量化选股系列报告之二：学术异象之交易摩擦类因子

本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明 证券研究报告 1 [Table_Summary] 报告摘要：  从学术异象到Alpha 学术界对于挖掘异象的热情丝毫不亚于投资界对于挖掘因子的热情，两者的目标不同因而在研究流程上侧重点也有所不同。对于研究学术异象来说有两个关键步骤，第一是选择合适的定价模型，第二是构造无法被定价模型所解释的投资组合。投资界对于因子的要求则更为严苛，主要考虑以下几个方面：持久性，因子需要长期有效；稳健性，因子不应有过多的参数，且对参数不敏感；逻辑性，因子的构造需要合乎投资逻辑；可投资性，因子的表现应该考虑到真实交易中的各种情况；增量贡献，因子无法被其他因子所解释，带有增量信息。  因子研究框架，追根溯源 市场中的大部分因子均来源于学术文献，因此，我们在进行因子研究时追根溯源找到其出处，梳理因子的发展脉络。方便投资者根据自己的偏好对因子进一步探究。为了更好的探究学术界中对于因子的理解，我们参考学术文献中的分类，将因子分成交易摩擦类(Trading Frictions)、动量类(Momentum)、价值成长类(Value-versus-Growth)、投资类(Investment)、盈利能力类(Profitability)以及无形资产(Intangibles)类。  交易摩擦类因子有效性检验 交易摩擦类因子主要有市值类、波动率类、Beta类以及流动性类。本篇报告一共挑选了15个交易摩擦类因子进行单因子测试。市值类因子中，特质市值因子相比于传统对数市值和非线性市值有明显提升。波动率类因子中，特质波动率和高阶矩类因子表现比较优秀。Beta类因子中，Dimson Beta、下行Beta、尾部风险Beta均有不错表现。流动性类因子中，买卖价差因子表现优异。  风险提示： 报告结果均基于历史数据，历史数据存在不被重复验证的可能。 民生证券研究院 [Table_Author] 分析师：祁嫣然 执业证号： S0100519110004 电话： 010-85127519 邮箱： qiyanran@mszq.com [Table_docReport] 相关研究 《构建多因子策略的工匠精神——量化选股系列报告之一》 [Table_Title] 金融工程研究 学术异象之交易摩擦类因子 ——量化选股系列报告之二 金融工程深度报告 2020年05月28日 金融工程研究 本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明 证券研究报告 2 目录 一、 从学术异象到ALPHA还有多远 ....................................................................................................................... 3 （一） 学术异象 ................................................................................................................................................................... 3 （二） 从学术异象到ALPHA ............................................................................................................................................... 3 （三） 因子研究框架 ........................................................................................................................................................... 4 二、 交易摩擦类学术异象国内实证 ........................................................................................................................... 5 （一） 市值类因子 ............................................................................................................................................................... 5 （二） 波动率类因子 ........................................................................................................................................................... 9 （三） 高阶矩类因子 ......................................................................................................................................................... 13 （四） 流动性类因子 ......................................................................................................................................................... 17 （五） BETA类因子 ........................................................................................................................................................... 22 三、 交易摩擦类因子比较与总结 ............................................................................................................................. 32 （一） 因子表现对比与总结 ............................................................................................................................................. 32 （二） 因子相关性测试 ..................................................................................................................................................... 33 （三） 总结与展望 ............................................................................................................................................................. 34 四、 风险提示............................................................................................................................................................. 34 插图目录 ............................................................................................................................................................................ 35 表格目录 ............................................................................................................................................................................ 35 金融工程研究 本公司具备证券投资咨询业务资格，请务必阅读最后一页免责声明 证券研究报告 3 一、 从学术异象到Alpha还有多远 （一） 学术异象 多因子模型研究的核心是找到一组能够解释股票预期收益率截面差异的因子。通常的做法是根据股票的某些特征构建投资组合，如果该组合的收益率无法被资产定价模型所解释，则该特征被称为异象。在过去几十年里，海外学术界对上述问题进行了大量的探索，针对美股所挖掘的异象多达400多个。然而将学术异象转化为收益还有很长的路要走。 首先，学术异象可能来自于数据挖掘，Hou, Xue and Zhang (2017)1在论文中复现了学术界提出的 447 个异象，当排除了小市值股票的影响后，其中64%不再显著；如果按照 Harvey, Liu and Zhu (2016)2 提出的测试方法，将t-statistic 阈值提升到 3.0，则其中 85%异象不再显著；如果按照 Hou, Xue and Zhang (2015)3 提出的 4 因子模型作为定价模型，则其中98%异象不再显著。其次，资产定价模型可能不准确，如果仅以CAPM为定价模型，那么很多异象都能获得CAPM无法解释的收益率；随着定价模型中因子个数的增加，更多的异象变得不再显著。然而，真正的定价模型是未知的。 （二） 从学术异象到Alpha 一个“异象”存在成为一个优秀因子的可能；然而由于异象之间的相关性，并不是所有异象都是因子。一个因子应该能够对解释资产预期收益率的截面差异有显著的增量贡献。如果异象满足上述条件，它就可以被称之为因子。 然而学术界与投资界对于因子的理解并不相同，主要区别在对套利成本的理解上。学术界认为，在无摩擦的世界中，如果发生定价错误，投机者会立刻涌入，进而将其消除。大多数研究因子的学术论文中并没有对交易费用给予充分的考虑，造成对因子收益率的高估。由于因子投资组合一般都是多、空对冲的组合，因此如果不合理考虑做空限制，也会高估因子的收益。除此之外，投资界在还看重因子是否符合经济学逻辑，对于数据挖掘算法得出的因子较为谨慎。 因此，投资界在判定一个异象是否可以成为因子时更加苛刻，主要考虑以下几个方面：（1）持久性，因子需要长期有效；（2）稳健性，因子不应有过多的参数，且对参数不敏