《因子选股系列研究之二十》：技术类新Alpha因子的批量测试

HeaderTable_User 1122253200 1359491361 HeaderTable_Stock 股票代码 投资评级 评级变化 行业code HeaderTable_Excel 东方证券股份有限公司经相关主管机关核准具备证券投资咨询业务资格，据此开展发布证券研究报告业务。 东方证券股份有限公司及其关联机构在法律许可的范围内正在或将要与本研究报告所分析的企业发展业务关系。因此，投资者应当考虑到本公司可能存在对报告的客观性产生影响的利益冲突，不应视本证券研究报告为作出投资决策的唯一因素。 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 专题报告 【金融工程·证券研究报告】 技术类新Alpha因子的批量测试 ——《因子选股系列研究之二十》 研究结论 这篇报告我们主要检验了Harvey(2016)文章中统计的从2002年以后显著且独立的技术类因子共16个。检验发现16个中的大多数因子在A股市场表现不佳，但其中分别是DOWNILLIQ，UPILLIQ，NCSKEW，DUVOL和IVmonthly这5个因子表现较好，rankIC的绝对值均大于0.05，IR的绝对值也都大于2.5。 在这5个因子中DOWNILLIQ与UPILLIQ负相关性很高，说明A股市场不存在美股市场中的买卖非流动性的非对称现象，也就是说A股市场中的亏损厌恶效果较弱，这点与美股市场中DOWNILLIQ显著好于UPILLIQ不同。同时，NCSKEW和DUVOL这两个因子正相关性非常高，主要是因为这两个因子都是通过计算偏离平均收益的收益率的波动特征得到的，都是用来衡量股票的暴跌风险的指标。 通过Fama-MacBeth回归剔除了12个因子之后，5个有效的新因子中还存在有一定信息增量的因子为DOWNILLIQ，UPILLIQ和IVmonthly。 把新的因子（去除了时间较短的DOWNILLIQ和UPILLIQ因子）加入了到原因子库中做因子精简，与原来相比基本面因子并没有变化，ILLIQ这个因子被从12个因子中去除了，Ret1M这一反转因子被Ret3M和DUVOL这两个反转类的因子所替代了，此外新增加的因子为IVmonthly和EIVOL。 风险提示 量化模型基于历史数据分析得到，未来存在失效风险，建议投资者紧密跟踪模型表现 极端市场环境可能对模型效果造成冲击 报告发布日期 2017年02月17日 证券分析师 朱剑涛 021-63325888*6077 zhujiantao@orientsec.com.cn 执业证书编号：S0860515060001 联系人 张惠澍 021-63325888-6123 zhanghuishu@orientsec.com.cn 相关报告 对主动投资有益的量化结论 2016-12-21 在Alpha衰退之前 2016-12-05 A股市场风险分析 2016-12-02 非对称价格冲击带来的超额收益 2016-11-10 东方机器选股模型 Ver 1.0 2016-11-07 金融工程 原因子库根因子据因子精简方法选出的因子 对12因子经过Fama–MacBeth检验后的因子IC 目录 一、新因子介绍 ............................................................................................. 3 二、因子测试结果 .......................................................................................... 6 2.1 DOWNILLIQ ................................................................................................................ 9 2.2 DUVOL ...................................................................................................................... 10 2.3 IVmonthly ................................................................................................................. 11 三、因子增量信息检验 ................................................................................. 12 四、总结 ...................................................................................................... 13 风险提示 ...................................................................................................... 13 参考文献 ...................................................................................................... 