【研报分享】华泰证券-华泰单因子测试之财务质量因子

华泰证券
研报
财务质量因子
标签: #<Tag:0x00007f5b9f083d90> #<Tag:0x00007f5b9f083b88> #<Tag:0x00007f5b9f083980>

#1

本文导读:

财务质量因子具备一定选股能力,自2016年底以来持续表现优秀

财务质量因子是一类比较重要的风格因子,可以反映企业过去的经营状况 和未来的持续盈利能力,这些信息能够在一定程度上影响股票的价格。自 2016 年底以来,市场投资环境发生了比较大的变化,以往收益很高的市值 因子、1 个月反转因子失效,而财务质量因子则开始发力。根据报告中对 比结果,2017 年 qfa_roe 因子在沪深 300 成份股内、中证 500 成份股内 和全 A 股中的多空收益均超越了大部分价量型因子,2018 年以来依然表现 优秀,且目前没有看到明显的下滑趋势。并且,财务指标的优势在于其随 时间推移变化缓慢,因此有助于构建稳健的长线投资组合。

单因子测试框架:回归法、IC 值分析、分层测试法,调仓频率为每年 3 次

本报告中我们对 51 个财务质量因子分为六个子类别(盈利能力、收益质量、 现金流量、资本结构、偿债能力、营运能力)进行分析测试,所有因子采 用统一的行业中性、市值中性的测试框架。首先采用回归法计算因子收益 率序列和对应的 t 值序列,然后计算因子 Rank IC 值与 IC_IR,再结合分 层测试法中的多空组合净值变化趋势,综合判别因子的有效性与稳健性。 由于财务质量因子只会随着新财报的发布而产生变动,我们每年只调仓 3 次,在 4 月 30 日使用上年年报及本年度一季报构建因子,在 8 月 31 日使 用半年报构建因子,在 10 月 31 日使用三季报构建因子。

不同计算方式下财务质量因子效果排序:单季度>当年累计>TTM

财务质量因子可能存在多种计算方式,以 ROE 为例,我们在报告中详细测 试了 9 种计算方式下 roe 因子的表现,发现 qfa_roe(单季度 roe、分母端 净资产取为期初期末均值)因子效果相对最好。若同一因子存在单季度、 当年累计(即财报原始值)、TTM 三种计算方式时,一般情况下的效果排 序为:单季度>当年累计>TTM。说明目前 A 股投资人对季度报表反应较为 迅速、敏感,或者也可以理解为投资人对长期业绩关注度低。

财务质量因子历史优势并不明显,在偏大盘的股票池里选股效果相对更好

将财务质量因子与前期测试的估值、成长、市值、动量反转、波动率、换 手率等因子放到统一的月频调仓框架下进行回测,发现财务质量因子的 Rank IC 和回归因子收益率水平都比较一般,与其它类别因子相比没有明 显优势。在沪深 300 成份股票池里财务质量因子的水平与其它因子比较接 近,在中证 500 成份股票池中逐渐拉开差距,在全 A 股票池中财务质量因 子的效果与价量类因子相差较大。由此推测,财务质量因子在偏大盘的股 票池里选股效果更好,这与人们的直观感觉也是相符的。

风险提示:单因子测试结果是历史经验的总结,如果市场规律改变,存在 失效的可能。财务质量因子的选股效果受市场宏观环境等因素影响较大, 请谨慎使用。

财务质量因子的选取及测试框架

财务质量因子的选取

本文是华泰多因子系列研究第八篇,是单因子测试系列的第七篇,在多因子系列首篇报告 中,我们系统地阐述了多因子模型的基本理论,详细描述了多因子模型构建的流程,从多 因子系列第二篇报告开始,我们对不同的风格因子单独进行详细的研究和检验,通过综合 对比评价,筛选出能持续获得稳健收益的优质因子,这正是构建多因子选股模型的关键一 步。在前六篇单因子测试报告中,我们对估值因子(Value Factor)、成长因子(Growth Factor)、动量反转因子(Momentum Factor)、换手率因子(Turnover Factor)、波动率 因子(Volatility Factor)、资金流向因子(Money Flow Factor)进行了详细的测试分析, 在本文中我们将主要针对财务质量因子(Financial Quality Factor)进行分析,先根据财 务分析框架介绍财务因子的基本分类,然后通过回归法、IC 值分析、分层测试法等方法检 验各类因子的有效性,探讨各因子的优缺点,并汇总对比财务质量因子与其它主要类别因 子效果的异同。

