基金研究：边际预期思维下的股票风格择时探究

风格配置的研究上，常用的方法主要围绕自上而下的宏观变量视角，以及自下而上的风格因子视角展开。宏观变量与风格因子作为度量客观交易世界的符号变量，可以刻画出不同资产的历史风险暴露情况，在被动投资中有利于对投资组合的风险进行控制。 但在风格预测方面，采用上述两种方式较为困难，因为每个交易者面对同样的数据，亦会对未来产生不同的判断。鉴于此，本文立足于因子研究方法，从二加一思维下的边际预期思维出发，尝试使用量化的方式度量市场超预期，并以此作为基础进行主动风格择时。 报告采用logistic回归，将大盘-小盘、价值-成长的收益率按照正负值区分为二元因变量，验证分析师一致盈利预期、盈利增速、估值，以及宽基指数基差等数据对因变量的解释作用。结果发现，分析师一致预期数据以及基差数据对指数风格具有良好的解释作用。 检验完成后，进行策略的构建：本文使用滚动回归的方式，在每月最后一个交易日进行模型的参数估计，使用估计参数预测次月因变量值，并将其运用在次月交易。当大盘-小盘估计值大于0.5时，次月交易大盘风格，当价值-成长估计值大于0.5时,次月交易价值风格。 策略以国证1000指数为基准，对采用国证1000指数作为样本空间的巨潮大盘价值、小盘价值、大盘成长、小盘成长风格指数进行择时：2017年1月1日至2023年3月31日，策略年化收益率14.43%，国证1000指数年化收益率2.34%，超额年化收益率11.88%。 文末附录中，我们列示了巨潮风格指数的市值分布以及行业分布，以供参考。 风险提示：本报告结论完全基于公开的历史数据进行计算，对基金产品和基金管理人的研究分析结论并不预示其未来表现，也不能保证未来的可持续性，亦不构成投资收益的保证或投资建议。本报告不涉及证券投资基金评价业务，不涉及对基金产品的推荐，亦不涉及对任何指数样本股的推荐。 1.股票风格研究方法回顾 1.1.A股市场风格轮动速度快 A股市场风格轮动速度较快，风格择时显得十分必要。随着经济周期的不同，市场对不同类别的公司关注度差异巨大：风险偏好较高时，投资者热衷选择未来成长空间大，更具备想象空间的成长股进行投资。而当经济进入下行周期，市值较大的价值股票防守型较好，其相对收益也会更高。 本文统计了主要宽基指数年度收益率以及巨潮风格指数相对表现情况。 无论是市值差异较大的宽基指数，还是成长价值风格差异较大的巨潮风格指数，均呈现了快速轮动的特征。下图中1、2、3、4分别代表小盘价值、大盘价值、大盘成长、小盘成长风格，我们标注了每月表现最优的风格指数，发现每月表现最优的风格指数切换频繁。 股票风格轮动较快，因此在不同的周期选择不同的风格进行投资显得尤为必要。对于风格的研究，常用的方法主要围绕自上而下的宏观变量视角，以及自下而上的风格因子视角展开。BlackRock因子投资团队的负责人Andrew（2014）将其定义为了宏观因子和风格因子两类。 图1A股风格轮动速度快 图2每月表现最优的风格指数频繁切换 1.2.自上而下的宏观视角 宏观视角下的大类资产及股票风格研究主要是以宏观指标为基础，根据不同的宏观指标综合判断出目前所处的经济周期，并将不同资产在不同周期下的表现进行拆解或分类，力求找出经济周期和资产价格之间的关联，期望在不同周期下选择合适的大类资产或股票风格进行投资。该种方式理论基础看似纯粹，但在实践过程中，由于作用机理复杂，宏观数据滞后，高频数据缺失以及数据口径经常调整等原因，实际应用较为困难。此外，面对相同的宏观数据，不同投资者对经济所处阶段的认识也不同，使用宏观数据也容易产生交易层面的异议。 实际投资中，在宏观维度的指标选取上，一般从经济周期、通胀周期、信贷周期和利率周期四个维度进行宏观代理变量的选取，所用到的变量主要有GDP、PMI、、工业增加值、企业利润；利率、汇率；社融规模； CPI、PPI等。