金融工程周报：跟踪周报：波动率、流动性和规模因子三足鼎立

2023-11-13 跟踪周报：波动率、流动性和规模因子三足鼎立 投资咨询业务资格：证监许可【2012】669号 报告要点 本文回顾了财务因子、Barra风格量价因子和101算法因子体系中最近一周的单因子表现。上周财务体系中，因子预测效果加强但短期因子反转，流动比率因子表现最优。上周量价体系中，绝大部分因子选股风格翻正；其中，残差波动率、流动性和规模三大类因子旗鼓相当、表现较优。上周A股前半程上涨、后半程调整，30个中信一级行业超六成上涨。市场处于调整期，需密切关注组合分散程度的调整。整体仍建议保持均衡，不宜过高暴露风险敞口。 金融工程团队 研究员：熊鹰021-80401732xiongying@citicsf.com从业资格号F3075662投资咨询号Z0018946 摘要： 最近一周的单因子表现(全行业)：上周三大体系中流动比率、hist_sigma(历史残差波动率)、alpha021(趋势类)表现最好。 研究员：周通021-80401733zhoutong@citicsf.com从业资格号F3078183投资咨询号Z0018055 单因子在时间序列上的表现：上周A股前半程上涨、后半程调整，30个中信一级行业超六成上涨。上周量价体系中，绝大部分因子选股风格翻正；其中，残差波动率、流动性和规模三大类因子旗鼓相当、表现较优。上周财务体系中，因子预测效果加强但短期因子反转，流动比率因子表现最优。 研究员：蒋可欣FRMjiangkexin@citicsf.com从业资格号F03098078投资咨询号Z0018262 中信一级行业的单因子表现：上周传媒涨幅最大，行业内总资产周转率、cumulativerange(累积收益率范围)、alpha101(反转类)表现最好；食品饮料跌幅最大，行业内每股净资产BPS同比增长率、size_lncap(市值规模)、alpha053(反转类)表现最好。 目录 摘要：.....................................................................................1一、最近一周的单因子表现..................................................................3（一）财务因子表现...................................................................3（二）Barra风格因子表现.............................................................3（三）算法挖掘/机器学习因子表现......................................................3二、中信一级行业的单因子表现..............................................................4（一）财务因子表现...................................................................4（二）Barra风格因子表现.............................................................4（三）算法挖掘/机器学习体系因子表现..................................................6三、单因子在时间序列上的表现..............................................................7（一）财务类因子表现.................................................................8（二）量价类因子表现.................................................................8附录1：Barra的大类风格因子体系–因子构建方法...........................................10附录2：算法挖掘/机器学习因子体系–因子构建方法..........................................11附录3：算法挖掘/机器学习因子体系–使用公式一览..........................................12附录4：单因子评价方法....................................................................13免责声明..................................................................................14 图目录 图表1：图表2：图表3：图表4：图表5：图表6：图表7：图表8：图表9：图表10：图表11：图表12：图表13： 