技术面分析是对盘面价格波动的直观解读,而基本面分析是从影响价格的因素出发去探究 价格的变化趋势。财务报表作为投资者最容易获取的信息,主要反映的是过去一段时间内 公司的财务状况和经营情况。通过合理的因子构建方法,财务质量因子可以用于反映企业 未来的经营趋势,能在很大程度上帮助我们去预测股票价格的变化趋势。本报告中将财务 质量因子分为六个子类别分别进行测试(与 Wind 关于财务质量因子的分类保持一致),如 下图所示。

image

在下面图表中,我们列出了本报告所涉及的全部 51 个被测因子,其中重点展示的因子以 浅红色底色标出(共 12 个),全部因子均从 Wind 终端的数据接口直接提取,因子的英文 名称与 Wind 终端保持一致。


财务质量因子是一类具有较强逻辑和解释力的因子,在实际投资中应用较广,我们将以上 图表所列因子的内在逻辑逐个解释如下。

  1. 盈利能力

盈利能力是指企业在一定时期内赚取利润的能力,它衡量的是企业利用资源实现收入的效 率。企业从事经营活动,在获取利润的前提下才能保证自身持续稳定的发展。因此盈利能 力直接反映了企业的经营业绩和内在价值。我们选择的指标如下所示:

ROE,即净资产收益率(Return on Equity),又称股东权益收益率,是净利润与股东权益 的百分比。该指标反映股东权益的收益水平,指标值越高,说明投资带来的收益越高。

ROA,即总资产回报率(Return on Assets),衡量的是企业一段时间内净利润和总资产的 比值。ROA 与 ROE 最大的区别在于分母的不同,ROA 分母考虑到的是负债和股东权益, 而 ROE 分母只考虑了股东权益;对于举债经营的企业,可能会出现 ROE 虚高的情况。

grossprofitmargin,即毛利率,反映的是收入和成本的差值占收入的比值。毛利率越高, 意味着企业有可能存在较强盈利能力和成本控制能力,也可能意味着企业正处于新兴产业、 市场竞争少,或者意味着企业具有某种高壁垒核心竞争力,在大多数情况下毛利率高不是 一件坏事。

netprofitmargin,即销售净利率,指的是净利润/营业收入,反映整个企业销售收入的收益 水平。销售净利率的值越大,说明从单位收入中获得净利润的水平越高,企业的盈利能力 越强。

nptocostexpense,即成本费用利润率,在 Wind 中该因子的具体定义是净利润/(营业成 本+销售费用+管理费用+财务费用),体现了公司投入的成本费用所带来的经营成果。成本 费用利润率的值越大,说明从单位成本费用中获得利润的水平越高,企业的经济效益越好。

ROIC,即投入资本回报率,是指生产经营活动中所有投入资本赚取的收益率,这些投入 资本既有债务也有权益。分子为企业如果完全按权益筹资所应报告的税后利润,分母则为 企业所有要求回报的现金来源的总和。该值能较好地体现企业的盈利能力。

  1. 收益质量

收益质量指的是会计收益所表达的与企业经济价值有关信息的可靠程度。企业除了追求高 收益,还应当追求高的收益质量。特别是在舞弊事件频繁发生的情况下,收益质量显得更 为重要。高质量收益能为企业未来的持续发展提供保证,这一类因子包括:

operateincometoebt,即经营活动净收益/利润总额,反映公司总利润中,由经营活动所产 生的利润的比重,体现了企业的收益质量。

deductedprofittoprofit,即扣除非经常性损益后净利润/净利润,“非经常性损益”一般不 具有可持续性,因此扣非后净利润和净利润比值能够反映收益质量。

taxtoebt,即所得税/利润总额,反映企业税负水平,体现了企业的收益质量。

  1. 现金流量

现金流量表在财务报告体系中具有重要意义,它直接反映了企业当前的运营情况,很大程 度上决定了企业的发展能力。同时,收付实现制的会计处理方式使得现金流量相比其它指 标,直接反映了企业实际收到的现金收益,能帮助我们对其未来债务偿还和生产经营情况 作出更好的预测。因此我们选择如下指标对现金流量进行分析:

ocftoor,指的是经营性现金流量净额/营业收入,反映了企业现金回收速度。说明公司每单 位主营业务收入中,有多少实际收到现金的收益。其中,分子——经营性现金流量净额,对于企业来说是一项较为稳定的收入,可以很好地体现企业的现金流情况。

ocftocf,即经营性现金流量净额占比,指的是经营性现金流量净额/现金流量净额,体现了 现金流量结构,反映出公司的财务状况和发展阶段。

ocftoassets,即总资产现金回收率,指的是经营性现金流量净额/期末资产总额,衡量某 一经济行为发生损失大小。回收率越高,说明企业全部资产产生现金的能力越强。

ocftodividend,即现金股利保障倍数,指的是经营性现金流量净额/支付普通股股利,支付 现金股利率越高,说明企业的现金股利占结余现金流量的比重越小,企业支付现金股利的 能力越强。

