常见选股策略的收益特征及其对多因子策略的增强

金融工程 证券研究报告 2022年08月12日 作者 常见选股策略的收益特征及其对多因子策略的增强 祗飞跃分析师 SAC执业证书编号：S1110520120001 特质收益是选股策略的稳定收益来源 通过股票风险模型对选股策略进行收益归因，可以将选股策略的收益分解 difeiyue@tfzq.com 姚远超联系人 yaoyuanchao@tfzq.com 为风险因子贡献和特质贡献两部分，由此可用于分析选股策略超额收益的 收益来源、及各类收益的稳定性。 通过研究十个常见的选股策略我们发现，选股策略的特质收益是长期稳定的，而由行业偏离和风格偏离所带来的收益虽然为正却并不稳定。这意味着我们难以将风险收益贡献作为选股策略的收益来源。 剥离选股策略的风险收益后，策略之间收益相关性大幅降低 通过实证研究发现，策略超额收益经过风险剥离后，策略之间的相关性大幅降低，说明风险收益是引起策略之间相关性高的主要原因。因此在配置选股策略时，关注风险剥离后的策略收益更加本质。 将策略视作独立的风险资产，可以将“均值-方差”优化法推广到由“股票 -策略”构成的资产池 我们首先将选股策略的月度收益作为“策略”资产的收益均值，再以一个多因子模型的预测值为“股票”资产的收益均值，其次结合策略在股票上的权重、利用代数关系将股票风险模型拓展到“股票-策略”资产池，设计了基于该资产池的“均值-方差”优化法。我们对这种组合构建方法进行了测试，具体来说，我们利用十个常见的选股策略来增强一个基于多因子模型的中证500指数优选策略。在严格控制风险暴露的前提下，最终策略的超额收益由年化16.5%增强至年化19.3%，信息比从3.5提高至4.5，选股策略在最终策略中权重占比稳定。 风险提示：模型基于历史数据、模型失效风险、因子失效风险、市场环境变化风险 相关报告 1《金融工程：事件研究：基于股权激励方案特征的选股方法》2021-09-10 2《金融工程：组合交易策略研究：快慢因子整合和多期优化》2021-05-123《金融工程：利用公司公告时的市场反应构建股票收益预测模型》2021-02-02 请务必阅读正文之后的信息披露和免责申明1 内容目录 1.引言3 2.选股策略3 2.1.策略介绍3 2.2.风险模型及策略的风格分布特征4 2.3.策略收益分析5 2.3.1.收益分析方法及原理5 2.3.2.策略收益分解6 2.3.3.策略之间的相关性6 3.多因子模型与基准策略8 3.1.均值-方差优化8 3.2.多因子模型8 3.3.基准策略8 4.“股票-策略”联合优化法9 4.1.均值9 4.2.协方差10 4.3.优化条件10 4.4.优缺点10 4.5.实证效果11 5.总结12 图表目录 图1：选股策略所占权重时序图12 图2：各选股策略历史平均所占权重（最近三年）12 表1：策略风格分布与指数成分股权重分布4 表2：选股组合收益分解6 表3：选股策略“行业+风格+特质”收益的相关性7 表4：选股策略“特质”收益的相关性7 表5：基准多因子模型所用因子8 表6：基准策略历史表现9 表7：“股票-策略”联合优化策略历史表现11 1.引言 近年来关于选股策略有关的研究成为量化投资的主要研究方向之一，这些研究通常是使用若干单独指标或综合指标，通过划分股票区域再选择一定数量股票的方式来构建投资组合。 选股策略研究相较于因子研究有如下优势： 有更加明确的经济、金融和交易目的。 是一种所见即所得的投资策略。 对于股票覆盖率较低的数据，如另类数据，选股策略的研究方法仍旧是适用的。目前选股策略在策略分析、整合与组合构建方面主要采用如下做法： 回测评价常用方法为“超额收益法”，具体做法为选取一个宽基指数作为基准指数，以策略相对于宽基指数的超额收益为评价策略有效性的衡量标准。 配置方法主要采用类似于资产配置的做法，通过估计策略的历史收益率的相关性矩阵来作为策略赋权的主要手段。 