【研报分享】东北证券:市值风格轮动初探

市值风格
标签: #<Tag:0x00007f5b8e1731a8>

(chau) #1

市值风格轮动初探

报告摘要:

通过买入市值最小的一组股票,卖出市值最大的一组股票,可以实现较大的超额收益,发达国家与我国市场数据均证实了这一点。A股结果表明,在一些时点,小市值组合出现回撤,尤以 2017 年为甚。在本报告中,我们对市值效应成因进行了分析;同时,基于不同视角,对市值风格轮动进行了尝试。

我们首先对市值因子进行了回测检验:小市值组合年化收益率为41%,多空年化收益率为 33.6%,最大回撤为 38.8%;在 2014 年底、2016 年底至 2018 年初,出现了较大的回撤。基于相关数据,我们从风险、流动性、投资者行为等视角对小市值效应成因进行了分析。在此基础上,我们从风格动量、市值拆分和信息传递这三个视角出发,尝试构建市值风格轮动策略。

风格动量:计算市值风格区间累计收益率,将其作为指示变量。如果指示变量大于 0,则在未来持有大市值组合,反之持有小市值组合。回测结果表明,基于长期风格动量,能够取得较好的回测结果:组合相对中证 500 超额收益率为 25.86%、最大回撤由 28.6%减少至13.92%,Calmar 由 0.981 提高至 1.858。

市值拆分:对市值进行拆分,可以发现其由业绩和估值共同驱动。相比于对市值指标的分析,对业绩和估值的分析更具经济含义。基于此,综合使用业绩和估值信息,进行指标构建。据此所得组合相对中证 500 超额收益率为 18.84%,最大回撤为 7.69%,Sharpe 为1.908。

信息传递:如果股票对特定信息反应速度较慢,则理论上有效的信息在一定的持有期内也会失效。基于此,我们构建了相关指标以反映股票对特定信息的反应速度。具体来说,我们计算了股票对市场、市值、BP 和盈利信息的反应速度。分析结果表明,小市值与大市值股票对于市值这一信息没有特定的反映特征,即市值本身并不是推动市值效应的原因;组合对估值和盈利信息的反应速度变动,与小市值溢价走势较为一致。不过如何将这一关系应用到预测中,还需要进一步研究。

目 录

  1. 市值效应分析
    1.1. 因子回测
    1.2. 成因分析
  2. 市值风格轮动策略
    2.1. 风格动量视角
    2.2. 市值拆分视角
    2.3. 信息传递视角
  3. 总结

在本报告中,我们首先对市值因子进行回测检验,并对市值效应成因进行分析;在此基础上,我们尝试基于不同视角,以实现风格预测,降低组合回撤。

1. 市值效应分析

在这一部分,我们首先给出市值因子的回测结果,然后对常见的解释进行分析;在此基础上,给出可能的改进方案。

1.1. 因子回测

通过买入市值最小的一组股票,卖出市值最大的一组股票,可以实现较大的超额收益。这里我们进行如下回测:基于当期股票总市值,排序等分为 10 组,每一组合持有 20 个交易日(剔除停牌和涨停股票),等权配置;回测区间为 2007.1-2018.4。我们计算了分组收益统计、组合净值走势及多空净值走势,分别见表 1,图 1 和图2。

由表 1 可知,市值最小组合年化收益率为 41%;多空年化收益率为 33.6%,最大回撤为 38.8%。结合图 2 可知,2017 年之前,小市值股票在多数时间相对大市值有超额收益;而在 2014 年底、2016 年底至 2018 年初,出现了较大的回撤。2014 年末,蓝筹股优先启动,造成小市值和大市值的风险溢价为负;2016 年末,伴随着 IPO 加速和政策上对价值投资的鼓励,以及机构投资者抱团高质量蓝筹股现象的出现,市值收益又出现了大幅回撤。2018 年 2 月之后,创业板相对走势较好,累计收益有所回升。


