西学东渐之六十三实证篇：基于外生变量的因子择时新方法

1、目录1、引言 .- 3 -2、因子择时标的.- 3 -3、基于参数化策略的因子择时策略.- 4 -3.1 时序模型.- 4 -3.2 横截面模型.- 5 -4、不同设定下因子择时表现.- 6 -4.1 变量筛选.- 6 -4.2 动态滚动模型选择.- 7 -5、总结.- 7 -附录.- 8 -图表 1、风格因子列表.- 3 -图表 2、风格因子 IC 表现（2005.1-2019.11） .- 4 -图表 3、风格因子 IC 表现（2017.1-2019.11） .- 4 -图表 4、拓展模型流程图.- 5 -图表 5、时序模型合成因子IC 表现（2014.1-2019.11） .- 5 -图

2、表 6、时序模型合成因子多空净值曲线.- 5 -图表 7、时序模型合成因子多空组合表现.- 5 -图表 8、横截面模型合成因子IC 表现（2014.1-2019.11） .- 6 -图表 9、横截面模型合成因子多空净值曲线.- 6 -图表 10、横截面模型合成因子多空组合表现.- 6 -图表 11、时序模型保留不同主成分合成因子 IC 表现.- 6 -图表 12、滚动模型流程图 .- 7 -图表 13、时序模型不同动态滚动模型下合成因子 IC 表现.- 7 -图表 14、宏观经济变量 .- 8 -图表 15、宏观经济变量详细介绍 .- 8 -图表 16、市场状态变量 .- 9 -图表 17、市

3、场状态变量详细介绍 .- 10 -图表 18、因子特征变量详细介绍 . - 11 -报告正文1、引言因子择时从本质来说是对因子权重进行更好的动态配置。传统的因子择时方法通常将问题转换为如何更好的估计因子收益以及因子收益协方差矩阵。Drobetz W 等人于 2019 年在Financial Analysts Journal发表的论文Optimal Timing and Tilting of Equity Factors，提出了一种使用外生变量构建因子择时策略的新方法，对因子权重直接进行参数化设计（Parametric Portfolio policy ,下文简称为 PPP）。PPP 方法有着多

4、种优势：更全面：PPP 方法隐含地考虑了外生变量对因子收益的均值、协方差矩阵的影响，可认为 PPP 方法是传统方法的近似解。更简单：基于外生变量构建预期变量的预测模型相对来说更为可行，但用外生变量估计协方差矩阵存在较大难度，例如我们很难保证估计的协方差矩阵满足正定性。而 PPP 方法无需对协方差进行估计，降低了模型的难度。更具效率：使用一般方法，若要构建 N 个因子的配置模型，我们必须估计预期收益率的N 个参数，以及协方差矩阵的 N(N+1)/2 个参数。而使用 PPP 方法，只需要估计N 个参数，便可得到最优权重，对于计算效率的提升是显然的。在西学东渐-海外文献推荐系列之六十三中，我们对原文

5、进行了完整的翻译和推荐。而本文，我们将基于A 股数据，对上述论文提出的因子择时模型进行实证分析。最终结果表明，该方法能够超越等权基准，具有一定的实践意义。2、因子择时标的本文采用兴业因子择时系列报告基于机器学习方法的 A 股市值风格轮动研究中所构建的因子择时指标体系作为外生变量建立模型（具体指标列表详见附录），同时我们将以下七个常用风格因子作为因子择时标的。图表 1、风格因子列表风格顺序因子含义BP_LR价值降序股东权益合计_最新财报 / 总市值RTN_20D动量反转升序复权收盘价 / 复权收盘价_20 天前 - 1NetProfit_SQ_QoQ成长降序单季度营业收入环比增长率ROE_TTM

6、质量降序滚动 12 个月净资产收益率Turnover_20D_Avg流动升序过去 20 天日均换手率FloatCap规模升序流通市值RealizedVolatility_240D风险升序过去 240 天日收益率数据计算的标准差资料来源：兴业证券经济与金融研究院整理2005 年以来各因子 IC 表现如图表 2 所示。从中我们不难发现，大部分因子长期来看具有显著的选股能力，FloatCap、BP_LR、 RTN_20D 等因子呈现出明显的高收益、高风险特点。图表 2、风格因子 IC 表现（2005.1-2019.11）IC 均值IC 标准差IC_IRt 值BP_LR4.79%15.41%0.314