  1. 资本结构

资本结构主要反映的是负债期限结构(长期负债、短期负债)和流动资产、非流动资产之 间的关系,我们选择的因子包括:

debttoassets,即资产负债率,指的是总负债/总资产,衡量企业利用债权人提供资金进行 经营活动的能力,以及反映债权人发放贷款的安全程度。

catoassets,即流动资产比率,指的是流动资产/总资产,体现企业的偿还短期债务的能力。 流动资产越多,短期债务越少,则流动比率越大,企业的短期偿债能力越强。

currentdebttodebt,即流动负债率,指的是流动负债/负债合计。反映一个公司依赖短期债 权人的程度。流动负债率越高,说明公司对短期资金的依赖性越强。

  1. 偿债能力

即使是拥有很强盈利能力的公司,在举债经营时也可能因为资金调度不灵、不能及时偿还 债务而被迫面临清算破产。因此,企业偿还到期债务的能力是衡量企业能否长期稳定经营 下去的一个重要指标。根据债务期限,负债可以分成流动负债和长期负债两种类型。相应 地,偿债能力可以分为短期偿债能力和长期偿债能力。

短期偿债能力是企业以流动资产偿还短期负债的能力,衡量了企业流动资产相对于短期负 债的充足程度,同时反映了企业的变现能力,常见的衡量指标有如流动比率、速动比率。 长期偿债能力是指企业偿还长期债务的能力,它不仅反映了企业的违约风险,还提供了企 业资本结构和财务杠杆方面的信息,帮助我们评价企业的财务状况和控制企业的财务分析。 我们选择的因子包括:

current,流动比率,指流动资产/流动负债,用来评价流动资产总体变现能力。

quick,速动比率,指速动资产/流动负债,其中速动资产=流动资产-存货净额。从流动资 产中扣除存货部分,再除以流动负债,反映了企业对短期债务的支付偿还能力,能进一步 反映变现能力。

cashtocurrentdebt,即现金比率,指的是现金及现金等价物和流动负债的比值。现金比率 以更为保守的方式采用现金及现金等价物来反映企业即刻变现偿还短期债务的能力。

debttotangibleequity,即有形净值债务率,指的是负债总额/(归属母公司股东的权益-无 形资产-开发支出-商誉-长期待摊费用-递延所得税资产),主要衡量企业的风险程度和长期 偿债能力。有形净值债务率越大,表明风险越大,企业长期偿债能力越弱。

ebittointerest,即利息保障倍数,指的是 EBIT 和利息费用的比值,不仅反映了企业盈利能力,还反映了其盈利能力对到期偿还债务的保障能力。

  1. 营运能力

营运能力主要是指企业营运资产的效率,即资产的周转率或周转速度。分析企业的营运能 力能发现企业的资产运营中存在的问题。例如,存货周转率的提高反映了企业资产变现能 力的提高,能够为其短期债务的偿还提供保障。反之,若企业应收账款周转率降低,企业 可能存在账款回收上的困难,同时存在坏账的可能性。

invturn,即存货周转率,是衡量和评价企业购入存货、投入生产、销售收回等各环节管理 状况的综合性指标。存货周转速度越快,存货的占用水平越低,流动性越强,存货转换为 现金、应收账款的速度越快,企业的营运能力越强。

assetturnover,即总资产周转率,衡量企业利用资产产生收入的效率。

caturn,即流动资产周转率,指的是主营业务收入净额/平均流动资产总额,反映了企业流 动资产的周转速度,是用于评价企业资产利用率的一个重要指标。

arturn,即应收账款周转率,指的是企业在一定时期内赊销净收入与平均应收账款余额之 比,衡量企业应收账款周转速度及管理效率。

apturn,即应付账款周转率,反映企业应付账款的流动速度。

财务质量因子的测试框架

如果某只股票在过去一段时间的某一财务质量因子明显高于同类型股票的平均水平,则该 股票近期既可能表现优秀也可能表现较差(取决于财务质量因子的特性)。在本报告中, 我们首先将先观察财务质量因子在 A 股市场的分布规律,通过分析财务质量因子在不同行 业及不同规模上市公司间的差异,判断在单因子回归测试中是否应该处理行业、规模因素 的影响。随后我们将使用分层测试法、回归法、IC 值分析等手段对因子进行全面测试,详 细观察因子区分度、单调性等规律,选出有效且稳健的因子。最后我们将根据以上测试结 果进行综合分析,并与之前测试过的其它类别因子进行对比。