1.2. 成因分析

对于小市值效应,可以从风险、流动性、投资者行为等视角进行解释。下面我们依次进行分析。

1.2.1. 风险视角

该理论认为,市值效应存在的原因是小市值股票面临更高的风险,因此需要对其进行风险补偿。为分析这一点,我们对上述回测中的小市值与大市值组合进行了归因分析,以对比二者在两个风险指标(贝塔和波动率)上的暴露情况,结果见图 3 和图 4。

就贝塔而言,小市值组并没有较为稳定地高于大市值股票;2017 年,小市值贝塔高于大市值,但是此时是出现回撤的。就波动率而言,在整个回测区间,二者大小与走势均基本一致。因此,从组合承担的风险这一视角,并不能很好地解释市值效应。

也有理论认为,个股特质风险可通过组合分散化加以抹除,因此这里的风险应当是系统性风险。小市值公司面临更高的外部融资风险,因此会对宏观经济环境的变动更为敏感。例如,当经济增长恶化以及信贷收紧时,其受到的负面影响会更大。因此,有较多研究使用了诸如经济增速、通胀水平和利率水平等宏观指示变量来预测
风格收益的走势。

下面我们以利率为例进行简要分析。图 5 中给出了 1 年期国债到期收益率与市值风格累计收益率的走势对比。2016 年底至 2017 年底,利率水平呈现明显的上升趋势,这预示着市场风格会偏向大盘,这一时间段的大盘溢价表明这一关系是成立的;2018 年初至今,利率下行,对小盘风格起到了预示作用。这一似乎表明利率水平可以较好地对风格偏好进行预测。然而,在其他时间内,二者并没有这么稳定的关系。Bender、Sun、Thomas 和 Zdorovtsov(2018)1提出了如下在进行因子择时中面临的挑战:一,时变的相关性,即预测变量与预测目标之间的相关性并不稳定;二,前视误差。站在已知视角,可以挑选出优异的预测变量;但是,站在最新时点,挑选在未来具有预测作用的变量是非常困难的。

1Jennifer Bender, Xiaole Sun, Ric Thomas, Volodymyr Zdorovtsov, The Journal of Portfolio Management , 2018 , 44 (4) :79-92.

1.2.2. 流动性视角

该理论认为,对于流动性较差的资产,需要为投资者提供流动性溢价补偿。小市值股票流动性相对较差,因此需要为其提供一定的收益补偿。我们计算了大市值与小市值组合在流动性指标上的暴露,结果见图 6。由图 6 结果可知,在多数时间内,小市值股票流动性暴露相对较低,但是二者差别较小。因此,流动性因素可以在一定程度上解释市值效应,但是程度较小。

1.2.3. 投资者行为视角

该理论认为,投资者非理性行为会引致投机炒作。在较长的一段时间内,壳资源具有一定的价值,且散户投资者占比较高。为分析这一点,我们进行了如下数据统计:每一季度末,基于总市值将市场所有股票进行排序,最小的 10%股票记为小市值,最大的 10%股票记为大市值。提取个股在该报告期机构持股数量和流通股本数据;

按组进行持股数量和流通股本的加总,并计算二者比值。我们统计了 2010-2017 年中报和年报数据, 结果见图 7。对于大市值,2014 年之前,机构持股占比保持稳定;2015 年中报,占比由 79.14%下降至 74.55%;2015 年末至 2017 年中,占比逐渐开始增加;2017 年报,占比则由78.74%下降至 69.23%。对于小市值,2016 年中报之前,机构持股占比上升趋势明显,由 2012 年的 27.85%提高至 2016 年中报的 38.45%;然后逐渐降低,至 2017 年末为 28.05%。

结合上述分析可以发现,2016-2017 年,伴随着 IPO 加速和政策上对价值投资的鼓励,机构投资者开始抱团高质量蓝筹股,具有较优业绩的大盘股成为市场追逐的热点;相应地,对于小盘股的偏好不再。因此,在分析市场风格偏好时,机构投资者行为是需要重点加以考虑的。