财务因子RankIC均值-全行业..................................................3Barra风格因子RankIC均值-全行业.............................................3算法挖掘/机器学习因子RankIC均值–全行业....................................4财务因子表现（中信一级行业）..................................................4Barra风格因子表现（中信一级行业）.............................................5算法挖掘/机器学习体系因子表现（中信一级行业）.................................7财务因子短周期下的单因子表现（RankIC累加值）..................................8财务因子长周期下的单因子表现（RankIC累加值）..................................8短周期下的单因子表现（RankIC累加值）..........................................9长周期下的单因子表现（RankIC累加值）..........................................9Barra大类风格因子体系（量价类）..............................................10算法挖掘/机器学习因子体系（部分）............................................11算法挖掘/机器学习因子体系使用公式一览........................................12 一、最近一周的单因子表现 （一）财务因子表现 使用近一周的数据回测，财务因子里面选股能力最佳的流动比率。 资料来源：同花顺中信期货研究所 （二）Barra风格因子表现 使用近一周的数据回测，Barra风格因子里面选股能力最佳的是hist_sigma。 资料来源：同花顺中信期货研究所 （三）算法挖掘/机器学习因子表现 使 用近 一周的 数据 回测， 算法 挖掘/机器 学习因子 里面 选股能 力最 佳的 是alpha021。 中信期货金融工程周报 资料来源：同花顺中信期货研究所 二、中信一级行业的单因子表现 （一）财务因子表现 使用中信一级行业分类，计算行业内财务指标的RankIC和IC_IR。可以发现，不同行业的最佳因子，无论是按RankIC还是按RankIC_IR,均差异明显。财务指标本身就具有行业特性，且于不同行业间上市公司本身特质差别较大，将单一因子均匀的应用于全市场选股会具有较大的风险。 （二）Barra风格因子表现 使用中信一级行业分类，本文首先计算基于Barra风格因子体系的单因子RankIC和RankIC_IR值。可以发现，不同行业的最佳因子，无论是按RankIC还是按RankIC_IR,均差异明显。这可能是由于不同行业间上市公司本身特质差别较大，以此导致的上市公司权益回报率对因子的敏感性的天差地别。 （三）算法挖掘/机器学习体系因子表现 使用中信一级行业分类，本文接着计算基于算法挖掘/机器学习因子体系的单因子RankIC和RankIC_IR值。可以发现，不同行业的最佳因子，无论是按RankIC还是按 RankIC_IR,均差异明显。这亦可能是由于不同行业间上市公司本身特质差别较大，将单一因子均匀的应用于全市场选股会具有较大的风险。 三、单因子在时间序列上的表现 （一）财务类因子表现 最近半年的追踪结果显示，财务因子短周期下表现波动较大，其中除存货周转率因子呈现明显的正向预测能力和流动比率呈现明显的负向预测能力外，其他因子累积RankIC值大致围绕0值附近震荡。建议多关注杠杆类和企业的经营效率等安全边际较高的因子。 从最近三年的较长期来看，表现最优的为基本每股收益同比增长率，存货周转率、权益乘数因子同样显示出明显正向预测能力，且在最近半年表现优越。长期上可增配较佳财务类因子。 资料来源：同花顺中信期货研究所 资料来源：同花顺中信期货研究所 （二）量价类因子表现 本段按照Barra分类方法，将RankIC值按风格大类进行归类，并在时序上进行累 加后取平均数。 最近半年的追踪结果显示，流动性和波动率因子的负向选股能力稳步纵深积累，而beta和动量因子则是长期于正负间震荡、前者近两个月稳定在微弱的负向风格，而中市值和规模因子则是一路保守地挺进其负向选股风格；最近三年的追踪结果则进一步验证了流动性和波动率因子稳健、强劲的负向选股能力，同样beta的负向风格含蓄但一致，而包含动量、规模和中市值在内的三个因子选股风格模糊，在正、负之间微弱震荡。量价体系中总体而言，部分因子风格显著、部分呈震荡态势；可适当基于风格的快速转换配置较佳风格，整体仍保持均衡，不易过高暴露敞口。 资料来源：同花顺中信期货研究所 资料来源：同花顺中信期货研究所 附录1：Barra的大类风格因子体系–因子构建方法 Barra的大类风格因子体系中，量价类的风格因子比较清晰的反映了权益资产市场表现的某一个维度，背后的含义也非常明显。 附录2：算法挖掘/机器学习因子体系–因子构建方法 在101 Formulaic Alphas一文和其他类似研究的算法挖掘/机器学习因子体系中，因子本身可能很难讲出具体的含义，所产生的效果也容易受到data mining的影响，在后期这类因子可能会需要严谨的处理和统计学论证。 附录3：算法挖掘/机器学习因子体系–使用公式一览 附录4：单因子评价方法 依照现有的因子库，可以直接对相应的单因子进行评价，进而形成相应的策略。这样的策略只关注一个因子对权益收益率的影响，主要关注这些因子RankIC值和RankIC_IR值。RankIC代表因子的选股能力，其绝对值越大越好；RankIC_IR代表因子稳定获得超额收益的选股能力，其绝对值越大越佳。这一过程可以简要描述为： 计算附录1和附录2中所有细分因子的值；在每一个截面上，分别计算属于同一个风格大类（例如动量）的细分因子与个股下期收益率计算Spearman秩相关系数，即得到该细分因子的RankIC值，在时序上取RankIC均值；利用因子的RankIC值计算RankIC_IR值，RankIC_IR是某一时间维度的RankIC均值除以标准差，时间维度与策略的调仓周期相匹配；计算风格因子的RankIC和RankIC