多因子系列報(bào)告之二十九：再論估值因子因子重構(gòu)or收益預(yù)判

1、目錄 HYPERLINK l _TOC_250014 1、 近期估值因子收益出現(xiàn)較大回撤 5 HYPERLINK l _TOC_250013 2、 基于基本面估值的量化估值因子改造 6 HYPERLINK l _TOC_250012 、 量化估值因子 6 HYPERLINK l _TOC_250011 、 基本面研究中的絕對(duì)估值和相對(duì)估值 8 HYPERLINK l _TOC_250010 、 估值歷史分位數(shù) 10 HYPERLINK l _TOC_250009 、 估值時(shí)序Z_SCORE 10 HYPERLINK l _TOC_250008 、 改造估值因子V.S.原始估值因子 11 HYP

2、ERLINK l _TOC_250007 3、 估值因子的有效性預(yù)判 14 HYPERLINK l _TOC_250006 、 估值因子擇時(shí)測(cè)試回顧 14 HYPERLINK l _TOC_250005 、 從基本面角度看近期的估值因子失效原因 17 HYPERLINK l _TOC_250004 、 資金面、情緒面指標(biāo)與估值因子的相關(guān)性 18 HYPERLINK l _TOC_250003 、 外資流入影響估值因子表現(xiàn) 18 HYPERLINK l _TOC_250002 、 市場(chǎng)情緒與估值因子表現(xiàn) 21 HYPERLINK l _TOC_250001 4、 當(dāng)前估值因子中期判斷較為樂觀 2

3、2 HYPERLINK l _TOC_250000 5、 風(fēng)險(xiǎn)提示 24圖目錄圖 1：BP 因子 2019 年以來(lái) IC 下滑明顯 5圖 2：滬深 300 相對(duì)價(jià)值指數(shù)與滬深 300 指數(shù)近期走勢(shì) 6圖 3：基本面中相對(duì)估值的評(píng)價(jià)方法 9圖 4：歷史分位數(shù) BP 衍生因子 IC、IC_IR 10圖 5：BP 的時(shí)序 z_score 衍生因子 IC、IC_IR 11圖 6：BP_Z_120 與 BP 因子多空收益對(duì)比 12圖 7：BP_Z_120 與其他大類因子相關(guān)性 13圖 8：基于滬深 300 指數(shù)的股權(quán)風(fēng)險(xiǎn)溢價(jià) ERP 18圖 9：A 股持有者結(jié)構(gòu)（2019-12-31） 19圖 10：北

4、上資金凈流入（月度，單位：億元CNY） 19圖 11：MSCI 權(quán)重調(diào)整時(shí)間線 20圖 12：北上資金凈流入金額與風(fēng)格因子收益相關(guān)性 20圖 13：北上資金凈流入金額增速與風(fēng)格因子收益相關(guān)性 20圖 14：北上資金持倉(cāng)股票估值水平偏高 21圖 15：光大市場(chǎng)情緒指數(shù)與 BP 多空凈值表現(xiàn) 22圖 16：光大市場(chǎng)情緒指數(shù)與 BP 多空收益表現(xiàn) 22圖 17：情緒指標(biāo)與不同期限的 BP 因子收益相關(guān)性 22圖 18：估值因子收益預(yù)測(cè)方向與因子收益表現(xiàn) 24表目錄表 1：估值因子明細(xì)表 7表 2：估值因子測(cè)試結(jié)果（因子收益&IC_IR） 7表 3：主要估值因子分行業(yè)表現(xiàn) 8表 4：歷史分位數(shù) BP

5、衍生因子 10表 5：BP 的時(shí)序 z_score 衍生因子 11表 6：BP_Z_120 與 BP 因子預(yù)測(cè)能力對(duì)比 11表 7：BP_Z_120 與 BP 因子的分行業(yè)表現(xiàn) 12表 8：因子擇時(shí)的外部變量匯總 15表 9：擇時(shí)變量與不同期限因子收益相關(guān)性 15表 10：2019 年板塊收益大多由估值貢獻(xiàn) 17表 11：市場(chǎng)情緒指數(shù)樣本指標(biāo) 21表 12：初選指標(biāo)名單與 6 個(gè)月估值因子收益的相關(guān)性 23表 13：當(dāng)前總分及細(xì)分指標(biāo)狀態(tài) 24估值因子收益在 2019 年出現(xiàn)了較大幅度和較長(zhǎng)時(shí)間的回撤，導(dǎo)致很多經(jīng)典的量化多因子模型表現(xiàn)受到影響。那如何應(yīng)對(duì)估值因子的失效呢？我們嘗試從兩個(gè)方面尋找

6、解決方法：一是從估值因子本身的構(gòu)造入手，尋找更為合理和有效的估值因子構(gòu)造方式，或者改進(jìn)的可能；二是對(duì)估值因子收益做預(yù)判：從估值因子失效的原因入手，尋找邏輯上合理且與估值因子收益相關(guān)性較高的外部變量，來(lái)對(duì)估值因子收益做預(yù)判。1、近期估值因子收益出現(xiàn)較大回撤估值因子收益在 2019 年出現(xiàn)了較大幅度和較長(zhǎng)時(shí)間的回撤，導(dǎo)致很多經(jīng)典的量化多因子模型表現(xiàn)受到影響。由于估值因子是一個(gè)歷史上較為有效的大類因子，因此在大部分量化多因子體系中都占有一定比例的權(quán)重。同時(shí)，從基本面研究的角度來(lái)看，估值也是主動(dòng)投資者常用來(lái)衡量一個(gè)公司投資價(jià)值的標(biāo)準(zhǔn)。然而基本面估值在 2019 年出現(xiàn)了失效。我們首先簡(jiǎn)單回顧一下近年尤

7、其是 2019 年估值因子失效的情況：圖 1：BP 因子 2019 年以來(lái) IC 下滑明顯IC 累計(jì)IC(右軸)0.41090.380.2760.1504-0.132-0.212003-022003-082004-022004-082005-022005-082006-022006-082007-022007-082008-022008-082009-022009-082010-022010-082011-022011-082012-022012-082013-022013-082014-022014-082015-022015-082016-022016-082017-022017-0820

8、18-022018-082019-022019-08-0.30資料來(lái)源：光大證券研究所，注：2003-01-31 至 2020-01-31BP 因子在歷史上長(zhǎng)期具有比較穩(wěn)定的預(yù)測(cè)能力，從累計(jì) IC 來(lái)看，BP因子在 2018 年上半年開始出現(xiàn)了幾個(gè)月的回撤，2018 下半年，因子表現(xiàn)有所回升。但 2019 年全年來(lái)看，BP 因子在 12 個(gè)月中僅 4 個(gè)月獲得正向的 IC，勝率下滑明顯，累計(jì) IC 曲線也出現(xiàn)了較大的回撤。從另一個(gè)角度來(lái)看估值因子的失效，我們選擇滬深 300 指數(shù)和滬深 300價(jià)值指數(shù)，來(lái)觀察是否采用估值指標(biāo)選股的 300 價(jià)值指數(shù)也在 2019 年出現(xiàn)相對(duì)回撤。圖 2：滬深

