新浪財經訊 長江證券6月14日在湖北恩施舉辦“長江證券2012年中期投資策略研討會暨上市公司交流會”。會議就2012年下半年宏觀形勢、行業策略與資產配置等議題進行研討。新浪財經現場直播，圖為長江證券研究部金融工程主管范辛亭作報告。

　　報告要點

　　1、模型概述

　　我們這個系列報告嘗試使用Fama-MacBeth來建立多因子模型。相比使用排序的方法而言，回歸因子模型的優點是可以更好的控制信息和對比信息，將更多的有效因子納入選股體系，提高超額收益的幅度和穩定性。

　　2、單因子結果檢驗

　　極端數據會使得備選股票的主體與因子之間的關系嚴重偏估；缺省數據會使合格樣本在多因子下越變越少，因此我們設計了一套方法給這兩種情況賦予合理的因子值。具體做法是：將極端數據和缺省數據分別作為一類，求得其平均收益率，之后根據回歸方程反算因子值，然后統計平均的因子的分位數，然后將分位數代入每期的因子，將極端值和缺省數據替換。

　　單變量的檢驗中，檢驗值較高的因子是預期PEG、換手率變化、預期EP、主營收入當季同比增速、SP、CFP、預期增長率、股東權益周轉率。

　　3、多因子組合

　　多因子組合我們計算了三種組合的走勢，表現最好的是包含預期數據和技術指標的組合，包含因子：預期PEG、預期EP、預期增長率、SP、CFP、主營收入當季同比增速、20日換手率及其平方、60日換手率及其平方。在不計交易成本的前提下，從2004年8月份到2011年9月份年化收益50.61%，勝率相對全等權指數達70.59%，相對全等權指數的超額收益達1351.23%。

　　4、研究目的

　　前一篇報告我們使用Fama-MacBeth來建立多因子模型，不過沒有區分牛熊市下的表現。正如CAPM模型中的beta因子，在牛市中高beta能獲得超額收益，而在熊市中低beta股票表現更為出色，投資者在牛熊市中的選股邏輯是有所區別的，所以我們想知道其他因子在牛熊市下的不同表現。

　　5、牛熊劃分

　　我們使用長江趨勢模型來識別牛熊市，主要步驟包括高低點識別和趨勢生成。

　　6、單因子牛熊檢驗

　　基于歷史數據的估值因子都是在牛市更加顯著；

　　預期因子也是在牛市表現比熊市更好；

　　增速類的因子在牛市表現更好；

　　市值因子在熊市表現比牛市更加顯著；

　　熊市中現金比率、償債能力等因子會體現出選股效果，而牛市中則基本沒有。

　　部分因子適合持有更長

　　我們在之前的報告中都是使用固定一個月換倉的方式來做組合或者測試單因子的效果。通常情況下，調整越頻繁，更容易抓住近期變化的因子。但是實際上某些因子，比如一些財務因子：主營收入季度同比收入、凈利潤增長率之類的，這些因子一個季度才會變動一次，它們不需要每個月調整，一個季度進行一次篩選可能就足夠了。

　　檢驗方法

　　我們使用Fama-MacBeth檢驗因子的有效性。但是考慮到如果在每個月底做的下一段時間的收益率是超過或者等于兩個月，這樣一個每個截面的回歸系數有一定的自相關性。這里我們使用Newey-West來消除自相關性，我們一共檢測持有期從1個月到12個月，最后查看哪個持有期的檢驗值最高。

　　單變量持有期檢驗

　　估值類指標：BP和SP都是持有超過半年才會更加顯著，而且隨著持有時間的延長，檢驗值更加顯著，CFP則適合持有較為短期，隨著持倉時間的延長，檢驗值在明顯的降低。而EP則直接都不顯著了。

　　成長類指標：TTM類的增速都不顯著，而當季同比的指標都是在持倉3到4個月的時候最佳。這個也和指標本身的邏輯符合，因為每個季度這個指標都會更新一次，也是3個月左右的頻率變動。

　　一致預期指標：預期EP是隨著持有時間加長，效果更好，而預期PEG是在持倉5到6個月的時候達到最佳。單純的預期增長率短期效應更好，而且預期指標使用回溯90日的效果不好。

　　技術指標：60日動量是一個適合短期持倉的指標，20日換手率和60日換手是如此，而換手率變化這個指標的最佳持倉周期在8到9個月。

　　多因子組合的構建

　　以持有三個月為例，由于我們是持有多個月，所以我們雖然是每月調倉，但是實際上只調整了三分之一，也就是我們在每個月底增加三分之一的新的組合，然后將3個月之前的那三分之一的組合剔除。

　　風險因子與普通選股因子的區別

　　普通選股因子是全局有效的，在時間序列上的表現是有效和無效混雜在一起，也就是會在某一個時間有效，然后某個時間又會失效，沒有明顯的趨勢規律。風險選股因子可能是全局無效的，這些因子只會在特定的市場行情下才會有效。風險因子一般都會持續一段時間，形成一波趨勢性的投資機會。

　　風險因子的重要性

　　風險因子包含類別可以簡單概括為：風格類風險因子(包括大小盤，估值成長，高低股價)，行業收益，主題類以及事件類。相對來說，主題類的較難以量化，風格和行業相對來說更容易量化。

　　以個股對應申萬一級行業當月收益率來解釋個股當月收益率會非常顯著，說明行業的收益率對個股的表現影響非常大。

　　我們之前做的行業多因子擇時模型能夠對行業實際收益率截面上排序有一定預測作用，使用Fama-MacBeth檢驗也十分顯著。

　　我們將行業預期收益率作為一個單獨的選股因子做Fama-MacBeth檢驗，結果非常顯著，并且檢驗值比之前所有普通選股因子的絕對值都更大，說明行業預測的準確性對個股的選擇影響非常大。

　　整合選股模型的構建

　　我們將行業預期收益率這個因子加入之前的按月調倉的選股模型里面，在加入了預期行業收益之后，預期行業收益這個因子的檢驗值并沒有明顯的下降，說明這個因子和普通的選股因子的作用是不一樣的。而且從解釋度來說也增加1%左右，說明這個因子的選股效果較為明顯。

　　考慮行業因子的整合選股模型不是把行業收益不加任何加工就帶入選股模型，而是在行業因子前面有回歸系數，這個經驗系數有兩個作用：一是考慮了行業收益預測的不確定性，二是考慮了與其他普通因子的協同性。

　　從組合表現來看，夏普比率從38.20%上升到45.87%，信息比率從48.92%上升到72.90%，年化收益從55.32%上升到75.44%，改進非常明顯。