1.2.4 小结

在这一部分,我们从风险、流动性和投资者行为等三个视角对小市值效应成因进行了分析。总结来说,从宏观风险视角能够对小市值效应进行一定的解释,但是存在相关性不稳定的问题;小市值股票会存在一定的流动性溢价,但是贡献度较小。投资者行为方面,机构和散户投资者行为能够在理论上对小市值效应进行解释,但如
何量化指标进行预测还存在一定的难度。虽然如此,可以通过投资者行为实际引致出的结果来对风格轮动进行指导,比如风格动量;也可以通过更为具体的指标来对小市值股票特征加以反映,即换一个角度来分析小市值效应。

2. 市值风格轮动策略

基于前文分析,可以发现尽管小市值股票在多数时间内具有较好的表现,不过在某些时间段以及时间点会出现较大的回撤。我们希望能够对未来持有期风格收益进行预测,准确把握大小盘之间的切换。下面,我们从风格动量、市值拆分和信息传递等三个视角进行展开,尝试进行市值风格轮动。

2.1. 风格动量视角

在进行市值风格轮动时,动量策略是比较直观的一种方法。其思路是,如果过去小市值相对大市值有超额收益,则在未来一段时间内,仍然可以获取超额收益。基于这一思路,我们进行了如下回测:股票池为全部 A 股,回测区间为 2007 年 1 月至 2018 年 4 月。回测流程如下:

(1) T 时刻,提取前推 N 日市值风格纯因子收益均值,将其作为指示变量;
(2) 提取该时点股票总市值,剔除停牌和涨停股票;排序将股票等分为 10 组;小市值和大市值第十组分别记为 G1 和 G10;
(3) 如果指示变量大于 0,则持有大市值股票,反之持有小市值;组合持有 20 个交易日,股票等权配置。

基于上述流程,我们对 N=20、40、60、120、240 等 5 种情形进行了回测,详细结果见表 2 和图 8。表 2 中给出的是小市值组合及 5 种回测组合相对中证 500 的超额收益统计值,图 8 给出的是超额收益累计净值走势。

由表 2 结果可知,回测的 5 个结果中,以 240 日作为指示变量计算期组合表现最好:年化超额收益率为 25.86%,与小市值组合表现相近;最大回撤为 13.92%,远小于小市值组合的 28.6%。结合图 8 可知,虽然动量-240 日组合在整个区间内表现不如小市值组合,但是因为在 2017 年基本没有出现回撤,所以截止回测期末,二者相差并不大;其在 2017 年 4 月之后给出的均是做多大盘的信号。短期动量策略虽然能够较好捕捉近期信息,但是持续性相对较差;长期动量策略能够抹平短期波动的影响,但是无法把握短期内的风格切换。如何将二者进行有效结合,还需要进一步研究。

上述回测结果表明,通过简单的风格动量策略,在保持整体收益表现的前提下,可以较大地降低组合回撤。


2.2. 市值拆分视角

小市值策略,即买入市值最小的一组股票,但是市值这一指标代表的是什么含义呢?为回答这一问题,我们对市值进行了拆分。具体来说:
9
即总市值变的增长是由净利润变动和估值变动共同引致的。基于这一分析,我们可以跳出单独的市值指标分析,转而对分解出的两个部分进行研究。下面我们对小市值组合和大市值组合的历史数据进行拆分。

具体来说,提取年初和年末股票总市值数据和净利润数据,剔除净利润为负的股票;基于年初股票总市值数据,将剩余股票中市值最小 10%的股票记为小市值组合,最大 10%的股票记为大市值股票;将每一组总市值和净利润进行加总,并计算得到期初和期末的估值数据(总市值/净利润);据此,计算每一组合的总市值变动、净利润变动和估值变动值。具体结果见图 13 和图 14(2012-2017 年)。

对于大市值组合:除 2014 年外,其收益变动基本是由盈利驱动的。2013 年,净利润增长 11.68%,而估值则下降了 19.89%,总市值下降了 10.53%。2017 年大市值股票的上涨是由业绩和估值共同驱动的:净利润增长 12.54%,估值提高 6.78%,引致市值增长 20.17%。

对于小市值股票:2013、2014 和 2015 年,相比于业绩,估值对收益贡献更大。例如 2015 年,净利润增长 18.61%,估值提升 191.89%,带来了 246.21%的收益。2016年,业绩贡献远高于估值贡献,后者贡献为负;2017 年,净利润增长 27.17%,而估值则下降了 33.05%,收益率为 14.85%。