image

财务质量因子的行业间差异

财务质量因子在不同行业间存在一定差异。我们选取 roe_avg、assetsturn 因子作为代表 (因子具体定义见图表 2), 根据 2017 年年报计算它们在各一级行业的中位数,如下图所 示。可以发现,银行行业具有较高的 ROE 和很低的资产周转率,商贸零售行业的资产周 转率很高但 ROE 并不突出,这两个因子在不同行业间的水平存在一定差异。我们认为对 上市公司直接进行跨行业比较意义不大,在单因子测试中还是应考虑行业中性处理。

image

上图说明了,在同一时间点,不同行业间财务质量因子的水平存在一定差异。事实上,随 着时间变化,金融系统存在周期性波动,同一行业的盈利能力、现金流量等因子的绝对大 小和与其他行业对比的相对大小也在不断变化中。这里就不具体举例了。

财务质量因子与市值因子的相关性

除去行业对因子存在较大影响外,上市公司的规模也是对各大类因子产生作用的潜在因素。 我们在前六篇单因子测试报告中涉及的大部分因子都与市值因子具有一定相关性,下面我 们将对财务质量因子与市值因子的相关性进行详细计算。

我们针对图表 2 中重点标出的 12 个因子,计算它们在 2007~2017 年年报中的值与对应 年底市值因子之间的 Spearman 秩相关系数,见上表。经观察发现,大部分盈利能力、收 益质量因子与市值因子呈现明显正相关关系,资本结构因子 currentdebttodebt 与市值因子呈现明显负相关关系,其余因子与市值因子相关性较小。由此,我们认为在财务质量因 子测试中还是应考虑进行市值中性处理。

财务质量因子在截面上的因子值相关性分析

在某一指定截面上,我们可以计算两个因子的因子值之间相关系数。若在这一截面上建立 多元线性回归方程,以下期收益作为被解释变量,以这两个因子和其它一些风格因子作为 解释变量,则由于这两个因子的线性相关程度较大,回归结果的准确性就会受到影响,当 这两个因子完全线性相关时回归方程没有解。所以考察截面上因子值相关情况是一件有意 义的工作。

对于任意两个财务质量因子,我们依次计算从 2007 年至 2017 年的 11 份年报上它们之间 的 Spearman 秩相关系数,最后求均值,结果见下表。除了盈利能力类的几个因子间相关 性较大,以及收益质量类两个因子间相关性较大,其余因子间相关性都在 40%以下,对回 归方程的计算不产生本质影响,但在使用时仍需注意规避因子共线性带来的一些衍生问题。

单因子测试方法简介及结果分析

在多因子系列首篇报告《华泰多因子模型体系初探》(2016.09)中,我们系统地介绍了有 效因子识别(即单因子测试)的理论基础和研究思路,在多因子系列第二篇报告《华泰单 因子测试之估值类因子》中我们着眼于实践过程,给出了详细的流程操作说明。之后的第 三至第六篇报告中均沿用第二篇报告的测试方法。在第七篇报告中,由于资金流向因子适 于更短持仓周期,我们将月调仓改为 10 日调仓,其余测试细节保持不动。

本报告中涉及的财务质量因子只会随着新财报的发布而产生变动,月频调仓并无太大意义, 同时还可能对结果产生不必要干扰。所以我们将截面期调整为每年的 4 月 30 日、8 月 31 日、10 月 31 日,在 4 月 30 日及之后可以使用上年年报及本年度一季报信息,8 月 31 日 及之后可以使用半年报信息,10 月 31 日及之后可以使用三季报信息。我们在每个截面期 上使用最新财报数据构建因子,所有个股对齐使用同一个季度的财报信息(忽略财报延迟 公布的个股) 。实际在 4 月 30 日截面上,当被测因子的一季报信息较为齐全的时候,我们 并不会直接使用上年年报信息(可能在计算过程中间接使用),如遇特殊情况需使用上年 年报的在正文中都会明确指出。

单因子测试方法简介

回归法

回归法是一种最常用的测试因子有效性的方法,具体做法是将第T期的因子暴露度向量与 T+1期的股票收益向量进行线性回归,所得到的回归系数即为因子在T期的因子收益率, 同时还能得到该因子收益率在本期回归中的显著度水平——t 值。在某截面期上的个股的 因子暴露度(Factor Exposure)即指当前时刻个股在该因子上的因子值。第T期的回归模 型具体表达式如下。