9、300 相對(duì)價(jià)值指數(shù)與滬深 300 指數(shù)近期走勢(shì)6000 滬深300 滬深300相對(duì)價(jià)值 300相對(duì)價(jià)值/滬深300（右軸）1.355001.2500045001.11400035000.930000.8250020000.715000.610000.52010-01 2011-01 2012-01 2013-01 2014-01 2015-01 2016-01 2017-01 2018-01 2019-01 2020-01資料來(lái)源：Wind，光大證券研究所，注：2010-01-01 至 2020-01-31上圖中我們可以得到類似的結(jié)論：滬深 300 價(jià)值指數(shù)也在 2019 年大幅跑輸滬深 3

10、00 指數(shù)，證明估值指標(biāo)在滬深 300 內(nèi)選股時(shí)也出現(xiàn)了明顯的失效的情況。怎么應(yīng)對(duì)估值因子的失效呢？我們嘗試從兩個(gè)方面尋找解決方法：從估值因子本身的構(gòu)造入手：是否有更為合理和有效的估值因子構(gòu)造方式，或者估值因子是否存在改進(jìn)的可能。對(duì)估值因子收益做預(yù)判：從估值因子失效的原因入手，尋找邏輯上合理且與估值因子收益相關(guān)性較高的外部變量，來(lái)對(duì)估值因子收益做預(yù)判。2、基于基本面估值的量化估值因子改造量化多因子中，估值因子是歷史上長(zhǎng)期效果較為出色的一大類因子。同時(shí)，基本面研究中我們也常用到估值指標(biāo)作為選股的參考依據(jù)。那么此估值和彼估值是否完全相同，又或者是否存在一些差異呢？、量化估值因子量化多因子模型中常用

11、的估值大類因子中包括了常見的賬面市值比、盈利市值比、股息率等指標(biāo)。而由于估值因子在不同行業(yè)和不同市值分組中的差異較大，測(cè)試該類因子時(shí)需要對(duì)行業(yè)和市值做中性處理。具體的中性處理方法則是以 29 個(gè)中信一級(jí)行業(yè)作為行業(yè)啞變量、市值作為市值因子變量加入到每一期的回歸方程中。因子代碼因子名稱BP凈資產(chǎn)（最新財(cái)報(bào)）/總市值BP_TTM凈資產(chǎn)_TTM/總市值B2P_TTM歸屬母公司股東權(quán)益/總市值DP_TTM分紅_TTM/總市值EP_LYR凈利潤(rùn)（最新年報(bào)）/總市值EP_TTM凈利潤(rùn)（TTM）/總市值EV2EBITDA企業(yè)價(jià)值倍數(shù)FCFP_TTM自由現(xiàn)金流_TTM/總市值NCFP_TTM凈現(xiàn)金流_TTM/

12、總市值OCFP_TTM經(jīng)營(yíng)性現(xiàn)金流_TTM/總市值PEG_TTM市盈率相對(duì)盈利增長(zhǎng)率SP_TTM營(yíng)業(yè)收入_TTM /總市值下表中列出了具體的估值因子及因子描述：表 1：估值因子明細(xì)表資料來(lái)源：光大證券研究所估值因子中的BP 因子正是Fama-French 三因子模型中的一個(gè)重要組成部分，因此也很容易理解 BP 和 BP_TTM 因子的歷史收益表現(xiàn)和 IC 值均強(qiáng)于其他同類型的估值因子。下表給出了根據(jù)因子測(cè)試框架得到的動(dòng)量因子的因子收益，IC 值等測(cè)試結(jié)果：表 2：估值因子測(cè)試結(jié)果（因子收益&IC_IR）FactorMean ReturnFactor Return tstatabs(t_valu

13、e) meanFactort_value positive perIC meanIC positive perIC stdIC 0.02perIRBP0.5%4.324.4763.7%4.6%63.7%9.8%60.0%0.47BP_TTM0.3%2.583.9757.8%3.0%60.0%9.8%53.3%0.30DP_TTM0.3%4.142.2460.7%2.1%60.0%6.9%51.9%0.31B2P_TTM0.5%4.434.3961.9%5.0%65.7%11.0%56.7%0.46EP_LYR0.2%1.932.5254.8%2.0%55.6%8.5%49.6%0.24EP_T

14、TM0.2%2.003.0749.6%2.0%50.4%9.9%46.7%0.21EV2EBITDA-0.4%-4.473.1634.3%-3.2%33.6%9.5%26.9%-0.33FCFP_TTM0.0%-0.421.0347.4%-0.1%48.9%3.3%27.4%-0.03NCFP_TTM0.0%-0.511.5946.7%-0.8%39.3%4.5%25.9%-0.19OCFP_TTM0.1%3.101.3057.0%1.5%62.2%4.6%45.2%0.33PEG_TTM0.0%-1.180.9645.0%-0.9%42.7%5.8%25.2%-0.15SP_TTM0.2%3

15、.032.8161.9%2.7%61.2%8.5%56.0%0.31資料來(lái)源：Wind，光大證券研究所，注：2005-01-01 至 2020-01-31由于估值因子的構(gòu)造方法不同，不同估值因子的分行業(yè)表現(xiàn)也有一定的差異。我們統(tǒng)計(jì)了三個(gè)常用估值因子 BP、EP 和 SP 在中信一級(jí)行業(yè)內(nèi)的 IC_IR:表 3：主要估值因子分行業(yè)表現(xiàn)BPEP_TTMSP_TTM石油石化0.170.090.15煤炭0.210.250.11有色金屬0.230.260.29電力及公用事業(yè)0.250.370.15鋼鐵0.310.250.27基礎(chǔ)化工0.310.290.32建筑0.370.260.24建材0.300.26

16、0.33輕工制造0.400.410.40機(jī)械0.260.320.31電力設(shè)備0.260.300.28國(guó)防軍工0.220.180.12汽車0.320.400.35商貿(mào)零售0.340.380.38餐飲旅游0.230.150.17家電0.220.300.12紡織服裝0.350.280.23醫(yī)藥0.130.310.09食品飲料0.210.180.06農(nóng)林牧漁0.320.280.35銀行0.100.130.05非銀行金融0.150.060.09房地產(chǎn)0.330.350.29交通運(yùn)輸0.380.370.16電子元器件0.310.290.36通信0.280.240.22計(jì)算機(jī)0.110.140.07傳媒0.