14 一、新因子介绍 我们在之前的报告《Alpha因子库精简与优化》提到，根据Harvey (2016)的搜集统计，发表在顶级金融学术期刊和SSRN上的定价因子多达316个[1]。这么多的定价因子已经构成了Cochrane (2011)提出的“新因子动物园”（a zoo of new factors）的概念了。本篇报告主要测试了Harvey(2016)文章中统计的从2002年以后显著且独立的技术类因子共16个。这16个因子分别是：  EIVOL——期望的特质波动率（Expected idiosyncratic volatility）。根据NYSE、Amex和Nasaq从1963-2006年的股票数据计算，特质波动率的变化较大，平均的波动率为55%且相邻期的自相关性仅有33%，因此仅仅使用特质波动率作为下一期股票期望收益率的预测并不是一个好的指标，因此在文中作者采用了Egarch模型来估计期望的特质波动率，并发现期望的特质波动率与股票的期望收益率存在正相关的关系，这与上一期的特质波动率存在的反相关关系相反[2]。  COSKEW——协偏度（Coskewness）。协偏度衡量了一个变量相对于另一个变量的变化的偏差情况: ∑[( ̅ )( ̅ ) ] ∑[( ̅ ) ] ， 其中 为股票在t时刻的收益率， 为基准在t时刻的收益率。COSKEW可以用来衡量股票相对于基准指数的风险非对称性。根据NYSE和Amex从1926-1997年的股票数据，作者研究发现买入过去低协偏度的股票组合可以获得超额收益[3]。  SILLIQ——卖单非流动性（Sell-order illiquidity）。卖单非流动性衡量了高频数据下主动卖出的交易金额对于股票价格变动的影响： ， 其中 为卖出非流动性系数， 为买入非流动性系数， 为股票i在t时间区间内的主动卖出金额， 为股票i在t时间区间内的主动买入金额。根据NYSE从1993-2008年的股票订单数据，作者研究发现卖单非流动性在控制风险后的Fama-MacBeth截面回归对收益率显著，且卖单非流动性的预测效果要好于买单非流动性，这是主要是由于投资者存在亏损厌恶的心理[4]。  BILLIQ——买单非流动性（Buy-order illiquidity）。买单非流动性衡量了高频数据下主买入的交易金额对于股票价格变动的影响。根据NYSE从1993-2008年的股票订单数据，作者研究发现买单非流动性在控制风险后的Fama-MacBeth截面回归对收益率显著，但买单非流动性的预测效果要弱于卖单非流动性，这是主要是由于投资者存在亏损厌恶的心理[4]。  NCSKEW——负偏度系数（negative coefficient of skewness）。负偏度系数计算了股票收益率的历史负偏度： ( ( )) ∑( ̅) ( )( )(∑( ̅) ) ， 其中 是股票i在t时刻收益率。这是一个衡量股价暴跌可能性的指标，学界通常认为NCSKEW高的股票有着更高的暴跌可能，也就有着期望更高的风险溢价。根据NYSE和Amex从1962-1999年的股票数据计算，NCSKEW与未来的超额收益率有着显著的正相关关系[5]。  DUVOL——上下行波动率（down to up volatility）。上下行波动率是历史收益率低于平均收益率的下行波动率比上历史收益率高平均收益率的上行波动率的比率: (( )∑( ̅) ( )∑( ̅) )， 其中， 为大于平均复合收益率的天数， 为小于平均复合收益率的天数。这是一个衡量股价暴跌可能性的指标，学界通常认为DUVOL较高的股票有着更高的暴跌可能，因此也就有着期望更高的风险溢价。根据NYSE和Amex从1962-1999年的股票数据计算，DUVOL与未来的超额收益率有着显著的正相关关系[5]。  CVTURN——换手率的变异系数（Coefficient of Variation of turnover）。换手率的变异系数计算了换手率的波动率比上均值的比率: ( ) ̅̅̅̅̅̅̅̅̅， 如果CVTURN较高，说明换手率的波动较大，也就是说对于持有股票的投资者在未来卖出股票有着更高的交易成本不确定性，所以这类股票就需要有更高的风险溢价来补偿这些不确定性。根据NYSE和Amex从1966-1995年的股票数据计算，CVTURN与未来的超额收益率有着显著的正相关关系[6]。  CVILLIQ——非流动性的变异系数（Coefficient of Variation of ILLIQ）。非流动性的变异系数计算了非流动性指标的波动率比上均值的比率: | | ， ( ) ̅̅̅̅̅̅̅̅̅， 其中 为股票i在t时刻的交易金额，如果CVILLIQ较高，说明非流动性的波动较大，也就是说对于持有股票的投资者在未来卖出股票有着更高的交易成本不确定性，所以这类股票就需要有更高的风险溢价来补偿这些不确定性。根据NYSE和Amex从1964-2009年的股票数据计算，CVTURN与未来的超额收益率有着显著的正相关关系[7]。  BSI——散户的买卖非平衡性(buy–sell imbalance)，散户的买卖非平衡性计算了散户买卖单的非平衡情况： . 其中 是散户的买单金额，S是散户的买单金额。根据统计的结果来看，散户的交易情绪对于股票价格的影响较大，若BSI较大，说明散户在过去持续的买入，股票未来的短期收益率也 较好，反之亦然。根据1983-2001的交易数据计算，BSI与股票未来的短期