回归模型构建方法如下:
1. 股票池:全 A 股,剔除 ST、PT 股票,剔除每个截面期下一交易日停牌的股票。
2. 回溯区间:2007-04-30 至 2018-4-27。
3. 截面期:每年的 4 月 30 日、8 月 31 日、10 月 31 日前最后一个交易日,用当前截面 期因子值与当前截面期至下个截面期内的个股收益进行回归。
4. 数据处理方法:
a) 因子列表见图表 2,所有因子均直接从 Wind 下载,不进行二次加工;
b) 中位数去极值:设第 T 期某因子在所有个股上的暴露度向量为𝐷𝑖,𝐷𝑀为该向量中 位数,𝐷𝑀1为向量|𝐷𝑖 −𝐷𝑀|的中位数,则将向量𝐷𝑖中所有大于𝐷𝑀 +5𝐷𝑀1的数重设 为𝐷𝑀 +5𝐷𝑀1,将向量𝐷𝑖中所有小于𝐷𝑀 −5𝐷𝑀1的数重设为𝐷𝑀 −5𝐷𝑀1;
c) 标准化:将去极值处理后的因子暴露度序列减去其现在的均值、除以其标准差, 得到一个新的近似服从N(0,1)分布的序列,这样做可以让不同因子的暴露度之间 具有可比性;
d) 缺失值处理:因本文主旨为单因子测试,为了不干扰测试结果,如文中未特殊指 明均不填补缺失值(在构建完整多因子模型时需考虑填补缺失值)。
5. 回归权重:由于普通最小二乘回归(OLS)可能会夸大小盘股的影响(因为小盘股的 财务质量因子出现极端值概率较大,且小盘股数目很多,但占全市场的交易量比重较 小),并且回归可能存在异方差性,故我们参考 Barra 手册,采用加权最小二乘回归 (WLS),使用个股流通市值的平方根作为权重,此举也有利于消除异方差性。
6. 因子评价方法:
a) t 值序列绝对值均值——因子显著性的重要判据;
b) t 值序列绝对值大于 2 的占比——判断因子的显著性是否稳定; c) t 值序列均值——与 a)结合,能判断因子 t 值正负方向是否稳定;
d) 因子收益率序列均值——判断因子收益率的大小。

IC 值分析法

因子的 IC 值是指因子在第 T 期的暴露度向量与 T+1 期的股票收益向量的相关系数,即

image

上式中因子暴露度向量𝑋𝑇一般不会直接采用原始因子值,而是经过去极值、中性化等手段 处理之后的因子值。在实际计算中,使用 Pearson 相关系数可能受因子极端值影响较大, 使用 Spearman 秩相关系数则更稳健一些,这种方式下计算出来的 IC 一般称为 Rank IC。

IC 值分析模型构建方法如下:

  1. 股票池、回溯区间、截面期均与回归法相同。
  2. 因子暴露度向量𝑋𝑇先用中位数法去极值(方法论详见上一小节),然后进行市值、行 业中性化处理。中性化处理即在截面期 T 上用因子值(已去极值)做因变量、对数总 市值因子(已去极值)及行业因子(0/1 哑变量)做自变量进行线性回归,取残差作 为因子值的一个替代。这样做可以消除行业因素和市值因素对因子的影响。计算残差 向量和 T+1 期股票收益向量的 Spearman 秩相关系数作为 T 期因子 Rank IC 值。
  3. 因子评价方法:
    a) Rank IC 值序列均值——因子显著性;
    b) Rank IC 值序列标准差——因子稳定性;
    c) IC_IR(Rank IC 值序列均值与标准差的比值)——因子有效性; d) Rank IC 值序列大于零的占比——因子作用方向是否稳定。

分层回测法

依照因子值对股票进行打分,构建投资组合回测,是最直观的衡量因子优劣的手段。分层 测试法与回归法、IC 值分析相比,能够发掘因子对收益预测的非线性规律。也即,若存在 一个因子分层测试结果显示,其 Top 组和 Bottom 组的绩效长期稳定地差于 Middle 组,则 该因子对收益预测存在稳定的非线性规律,但在回归法和 IC 值分析过程中很可能被判定为无效因子。

分层测试模型构建方法如下:

  1. 股票池、回溯区间、截面期均与回归法相同。
  2. 换仓:在每个截面期核算因子值,构建分层组合,在截面期下一个交易日按当日收盘 价换仓,交易费用以双边千分之四计。
  3. 分层方法:因子暴露度向量𝑋𝑇先用中位数法去极值,然后进行市值、行业中性化处理 (方法论详见上一小节),将股票池内所有个股按因子从大到小进行排序,等分 N 层, 每层内部的个股等权配置。当个股总数目无法被 N 整除时采用任一种近似方法处理均 可,实际上对分层组合的回测结果影响很小。
  4. 多空组合收益计算方法:用 Top 组每天的收益减去 Bottom 组每天的收益,得到每日 多空收益序列𝑟1,𝑟2,⋯,𝑟𝑛,则多空组合在第 n 天的净值等于(1+𝑟1)(1+𝑟2)⋯(1+𝑟𝑛)。 5. 评价方法:全部 N 层组合年化收益率(观察是否单调变化),多空组合的年化收益率、 夏普比率、最大回撤、月胜率等。

三种方法的关系

首先介绍一下回归法和 IC 值分析法之间的关系。

我们先介绍一个引理。设𝑋,𝑌为两个向量,则[𝑐𝑜𝑟𝑟(𝑋,𝑌)]^2 = 𝑅^2,其中𝑅^2为线性回归𝑌 = 𝑎𝑋 +𝑏或线性回归X = 𝑎𝑌 +𝑏的可决系数(其中𝑎,𝑏是待回归系数)。

如果我们在单因子测试(线性回归法)中使用模型 𝑟 = 𝛽𝑋 +𝑐
(r 是股票收益率,X 是因子暴露度,c 是常数项,c 可以理解为市场因子)并且假设我们 在计算因子 IC 值的时候,不预先对因子暴露度进行市值、行业调整了,就使用原始的因 子暴露度 X,则本期因子 IC 值为𝑐𝑜𝑟𝑟(𝑋,𝑟),根据引理,因子 IC 值的平方就等于单因子测 试的回归模型的𝑅^2。

所以,因子 IC 值本质上反映的是下期收益率和本期因子暴露度的线性相关程度(𝑅^2的平 方根),是使用该因子预测收益率的稳健性(IC 值越大,这个因子的收益越稳定,波动越 小);而回归法中计算出的因子收益率本质上是一个斜率,反映的是从该因子可能获得的 收益率的大小,这并不能说明任何关于线性拟合优度的信息(也就是说,因子收益率很大 时,也可能出现𝑅^2很小的情形);至于回归法中计算出的 t 值,在一元线性回归中 t 值与𝑅^2 反映的信息一致(二者对应关系为,当𝑅^2 = 0时 t 值也为 0,当𝑅^2 = 1时 t 值为无穷大), 但是由于我们所采用的回归模型包括了行业变量,所以 t 值仅代表被测因子对股票收益的 解释能力(而不能代表模型的整体拟合优度) 。实际计算过程中因子会进行一些预处理, 回归方程也有可能引入其它风格变量使其表达形式更复杂,导致 IC 值和 t 值无法理论上互 推,但前面所述结论的本质不变。

总结一下,IC 值反映模型整体线性拟合优度,t 值反映被测单因子对模型的解释能力是否 显著,因子收益率与前两者差别较大,它反映的是可能获得的收益率的大小,而对这个收 益是否稳健未知。

其次介绍一下回归法和分层测试法之间的关系。

假设本期因子值𝑋与下期收益𝑟完全线性相关,满足𝑟 = 𝛽𝑋 +𝑐。此时 IC 值绝对值为 1,回 归法中的因子收益率为𝛽。并且假设本期因子值 X 服从[0,1]均匀分布,那么当按因子从小 到大等分 N 层测试时,第 i 层组合的下期收益为𝛽(2𝑖 −1)/2𝑁 +𝑐,多空收益(第 N 层收 益减去第 1 层收益)为𝛽(𝑁 −1)/𝑁,也即说明分层测试法中的多空收益与回归法中的因子 收益率具有一定程度的等价关系。实际上因子 IC 值大部分在 0.1 附近波动,所以回归拟 合的因子收益率与分层测试下的多空收益也未必完全一致。

单因子测试结果分析(每年调仓 3 次)

盈利能力——ROE 因子

首先我们观察一下 wind 中能下载到的 9 个 ROE 因子在全部非 ST 股票上的数据覆盖度随 时间变化曲线,以及它们在各种股票池内回归法、IC 值分析结果汇总。

image

请注意,由于 roe_basic 和 roe_exbasic 两个因子在部分时间段一季报、三季报数据缺失 严重,我们令 roe_exbasic 因子在全回测期内的 4 月 30 日截面采用上年年报信息、10 月 31 日截面采用半年报信息,令 roe_basic 因子在 2009 年之前的 4 月 30 日截面采用上年 年报信息、10 月 31 日截面采用半年报信息,其余未指明部分与其它因子保持一致。除这 两个因子之外的其余 ROE 因子在 2003 年底之后基本具有接近 100%的数据覆盖度。