宏观因子本身可度量但不可投，因此确定宏观状态后，需要进一步将宏观因子映射到对应资产进行才能实现组合的可投性。桥水集团的全天候策略可以被认为是考虑了经济增长和通货膨胀之后的简化版宏观因子投资框架。该策略估计了不同资产分别在经济增长和通货膨胀的四个不同时期的表现。桥水在使用该种方法进行投资时，倾向于认为未来宏观经济状态的不可预测性，因此使用风险平价的方式对不同经济状态进行等权配置，力求在长期维度下平稳度过不同经济周期，这也侧面反应了通过宏观指标进行大类资产或风格择时的难度。 图3桥水全天候策略示例 1.3.自下而上的因子视角 自下而上的因子视角认为，不同类别的资产收益率在同一时期可以通过一系列风格因子进行刻画，投资者通过控制风格因子暴露即可获得相应的风险溢价。 该方法论以资本资产定价模型（CAPM）为基础，衍生出了APT多因子模型、barra、Fama-French因子模型等较为成熟的应用方式。 n () (( Er=r+β∗Er ) ) ∑ ( β∗r−r ) −r + +α+ε i f m m f p p f i=1 上式为风险资产定价模型，beta部分即资产对应不同风格收益率的暴露程度，𝑟为组成该风格的一揽子资产组合收益率。在实际投资时一般需要通过购买一揽子股票，或策略ETF进行组合p的构建，而目前A股策略ETF总规模不足300亿元，且红利ETF单策略品种规模就超过200亿元，因此在使用自下而上的策略指数进行投资时，可投标的较少。 𝑝 2.边际预期思维下的A股风格择时探索 2.1.股价是反应交易者内心预期的符号 宏观因子与风格因子作为度量客观交易世界的符号，刻画了不同资产的历史风险暴露情况，在被动投资中有利于对投资组合的风险进行控制，但每个交易者面对同样的数据，亦会对未来产生不同的判断。因此，本文将主动择时的重点放在了寻找度量市场交易者内心一致预期的代理变量上，力求通过市场一致预期找到交易信号。无论自上而下的宏观视角、亦或者自下而上的因子视角，均试图通过寻找刻画客观世界的符号去刻画交易市场的全貌。这种结构化的方法对资产收益率的归因具有良好的作用，但在预测层面，由于每个交易者的背景不同，面对同样的数据亦会产生不同的理解，这就导致即使研究人员可以通过量化手段刻画市场的全貌，在预测交易市场未来走势方面，每个人面对同样数据也会得出不同的结论。 我们可以大致地看到股票价格形成的过程：首先客观世界的信息进入人们的内心世界，从而形成预期和价值的预期环节，其次是人们把内心世界的价值判断输入交易系统从而形成价格的交易环节。如果认可这一观点，通过量化进行择时的重点将由符号化客观世界并预测符号世界的变化，变为寻找度量人心的代理变量。 图4股价形成过程 2.2.2+1思维：预期思维、交易思维+边际思维 国泰君安证券研究所黄燕铭所长针对交易者内心变化，提出了著名的2+1思维，本文着眼于此，寻找超预期的代理变量，对市场风格进行择时。寻找度量人心的代理变量，需要首先认清交易者的思维以及行为方式，国泰君安黄燕铭所长针对交易者内心变化，提出了著名的2+1理论：既预期思维、交易思维+边际思维。预期思维是交易者对市场的预期，代表了交易者对市场的看法；而交易思维旨在衡量交易者是否有足够的筹码在市场中进行交易。举例来说，如果市场上95%的投资者看多，但此时所有交易者的仓位已经达到100%，那么即使出现超预期，从交易边际的层面来看股价也无法再创新高。本文的重点在于寻找市场预期的变化，也就是超预期的代理变量，因此后文主要讨论如何度量超预期，以及超预期对市场的影响，交易边际方面的影响我们将在之后进行讨论。 图5证券研究的2+1思维 2.3.DDM的贴现思维是衡量超预期的理论基础 本文重点对预期思维下DDM模型的贴现思想进行研究，寻找DDM模型中参数的代理变量。预期思维的理论基础是DDM模型的贴现思想、交易思维的理论基础是微观结构理论，边际思维的理论基础是有效市场理论。 