在组合优化阶段中，主要采用“资金配置法”和“策略因子化法”两种手段，前者配比一定资金到各个策略上，后者将每个策略所选组合转换成一个哑变量、并赋予一定权重加入到多因子体系。 以上做法都或多或少存在一定的问题，为了完善选股策略的研究框架，我们尝试将股票风险模型引入到策略分析中，其目的在于： 确认选股策略收益贡献的来源。 确认策略与策略之间相关性的成因。 借助策略在股票上的权重，将股票风险模型延拓到“股票-策略”这一更大的风险资产池，并将股票多因子模型常用的“均值-方差”优化法推广到该资产池的“均值-方差”优化法。 为此，我们选取了10个常见的选股策略，基于股票风险模型分析了它们的收益来源、收益时序相关性的构成，实证发现： 常见策略的超额收益中的一部分来自于行业和风格，但是这部分贡献并不稳定。 在剥离掉策略收益中由行业和风格贡献部分后，策略收益之间的相关性大幅下降，这说明策略收益之间的相关性主要由行业和风格所引起。 进一步，我们设计了一个多因子模型，在此基础上结合选股策略、测试了基于“股票-策略”风险模型的“均值-方差”优化法。经过实证发现，这种组合构建方法可以很好将选股策略融合到股票多因子模型中。 本文是对如何分析和使用选股策略的一个初步探讨，希望能够起到抛砖引玉的作用。 2.选股策略 本节我们介绍后面用到的选股策略、分析它们的风格分布特征以及历史表现。 2.1.策略介绍 此处我们介绍后续测试使用到的选股策略，这些策略来自于一些经典的选股策略，有些策略依赖于某些特殊的数据，因此它们的生存周期并不相同。根据数据类别，这些选股策略主要分为如下几类： 1.财务估值类 该类里我们选取了三个策略，分别是基于“估值-盈利”、“估值-成长”和“戴维斯双击”。它们所使用的数据为传统的财务数据和估值数据，我们对“戴维斯双击”策略做了月度再平衡调整，策略起始日均为2017年。 2.分析师类 该类里我们选取了三个策略，分别是“分析师调整”、“分析师超预期”和“分析师领先”。策略起始日均为2017年。 3.券商金股类 该类里我们选取了一个策略，策略从每月的券商金股数据中选取一定数量的股票构建组合。策略起始日为2018年。 4.北向资金类 该类里我们选取了一个策略，策略从北向资金所覆盖的股票里构建组合。策略起始日为2017年。 5.股权激励类 该类里我们选取了两个策略，分别是“基于目标增长率”和“基于人员分配结构”策略。策略起始日为2017年。 2.2.风险模型及策略的风格分布特征 本小节我们首先介绍后面所要用到的风险因子，然后给出选股策略在部分主要风险因子上的平均暴露度，除此之外，我们还分析了选股策略在沪深300指数和中证500指数两个主要指数的成分股上的暴露情况。 风险因子按类别分为如下几类，由于指标较为经典、其定义不在此赘述： 1.市场因子 2.行业因子：基于中信一级行业的哑变量因子 3.主要风格因子：规模因子、BP因子、动量因子、非线性规模因子 4.次要风格因子：波动率因子、流动性因子、Beta因子、杠杆率因子、盈利质量因子、成长因子、历史盈利波动性因子。 下面是2.1节中各策略在几个主要风格因子、沪深300指数和中证500指数成分股上 的平均暴露情况，作为对比我们同时给出了沪深300指数和中证500指数在2017年以来的风格暴露情况： 表1：策略风格分布与指数成分股权重分布 组合名称 Bp 规模 动量 沪深300成分股权重 中证500成分股权重 戴维斯双击 -0.133 -1.162 0.171 9.38% 17.56% 估值-盈利 1.233 -1.097 -0.056 8.35% 30.92% 估值-成长 0.669 -1.142 0.059 6.87% 28.85% 分析师调整 -0.232 -0.416 0.689 21.92% 23.72% 分析师超预期 -0.206 -0.933 0.349 12.14% 