接下来,我们继续观察它们在各种股票池内分层测试法结果汇总。

通过回归法、IC 值分析、分层测试法的结果我们可以发现各 ROE 因子的效果还是存在一 定差别的,不论是在沪深 300 成份股内、中证 500 成份股内,还是全 A 股票池中,它们 的效果排序均为:单季度 ROE> 当年累计 ROE > ROE(TTM) 。结合因子表现与数据覆 盖度,我们选择最优的 qfa_roe 因子进行单独展示,其主要指标表现如下。

我们将 qfa_roe 因子应用到各行业中进行分层测试,结果如下表所示。

盈利能力类其它因子

除上一小节涉及的 ROE 因子外,我们观察另外 15 个常见的盈利能力因子在全部非 ST 股 票上的数据覆盖度随时间变化曲线,以及它们在各种股票池内回归法、IC 值分析结果汇总。

image


这 15 个盈利能力因子的数据覆盖度比较好,仅 roa_ttm2 因子在 2008 年三季报之前的数 据缺失严重。由于缺失的部分与回测期重合度较小,我们就将该因子在 2008 年三季报之 前的空值简单填补为 0 了。
接下来,我们继续观察它们在各种股票池内分层测试法结果汇总。


通过回归法、IC 值分析、分层测试法的结果我们可以发现,以上盈利能力因子的效果排序 也基本上为:单季度指标 > 当年累计指标 > TTM 指标。结合因子表现与数据覆盖度,我 们选择效果较好的 qfa_roa、qfa_grossprofitmargin、nptocostexpense_qfa、roic 因子进 行单独展示,其主要指标表现如下。

(1) qfa_roa 因子

收益质量因子

我们先来观察下收益质量类 7 个因子在全部非 ST 股票上的数据覆盖度随时间变化曲线, 以及它们在各种股票池内回归法、IC 值分析结果汇总。

image

这 7 个收益质量因子的数据覆盖度比较一般,只有 taxtoebt_ttm 因子在 2001 年之后覆盖 度接近 100%,不过该因子效果不太好,其余因子覆盖度一直在 80%左右波动。
接下来,我们继续观察它们在各种股票池内分层测试法结果汇总。

通过回归法、IC 值分析、分层测试法的结果我们可以发现,收益质量因子的效果排序大致 为 : 单 季 度 指 标 ≈ 当 年 累 计 指 标 > TTM 指标。我们选择效 果 较 好 的 qfa_operateincometoebt、qfa_deductedprofittoprofit 因子进行单独展示,其主要指标表 现如下。
(1) qfa_operateincometoebt 因子

(2) qfa_deductedprofittoprofit 因子

现金流量因子

我们先来观察下现金流量类 7 个因子在全部非 ST 股票上的数据覆盖度随时间变化曲线, 以及它们在各种股票池内回归法、IC 值分析、分层测试法结果汇总。

image

这 7 个现金流量因子中,只有 ocftodividend 因子的数据覆盖度比较差,一季报、三季报 数据缺失很严重,近五年以来年报、半年报数据覆盖约为 60%~80%,其余 6 个因子的数 据覆盖度比较好。对于 ocftodividend 因子,我们只采用年报、半年报数据进行回测。

该类因子整体效果一般,我们此处只选择展示效果尚可的两个因子:qfa_ocftosales、 ocftocf_qfa,其主要指标表现如下。

(1) qfa_ocftosales 因子

(2) ocftocf_qfa 因子

资本结构因子

我们先来观察下资本结构类 3 个因子在全部非 ST 股票上的数据覆盖度随时间变化曲线, 以及它们在各种股票池内回归法、IC 值分析、分层测试法结果汇总。

image

这 3 个资本结构因子在 2001 年之后的数据覆盖度都接近 100%。根据以上测试结果, currentdebttodebt 因子的效果相对较好,我们此处对该因子加以展示,其主要指标表现如 下。

偿债能力因子

我们先来观察下偿债能力类 5 个因子在全部非 ST 股票上的数据覆盖度随时间变化曲线, 以及它们在各种股票池内回归法、IC 值分析、分层测试法结果汇总。

image

这 5 个偿债能力因子中,只有 ebittointerest 因子的数据覆盖度比较差,近十年间覆盖度在 70%左右波动。结合测试结果和数据覆盖度来看,current 因子相对较好,我们此处对该 因子加以展示,其主要指标表现如下。