7、.15RTN_20D7.49%15.65%0.486.38NetProfit_SQ_QoQ1.60%6.68%0.243.20ROE_TTM0.94%15.08%0.060.83Turnover_20D_Avg7.75%16.69%0.466.20FloatCap4.07%19.30%0.212.82RealizedVolatility_240D5.60%17.96%0.314.16资料来源：Wind，聚源，兴业证券经济与金融研究院整理然而长期有效的因子，短期同样存在波动。2017 年以来受到宏观政策等要素影响，不少因子表现出现明显变化，图表 3 为 17 年以来各因子 IC 表现。可以看出，

8、FloatCap、RTN_20D 等因子有效性出现较大降低，而 RealizedVolatility_240D、 Turnover_20D_Avg 因子有效性大幅度提升，这说明因子择时相关研究是十分必要的。图表 3、风格因子 IC 表现（2017.1-2019.11）IC 均值IC 标准差IC_IRt 值BP_LR4.13%13.26%0.311.82RTN_20D5.76%14.33%0.402.34NetProfit_SQ_QoQ3.30%5.17%0.643.72ROE_TTM4.72%11.62%0.412.37Turnover_20D_Avg11.94%15.61%0.774.46F

9、loatCap-4.54%16.88%-0.27-1.57RealizedVolatility_240D10.19%15.87%0.643.75资料来源：Wind，聚源，兴业证券经济与金融研究院整理本文将上述七个因子的等权策略作为基准，在等权合并前对因子进行分位数标准化处理，即只保留因子排名信息，把所有因子的分布均变换为标准正态分布。3、基于参数化策略的因子择时策略时序模型本文根据信息来源将因子择时模型分为时序与横截面两类，模型具体方法可参见西学东渐-海外文献推荐系列之六十三。我们对实证使用的一些模型细节进行介绍。变量处理：在时序模型中，本文基于因子择时指标库中宏观经济、市场状态两个维度的外生

10、变量进行建模（具体变量列表参见附录一），同时借鉴论文我们采用主成分分析（PCA）对变量进行降维，保留第一主成分。样本选择：本文采用拓展样本法进行滚动建模。在每期建模时剔除存在缺失值的变量，并对预测变量进行 Zscore 标准化处理。拓展建模流程如图表 4 所示，具体的，我们以 2005 年 1 月为固定起点，在 2014 年 1 月得到第一个最优化权重，之后每月滚动进行建模。图表 4、拓展模型流程图资料来源：兴业证券经济与金融研究院整理我们基于每期所得最优权重进行加权得到时序模型合成因子，同时采用以下两个指标对结果进行评价：1）合成因子 IC 表现；2）合成因子分位数组合测试。从图表 5 可以

11、看出，时序模型合成因子的 IC 均值为 12.56%，IC_IR 达 1.00，较等权基准的 12.19%、0.81 有所提升。图表 5、时序模型合成因子 IC表现（2014.1-2019.11）IC 均值IC 标准差IC_IRt 值等权基准12.19%14.99%0.816.76时序模型合成因子12.56%12.59%1.008.29资料来源：Wind，聚源，兴业证券经济与金融研究院整理图表 6、时序模型合成因子多空净值曲线98等权基准合成因子765432102014/2/282015/2/282016/2/292017/2/282018/2/282019/2/28资料来源：Wind，聚源，

12、兴业证券经济与金融研究院整理时序模型合成因子的多空组合的夏普比率有一个较为明显提升，可以看出择时策略在风险控制上表现更佳。图表 7、时序模型合成因子多空组合表现年化收益率年化波动率夏普比率最大回撤等权基准39.87%19.16%2.0815.22%时序模型合成因子43.02%15.14%2.849.93%资料来源：Wind，聚源，兴业证券经济与金融研究院整理横截面模型在横截面模型中，我们基于因子自身特征指标进行建模（具体指标列表参见附录二），外生变量处理与动态模型选择方式与时序模型一致。然而，由于因子数据从 2005 年 1 月起始，我们将拓展模型起点改为 2007 年 1 月，其余保持一致。

13、横截面合成因子表现如图表 8 所示，其中 IC 均值提升较时序模型有所增加，但在 IC_IR 指标上的提升不及时序模型。图表 8、横截面模型合成因子 IC表现（2014.1-2019.11）IC 均值IC 标准差IC_IRt 值等权基准12.19%14.99%0.816.76横截面合成因子12.90%15.80%0.826.78资料来源：Wind，聚源，兴业证券经济与金融研究院整理图表 9、横截面模型合成因子多空净值曲线98等权因子合成因子765432102014/2/282015/2/282016/2/292017/2/282018/2/282019/2/28资料来源：Wind，聚源，兴业证