17、140.100.12綜合0.340.140.22資料來(lái)源：光大證券研究所，注：2005-01-01 至 2020-01-31BP 因子在全市場(chǎng)表現(xiàn)較好，且有效行業(yè)數(shù)量最多，因此本文后續(xù)的估值因子均以 BP 為代表。、基本面研究中的絕對(duì)估值和相對(duì)估值絕對(duì)估值：股利貼現(xiàn)模型DDM、自由現(xiàn)金流貼現(xiàn)模型 DCF 等模型是常用的股票絕對(duì)估值模型。以 DDM 模型為例，DDM 模型是一種資產(chǎn)定價(jià)模型，其核心觀點(diǎn)是股票現(xiàn)在的價(jià)格應(yīng)當(dāng)是未來(lái)股息的貼現(xiàn)值。通俗點(diǎn)就是，未來(lái)能分多少錢，換算到現(xiàn)在值多少錢，那么股票的價(jià)格就應(yīng)該是多少： (1 + ) = 0=1 (1 + + )=1，其中：分子項(xiàng)0 (1 + )代表

18、企業(yè)的盈利能力（或盈利預(yù)期） 代=1表無(wú)風(fēng)險(xiǎn)收益率，則代表市場(chǎng)的風(fēng)險(xiǎn)溢價(jià)（或風(fēng)險(xiǎn)偏好）。因此，影響股票絕對(duì)估值的三大因素分別為：利率、盈利預(yù)期和風(fēng)險(xiǎn)偏好。后文中對(duì)估值因子的收益預(yù)測(cè)模型也將圍繞這三個(gè)方面展開，尋找相應(yīng)的有效指標(biāo)來(lái)對(duì)估值因子的收益能力做出預(yù)判。相對(duì)估值：在基本面研究中，相對(duì)估值也是常用的估值方法，這里的估值也包括使用市盈率、市凈率、市售率、市現(xiàn)率等指標(biāo)。衡量一只股票的相對(duì)估值水平是否較高，常用的方法有兩種：一種是將它的估值與其它多只可比公司（例如同行業(yè)內(nèi)的其他公司）進(jìn)行對(duì)比，如果低于可比公司的相應(yīng)的指標(biāo)值的平均值，則認(rèn)為股票價(jià)格被低估，股價(jià)將很有希望上漲，使得指標(biāo)回歸對(duì)比系的平均

19、值。另一種方法則是將指標(biāo)值與該公司的歷史數(shù)據(jù)做對(duì)比，例如某只股票的當(dāng)前 PB 值低于歷史 20%分位數(shù)，在基本面沒有發(fā)生大的改變時(shí)，我們認(rèn)為該股票被低估，后期有希望上漲。圖 3：基本面中相對(duì)估值的評(píng)價(jià)方法資料來(lái)源：光大證券研究所因此，基本面研究中評(píng)價(jià)一個(gè)上市公司的估值時(shí)，存在上面提到的橫向和縱向兩種比較方法。兩種基于基本面的估值判斷方法，其中橫向比較方法與量化多因子的因子測(cè)試方法是匹配的。例如我們?cè)跍y(cè)試因子 BP 的有效性時(shí)，也是采用行業(yè)中性化之后的截面因子值序列與滯后一期收益率的相關(guān)系數(shù) IC 來(lái)衡量因子的預(yù)測(cè)能力。這里 的行業(yè)中性化是不可或缺的一個(gè)步驟，目的就是為了使得因子的測(cè)試結(jié)果不受行

20、業(yè)影響，也就是說，因子測(cè)試結(jié)果反映的是同類可比公司（同一行業(yè)）內(nèi)的估值因子的預(yù)測(cè)能力。而另一種估值比較方法，縱向比較，則并沒有常用的相對(duì)應(yīng)的因子可以作為參照。因此，我們嘗試從縱向比較的思路出發(fā)，構(gòu)造一些衍生的估值因子，并觀察他們的預(yù)測(cè)能力與選股效果是否與常用的原始估值因子有所差異。、估值歷史分位數(shù)基本面研究中時(shí)常會(huì)提及某某股票的估值跌破 20%歷史分位數(shù)這樣的說法，用以表示目前這只股票的估值比較便宜，具有一定的投資機(jī)會(huì)。因此我們很自然的想到歷史分位數(shù)這種方式，來(lái)改造原始估值因子?；诙嘁蜃芋w系中的 BP 因子，構(gòu)造以下不同參數(shù)下的歷史分位數(shù)估值因子：表 4：歷史分位數(shù) BP 衍生因子NAMEC

21、ODE當(dāng)前 BP 所處百分位（過去 60 日）當(dāng)前 BP 所處百分位（過去 120 日）當(dāng)前 BP 所處百分位（過去 240 日）當(dāng)前 BP 所處百分位（過去 360 日）BP_quantile_60 BP_quantile_120 BP_quantile_240BP_quantile_360資料來(lái)源：光大證券研究所上述因子經(jīng)過行業(yè)中性處理后的因子 IC、IR 表現(xiàn)如下圖所示。可見使用分位數(shù)方法改造的估值因子BP_quantile 在回溯時(shí)長(zhǎng)為 120 個(gè)交易日時(shí)具有較高的 IC_IR（接近 0.60），時(shí)間區(qū)間拉長(zhǎng)后因子有效性出現(xiàn)逐步下降。圖 4：歷史分位數(shù) BP 衍生因子 IC、IC_IR

22、IC meanIC stdIR（右軸）12.00%0.6010.00%8.00%0.580.560.546.00%0.524.00%2.00%0.500.480.460.00%BP_quantile_60BP_quantile_120BP_quantile_240BP_quantile_3600.44資料來(lái)源：光大證券研究所，注：2005-01-01 至 2020-01-31、估值時(shí)序z_score另一種比較常用的用來(lái)衡量數(shù)據(jù)在時(shí)間序列上的相對(duì)位置的方法，則是時(shí)間序列 z_score。時(shí)序 z_score 方法與分位數(shù)方法在邏輯上是類似的，不同點(diǎn)則在于分位數(shù)僅僅考慮了數(shù)據(jù)的排序分布情況，而 z

23、_score 考慮到了數(shù)據(jù)的實(shí)際分布情況。類似的，我們基于多因子體系中的 BP 因子，構(gòu)造以下不同參數(shù)下的時(shí)序 z_score 估值因子：表 5：BP 的時(shí)序 z_score 衍生因子NAMECODE當(dāng)前 BP 的 z_score（過去 60 日）當(dāng)前 BP 的 z_score（過去 120 日）當(dāng)前 BP 的 z_score（過去 240 日）當(dāng)前 BP 的 z_score（過去 360 日）BP_Z_60 BP_Z_120 BP_Z_240BP_Z_360資料來(lái)源：光大證券研究所上述因子經(jīng)過行業(yè)中性處理后的因子 IC、IR 表現(xiàn)如下圖所示：圖 5：BP 的時(shí)序 z_score 衍生因子 I

