策略指数收益来源是因子溢价还是行业暴露
摘要 投资策略中行业暴露一直是理论和实务界关注的重点问题。早期市值加权组合就涉及行业暴露不均衡问题，并由此衍生出行业分层等权等行业中性投资策略。2005年来随着因子投资发展，因子投资中行业暴露风险问题备受关注，但就是否应当对所有因子进行行业中性化处理并无研究定论。大量研究认为因子行业中性化处理能够提高组合收益表现，而仍有部分研究证明因子策略中的行业风险敞口能够带来回报。 境内市场常见的风险因子都有行业暴露倾向，但不同类型因子行业偏向性存在差异。从因子收益预测角度来看，不同类型因子超额收益来源不同，同一类型因子中不同指标的超额收益来源也不同，但绝大部分因子超额收益主要来自于行业内选股，少量因子超额收益会受益于行业暴露，如短期动量因子。同时，因子行业中性化处理能够降低行业暴露不均衡带来的波动风险，提升因子未来获取超额收益的稳定性。从因子纯多头表现和多空表现对比来看，价值、低波、成长等因子的多空投资组合将受益于行业中性化，而纯多头投资组合则会从行业暴露中获益，行业中性化处理效果不明显。 应结合不同的场景探索因子行业中性化处理在单因子或多因子策略指数中的应用。一方面，可结合不同类型因子在不同样本空间内的行业偏向程度及行业中性化前后组合表现，分析是否选用行业中性化后的因子暴露值作为单因子或多因子指数的选样指标；另一方面，由于价值、低波、成长等因子部分细分指标行业中性化后空头表现明显更弱，可考虑使用行业中性化处理后的细分指标构建负面剔除条件，降低因子尾部风险。展望未来，随着境内指数化投资深度发展及投资者对SmartBeta策略认知度提升，基于行业中性策略的“宽基+SmartBeta”指数具有较大发展空间。 一、策略中特定行业风险如何处理备受关注 （一）学术研究中行业中性问题由来已久 指数构建中是否需要考虑行业中性化问题由来已久。随着Markowitz（1952）“投资组合选择”理论提出，投资者认识到风险分散的重要性，在构建投资组合时，尽可能地投资多个不同种类、不同行业的资产,“不要将鸡蛋放在一个篮子里”成为投资界众所周知的黄金法则。Sharpe(1964)等人在Markowitz（1952）基础上提出CAPM模型，并指出最优的资产组合即为市场资产组合，为市值加权指数发展奠定理论基础，早期的指数以市值加权为主。然而，PeterLynch(1989)首次在其著作“OneUpOnWallStreet”指出，市值加权指数是根据市值来决定指数权重，可能导致部分行业权重过大，与其在经济中的重要性不相匹配，这一观点引发市场对指数加权方式和行业权重分布的关注。同时，随着19世纪末20世纪初科技互联网泡沫的破裂，大量研究关注到市值加权组合中的行业暴露不均衡问题 ， 如Jacobs和Levy(2000)、Kacperczyk,Sialm和Zheng(2005)、Hou和Robinson(2005)等。尽管上述研究并未表明行业均衡处理会给投资组合带来超额收益，但却指出能有效避免特定行业风险，行业分层等权重指数应运而生。 行业中性化处理在因子投资策略中更为常见。CAPM模型提出后，大量学者发现CAPM理论难以解释的“异常现象”（Anomalies），如“小市值”效应、“元月效应”、“周末效应”、“节日效应”等，Fama和French(1993)吸纳前人研究成果，率先提出市场、规模、价值的三因子模型，其后大量学者进一步挖掘出动量、低波、质量、成长等因子。根据Harvey,Liu和Zhang(2016)整理，截至2013年主流学术文献共计提出多达316个因子，主要以美国市场证券为研究对象。Fama-French三因子模型开启了学术界和投资界对因子投资的探索，随着人们对因子认识的不断扩展，不同类型风格和SmartBeta因子广泛应用于指数编制和量化投资策略中，因子投资快速发展，有关因子投资风险问题的研究层出不穷。