从收益归因到因子择时x.docxVIP

目录

因子收益构建体系 4

风格因子本质 4

行业因子本质 6

风格和行业的信息交叉 8

小节 10

因子归因体系 11

暴露估计 11

收益归因 12

不同体系的归因结果 14

因子择时思考 16

因子spread 16

因子crowd 19

体系归一思考 19

小结 21

总结 21

图表目录

图1：纯因子风格因子收益净值 6

图2：Fama因子风格因子收益净值 6

图3：食品饮料行业因子收益净值 8

图4：银行行业因子收益净值 8

图5：行业各风格平均暴露 9

图6：风格和行业信息重合部分 10

图7：沪深300不同体系流动性因子暴露 12

图8：沪深300不同体系二次方市值因子暴露 12

图9：创业板指不同体系规模因子暴露 12

图10：创业板指不同体系二次方市值因子暴露 12

图11：沪深300不同体系规模因子归因 13

图12：沪深300不同体系盈利因子归因 13

图13：创业板指不同体系价值因子归因 14

图14：创业板指不同体系流动性因子归因 14

图15：沪深300不同体系暴露百分比 14

图16：创业板指不同体系暴露百分比 14

图17：沪深300不同体系收益归因百分比 15

图18：创业板指不同体系收益归因百分比 15

图19：沪深300相对创业板指不同体系收益归因百分比 15

图20：沪深300相对创业板指不同体系规模因子暴露 16

图21：沪深300相对创业板指不同体系价值因子暴露 16

图22：沪深300相对创业板指不同体系规模因子收益归因 16

图23：沪深300相对创业板指不同体系价值因子收益归因 16

图24：不同体系市值因子净值走势 18

表1：不同体系风格因子相关性 6

表2：不同体系行业因子相关性 8

表3：纯因子模型风格、行业因子解释能力 9

表4：加入行业因子前后风格因子Fama-Macbeth回归结果 10

表5：不同体系沪深300和创业板指风格因子暴露相关性 12

表6：不同体系沪深300和创业板指风格因子归因相关性 13

表7：不同体系市值因子相关性 17

表8：因子spread和因子收益相关性 19

表9：收益解释的百分比误差相关性 20

本篇报告主要针对以多因子模型为代表的收益率线性分解模型，给出探讨。

多因子模型通过线性回归，将个股的收益分解到各个因素之上，其通用形式如下：

□=□□+□

其中□为个股收益，□为因子收益，□为个股在因子上的暴露（即多少个单位的因子收益），□为个股的特异收益率。其中□□为多因子体系对每个个股给出解释的部分，因为解释为体系对所有个股通用，可以理解为系统性风险；□为每个个股自身特有的收益部分，

即多因子体系无法对个股收益给出解释的部分，可以理解为个股的超额收益能力。收益归因主要针对□□和□,对个股收益给出分解。

因子收益构建体系

在多因子线性模型体系中，通常包含风格因子、行业因子和国家因子等，落实到因子部分的收益分解就是估计□（个股暴露）和□（因子收益），其中□为所有个股通用，□每个个股不同，两者均可以通过线性回归求解，目前有两种常见体系：

以Fama-French三因子模型为代表，首先通过构建组合得到因子收益，然后通过个股或组合收益对因子收益做时间序列回归，得到个股或组合的因子暴露；

以Barra纯因子模型为代表，首先通过对因子数据进行相关处理（如标准化）得到个股或组合的因子暴露，然后通过个股或组合收益对暴露做截面回归，得到因子收益。

风格因子本质

首先从纯因子模型出发，从单个风格因子来看，对每只个股分解形式如下：□□=□0+□□□1+□□

其中□□为个股收益，□0为市场收益，□□为个股暴露，□1为因子收益，□□为个股特异收益。设在构建暴露时个股权重为□□,一般有市值加权、市值开方加权和等权，则有：

Σ□□□□=0;Σ□□□□2=1

如果暴露的构建和回归的权重相同时，则风格因子收益的解为：

□1=Σ(□□□□)□□

可以看到，风格因子收益为按照个股的暴露加权，得到的多空组合的收益，即做多暴露为正的个股，做空暴露为负的个股，组合的权重和加权暴