24、C、IC_IRIC meanIC stdIR（右軸）12.00%0.7010.00%0.608.00%6.00%4.00%2.00%0.500.400.300.200.100.00%BP_Z_60BP_Z_120BP_Z_240BP_Z_3600.00資料來(lái)源：光大證券研究所，注：2005-01-01 至 2020-01-31其中，BP_Z_120 因子 IC_IR 最高，達(dá)到 0.63。而同樣的隨著時(shí)間區(qū)間的拉長(zhǎng)，因子有效性逐漸下降。、改造估值因子 v.s.原始估值因子上面兩節(jié)中改造后的 BP 因子都相對(duì)于原始 BP 因子有所提升。其中，BP_Z_120 因子的 IC、IC_IR 均表現(xiàn)最為

25、出色。這一節(jié)我們將主要分析BP_Z_120 因子與原始BP 因子在預(yù)測(cè)能力、多空收益等方面表現(xiàn)的差異，并嘗試分析其差異產(chǎn)生的原因。表 6：BP_Z_120 與 BP 因子預(yù)測(cè)能力對(duì)比BPBP_Z_120IC mean4.62%6.21%IC std9.82%9.82%IR0.470.63IC positive per63.73%74.02%long_short_return8.80%9.90%long_short_sharpe0.720.86long_short_maxdrawdown-29%-23%資料來(lái)源：光大證券研究所從因子預(yù)測(cè)能力上看，改造后的 BP_Z_120 因子具有顯著高于原始

26、BP因子的 IC 和 IC_IR。多空年化收益上升了 1.10 個(gè)百分點(diǎn)，多空收益的最大回撤也下降了 6 個(gè)百分點(diǎn)。圖 6：BP_Z_120 與 BP 因子多空收益對(duì)比BP_Z_120BP54.543.532.521.510.50資料來(lái)源：光大證券研究所，注：2005-01-01 至 2020-01-31從多空收益的凈值曲線上看，原始 BP 因子的收益波動(dòng)較大，且 2019年以來(lái)的多空收益出現(xiàn)了大幅回撤。而改造后的 BP_Z_120 因子多空收益的穩(wěn)定性有了顯著的改善，并且在 2019 年并沒有出現(xiàn)大幅的回撤。表 7：BP_Z_120 與 BP 因子的分行業(yè)表現(xiàn)BPBP_Z_120石油石化 0

27、.17 0.26煤炭 0.210.12有色金屬0.23 0.22電力及公用事業(yè)0.250.33鋼鐵0.310.22基礎(chǔ)化工0.310.29建筑0.370.23建材0.300.24輕工制造0.400.23機(jī)械0.260.28電力設(shè)備0.260.25國(guó)防軍工0.220.10汽車0.320.25商貿(mào)零售0.340.40餐飲旅游 0.230.13家電0.22 0.22紡織服裝0.350.26醫(yī)藥0.130.18食品飲料 0.210.05農(nóng)林牧漁0.320.27銀行0.10-0.02非銀行金融0.150.03房地產(chǎn)0.330.33交通運(yùn)輸0.380.23電子元器件0.310.27通信0.280.30計(jì)算

28、機(jī)0.110.22傳媒0.140.17綜合0.340.28資料來(lái)源：光大證券研究所，注：2005-01-01 至 2020-01-31分行業(yè)來(lái)看，原始 BP 因子在各個(gè)行業(yè)的有效性相對(duì)來(lái)說更為均衡，時(shí)序 z_score 的BP 因子在銀行非銀行業(yè)的表現(xiàn)出現(xiàn)了比較大幅的下滑。與其他大類因子相關(guān)性上看，BP_Z_120 因子與一個(gè)月動(dòng)量因子有較強(qiáng)的相關(guān)性。這也與衍生因子的構(gòu)造方式存在必然的聯(lián)系，由于 BP_Z_120 是采用過去 120 個(gè)交易日計(jì)算 z_score 的方式得到的，而 BP 中的 B（凈資產(chǎn)）并不會(huì)頻繁的大幅變化，因此 P（價(jià)格）的變動(dòng)是導(dǎo)致因子值變化的主要因素，從而因子與股票價(jià)格

29、動(dòng)量會(huì)存在較高的相關(guān)性。圖 7：BP_Z_120 與其他大類因子相關(guān)性BP_Z_1200.40.20-0.2-0.4-0.6-0.8-1資料來(lái)源：光大證券研究所，注：2005-01-01 至 2020-01-31由于改造后的BP_Z_120 因子，與股票價(jià)格動(dòng)量之間存在較強(qiáng)的相關(guān)性，且 BP_Z_120 在銀行非銀行業(yè)中的預(yù)測(cè)能力有所下滑。因此盡管 BP_Z_120 具有更高的 IC_IR 和多空收益，我們認(rèn)為它仍然不足以被視為一個(gè)有效的改 進(jìn)估值因子。那么，應(yīng)對(duì)估值因子失效的第二種角度，對(duì)估值因子收益做預(yù)判，就是我們主要的攻克方向了。3、估值因子的有效性預(yù)判剛剛過去的 2019 年，是估值因

30、子的“小年”，估值因子收益出現(xiàn)了連續(xù)的大幅回撤，很多量化多因子模型也因?yàn)楣乐狄蜃拥幕爻穼?dǎo)致組合收益受到影響。因此我們希望可以尋找一些可靠的外部變量，來(lái)對(duì)估值因子未來(lái)階段的表現(xiàn)做出一定程度的預(yù)判。、估值因子擇時(shí)測(cè)試回顧在 2019 年初的報(bào)告因子擇時(shí)的“是”與“非”中，我們討論了通過一些外部宏觀變量、經(jīng)濟(jì)變量、市場(chǎng)變量、市場(chǎng)情緒指標(biāo)，來(lái)對(duì)因子收益做預(yù)測(cè)。我們首先簡(jiǎn)單回顧一下這些外部變量對(duì)估值因子收益的預(yù)測(cè)能力：考慮到宏觀經(jīng)濟(jì)變量的發(fā)布滯后性，具體操作時(shí)我們對(duì)于 CPI 同比增長(zhǎng)率，規(guī)模以上工業(yè)增加值同比增長(zhǎng)率，M1 同比增長(zhǎng)率等等宏觀變量做滯后一期處理：貨幣政策變量貨幣政策變量主要有三個(gè)衡量指標(biāo)