由于因子投资组合经常会表现出特定的行业偏好，因子投资中行业暴露风险问题备受关注，但学术界就是否应对所有因子进行行业中性化处理并无研究定论。Jegadeesh和Titman（1993）指出动量策略在不同行业有效性存在差异，暗示了构建动量因子策略组合时需要考虑行业影响。Moskowitz和Grinblatt（1999）进一步表明股票动量效应主要来自行业层面，Asness、Poter和Stevens（2000）等大量学者基于不同因子研究，认为基于行业中性因子构建的投资策略组合能够提高组合收益率，而Kacperczyk,Sialm和Zheng（2005）等研究表明即便认可行业中性化策略能够降低特定行业风险，但因子行业暴露可能会带来特定行业投资机会并因此获得超额收益。 近年来有关因子行业中性研究依然频现于不同学术研究中。Ehsani，Harvey和Li（2021）新近研究表明，某个因子暴露较高的股票，其收益（rfactor）预测能力有两个来源，一是来自行业间差异（racross），认为该特征能够预测行业间预期收益的差异；二是来自行业内个股的差异（rwithin），也即有： rfactor=racross+rwithin 文章对FamaandFrench（2015）中的五个因子指标（规模、价值、盈利、投资和动量）进行行业中性化处理（因子值-行业均值），并分别基于原始因子排序和行业中性化处理后的因子排序构建不同的投资组合（包括纯多头、多空、价值因子加权及等权），计算以上五个因子原始指标的夏普比例（SR）和行业中性化后投资组合的夏普比例（SR∗）。研究发现，多空策略下，因子行业中性化处理后投资组合的夏普比率（SR∗）通常高于原始因子投资组合的夏普比率（SR）；而在纯多头策略下，行业中性化处理前后组合的夏普比率相差不大，甚至于行业中性化处理会降低投资组合的夏普比率。该研究认为，在纯多头策略中，投资者不仅可以从行业内公司的特定因子暴露上获取超额收益，也可以从行业暴露中获益。 Vyas和VanBaren（2021）研究同样也表明，在构建因子策略组合时，对所有类型的因子一刀切地进行行业中性化处理做法并不可取，应当就不同因子具体分析。文章重点研究跨行业因子回报溢价存在差异的程度，具体研究价值、质量、动量、低波和规模等五大类共计21个常规风格因子的行业配置效率，即研究某个因子究竟是通过行业内选股还是通过行业配置获取回报。实证分析时，作者分别引入了行业内因子和跨行业因子，并将其定义为： 进一步，作者构建以下线性因子组合来分析投资组合超额收益的具体来源，即通过变动参数w（从0到1），分析增加跨行业因子的权重是否会提升或降低总溢价F(w)。研究结果显示，大部分价值因子、规模因子适合行业中性化，而质量因子、动量因子、低波因子不适合行业中性。 指数应用研究方面，晨星（2019）通过比较行业中性化和非行业中性化的价值和质量指数在不同市场中的表现，发现行业中性化处理对质量指数历史表现提升效果有限，而对价值指数拥有潜在优势。同时，晨星（2017）在其另一项研究中指出，对动量因子指数施加越宽松的行业限制，指数表现越佳，同样说明动量因子尤其是短期动量因子将会受益于行业暴露。 （二）常见的行业中性指数构建方法 投资者对市值加权或因子策略组合中行业暴露问题的关注，促使行业中性化策略广泛应用于指数构建，境内外主流指数供应商通常采用以下方法来避免行业暴露风险或者行业权重分布不均衡的问题： 一是行业分层等权法。将指数权重等比例分配到不同行业，以保持指数权重行业中性。该方法直接对行业进行等权重处理，是解决行业权重不均衡问题最直接方式。如沪深300分层等权指数和上证180分层等权指数，先将母指数权重等比例分配给11个中证一级行业，再在各个一级行业内将权重等比例分配给各个证券。 二是行业中性策略。相较于行业分层等权方法，该方法通常会综合考虑不同行业上市公司在股票市场的数量或者规模影响力，以使得不同行业权重与其在整个股票市场或者母指数中的影响力相匹配。