扎

在研究因子对收益率的预测能力时，往往会假定两者之间存在线性关系，通过相关或回归分析选择若干因子作为构建股票组合的基础。常用的判断标准包括相关系数或回归斜率的比较，拟合程度(R2)的高低，各种变量选择技巧等。但在这一过程中，很多研究者都或多或少遭遇过这样的问题：很难找到令人满意或我们想象中的因子-收益关系。图1就是一个简单却很能说明问题的案例。我们以2005年1月至2013年9月间，沪深300指数历史上每一期的样本股为研究对象，选择了28个常用的选股因子，包括ROA、EPS、PE、换手率等，在每个月末的取值，分别计算其与次月收益率的相关系数。

图1沪深300样本股收益率与因子的Pearson相关系数

ROAROA增速,A集BOE增速毛利率毛利率增速净奏中净利率增这EPS增速每股金产主营业务收入增速资产负债率总资产

ROA

ROA增速,

A集

BOE增速

毛利率

毛利率增速

净奏中

净利率增这

EPS增速

每股金产

主营业务收入增速

资产负债率

总资产周转率

PB

总市值

流進上位

一个月平均接手率

三个月平均摸手率

一个月收益率

三个月收益率

六个月收益率

DIFF

DEA

d/3

w心

B/P

0.160.140.120.1