31、，國(guó)家的貨幣政策立場(chǎng)（寬松或緊縮），短期利率，貨幣供應(yīng)量。我們選擇 3 個(gè)月國(guó)債到期收益率，M1 貨幣供應(yīng)量 同比增長(zhǎng)率、M2 貨幣供應(yīng)量同比增長(zhǎng)率及其衍生指標(biāo) M2、M1 增速差等指 標(biāo)作為貨幣政策變量。經(jīng)濟(jì)環(huán)境變量經(jīng)濟(jì)環(huán)境變量直接衡量了經(jīng)濟(jì)是否健康或是否具有通貨膨脹風(fēng)險(xiǎn)。我們選擇 GDP 同比增長(zhǎng)率、CPI 同比增長(zhǎng)率，PPI 同比增長(zhǎng)率，規(guī)模以上工業(yè)增加值同比增長(zhǎng)率，消費(fèi)者信心指數(shù)、投資者信心指數(shù)、PMI、社消總額、社會(huì)融資規(guī)模增速等指標(biāo)。市場(chǎng)狀態(tài)變量這個(gè)類別中的變量衡量股票或債券市場(chǎng)的狀態(tài)。Fama 和 French（1989）使用期限利差，信用利差和股息收益率解釋了股票和債券收益的可

32、預(yù)測(cè)性。 Kao 和Shumaker（1999）同時(shí)應(yīng)用了期限利差和信用利差兩個(gè)因素來(lái)預(yù)測(cè)股票市場(chǎng)的價(jià)值-成長(zhǎng)風(fēng)格收益。我們選擇信用利差，期限利差，滬深 300、中證 1000 月度收益率及收益率差值，滬深 300、中證 1000 月度波動(dòng)率及波動(dòng)率差值作為市場(chǎng)狀態(tài)變量，其中信用利差定義為 1 年中債中短期票據(jù)到期收益率減去 1 年國(guó)債到期收益率，期限利差定義為 10 年國(guó)債到期收益率減去 1 年國(guó)債到期收益率。表 8：因子擇時(shí)的外部變量匯總指標(biāo)代碼指標(biāo)名稱備注因子衍生變量VS因子估值差（Value_Spread）-VS_zscore因子估值差標(biāo)準(zhǔn)分-Crowding_Score因子擁擠度得分

33、-貨幣政策變量Tbill_3M3 個(gè)月國(guó)債收益率-M1M1 貨幣供應(yīng)量同比增長(zhǎng)率-M1_DM1 同比增速一階差分-M2M2 貨幣供應(yīng)量同比增長(zhǎng)率-M2_DM2 同比增速一階差分-M2-M1M2、M1 增速差-經(jīng)濟(jì)環(huán)境變量CPICPI 同比增長(zhǎng)率-PPIPPI 同比增長(zhǎng)率-GDPGDP 同比增長(zhǎng)率-IND規(guī)模以上工業(yè)增加值同比增長(zhǎng)率滯后 2 個(gè)月C_Confidence消費(fèi)者信心指數(shù)（月）-PMI采購(gòu)經(jīng)理人指數(shù)(PMI)-PMI_NPMI:新訂單-PMI_VPMI:采購(gòu)量-Retail_Sale社消總額：實(shí)際當(dāng)月同比-Econ_Fin社會(huì)融資規(guī)模：當(dāng)月值-市場(chǎng)狀態(tài)變量TS期限利差10 年國(guó)債到期

34、收益率 - 1 年國(guó)債到期收益率CS信用利差1 年中債中短期票據(jù)到期收益率 -1 年國(guó)債到期收益率300_RET滬深 300 收益率月度1000_RET中證 1000 收益率月度300_STD滬深 300 波動(dòng)率月度1000_STD中證 1000 波動(dòng)率月度RET_Spread大小盤收益差值300_RET 1000_RETSTD_Spread大小盤波動(dòng)差值300_STD 1000_STD資料來(lái)源：光大證券研究所我們統(tǒng)計(jì)了各變量對(duì)不同期限的估值因子收益的預(yù)測(cè)能力，計(jì)算外部變量與不同期限因子收益之間的滾動(dòng)相關(guān)系數(shù)：估值因子表 9：擇時(shí)變量與不同期限因子收益相關(guān)性1 個(gè)月3 個(gè)月6 個(gè)月12 個(gè)月2

35、4 個(gè)月36 個(gè)月CPI-3%-7%-6%4%-10%-12%PPI-2%-5%-7%-6%-25%-31%Bond_yield_3M-6%-12%-27%-15%-3%26%GDP1%-1%-4%-5%-7%-14%PMI-3%1%-9%-16%-5%-9%PMI_N-1%4%-4%-10%2%-2%PMI_V-3%1%-8%-12%-5%-11%Retail_Sale-2%0%-1%-10%-28%-36%Econ_Fin-19%-20%-9%-8%-9%-14%Ind_G-5%-9%-19%-23%-26%-30%C_Confidence-1%1%4%11%34%27%M19%17%23

36、%24%4%-27%M20%-1%-4%-13%-26%-33%Bond_yield_10Y-4%-15%-34%-36%-16%23%Bond_yield_1Y-7%-11%-26%-17% -6%24%TIPS_1Y-10%-18%-35% -30%-19%17%STD_10004%8%25%38%39%22%STD_3000%0%19%32%38%27%RET_100015%16%9%9%18%23%RET_3007%9%4%0%10%15%TS6%3%7%-7%-6%-17%CS-13%-26%-39%-45%-38%-2%STD_Spread10%22%18%23%12%-8%RET

37、_Spread17%15%10%16%16%16%M2-M1-12%-22%-32%-39%-25%15%M1_D8%0%8%11%11%10%M2_D3%4%13%6%9%12%VS_zscore14%20%14%25%40%48%VS14%14%12%24%41%46%Crowding_Score-11%-10%-5%-1%9%4%資料來(lái)源：光大證券研究所，注：2005-01-01 至 2020-01-31上述測(cè)試結(jié)果表明：因子估值差（Value_Spread）指標(biāo)對(duì)估值因子收益具有較強(qiáng)的正向預(yù)測(cè)能力。包括 TIPS_1Y、Bond_yield_1Y、Bond_yield_10Y 在內(nèi)的利

