图文：长江证券研究部金融工程主管范辛亭

　　新浪财经讯 长江证券6月14日在湖北恩施举办“长江证券2012年中期投资策略研讨会暨上市公司交流会”。会议就2012年下半年宏观形势、行业策略与资产配置等议题进行研讨。新浪财经现场直播，图为长江证券研究部金融工程主管范辛亭作报告。

　　报告要点

　　1、模型概述

　　我们这个系列报告尝试使用Fama-MacBeth来建立多因子模型。相比使用排序的方法而言，回归因子模型的优点是可以更好的控制信息和对比信息，将更多的有效因子纳入选股体系，提高超额收益的幅度和稳定性。

　　2、单因子结果检验

　　极端数据会使得备选股票的主体与因子之间的关系严重偏估；缺省数据会使合格样本在多因子下越变越少，因此我们设计了一套方法给这两种情况赋予合理的因子值。具体做法是：将极端数据和缺省数据分别作为一类，求得其平均收益率，之后根据回归方程反算因子值，然后统计平均的因子的分位数，然后将分位数代入每期的因子，将极端值和缺省数据替换。

　　单变量的检验中，检验值较高的因子是预期PEG、换手率变化、预期EP、主营收入当季同比增速、SP、CFP、预期增长率、股东权益周转率。

　　3、多因子组合

　　多因子组合我们计算了三种组合的走势，表现最好的是包含预期数据和技术指标的组合，包含因子：预期PEG、预期EP、预期增长率、SP、CFP、主营收入当季同比增速、20日换手率及其平方、60日换手率及其平方。在不计交易成本的前提下，从2004年8月份到2011年9月份年化收益50.61%，胜率相对全等权指数达70.59%，相对全等权指数的超额收益达1351.23%。

　　4、研究目的

　　前一篇报告我们使用Fama-MacBeth来建立多因子模型，不过没有区分牛熊市下的表现。正如CAPM模型中的beta因子，在牛市中高beta能获得超额收益，而在熊市中低beta股票表现更为出色，投资者在牛熊市中的选股逻辑是有所区别的，所以我们想知道其他因子在牛熊市下的不同表现。

　　5、牛熊划分

　　我们使用长江趋势模型来识别牛熊市，主要步骤包括高低点识别和趋势生成。

　　6、单因子牛熊检验

　　基于历史数据的估值因子都是在牛市更加显著；

　　预期因子也是在牛市表现比熊市更好；

　　增速类的因子在牛市表现更好；

　　市值因子在熊市表现比牛市更加显著；

　　熊市中现金比率、偿债能力等因子会体现出选股效果，而牛市中则基本没有。

　　部分因子适合持有更长

　　我们在之前的报告中都是使用固定一个月换仓的方式来做组合或者测试单因子的效果。通常情况下，调整越频繁，更容易抓住近期变化的因子。但是实际上某些因子，比如一些财务因子：主营收入季度同比收入、净利润增长率之类的，这些因子一个季度才会变动一次，它们不需要每个月调整，一个季度进行一次筛选可能就足够了。

　　检验方法

　　我们使用Fama-MacBeth检验因子的有效性。但是考虑到如果在每个月底做的下一段时间的收益率是超过或者等于两个月，这样一个每个截面的回归系数有一定的自相关性。这里我们使用Newey-West来消除自相关性，我们一共检测持有期从1个月到12个月，最后查看哪个持有期的检验值最高。

　　单变量持有期检验

　　估值类指标：BP和SP都是持有超过半年才会更加显著，而且随着持有时间的延长，检验值更加显著，CFP则适合持有较为短期，随着持仓时间的延长，检验值在明显的降低。而EP则直接都不显著了。

　　成长类指标：TTM类的增速都不显著，而当季同比的指标都是在持仓3到4个月的时候最佳。这个也和指标本身的逻辑符合，因为每个季度这个指标都会更新一次，也是3个月左右的频率变动。

　　一致预期指标：预期EP是随着持有时间加长，效果更好，而预期PEG是在持仓5到6个月的时候达到最佳。单纯的预期增长率短期效应更好，而且预期指标使用回溯90日的效果不好。

　　技术指标：60日动量是一个适合短期持仓的指标，20日换手率和60日换手是如此，而换手率变化这个指标的最佳持仓周期在8到9个月。

　　多因子组合的构建

　　以持有三个月为例，由于我们是持有多个月，所以我们虽然是每月调仓，但是实际上只调整了三分之一，也就是我们在每个月底增加三分之一的新的组合，然后将3个月之前的那三分之一的组合剔除。

　　风险因子与普通选股因子的区别

　　普通选股因子是全局有效的，在时间序列上的表现是有效和无效混杂在一起，也就是会在某一个时间有效，然后某个时间又会失效，没有明显的趋势规律。风险选股因子可能是全局无效的，这些因子只会在特定的市场行情下才会有效。风险因子一般都会持续一段时间，形成一波趋势性的投资机会。

　　风险因子的重要性

　　风险因子包含类别可以简单概括为：风格类风险因子(包括大小盘，估值成长，高低股价)，行业收益，主题类以及事件类。相对来说，主题类的较难以量化，风格和行业相对来说更容易量化。

　　以个股对应申万一级行业当月收益率来解释个股当月收益率会非常显著，说明行业的收益率对个股的表现影响非常大。

　　我们之前做的行业多因子择时模型能够对行业实际收益率截面上排序有一定预测作用，使用Fama-MacBeth检验也十分显著。

　　我们将行业预期收益率作为一个单独的选股因子做Fama-MacBeth检验，结果非常显著，并且检验值比之前所有普通选股因子的绝对值都更大，说明行业预测的准确性对个股的选择影响非常大。

　　整合选股模型的构建

　　我们将行业预期收益率这个因子加入之前的按月调仓的选股模型里面，在加入了预期行业收益之后，预期行业收益这个因子的检验值并没有明显的下降，说明这个因子和普通的选股因子的作用是不一样的。而且从解释度来说也增加1%左右，说明这个因子的选股效果较为明显。

　　考虑行业因子的整合选股模型不是把行业收益不加任何加工就带入选股模型，而是在行业因子前面有回归系数，这个经验系数有两个作用：一是考虑了行业收益预测的不确定性，二是考虑了与其他普通因子的协同性。

　　从组合表现来看，夏普比率从38.20%上升到45.87%，信息比率从48.92%上升到72.90%，年化收益从55.32%上升到75.44%，改进非常明显。