行业中性策略分为两种，一是行业数量中性，指数投资组合中行业数量分布与母指数保持一致，并在各个行业内选取因子得分靠前的证券作为指数样本，以此来实现行业中性效果。如中证行业低波指数系列，该系列指数选取不同样本空间内低波因子排名靠前的证券作为指数样本，各个行业样本数量分布与母指数保持一致，并在保持行业中性的同时，行业内证券采用波动率倒数加权。二是行业权重中性，指数投资组合的行业权重分布与基准指数（如沪深300）保持一致，并在各行业内选取因子得分较高的证券构建组合。如中证ESG300成长优选指数，该指数在选样方法和权重设计方面均考 虑了行业均衡性，在沪深300指数样本中剔除ESG评分降幅较大的证券后，将剩余证券中每个中证二级行业内成长因子和盈利因子综合得分排序前的N家公司组合成指数样本，旨在跟踪沪深300指数样本中盈利能力和成长能力较强证券整体表现，权重与沪深300指数保持一致，确保行业权重分布相对均衡。 中证特色宽基指数系列本质上也采用了行业中性策略，如中证A100和中证A500指数，该指数系列在不同行业内选取市值最大的证券作为指数样本，并保持指数样本行业分布与样本空间尽可能一致，有效改善传统市值排序下部分行业权重过于集中的问题，提高新兴产业代表性。 三是因子行业中性化调整。在因子模型中加入行业中性化调整因子，以尽可能避免因子行业偏好带来的行业暴露风险，提高因子模型的有效性，常见于不同因子策略指数。如中证智选价值领先指数系列，该指数系列分别对价值、盈利及成长等因子进行行业和市值中性化，并基于中性化后的因子排名来选样，确保因子行业暴露相对均衡。 二、如何进行因子行业中性处理 大量研究证实因子行业中性化处理能够降低特定行业高暴露风险，提升因子收益的稳定性，且能为因子投资带来超额收益。本文拟就A股常见因子行业中性化适用性展开研究，通过比较行业中性化前后因子表现，系统地检验不同因子行业中性效果，为因子策略指数构建提供参考依据。 （一）因子定义及因子行业暴露特征 因子是任何可解释投资组合回报和风险的因素，常见的风险因子有价值因子、质量因子、成长因子、动量因子、低波动因子、规模因子和现金流因子等。因子溢价指的是各类因子投资组合相对于市场组合的超额收益，是判断一个因子是否有效的关键。在后续的研究中，将借鉴Vyas和VanBaren（2021）的研究方法，将各个因子分为两部分，即行业内因子和行业间因子，分析行业中性化处理是否会提升因子溢价及其稳定性，表1列举部分学术文献或指数构建中常用因子指标。 在对因子进行拆分处理前，先分析上述各类因子的行业暴露表现，相关数据截取2013年底至2024年6月底，调仓频率和调仓时间均与指数构建中常见情形保持一致。 从各类因子行业暴露来看，不同类型因子行业偏向性存在差异：价值和低波因子行业偏向相似，均偏向金融地产、能源、公用事业及原材料等传统行业；现金流因子偏向能源、公用事业及消费类成熟性行业；成长和动量因子在信息技术、通信服务和医药卫生等行业暴露较高；市值因子在金融地产、能源和公用事业等行业暴露较高；质量因子中不同维度指标行业偏向不同，ROE等盈利能力维度指标偏向金融地产、主要消费和医药卫生等行业，盈利稳定性指标偏向公用事业、金融地产等行业，盈余真实性指标则与现金流指标类似，偏向公用事业、能源及消费类行业。 （1）价值因子行业暴露 （3）成长因子行业暴露 数据来源：Wind，中证指数，数据截至2024年6月底。 （6）现金流因子和市值因子行业暴露 （二）行业中性化处理方式 Vyas和VanBaren（2021）使用发达国家指数样本作为研究对象，分析1994年7月至2018年2月期间，不同因子行业中性化处理后超额收益表现。本文参照该研究方法，将表1定义的各个因子按照如下常见因子中性化处理方法拆分为行业内因子和行业间因子： 同时，为了动态反映行业中性化处理效果，我们构建如下变量： 其中，w数值位于0到1之间。当w等于0时，F为行业中性化处理后的因子值，当w等于1时，F为行业中性化处理前
