细分行业建模之券商内因子研究：《因子选股系列研究之二十九》

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】 细分行业建模之券商内因子研究 ——《因子选股系列研究之二十九》 研究结论 从2013年开始，券商股在沪深300成分股中的总权重就始终处在8%以上，最高的时候甚至能达到12%，对于指数有着不低的影响。此外，券商指数与其他行业指数走势的同步率较低，说明券商行业有其独特之处。因此，在构建沪深300增强组合的时候，若能对于券商、银行等权重占比较大的独特行业进行独立的分块建模，理论上可以使指数增强组合的效果有一定的提升。 从券商内单因子选股效果来看，估值类因子：BP_LF、EP_TTM、SP_TTM、BP_LF_M、EP_TTM_M和SP_TTM_M在券商里有非常好的选股效果，不论是IR还是扣费后多空月收益都大幅高于其他因子，其中用月报数据计算的估值因子整体表现会更好一些。此外，TO、ILLIQ、RealizedVolatility_1Y、SP_F也有一定的选股作用。 我们分别建立了估值和非流动性的二大类因子模型和纯估值大类因子模型，从对冲组合的表现来看，纯估值大类因子模型的表现显著好于二大类因子模型，在控制了5%跟踪误差的情况下，对冲组合2010.12.31-2017.9.29的年化收益率为9.5%，最大回撤-4.03%，IR为1.88，表现十分出色。 常规的建立沪深300增强组合的方法并不能对券商内股票很好的建模，我们对比了常规建模、银行单独建模和银行券商单独建模的表现，常规方法构建的对冲组合年化对冲收益为7.51%，IR为1.82，最大回撤为-5.46%，银行单独建模的对冲组合年化收益为8.76%，IR为2.18最大回撤为-5.55%，同时对银行券商单独建模的对冲组合年化收益为9.13%，IR为2.43，最大回撤为-3.33%，对银行和券商单独建模都对整体模型有着显著的提升。 风险提示: 极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。 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。 报告发布日期 2017年10月26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 质优股量化投资 2017-08-31 用机器学习解释市值：特异市值因子 2017-08-04 预期外的盈利能力 2017-07-09 因子选股与事件驱动的Bayes整合 2017-06-01 多因子模型在港股中的应用 2017-04-26 金融工程 常规建模、银行单独建模和银行券商单独建模沪深300成分内增强组合表现对比 目录 为什么要对券商股单独建模？ ........................................................................ 3 单因子测试 .................................................................................................... 4 估值因子 ............................................................................................................................ 5 成长类因子 ......................................................................................................................... 5 盈利能力因子 ..................................................................................................................... 6 反转因子 ............................................................................................................................ 7 非流动性和低波动因子 ....................................................................................................... 7 预期类因子 ......................................................................................................................... 8 多因子模型 .................................................................................................... 9 构建券商内选股模型........................................................................................................... 9 券商单独建模的优势......................................................................................................... 13 总结 ............................................................................................................. 14 风险提示 ...................................................................................................... 14 为什么要对券商股单独建模？ 1.券商股在沪深300指数中权重较高，图1展示了2010年6月-2017年9月沪深300成分股中券商股的数量和总权重，沪深300成分内的券商占上市3个月券商比重平均约为95%，也就是说几乎所有的上市满3个月的券商都在沪深300内，沪深300成分股中券商股的数量从2010.6年开始的13支，逐渐增加到2017.9的26支，数量上虽然占比较少，但是从2013年开始，券商股在沪深300成分股中的总权重就始终处在8%以上，权重最高的时候甚至能达到12%，对于指数有着一定的影响。因此，在做沪深300指数增强组合的时候，若能对于非银金融、银行等权重占比较大的行业进行独立的分块建模，就会使指数增强组合的整体效果有一定的提升。而非银金融中，保险虽然权重不低，但样本太少，很难通过量化的手段进行研究，因此我们这里主要针对非银中的券商股做量化选股的研究。 图1：券商股在沪深300指数中的数量和总权重 数据来源：东方证券研究所 Wind资讯 图2：不同行业指数收益率的平均相关性 数据来源：东方证券研究所 Wind资讯 2.券商股和其他类型股票的平均相关性较低。图2展示了2010.6-2017.9中信行业指数的平均相关性，其中我们把券商行业指数也作为一个行业加入到里面，可以看到券商指数的平均相关性和非银指数类似，是除了银行以外平均相关性最低的行业。同样显著的低于其他行业。因此，券商股的走势与其他类型股票较不同步，说明券商股有其特别的性质。 综合上述两点，我们有必要针对券商股单独进行建模以取得更好的整体增强效果。 单因子测试 本文主要对沪深300券商成分股中的因子效果做了检验(2010.6.30-2017.9.29)，并根据单因子检验的效果建立了动态的多因子模型，由于券商股的股票数量较少，常规的计算rankIC和ICIR的方法会受小样本影响较大，因此这里我们通过统计等权多空组合（前40%减去后40%）的收益和多空组合IR的方法来作为衡量单因子好坏的量度。在估计的时候，因为不同因子的换手率水平差异较大，因此仅仅看多空组合月收益和IR并不能很好的反映因子真实的表现，所以我们用多空平均月收益的绝对值扣除换手率调整的费率（单边千3）作为扣费后收益的近似，以期综合考虑因子的表现。 图3：测试因子列表 数据来源：东方证券研究所 值得注意的是，上市券商会在每个月公布未经审计的月报，所以我们这里也基于最新公告的月报数据构建了几个估值、成长和盈利因子。由于月报从2010.7才开始公布，而且计算TTM和成长因子时需用到历史一年的数据，因此缺失的月报数据我们用季报数据进行补充。 此外，不同的因子选股的方向是不同的，因此在下文构建多空组合累积净值的时候，我们都根据因子的方向进行了调整，以保证多空组合的方向都是一致的。 类型因子简称因子说明BP_LFNewest Book Value/Market CapEP_TTMTTM earnings/ MarketCapSP_TTMTTM Sales/ Market CapBP_LF_M根据月报数据计算的BP_LPEP_TTM_M根据月报数据计算的EP_TTMSP_TTM_M根据月报数据计算的SP_TTSalesGrowth_Qr_YOY营业收入增长率（季度同比）ProfitGrowth_Qr_YOY净利润增长率（季度同比）SalesGrowth_M_YOY营业收入增长率（月度同比）ProfitGrowth_M_YOY净利润增长率（月度同比）ROE净资产收益率ROA总资产收益率ROE_M根据月报数据计算的净资产收益率ROA_M根据月报数据计算的总资产收益率Ret1M1个月收益反转Ret3M3个月收益反转PPReversal乒乓球反转因子CGO_3MCapital Gains Overhang (3M)IRFF1-Fama-French regression SSR/SSTTO以流通股本计算的1个月日均换手率ILLIQ每天一个亿成交量能推动的股价涨幅Beta252个交易日对中证全指滚动回归RealizedVolatility_3M过去三个月日收益率数据计算的标准差RealizedVolatility_1Y过去一年日收益率数据计算的标准差SP_F预期的SPEP_F预期的EPEaringings_Changes过去三个月盈利预测上调家数-下调家数Rate平均的评级Rate_Changes过去三个月评级上调家数-下调家数FP2P预期目标价除以当前股价SalesGrowth_F预期营业收入增长ProfitGrowth_F预期净利润增长预期估值预期成长其他预期