由上述分析可知,股票收益率由业绩和估值共同驱动。并且,相比于对市值这一单个指标的分析,对业绩和估值的分析更具经济含义。业绩预期推动估值,并最终通过业绩的实现得以消化估值的扩张。在此种情形下,对市值风格进行轮动可以转为对更为直接的指标进行分析。
下面从业绩和估值两个层面进行组合构建,思路如下:
(1) 业绩
这里我们使用未预期盈余(SUE)指标来对股票业绩进行度量:

12

分子:站在当前时点可得最新调整股本 EPS,相对前推 4 个季度的同期变动值;分母:基于最近两年 8 个季度数据滚动计算分子值(至少要有 6 个数据),即最多可得 4 个值,最少可得 2 个值,计算其标准差。

(2) 估值
对于具有较强盈利能力的股票,如果其当前估值处于相对较低的水平,预期估值在未来会得到修复。我们通过截面回归的方法来确定估值高低程度,回归方程如下:

13

其中PRO为净利润, MKT为公司总市值;IND为中信一级行业虚拟变量;系噶玛为偏离度指标,将其作为因子值进行组合构建,记为DPRO 。因子值越大,表明当前被低估水平越高,预期其未来会有更好的表现。对于净利润,我们以分析师一致预期数据(未来 12 个月)来度量。

具体回测流程如下:
(1) T 时刻,提取当期一致预期净利润数据和股票 EPS 数据;提取总市值与所属中信一级行业属性值;计算得到 SUE(进行市值和行业中性化)和 DPRO 因子值;
(2) 分别计算个股因子 RANK 值,进行简单平均,得到综合打分指标,作为最终使用的因子值;
(3) T+1 时刻,剔除停牌和涨停股票,剔除上市不满 60 日的新股;
(4) 将因子值升序排列,持有因子值最大的 10%的股票;等权配臵,以收盘价买入股票,组合持有 20 个交易日。

股票池为全部 A 股,回测区间为 2007 年 1 月至 2018 年 4 月,回测结果见表 3、图15 和图 16。

由表 3 结果可知,多头组合收益率为 30.93%;相对中证 500 超额年化收益率为18.84%,Sharpe 为 1.908,Calmar 为 2.451。与小市值组合进行对比,Sharpe 提升较大,最大回撤大幅减小。在进行市值风格轮动时,如果仅关注市值这一表明特征变量,并不能得到实质性的结论。对其进行拆分,可以发现业绩和估值是更为基础的轮动因素。这里我们将业绩和估值进行结合构建因子,取得了较好的回测结果。


Uploading: 15.png…

2.3. 信息传递视角

传统资产定价模型假设市场中信息是充分#的,并且不存在交易摩擦,然而大量经验证据已经证伪了这一观点。已有研究对信息不充分、非对称信息、卖空限制及噪音交易者等进行了深入研究。对于一些股票,如果其对特定信息反应速度较慢,即出于一些原因,股价对信息的反应速度较慢,则理论上有效的信息在一定的持有期内也会无效。在对异常收益现象进行研究时,往往默认该信息会立刻反映在股价中,这是存在一定问题的。

对于小市值效应,我们可以从信息传递这一视角进行分析。具体来说,我们分析了小市值与大市值组合股票对市场、市值、估值和盈利等四类信息的反应速度,以判断在不同时间点的组合特征。为此,我们进行了如下时间序列回归。

16

上述指标的含义是:对基准当期及滞后收益率进行时间序列回归;如果个股收益率对信息反应速度较快,则滞后项的系数应当较小且不显著,否则滞后项对收益率的解释贡献度会较高。Speed指标即度量了滞后项在回归中的贡献程度,其值越小,表明信息反应速度越快,否则越慢。基于上述说明,我们进行了如下回测:

(1) T 时刻,提取过去 252 个交易日的市场收益率(WIND 全 A)、市值风格收益率、BP 风格收益率和盈利风格收益率;提取同期个股收益率;
(2) 按周对收益序列进行划分,计算每一周的复合收益率,不足一周的按实际数进行计算;
(3) 滞后期为 4 周,计算每一股票在该时点的指标值;
(4) 按当期总市值大小对股票进行排序,市值最小 10%股票记为小市值,市值最大10%股票记为大市值。计算每一组内个股指标均值;
(5) 所涉及的股票池为全部 A 股,回测区间为 2007 年 1 月至 2018 年 4 月。

基于上述流程,我们计算了每一时点小市值与大市值组合指标均值的比,将其作为每一基准的指示变量,结果见图 9、图 10、图 11 和图 12。

对于市场组合:2007-2008 年,指示变量波动较大,表明这一时间段大小市值组合对信息的反应速度出现了一定程度的切换;2015-2016 年,指示变量波动开始加剧;2017 年,指示变量呈较为明显的上升趋势,即相对于大市值股票,小市值股票信息反应速度开始下降;2018 年 2 之后,指示变量开始下降。对于市场这一系统性信息,个股交易会推动其信息反映程度。基于这一点,可以发现 2017 年小市值股票市场关注度开始下降,大盘股更受市场偏好,因此在这一区间小市值效应失效。

对于市值风格收益:整个事件区间来看,没有明显的变动趋势。从这一点来看,推动小市值效应的并不是市值因素,市值仅是实际产生影响因素综合而来的特征。对于 BP 估值指标:2015 至 2016 年中期,指示变量有明显提高,表明小市值股票对估值反应速度较慢,投资者并不关注这一因素;2016 年底至 2017 年,小市值股票对估值信息反应速度快速提升:小市值股票偏好下降,估值对小市值股票影响较大。

对于盈利指标:2015 年底至 2017 年,小市值股票对盈利信息反应速度提高较大,表明市场开始逐渐对股票业绩加以关注。

总结来说,通过这一指标能够对风格偏好进行一定的解释;如何将其实际应用到风格轮动中,还需要进一步研究。

3. 总结

通过买入市值最小的一组股票,卖出市值最大的一组股票,可以实现较大的超额收益,发达国家与我国市场数据均证实了这一点。A 股结果表明,在一些时点,小市值组合出现回撤,尤以 2017 年为甚。在本报告中,我们对市值效应成因进行了分析;同时,基于不同视角,对市值风格轮动进行了尝试。我们首先对市值因子进行了

回测检验:小市值组合年化收益率为 41%,多空年化收益率为 33.6%,最大回撤为 38.8%;在 2014 年底、2016 年底至 2018 年初,出现了较大的回撤。基于相关数据,我们从风险、流动性、投资者行为等视角对小市值效应成因进行了分析。在此基础上,我们从风格动量、市值拆分和信息传递这三个视角出发,尝试构建市
值风格轮动策略。

风格动量:计算市值风格区间累计收益率,将其作为指示变量。如果指示变量大于0,则在未来持有大市值组合,反之持有小市值组合。回测结果表明,基于长期风格动量,能够取得较好的回测结果:组合相对中证 500 超额收益率为 25.86%、最大回撤由 28.6%减少至 13.92%,Calmar 由 0.981 提高至 1.858。

市值拆分:对市值进行拆分,可以发现其由业绩和估值共同驱动。相比于对市值指标的分析,对业绩和估值的分析更具经济含义。基于此,综合使用业绩和估值信息,进行指标构建。据此所得组合相对中证 500 超额收益率为 18.84%,最大回撤为7.69%,Sharpe 为 1.908。

信息传递:如果股票对特定信息反应速度较慢,则理论上有效的信息在一定的持有期内也会失效。基于此,我们构建了相关指标以反映股票对特定信息的反应速度。具体来说,我们计算了股票对市场、市值、BP 和盈利信息的反应速度。分析结果表明,小市值与大市值股票对于市值这一信息没有特定的反映特征,即市值本身并
不是推动市值效应的原因;组合对估值和盈利信息的反应速度变动,与小市值溢价走势较为一致。不过如何将这一关系应用到预测中,还需要进一步研究。

作者:东北证券金工团队