38、率指標(biāo)，與估值因子收益呈現(xiàn)較為顯著的負(fù)向相關(guān)性。一方面，利率下行時(shí)股票市場(chǎng)的交易活躍度和參與度會(huì)有所提升，更有利于低估值股票的價(jià)值被發(fā)現(xiàn)，從而對(duì)估值因子的表現(xiàn)有提振作用。另一方面，如果利率下行由貨幣需求（融資需求）回落導(dǎo)致，那么會(huì)抑制風(fēng)險(xiǎn)偏好，市場(chǎng)整體估值下行，對(duì)于估值因子的表現(xiàn)也相對(duì)有利。反映貨幣政策的 M2-M1 指標(biāo)，也與估值因子收益具有較高的相關(guān)性。在貨幣供應(yīng)的各個(gè)層次中，狹義貨幣供應(yīng)量 M1 是流通中的現(xiàn)金加上各單位在銀行的活期存款；廣義貨幣供應(yīng)量 M2，是指 M1 加上各單位在銀行的定期存款、居民在銀行的儲(chǔ)蓄存款、證券客戶保證金。在一般情況下，M1 和 M2 增速應(yīng)當(dāng)保持平衡，也就

39、是在收入增加、貨幣供應(yīng)量擴(kuò)大的環(huán)境下，企業(yè)的活期存款和定期存款是同步增加的。如果 M1 增速大于 M2，意味著企業(yè)的活期存款增速大于定期存款增速，企業(yè)和居民交易活躍，微觀主體盈利能力較強(qiáng)，經(jīng)濟(jì)景氣度上升。如果 M1 增速小于 M2，表明企業(yè)和居民選擇將資金以定期的形式存在銀行，微觀個(gè)體盈利能力下降，經(jīng)濟(jì)運(yùn)行回落。因此 M2-M1 指標(biāo)一定程度上反映了經(jīng)濟(jì)景氣度和市場(chǎng)情緒，對(duì)估值因子的后期收益表現(xiàn)具有一定預(yù)測(cè)能力。同時(shí)，我們可以很容易觀察到一個(gè)現(xiàn)象，即因子收益的計(jì)算滾動(dòng)時(shí)間越長(zhǎng)，外部變量與因子收益的相關(guān)性往往越高。產(chǎn)生這一現(xiàn)象的原因我們認(rèn)為主要有兩點(diǎn)：1、計(jì)算因子收益的時(shí)間區(qū)間越長(zhǎng)（例如 24

40、個(gè)月或者 36 個(gè)月的收益），樣本區(qū)間越短相關(guān)系數(shù)的顯著性越低，從而可靠性越低；2、在計(jì)算相關(guān)系數(shù)時(shí)我們采用的是滾動(dòng)計(jì)算方法，例如在計(jì)算 24 個(gè)月收益相關(guān)性時(shí)，計(jì)算 t 期相關(guān)系數(shù)時(shí)的因子收益與 t+1 期相關(guān)系數(shù)時(shí)的因子收益之間有 23 個(gè)月的重疊，因此相關(guān)系數(shù)的自相關(guān)性極高，其顯著性和可靠性并不高。因此，預(yù)測(cè)長(zhǎng)期收益比預(yù)測(cè)短期收益的有效性并非更強(qiáng)。采用估值差（Value_Spread）指標(biāo)來(lái)判斷估值因子收益則存在邏輯上的矛盾，由于估值差指標(biāo)來(lái)進(jìn)行因子擇時(shí)的本質(zhì)上就是在使用估值指標(biāo)來(lái)評(píng)價(jià)一個(gè)因子是比較“貴”還是比較“便宜”。而當(dāng)估值因子失效時(shí)，這個(gè)邏輯也是失效的，那么通過估值差來(lái)對(duì)估值因子

41、的表現(xiàn)做判斷就失去了邏輯。、從基本面角度看近期的估值因子失效原因2019 年估值因子的多空收益出現(xiàn)的很大幅度的回撤，這一結(jié)果與 2019年市場(chǎng)整體的估值擴(kuò)張存在一定的聯(lián)系。尤其是優(yōu)質(zhì)公司的估值不斷抬升，導(dǎo)致從量化估值因子角度選取低估值個(gè)股的模型很難選到這些優(yōu)質(zhì)公司，或者模型最終對(duì)這些優(yōu)質(zhì)公司降低配置權(quán)重，從而影響到組合表現(xiàn)。從市場(chǎng)整體來(lái)看 2019 年全年市場(chǎng)走勢(shì)由估值主導(dǎo)，估值擴(kuò)張可以說是市場(chǎng)上漲的核心因素。從 A 股板塊整體到大多數(shù)領(lǐng)漲行業(yè)，估值擴(kuò)張幅度遠(yuǎn)勝過股價(jià)漲幅，估值變動(dòng)對(duì)于股價(jià)上漲起到顯著貢獻(xiàn)。表 10：2019 年板塊收益大多由估值貢獻(xiàn)收益率PE 變化率凈利潤(rùn)變化率全部 A 股3

42、3.02%33.14%4.17%滬深 30036.07%21.92%8.10%資料來(lái)源：Wind，光大證券研究所前文中通過對(duì) DDM 絕對(duì)估值模型的拆解分析，我們看到估值的三個(gè)決定因素分別是：利率、盈利預(yù)期、風(fēng)險(xiǎn)偏好，而 2019 年“金融供給側(cè)改革”引導(dǎo)這三個(gè)因素同時(shí)超預(yù)期，共同帶來(lái)了 A 股估值顯著擴(kuò)張。金融供給側(cè)改革對(duì)企業(yè)盈利的驅(qū)動(dòng)力有限，但“讓市場(chǎng)發(fā)揮資源配置更大的作用”引導(dǎo)企業(yè)融資成本回落、市場(chǎng)風(fēng)險(xiǎn)偏好上升。我們采用滬深 300 的 10 年平均收益與 10 年期國(guó)債到期收益率的差值，計(jì)算市場(chǎng)的股權(quán)風(fēng)險(xiǎn)溢價(jià)指標(biāo)ERP：圖 8：基于滬深 300 指數(shù)的股權(quán)風(fēng)險(xiǎn)溢價(jià) ERPHS300(右

43、軸) ERP15.00%600010.00%50005.00%40000.00%3000-5.00%2000-10.00%1000-15.00%01/20101/20111/20121/20131/20141/20151/20161/20171/20181/20191/2020資料來(lái)源：Wind，光大證券研究所，注：2010-01-01 至 2020-01-31上圖可見，2019 年初以來(lái)，A 股整體風(fēng)險(xiǎn)偏好處于穩(wěn)步上升中，且目前已經(jīng)逐漸接近長(zhǎng)期均值 2%附近。結(jié)合市場(chǎng)盈利預(yù)期的抬升，形成了 2019年全年的由估值主導(dǎo)的市場(chǎng)行情。、資金面、情緒面指標(biāo)與估值因子的相關(guān)性上一節(jié)中我們提到 2019

