摘要
2018年波动率、换手率、估值因子表现出色
2018年波动率、换手率因子表现出色,在中证500、中证1000成份股和全A股票池的Rank IC值在8%左右。估值因子亦表现出色,在各类股票池的Rank IC值在5%左右。盈利因子表现良好,在中证500、中证1000成份股和全A股票池的Rank IC值在4%左右。反转、技术因子表现接近,在中证1000成份股、全A股票池表现出色,在中证500成份股票池出现回撤。小市值因子在沪深300、中证500成份股票池出现回撤,在其余股票池表现平淡。成长、财务质量因子表现不错,在各类股票池的Rank IC值均为正。Beta因子表现平淡。
12月波动率、换手率因子表现出色,小市值因子表现不佳
12月波动率、换手率因子在各类股票池表现出色,其中在中证500成份股票池表现突出,波动率因子在沪深300成份股票池表现突出。小市值因子表现不佳,在沪深300、中证500、中证1000成份股票池出现回撤,在全A股票池表现平淡,Rank IC值仅为0.6%。财务质量因子在各类股票池表现良好。盈利因子在中证500、中证1000成份股和全A股票池表现良好,在沪深300成份股票池出现回撤。估值、beta因子在沪深300成份股票池表现良好。反转、技术因子在中证1000成份股、全A股票池表现不错,在中证500成份股票池出现回撤。成长因子表现平淡。
上周波动率、换手率因子表现出色,小市值因子表现弱势
上周波动率、换手率因子表现出色,在各类股票池的Rank IC值均超过14%。盈利、财务质量、beta因子表现较好,在各类股票池的Rank IC值均为正。小市值因子表现弱势,在各类股票池的回撤超过14%。反转因子亦表现不佳,在各类股票池出现小幅回撤。估值因子在沪深300、中证1000成份股票池表现不错。技术因子在中证1000成份股票池表现不错,在沪深300成份股票池出现回撤。成长因子在中证500、中证1000成份股票池出现回撤。
主动型量化基金近期表现弱于非量化基金
我们基于Wind量化基金分类,通过自主筛选,构建量化公募基金池,定期跟踪业绩表现。上周主动型、指数型、对冲三个类别的量化基金收益率中位数分别为-0.58%、-0.72%、0.08%,所有股票及偏股型公募基金收益率中位数为-0.48%;近1个月主动型量化基金收益率中位数为-4.35%,所有股票及偏股型公募基金收益率中位数为-4.22%;主动型量化基金近期表现弱于非量化基金。我们基于结合上期持仓的二次规划法、Lasso回归和逐步回归方法,对偏股混合型基金仓位变化情况进行测算,上周偏股混合型基金仓位预测值较前一周基本持平。
上周市场震荡下行,表现最好的指数是上证50
上周市场震荡下行,上证综指一周跌幅0.89%相对较小,创业板指一周跌幅1.56%相对较大;观察市场重要规模指数发现,上证50指数一周跌幅0.57%相对较小,中证1000指数一周跌幅1.94%相对较大;上周表现最好的指数是上证50。在29个中信一级行业中,上周有6个行业处于上涨状态;食品饮料、通信、餐饮旅游行业涨幅位居前三;石油石化、煤炭、建材行业跌幅位居前三;通信、电子元器件、医药行业一周成交额领跑其它行业。
风险提示:风格因子的效果与宏观环境和大盘走势密切相关,历史结果不能预测未来;量化与非量化基金的业绩受到多种因素影响,包括环境、政策、基金管理人变化等,过去业绩好的基金不代表未来依然业绩好,投资需谨慎。本报告所采用的基金仓位测算方法仅基于日频基金净值数据和行业数据,没有利用基金报告中公布的重仓股、行业分布等信息,存在一定局限性,敬请注意。
上周行情回顾
上周(2018/12/24~2018/12/28)A股市场重要指数和一级行业指数涨跌幅如下所示。
上周市场震荡下行。在四个重要的板块指数(上证综指、深证成指、中小板指、创业板指)中,上证综指一周跌幅0.89%相对较小,创业板指一周跌幅1.56%相对较大;在五个重要的规模指数(中证全指、上证50、沪深300、中证500、中证1000)中,上证50指数一周跌幅0.57%相对较小,中证1000指数一周跌幅1.94%相对较大;上周表现最好的指数是上证50。在29个中信一级行业中,上周有6个行业处于上涨状态;食品饮料、通信、餐饮旅游行业涨幅位居前三,分别为1.86%、1.74%、1.57%;石油石化、煤炭、建材行业跌幅位居前三,分别为4.67%、3.36%、3.32%;通信、电子元器件、医药行业一周成交额领跑其它行业。
上周因子表现
我们针对估值、成长、盈利、财务质量、小市值、反转、波动率、换手率、beta、技术共十个风格因子,在沪深300成份股、中证500成份股、中证1000成份股、全A股市场四种股票池内计算行业中性及市值中性的Rank IC值、IC_IR比率,并展示在下面七个图表中。这一计算过程可以简要描述为:
1. 计算附录一表格中所有细分因子的值;
2. 对每个细分因子,用其自身作因变量,用对数总市值和29个一级行业哑变量作自变量进行OLS线性回归,取回归残差替代原始计算的因子值;
3. 对新因子值用中位数法去极值,再标准化,然后将属于同一个风格大类(比如估值)的细分因子直接等权相加作为风格因子的值,与个股下期收益率计算Spearman秩相关系数,即得到该风格因子的Rank IC值;
上周、本月初至今(或指定月份的)Rank IC值分别是用前一周五、上个月(或指定月份前推一个月)的月底作为截面期计算因子值,经过前3步处理后与个股上周、本月初至今(或指定月份的)收益计算相关系数,指定时间区间内Rank IC均值是以自然月为频率计算的月度Rank IC的平均值(本月的Rank IC值即为本月初至今Rank IC值),IC_IR是月度Rank IC的均值除以标准差。
十个风格大类共包含34个细分因子,它们的详细计算方式参见附录一,风格因子合成与IC值计算方法参见附录二,细分因子IC值详表参见附录三。
上周量化基金表现
我们以Wind收集的量化概念类基金(包括主动型、指数型、对冲三个子类)为基础,针对以下几种情形进行调整:
1. 同一只基金可能存在A类、C类或其它类别份额,不同类别份额可以各自对应于独立的基金代码,我们在统计时只考虑成立最久的那一个基金代码(若成立日相同则选A类份额)对应的业绩表现;
2. 去除债券型基金、偏债混合型基金、封闭式基金、非主要投资于A股市场的基金,去除成立三个月之内的基金;
3. 去除明显不是量化型的基金(主要通过基金经理背景、经历和其它信息综合判断);
4. 我们将所有开放式公募基金中普通股票型和偏股混合型合并作为参照组,因为基金数目众多,细微调整对分位数计算的影响较小,所以对参照组没有进行上述3条处理。
考虑到Wind收集的量化基金可能不全,所以此处讨论的量化基金可以认为是全市场量化基金的一个有代表性的子集。近期量化基金表现如下面图表所示。
基金仓位测算观察
我们基于结合上期持仓的二次规划法、Lasso回归和逐步回归三种回归方法,对偏股混合型基金2018年初至今仓位变化情况进行了测算。这一计算过程可以简要描述为:
1. 选取Wind分类下的偏股混合型基金,剔除沪港深基金等非完全投资于A股市场的基金,剔除数据方面有缺失值或存在疑问的基金,剔除2017年以后成立的基金,共保留480只偏股混合型基金。
2. 以过去90个交易日基金的日频收益率作为因变量,29个中信一级行业指数日收益率作为自变量,样本按时间衰减赋权,通过不同的回归方式对各行业变量前的回归系数进行拟合,再求所有回归系数之和,即得基金仓位预测值。
3. 对于结合上期持仓的二次规划法,我们对目标函数进行最优化求解,需要求解的目标向量为仓位向量。目标函数包含两项,第一项是基金日收益率预测值与真实值的均方误差,第二项是基金在各指数的预测仓位与上期真实仓位的误差平方和,λ是第二项损失项前的系数,此处将λ设为100。
4. 对于Lasso回归,其基本原理是在普通最小二乘的损失函数基础上添加L1正则化项,使原本较为病态的回归问题可以正常求解。Lasso回归将某些行业前面的回归系数压缩成0,提取出一组“回归效果最好”的行业组作为解释变量组。Lasso回归具有一个可调参数λ,我们采用10折交叉验证从1e-3至1的范围内搜索最优λ值。
对于逐步回归,我们采用逐步进入方法,每次引入或剔除自变量,都对原模型和新模型进行F检验。如果新自变量的引入能够显著提升模型的解释能力,那么引入该自变量;如果原自变量的剔除不会显著降低模型的解释能力,那么剔除该自变量。直到不再有变量被选入或剔除为止。变量被保留的p值为0.05,被剔除的p值为0.1。
关于回归法进行基金仓位测算的具体方法,感兴趣的投资人可以参阅华泰金工研报《再探回归法测算基金持股仓位》(2018.12.24)了解更多详情。我们使用过去90个交易日的数据进行回归计算,按日滚动回归,得到偏股混合型基金仓位预测值均值变化曲线,如下图所示。上周偏股混合型基金仓位预测值较前一周基本持平。
附录一:所有细分因子计算方法
上表第三列因子方向解释:取值为1代表因子值越大越好,-1代表因子值越小越好。当采用等权法合成风格因子时,需将因子值乘以因子方向之后再相加。
附录二:风格因子合成与IC计算方法
我们以某一截面期T估值类风格因子的合成为例,具体说明风格因子合成过程:
1.因子原始值计算:设第T期指定股票池(全A股、沪深300成份股、中证500成份股、中证1000成份股)内共存在N只股票,首先根据附录一表格计算细分因子EP、BP、SP、股息率在第T期的值,均为N×1维向量;
2.因子的行业与市值中性化处理:用OLS线性回归拟合
取上述回归方程的残差向量替代原始计算的因子值X^T作为第T期因子X的新值,仍记为X^T,这里的X指代EP、BP、SP、股息率等细分因子(特别地,若因子X为‘对数总市值’因子,则它只对行业哑变量回归,亦即对该因子只进行行业中性化处理);
3. 因子去极值、标准化:
a) 中位数去极值:对于经过中性化处理之后的因子值X^T(N×1维向量),先计算其中位数D_M,再计算|X^T-D_M |的中位数D_M1,接下来将向量X^T中所有大于D_M+5D_M1的元素重设为D_M+5D_M1,将向量X^T中所有小于D_M-5D_M1的元素重设为D_M-5D_M1;
b) 标准化:将去极值处理后的因子值X^T(N×1维向量)减去其现在的均值、再除以其现在的标准差,就得到了标准化后的新因子值,仍记为X^T;
4. 风格因子合成与Rank IC计算:将属于估值类的四个细分因子值(经过以上所有处理之后)乘以各自的因子方向(1或-1)之后直接等权相加,就得到了估值风格因子的值,与个股下期收益率向量r^(T+1)计算Spearman秩相关系数,即得到估值风格因子的Rank IC值;
5. 上周、本月初至今(或指定月份的)的风格因子Rank IC值分别是用上上周五、上个月底作为截面期计算因子值,经过前4步处理后与个股上周、本月初至今(或指定月份的)收益向量计算Spearman秩相关系数而得的,指定时间区间内Rank IC均值是以自然月为频率计算的月度Rank IC的平均值(若指定时间区间中最末一天不是月底,则用最后一个月的月初至区间最末一天的Rank IC值作为最后一个月的Rank IC值),IC_IR是月度Rank IC的均值除以标准差(不年化);
6. 细分因子的Rank IC值即用第2步处理结束后得到的因子值X^T乘以因子方向(1或-1)再与个股下期收益率向量r^(T+1)计算Spearman秩相关系数。
附录三:所有细分因子IC值表现
所有细分因子在不同票池(全A股、沪深300成份股、中证500成份股、中证1000成份股)内的IC值表现如以下四张图表所示:
风险提示
风格因子的效果与宏观环境和大盘走势密切相关,历史结果不能预测未来;量化与非量化基金的业绩受到多种因素影响,包括环境、政策、基金管理人变化等,过去业绩好的基金不代表未来依然业绩好,投资需谨慎。本报告所采用的基金仓位测算方法仅基于日频基金净值数据和行业数据,没有利用基金报告中公布的重仓股、行业分布等信息,存在一定局限性,敬请注意。
免责申明
本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求,本公众号内容仅面向华泰证券客户中的专业投资者,请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者,请取消关注本公众号,不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限,若给您造成不便,烦请谅解!本公众号旨在沟通研究信息,交流研究经验,华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。
本公众号研究报告有关内容摘编自已经发布的研究报告的,若因对报告的摘编而产生歧义,应以报告发布当日的完整内容为准。如需了解详细内容,请具体参见华泰证券所发布的完整版报告。
本公众号内容基于作者认为可靠的、已公开的信息编制,但作者对该等信息的准确性及完整性不作任何保证,也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期,华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。
在任何情况下,本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断,应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料,有可能会因缺乏解读服务而对内容产生理解上的歧义,进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果,华泰证券及作者均不承担任何法律责任。