营运能力因子

我们先来观察下营运能力类 5 个因子在全部非 ST 股票上的数据覆盖度随时间变化曲线, 以及它们在各种股票池内回归法、IC 值分析、分层测试法结果汇总。

image

这 5 个营运能力因子在 2001 年之后的数据覆盖度都接近 100%。根据以上测试结果, assetsturn 因子的效果相对较好,我们此处对该因子加以展示,其主要指标表现如下。

财务质量因子测试结果汇总及对比

财务质量因子测试结果汇总(每年调仓 3 次)

上一章节测试结果显示,六个子类中存在效果较好的 12 个因子,它们的结果汇总如下。

这 12 个因子在分层测试法中计算的多空组合净值曲线如下列图表所示。

结合以上测试结果可以发现,财务质量因子还是具有一定选股能力的,但随时间推移,大 部分因子的效果不太稳定,呈现周期性波动的特征。自 2016 年底开始,盈利能力类的因 子多空收益累积速度很快,并且比较平稳;在全部回测区间来看,只有收益质量因子在全 A 股中的多空收益累积比较平稳,近期依然持续有效。

财务质量因子与其它主要类别因子效果对比(每月调仓)

我们在财务质量的六个子类别中各筛选了一个因子,与之前回测的估值、成长、市值、动 量反转、波动率、换手率因子进行对比。所选因子列表如下。

我们统一在月频调仓的框架下对所有因子进行回测,以每个自然月的最后一个交易日作为 截面期,其余设置与第二章第一节所述一致。上表中第四列因子方向为 1 表示该因子值越 大越好,-1 表示该因子值越小越好,在回测中预先将所有因子都乘以因子方向(1 或-1) 再进行回测。
回测结果对比如下面三个图表所示。




注:上表中的 2018 那一列指代 2018 年 1 月初到 4 月底的多空收益。

总结

1. 本报告将财务质量因子分为六个子类别(盈利能力、收益质量、现金流量、资本结构、 偿债能力、营运能力)进行分析测试,总共测试 51 个因子,全部因子均从 Wind 终端 的数据接口直接提取。在测试过程中,通过对比同一个子类别内部细分因子的表现, 择优详细展示了 12 个因子的测试图表。根据测试结果,财务质量因子具备一定选股 能力,并且财务指标随时间推移变化缓慢,有助于构建稳健的长线投资组合。

2. 财务质量因子可能存在多种计算方式,以 ROE 为例,我们在报告中详细测试了 9 种 计算方式下 ROE 因子的表现,发现 qfa_roe(单季度 ROE、采用平均法计算净资产) 因子效果相对最好。若同一因子存在单季度、当年累计(即财报原始值)、 TTM 三种 计算方式时,一般情况下的效果排序为:单季度>当年累计>TTM。说明目前 A 股投资 人对季度报表反应较为迅速、敏感,或者也可以理解为投资人对长期业绩关注度低。

3. 大部分财务质量因子随时间推移效果不够稳定,呈现一些周期性波动的特征。自 2016 年底开始,盈利能力类的因子多空收益累积速度很快,并且比较平稳;在全部回测区 间来看,只有收益质量因子在全A股中的多空收益累积比较平稳,近期依然持续有效。

4. 将财务质量因子与前期测试的估值、成长、市值、动量反转、波动率、换手率等因子 放到统一的月频调仓框架下进行回测,发现财务质量因子的 Rank IC 和回归因子收益 率水平都比较一般,粗看下来与其它类别因子相比没有明显优势。在沪深 300 成份股 票池里财务质量因子的水平与其它因子比较接近,在中证 500 成份股票池中逐渐拉开 差距,在全 A 股票池中财务质量因子的效果与其它因子尤其是价量类因子相差较大。 由此推测,财务质量因子在偏大盘的股票池里选股效果更好,这与人们的直观感觉也 是相符的。

5. 从 2016 年底以来,市场投资环境发生了比较大的变化,以往收益很高的市值因子、1 个月反转因子失效,而基本面型因子则迅速崛起。观察各类因子自 2008 年到 2018 年的年度多空收益可以发现,2017 年 qfa_roe 因子在沪深 300 成份股、中证 500 成 份股内的多空收益都是最高的,在全 A 股中的多空收益排第三。2018 年以来财务质 量因子的多空收益依然优秀,且目前没有看到明显的下滑趋势(2018 年的回测数据截 止到 4 月底)。希望我们这篇研究报告能为您的投资带来及时的助益。

风险提示

单因子测试结果是历史经验的总结,如果市场规律改变,存在失效的可能。财务质量因子 的选股效果受市场宏观环境等因素影响较大,请谨慎使用。


【研报复现大赛】进阶篇(评审中)
【研报复现大赛】基础篇(评审中)
BigQuant研报复现PK赛(有奖竞赛)