44、 年的估值擴(kuò)張，與估值因子的大幅回撤之間存在一定的聯(lián)系。估值擴(kuò)張的另一個(gè)解讀也可以理解為，市場(chǎng)對(duì)優(yōu)質(zhì)資產(chǎn)的估值容忍度不斷提升。我們嘗試從資金面和情緒面，尋找可以反映市場(chǎng)對(duì)估值容忍度的一些方向。、外資流入影響估值因子表現(xiàn)資金面上來(lái)看，近年來(lái)外資的進(jìn)入是對(duì)A 股持有者結(jié)構(gòu)影響較大的因素。從目前A 股的外資流入趨勢(shì)來(lái)看，19 年底外資持有A 股規(guī)模約 1.9 萬(wàn)億元，與 A 股公募基金、保險(xiǎn)公司形成三足鼎立之勢(shì)。考慮到 MSCI 權(quán)重上升等因素帶來(lái)的外資長(zhǎng)期加速流入的趨勢(shì)，預(yù)計(jì)再過 1 至 2 年外資將超越保險(xiǎn)及公募基金，成為A 股最重要的機(jī)構(gòu)投資者。圖 9：A 股持有者結(jié)構(gòu)（2019-12-31）

45、個(gè)人投資者27%其他機(jī)構(gòu)外資4%證券機(jī)構(gòu)0%一般法人54%公募基金5%保險(xiǎn)4%社3保%1%一般法人 個(gè)人投資者其他機(jī)構(gòu) 私募基金 社保信托證券機(jī)構(gòu)公募基金外資保險(xiǎn)資料來(lái)源：Wind，光大證券研究所，截止 2019-12-31從 2014 年陸港通開通以來(lái)，陸港通資金流入逐漸加速，截止 2020 年 2月 12 日，累計(jì)凈買入的金額已經(jīng)達(dá)到 10600 億元。圖 10：北上資金凈流入（月度，單位：億元 CNY）1,200.001,000.00800.00600.00400.00200.000.00-200.00-400.00-600.00-800.0010,000成交凈買入累計(jì)凈買入（右軸）8,

46、0006,0004,0002,0002014-112015-012015-032015-052015-072015-092015-112016-012016-032016-052016-072016-092016-112017-012017-032017-052017-072017-092017-112018-012018-032018-052018-072018-092018-112019-012019-032019-052019-072019-092019-110資料來(lái)源：光大證券研究所，注：2014-11-01 至 2019-12-31同時(shí) 19 年年初，MSCI 公布了 A 股納入 M

47、SCI 比例提升方案，分別在 19 年 5 月、8 月、11 月逐步提高 A 股納入比例并調(diào)整納入成分股范圍。19年 5 月，A 股大盤股納入比例從 5%提升至 10%并將創(chuàng)業(yè)板調(diào)整入可納入股票范圍，創(chuàng)業(yè)板大盤股按 10%比例首次納入。8 月，A 股大盤股納入比例提升至 15%。11 月，將A 股大盤股納入比例進(jìn)一步提升至 20%，同時(shí)中盤股首次納入，納入比例為 20%。圖 11：MSCI 權(quán)重調(diào)整時(shí)間線資料來(lái)源：光大證券研究所繪制，注：此處大盤股和中盤股的定義均基于 MSCI 的標(biāo)準(zhǔn)考慮到 MSCI 權(quán)重提升帶來(lái)的資金流入情況的明細(xì)數(shù)據(jù)比較難以獲取，我們這里將主要參考陸股通的北上資金流入數(shù)據(jù)

48、，觀察北上資金流入及其增速與A 股主要的風(fēng)格因子 6 個(gè)月累計(jì)收益率之間的相關(guān)性。圖 12：北上資金凈流入金額與風(fēng)格因子收益相關(guān)性圖 13：北上資金凈流入金額增速與風(fēng)格因子收益相關(guān)性0.20.150.10.050-0.05-0.1-0.150.060.040.020-0.02-0.04-0.06-0.08-0.1-0.12 資料來(lái)源：Wind，光大證券研究所，注：2005-01-01 至 2019-12-31資料來(lái)源：Wind，光大證券研究所，注：2005-01-01 至 2019-12-31北上資金流入增速與 VALUE 因子（BP）有較強(qiáng)的負(fù)相關(guān)，可見在外資加速投入A 股時(shí)，估值因子受到了

49、較大的沖擊。兩圖結(jié)合起來(lái)看，北上資金流入金額與估值因子幾乎不相關(guān)，因此其并不偏好低估值股票，同時(shí)北上資金的加速流入，導(dǎo)致估值因子的收益受到一定影響。圖 14：北上資金持倉(cāng)股票估值水平偏高54.543.532.521.510.50全A整體滬深300北上持股2%PB中位數(shù)PB均值資料來(lái)源：Wind，光大證券研究所，截止 2020-01-31我們從北上資金持倉(cāng)情況中，可以更加直觀的看到截止 2020-01-31 日北上資金持倉(cāng)占比大于 2%的股票（共 379 只）整體估值水平是偏高的。因此，北上資金的流入對(duì)于估值因子表現(xiàn)的負(fù)面影響是較為顯著的。、市場(chǎng)情緒與估值因子表現(xiàn)面對(duì) 2019 年的市場(chǎng)對(duì)優(yōu)質(zhì)資

50、產(chǎn)的估值容忍度不斷提升的情況，我們也嘗試從市場(chǎng)情緒上尋找原因。在前期的報(bào)告構(gòu)建情緒體系，尋找漲跌信號(hào)中我們篩選了 10 個(gè)指標(biāo)并等權(quán)重相加后得到光大金工市場(chǎng)情緒指數(shù)。通過情緒指標(biāo)篩選、數(shù)據(jù)處理和權(quán)重分配，我們可以構(gòu)建市場(chǎng)情緒指數(shù)來(lái)表征市場(chǎng)情緒走勢(shì)，并對(duì)擇時(shí)等進(jìn)行輔助判斷。表 11：市場(chǎng)情緒指數(shù)樣本指標(biāo)序號(hào)指標(biāo)名稱序號(hào)指標(biāo)名稱1A 股投資者增速650ETF 期權(quán) PCR2A 股換手率7股東凈減持率3ETF 凈贖回力度8HS300 40 日強(qiáng)勢(shì)股占比4HS300 期指當(dāng)月溢價(jià)率9HS300 上漲家數(shù)占比5融資余額增速10HS300 相對(duì)強(qiáng)弱指標(biāo)資料來(lái)源：光大證券研究所圖 15：光大市場(chǎng)情緒指數(shù)與