本公众号版权仅为华泰证券股份有限公司所有,未经公司书面许可,任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失,华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格,经营许可证编号为:91320000704041011J。
林晓明
执业证书编号:S0570516010001
华泰金工深度报告一览
金融周期系列研究(资产配置)
【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究
【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告(上)
【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(四)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(三)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(二)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(一)——华泰金工周期系列研究
【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索
【华泰金工林晓明团队】金融经济系统周期的确定(下)——华泰金工周期系列研究
【华泰金工林晓明团队】金融经济系统周期的确定(上)——华泰金工周期系列研究
【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列
【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探
FOF与金融创新产品
【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一
因子周期(因子择时)
【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二
择时
【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用
行业轮动
【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五
【华泰金工林晓明团队】动量增强因子在行业配置中的应用--华泰行业轮动系列报告之四
【华泰金工林晓明团队】财务质量因子在行业配置中的应用--华泰行业轮动系列报告之三
【华泰金工林晓明团队】周期视角下的行业轮动实证分析·华泰行业轮动系列之二
【华泰金工林晓明团队】基于通用回归模型的行业轮动策略 · 华泰行业轮动系列之一
多因子选股
【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九
【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八
【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七
【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六
【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五
【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四
【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三
【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二
【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一
【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二
人工智能
【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三
【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二
【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一
【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十
【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九
【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八
【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七
【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六
【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五
【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四
【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三
【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二
指数增强基金分析
【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告
【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证
基本面选股
【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究
【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究
【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究
【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究
基金定投
【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四
Smartbeta
【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一
其它