股息贴现模型（DDM模型），用于为公司的股权资产定价，原理就是把预期企业未来的现金按利率贴现成现值，该现值即为企业价值。该模型理论依据充分，但在实务估计中，由于客观事件的复杂性以及未来的不确定性，使用该模型计算的结果很难说是准确。庆幸的是，作为二级市场交易的投资者，我们在边际思维的导向下更关注的是公司价格的变动，而非公司价值的价格符号本身，因此我们可以将DDM模型抽象为两个部分，对分子分母的变动进行观察，由此推断接下来的风格。 模型分子端衡量了企业的盈利预期，当企业盈利预期上升，企业价值提升，股价上涨。特别的，DDM模型为多期折现模型，一般而言，在经济预期较好时，成长股远期盈利增速较高，此时成长股股价上涨幅度快于价值股在市场盈利预期上行时，成长股优于价值股。 模型的分母端衡量了企业的折现率，该部分由无风险利率与风险利率组成。当市场情绪不佳时，投资者需要较高的风险溢价作为补偿，此时风险溢价上升。β衡量了企业的经营杠杆，一般而言，小市值公司的经营杠杆更高，因此，小市值公司对风险溢价的变动更加敏感。也就是说，当市场情绪降低，风险溢价要求上升，公司股价下跌，此时小市值公司由于β较大，受到的影响更大，股价下跌幅度较大市值公司更深。因此，当市场要求的风险溢价上升时，配置大市值公司优于小市值公司。 图6将复杂的DDM模型简化为两个变量 3.本文研究方法 3.1.样本空间 本文以国证1000指数为基准，使用模型对巨潮风格指数中的大盘价值、大盘成长、小盘价值、小盘成长进行择时，观察策略择时效果。 国证1000指数是按照市值和成交金额在市场中的占比，选取排名靠前的1000只股票构成。巨潮风格指数由巨潮规模指数的样本空间编制，巨潮规模指数采用国证1000的样本空间进行编制。也就是说，巨潮风格指数的成分股为国证1000指数成份股的子集。因此我们使用国证1000指数作为基准，对巨潮风格指数进行择时，观察策略效果。 3.2.研究对象及解释变量 3.2.1.研究对象（因变量） 本文尝试以DDM模型为基础，使用模型的分子端与分母端变动情况，分别在大盘、小盘，成长、价值间进行择时。我们首先分别构造了衡量市值收益率的因变量与衡量风格收益率的因变量： (1 + R= R cap (1 + R ) 巨潮小盘 (1 + R= ∗ 0.6 + R∗ 0.6 + R ∗ 0.25+R∗ 0.25+R ∗ 0.15) 大盘价值 中盘价值 小盘价值 R − 1∗ 0.15) style (1 + R 大盘成长 中盘成长 小盘成长 R 使用巨潮大盘指数收益率与巨潮风格指数收益率计算，当大于0时，表示当月国证1000成份股内大盘股走势优于小盘股。由于巨潮没有成长与价值指数，因此R只能使用巨潮风格系列指数，将风格系列指数按照市值加权进行计算，巨潮大盘、巨潮中盘、巨潮小盘的市值比例约为60:25:15，因此在计算风格收益率时，我们使用该比例对收益率进行加权。 cap style 3.2.2.解释变量（自变量） 本文所用自变量为衡量DDM模型分子、分母端的代理变量，变量均处理为月频数据。DDM模型分子端为盈利预期的变动，我们使用分析师滚动一致预期净利润、分析师滚动一致预期净利同比、分析师滚动一致预期净利润两年复合增长率，以及分析师盈利预期动量组成；DDM模型分母端主要变量为风险溢价，我们使用滚动一致预期市盈率、分析师滚动一致预期市盈率差、沪深300年化基差、中证500年化基差、基差动量作为代理变量。 本文在获取解释变量原始值后，对数据进行如下处理：（1）除基差数据外，其余变量均采用移动平均3期的方法进行平滑；（2）对数据进行滚动标准化处理。 表1：自变量说明 3.3.回归模型 本文使用logistic回归对市场状态进行分析。该模型通常用于分类和预测性分析，因变量的范围在0和1之间。由于我们希望找到未来相对强势的风格，因此相较于收益率本身，我们更加关注不同市值及风格指数收益率间的相对关系，本文因变量分别为R与R，因此，当R