14、券经济与金融研究院整理图表 10、横截面模型合成因子多空组合表现年化收益率年化波动率夏普比率最大回撤等权基准39.87%19.16%2.0815.22%横截面合成因子42.54%19.33%2.2016.65%资料来源：Wind，聚源，兴业证券经济与金融研究院整理4、不同设定下因子择时表现上文我们主要借鉴原文设定构建模型，可以发现合成因子（时序模型合成因子、横截面合成因子）较等权基准表现有所提升，这一定程度上说明此方法的有效性。下面我们对不同参数设定下的因子择时表现进行介绍，这里选用时序模型作为代表进行测试。变量筛选原文仅保留了第一主成分用于建模，可以最大程度上降低模型难度。这里，我们尝试牺牲

15、一定的简洁性，图表 11 为保留不同主成分个数后结果。可以看出在保留 2 个主成分时，IC 均值和 IC_IR 在原始基础进一步提升。图表 11、时序模型保留不同主成分合成因子 IC 表现IC 均值IC 标准差IC_IRt 值等权基准12.19%14.99%0.816.76时序合成因子12.56%12.59%1.008.29PCA=212.99%12.48%1.048.64PCA=311.81%11.55%1.028.49资料来源：Wind，聚源，兴业证券经济与金融研究院整理动态滚动模型选择上文，我们与论文一致采用拓展模型进行建模，下面我们采用滚动模型进行建模，滚动模型流程如下：图表 12、滚

16、动模型流程图资料来源：兴业证券经济与金融研究院整理图表 13 为不同动态滚动模型下合成因子IC 表现，可以看出各滚动模型 IC_IR较等权基准有所提升。然而，表现与拓展模型相比有所差距，我们认为样本量更多对于此模型的效果更好。图表 13、时序模型不同动态滚动模型下合成因子 IC 表现IC 均值IC 标准差IC_IRt 值等权基准12.19%14.99%0.816.76时序合成因子12.56%12.59%1.008.29滚动周期 12 月10.97%12.98%0.847.02滚动周期 30 月11.91%13.84%0.867.15滚动周期 60 月11.39%13.60%0.846.96滚动

17、周期 90 月11.39%13.60%0.846.96资料来源：Wind，聚源，兴业证券经济与金融研究院整理5、总结本报告在西学东渐-海外文献推荐系列之六十三的基础上进行 A 股实证。原文提出了一种基于外生变量构建因子择时策略的新方法。在此方法下，我们对因子权重进行了参数化设计，将外生变量直接与最终权重相关联。基于原文方法构建的合成因子较等权基准有所提升，这一定程度上说明了此方法的有效性。同时本文为我们构建因子择时策略提供了一个很好地框架，在此框架下我们可以对变量筛选等细节进行进一步改进，提升模型效果。附录附录一：时序因子择时指标宏观经济变量针对宏观经济变量，本文主要从经济增长、价格水平、货币

18、环境、国际贸易、利率水平五大类选取指标作为代表变量。图表 14、宏观经济变量资料来源：兴业证券经济与金融研究院整理图表 15、宏观经济变量详细介绍阶数工业增加值：当月同比1990-01月1生产端工业增加值：环比季调2011-02月1产量:发电量：当月同比1995-01月1工业企业:出口交货值:当月同比2002-03月1滞 指标分类二级分类指标名称指标起始时间频率后PMI2005-01月1PMI：生产2005-01月1PMI:新订单2005-01月1PMI:新出口订单2005-01月1PMI：在手订单2005-01月1PMI：产成品库存2005-01月1PMI:采购量2005-01月1PMI：进

19、口2005-01月1CPI 同比1987-01月1CPI 环比1995-01月1PPI：全部工业品：同比PPI：全部工业品：环比价格水平1996-102002-01月月11经济增长固定资产固定资产社会消费社会消费累计同比1992-02月 1投资完成额:环比:季调2011-02月 1品零售总额:当月同比1995-01月 1品零售总额:环比:季调2011-02月 1需求端1996-10月12011-01月11996-10月1PPI:生产资料：同比 PPI：生产资料：环比 PPI:生活资料：同比PPI：生活资料：环比2011-01月1M0 同比1979-12月1M1 同比1986-12月1货币环境M