51、BP 多空凈值表現(xiàn)圖 16：光大市場(chǎng)情緒指數(shù)與滾動(dòng) 6 個(gè)月 BP 多空收益表現(xiàn) 光大市場(chǎng)情緒綜合指數(shù) BP多空凈值（右軸）120 54.5100 43.580 360 2.5240 1.5120 0.50 0 光大市場(chǎng)情緒綜合指數(shù) 滾動(dòng)6個(gè)月BP多空收益（右軸）120 0.4100 0.280060-0.240-0.420-0.60-0.8資料來(lái)源：光大證券研究所，注：2005-01-01 至 2020-01-31資料來(lái)源：光大證券研究所，注：2005-01-01 至 2020-01-31由上圖觀察，市場(chǎng)情緒指數(shù)與估值因子收益率直接的相關(guān)性不甚明顯，通過統(tǒng)計(jì)市場(chǎng)情緒指數(shù)與估值因子之間的相關(guān)性

52、，我們發(fā)現(xiàn)市場(chǎng)情緒提升時(shí)，估值因子未來(lái)一段時(shí)間的收益是更高的。市場(chǎng)情緒指數(shù)與估值因子未來(lái) 6 個(gè)月收益的相關(guān)性在正的 0.08 左右。圖 17：情緒指標(biāo)與不同期限的 BP 因子收益相關(guān)性情緒指標(biāo)與估值因子收益相關(guān)性0.10.090.080.070.060.050.041個(gè)月3個(gè)月6個(gè)月12個(gè)月資料來(lái)源：光大證券研究所，注：2005-01-01 至 2020-01-31市場(chǎng)情緒提升，對(duì)于估值因子未來(lái)收益的影響方向?yàn)檎梢岳斫鉃槭袌?chǎng)情緒較高時(shí)，交易活躍換手充分，投資者更為理性的對(duì)待處于較低估值水平的股票，因而對(duì)估值因子的表現(xiàn)有一點(diǎn)正向推動(dòng)作用。4、當(dāng)前估值因子中期判斷較為樂觀最后我們綜合上述各個(gè)

53、章節(jié)中梳理得到的對(duì)于估值因子收益具有預(yù)測(cè)能力的指標(biāo)，構(gòu)建一個(gè)較直觀的估值因子打分體系，用以對(duì)估值因子（BP）未來(lái)因子收益情況做預(yù)判。首先，從前文可見，無(wú)論是貨幣政策、市場(chǎng)環(huán)境變量，還是北上資金流入增速數(shù)據(jù)，都是與 6 個(gè)月左右的估值因子收益具有較高的相關(guān)性。同時(shí)從實(shí)際操作的層面上看，對(duì)于估值因子這類風(fēng)格因子上的判斷也比較適合放在半年度這樣的區(qū)間上。太短的區(qū)間會(huì)造成模型頻繁地調(diào)整因子權(quán)重，調(diào)整權(quán)重帶來(lái)的Alpha 很可能被調(diào)整帶來(lái)的換手率上升所損耗。太長(zhǎng)的預(yù)判區(qū)間例如兩到三年的因子收益判斷是十分困難的，從指標(biāo)相關(guān)性上也可以看出，超過 1 年的時(shí)間后，相關(guān)性往往出現(xiàn)大幅的下滑甚至反轉(zhuǎn)。因此本文我們

54、將重點(diǎn)對(duì)估值因子的 6 個(gè)月因子收益方向做預(yù)測(cè)，首先我們從市場(chǎng)風(fēng)險(xiǎn)偏好、資金面、利率、貨幣和市場(chǎng)狀態(tài)各個(gè)大類指標(biāo)中，整理了下述具有基本面邏輯且預(yù)測(cè)能力較強(qiáng)的指標(biāo)：表 12：初選指標(biāo)名單與 6 個(gè)月估值因子收益的相關(guān)性指標(biāo)名稱相關(guān)性ERP股權(quán)風(fēng)險(xiǎn)溢價(jià)-10.15%HKSHSZ北上資金增速-15.72%Bond_yield_1Y1 年期國(guó)債到期收益率-18.65%M2-M1M2 與 M1 差值-15.96%STD_1000中證 1000 月度收益波動(dòng)-29.25%資料來(lái)源：光大證券研究所，注：2005-01-01 至 2020-01-31在 2019 年初的報(bào)告因子擇時(shí)的“是”與“非”中，我們最終

55、推薦的是基于機(jī)器學(xué)習(xí)中SVM 支持向量機(jī)模型的月度因子擇時(shí)體系，但 SVM 模型對(duì)于估值因子的預(yù)測(cè)能力較為一般，并且由于采用的是機(jī)器學(xué)習(xí)的方法，模型的透明度較低，內(nèi)部細(xì)分指標(biāo)的具體變化情況、指標(biāo)權(quán)重都是無(wú)法獲取的。因此在構(gòu)造針對(duì)估值因子未來(lái)收益情況的預(yù)測(cè)模型時(shí)，更傾向于使用邏輯較為清晰，且框架較為簡(jiǎn)單明了的打分模型。具體構(gòu)造方式如下：數(shù)據(jù)處理：對(duì)于入選的預(yù)測(cè)變量，均使用過去 240 個(gè)交易日的數(shù)據(jù)做時(shí)間序列上的標(biāo)準(zhǔn)化處理，也就是采用過去一年的數(shù)據(jù)計(jì)算當(dāng)前指標(biāo)值的 z_score。上表中所展示的相關(guān)性指標(biāo)，均為標(biāo)準(zhǔn)化處理后的指標(biāo)與因子收益的相關(guān)系數(shù)。指標(biāo)選擇：上表中列出的，從市場(chǎng)風(fēng)險(xiǎn)偏好、資金面

56、、利率、貨幣和市場(chǎng)狀態(tài)中整理的 5 個(gè)指標(biāo)。打分方法：根據(jù) z_score 指標(biāo)得分，大于等于零的得分為 1，小于零得分為-1，乘以指標(biāo)的方向系數(shù)后等權(quán)相加得到總分。打分頻率：月度圖 18：估值因子收益預(yù)測(cè)方向與因子收益表現(xiàn)35.00%多空狀態(tài)（右軸）滾動(dòng)6個(gè)月BP多空收益1.525.00%115.00%0.55.00%0-5.00%-0.5-15.00%-1-25.00%1/20095/20099/20091/20105/20109/20101/20115/20119/20111/20125/20129/20121/20135/20139/20131/20145/20149/20141/20155/20159/20151/20165/20169/20161/20175/20179/20171/20185/20189/20181/20195/20199/2019-35.00%-1.5資料來(lái)源：光大證券研究所，注：2009-01-01 至 2019-08-01ERPHKSHSZBond_yield_1YM2-M1STD_1000總分多空狀態(tài)表 13：當(dāng)前總分及細(xì)分指標(biāo)狀態(tài)模型的判斷勝率為 62.05%，且從 2018 年 10 月以來(lái)，模型