18.38% 分析师领先 -0.195 -0.751 0.336 15.74% 20.89% 券商金股 -0.474 -0.857 0.901 2.04% 26.54% 北向资金 -0.620 0.510 0.982 53.10% 23.25% 股权激励目标 -0.378 -1.399 0.072 4.88% 13.25% 股权激励人员 -0.250 -1.324 0.002 5.81% 15.85% 沪深300 0.148 1.235 0.088 100.00% 0.00% 中证5000.125-0.509-0.0590.00%100.00% 资料来源：Wind，朝阳永续，每市，天风证券研究所 从上表中可以看出，策略的风格特征有很大差异： 1.除了北向资金策略之外，所有的策略都偏中小市值。 2.除了估值-盈利和估值-成长策略之外，所有的策略都偏高估值。 3.北向资金策略和券商金股策略在动量因子上暴露度较高。 4.所有策略在中证500指数成分股上的平均暴露都较低。 5.除北向资金外，所有策略在沪深300指数成分股上的平均暴露都很低。因此我们可以得到大致结论如下： 1.选股策略的风格差异大，这为我们后续组合优化时能够平衡最终组合的风格暴露提供了便利； 2.策略在中证500指数和沪深300指数成分股上的暴露度较低，这使得以上策略都难以应用于标准的、带成分股限制的指数增强策略。因此在后续研究中，我们以一个中证500指数优选策略作为策略基准。 2.3.策略收益分析 本小节我们介绍基于风险模型的、对于策略收益及其之间相关性的分析方法，并对2.1 中所介绍的选股策略做实证分析。 2.3.1.收益分析方法及原理 我们分析策略的收益表现，具体步骤如下： 1.利用风险模型将策略日单利收益分解为市场贡献、行业贡献、风格贡献和特质贡献，其中后三者为我们重点关注的对象； 2.计算策略收益的行业贡献、风格贡献和特质贡献，并用夏普率来衡量这三者在收益贡献上的稳定性； 可以看出这跟常见的选股策略收益分析方法有一定的不同，常见做法是选取一个宽基指数作为基准，计算选股策略相对于宽基指数的超额收益。那么，我们的做法的有如下好处： 1.能够更加清晰的看出策略的收益来源 从选股策略的设计目的来说，我们肯定首先希望策略的主要收益来源为特质收益。如果策略在特质收益部分的占比低，那么策略则变成了行业轮动策略或风格轮动策略，而非选股策略。 2.能够分辨出策略收益来源的稳定性 大部分策略设计方法都是基于一定的投资逻辑，但是在具体策略设计时不可避免会有过拟合的倾向。同时由于一些选股策略中参数较多、但历史数据缺乏，使得我们难以进行深入的统计回溯，因此需要对策略的表现进行更加细致的分析。假设收益分解中，特质收益部分是十分稳定的，且行业和风格贡献均为正向但并不稳定，那么我们并不能认为这一部分的收益是可以持续的，但是使用策略相对于某个宽基指数的超额收益作为判断标准、是没有办法区分这一点的。 3.能够配合进行组合优化 通过“均值-方差”来优化组合是常见的组合管理方法，在这一过程中可以通过加入限制条件来控制最终组合在风险上的暴露度。在这种投资模式下，行业和风格对组合最终 的收益贡献被限制在了一个较低的水平，那么常见的“宽基指数-超额收益”分析方法下的超额收益中的行业和风格部分——即使认为它们是稳定的，在“均值-方差-风险控制”体系下并不能完全获取，因此在此假设下，分析特质收益的贡献大小和稳定性更为合理。 4.能够更加准确的分析策略之间的相关性 根据策略分解公式，我们可知策略相对于宽基指数的超额收益由三部分构成：超额收益=行业因子收益+风格因子收益+特质收益 那么对于两个策略来说，它们的协方差计算如下： Cov(策略1超额，策略2超额) =Cov(行业因子收益1+风格因子收益1+特质收益1, 行业因子收益2+风格因子收益2+特质收益2) 假设特质收益和行业收益、风格收益之间的相关性为零，那么策略超