20、2 同比1986-12月1金融机构:短期贷款余额1994-01月1 金融机构:中长期贷款余额1994-01月1金融机构:各项贷款余额1978-12月1社会融资规模：当月值2002-01月1社会融资规模：新增人民币贷款2002-01月1社会融资规模：新增外币贷款2002-01月1进出口金额当月同比1995-01月1进口金额当月同比1995-01月1出口金额当月同比1995-01月1国际贸易季调：进出口金额:当月同比2009-03月1季调：进口金额:当月同比2009-03月1季调：出口金额:当月同比2009-03月1美元兑人民币汇率1994-08-31日0国债利率：3 个月2002-01-04日1

21、国债利率：6 个月2002-01-04日1国债利率：1 年2002-01-04日1国债利率：10 年2002-01-04日1中债国开债：3 个月2006-02-27日1中债国开债：6 个月2002-01-04日1利率水平中债国开债：1 年2002-01-04日1中债国开债：10 年2002-01-04日1shibor 利率：隔夜2006-10-08日 0shibor 利率：一周2006-10-08日 0shibor 利率：1 个月2006-10-08日 0shibor 利率：3 个月2006-10-08日 0shibor 利率：6 个月2006-10-08日 0资料来源：Wind，兴业证券经济

22、与金融研究院整理对于宏观数据的处理，我们认为需要考虑其发布滞后性和及时使用性，特别是在进行预测时需要注意没有使用未来信息。本文将所有宏观数据按其发布时间滞后使用。例如，8 月份的 CPI 通常于 9 月份中旬公布，因此我们将在 9 月底基于 8 月的 CPI 数据建模。市场状态变量我们从市场表现、市场流动性、市场波动率、市值估值、市场风格、跨市场联动等多角度捕捉市场状态。图表 16、市场状态变量资料来源：兴业证券经济与金融研究院整理图表 17、市场状态变量详细介绍指标分类指标名称指标算法Past 1m MarketPerf过去 20 日中证全指涨跌幅Past 3m MarketPerf过去 6

23、0 日中证全指涨跌幅Past 6m Market市场表现市场 流动性市场 波动率Perf过去 120 日中证全指涨跌幅Market level中证全指价格指数，月末水平MA20中证全指价格指数，20 日均线水平Above MA20中证全指月末水平高于 20 日均线，令哑变量为 1；否则，哑变量为 0Illiquidity中证全指涨跌幅绝对值/成交额 ADT_1m过去 20 日每日平均中证全指换手率 ADT_3m过去 60 日每日平均中证全指换手率 ADT_6m过去 120 日每日平均中证全指换手率 ADT_12m过去 240 日每日平均中证全指换手率 ADV_1m过去 20 日每日平均中证全指

24、交易额 ADV_3m过去 60 日每日平均中证全指交易额 ADV_6m过去 120 日每日平均中证全指交易额 ADV_12m过去 240 日每日平均中证全指交易额Market RealizedVol 1m过去 20 日中证全指波动率Market RealizedVol 3m过去 60 日中证全指波动率Market RealizedVol 6m过去 120 日中证全指波动率市场估值PE_whole market PB_whole market中证全指的 PE_TTM中证全指的 PB_lf市场风格跨dividendyield中证全指股息率市场强弱指标中证全指收益为正的股票比例 大小盘收益差沪深 3

25、00 收益率-中证 500 收益率大小盘波动差沪深 300 波动率-中证 500 波动率，其中波动率采用过去 60天波动率期限利差十年国债到期利率-一年期国债到期利率市 债券场联动 商品信用利差1 年中债中短期票据到期收益率 （AAA)-1 年国债到期收益率南华商品指数收南华商品指数收益率益率资料来源：Wind，兴业证券经济与金融研究院整理市场状态指标多基于交易数据计算，即一般为日频数据。本文采用月底最后一个交易日的数值将日频指标转换为月频。附录二：横截面因子择时指标本文选用市值因子多头组和空头组估值中位数的比率计算因子的估值价差。这里，和大多数文献一样，本文选择比率而非多头组和空头组估值中位数的差来计算因子估值价差指标。从理论的角度来看，这样做的优势并不是很明显，但这种方法可以避免价格水平变化的影响。同时我们将估值价差的概念推广至其他指标（如波动率、换手率），市值因子的*差值（Spreads）的具体计算方法如下：将股票按因子值分为 10 组，将第 1 组作为高组别，第 10 组作为低组别；计算高组别和低组别对应指标如BP 的中位数之比；同时我们将因子过去一段时间的业绩表现加入模型，即因子过去 12 个月