• 传统多因子赋权方法多基于因子IC或收益率大小，报告提出有效因子与风格因子轮动逻辑不同：有效因子轮动源于因子间相对强弱，风格因子轮动由市场风格直接决定 [page::0][page::3].

- 风格因子如市值因子虽长期表现突出但存在明显回撤风险，ROE等有效因子表现更为稳定且内在逻辑长期有效，但有效因子也存在阶段性回撤，提示单因子收益波动需通过多因子轮动解释 [page::4].

• 因子轮动框架中两类因子对市场风格的响应路径不同：风格因子直接受市场风格影响，有效因子通过因子间强弱体现，最终均受到外生变量驱动 [page::5].

• 13个有效因子组合在完美已知因子收益条件下轮动，显著优于等权组合收益，展示轮动潜力 [page::6].

• 宏观变量（如M2增速）、市场变量（国债收益率、波动率等）及季节效应对因子间相对强弱具有解释力，但单变量与单因子相关性不足明显，组合解读更有效。ROE与ΔROE因子表现出不同的经济周期关联性和季节效应 [page::7][page::8][page::9][page::10][page::11].

• 因子动量检验表明ROE与ΔROE因子缺乏显著自相关性，支持因子收益为平稳过程，无明显持续动量效应 [page::11][page::12].

• 自变量数据库涵盖宏观变量、市场变量、季度效应及因子动量，是模型因子轮动的基础 [page::11][page::12].

- 逐步回归法采用向后逐步筛选，基于线性回归预测单因子收益，通过5年滚动窗口动态调整因子权重，月度调仓。该方法年化收益12.16%，优于因子等权9.50%与5年动量8.40%，但因子权重波动较大，可能导致换手率偏高 [page::12][page::15].

• 序数回归法基于因子收益排名而非绝对收益，采用极大似然估计筛选自变量，预测因子排名概率并赋权。该方法年化收益12.76%，夏普率提升且最大回撤更优，权重波动显著小于逐步回归法，实盘适应性更强 [page::13][page::14][page::17][page::19].

• 最新实盘跟踪（2017.12-2018.5）显示序数回归法稳健超越逐步回归及基准组合，表现出良好的适应性与稳定性 [page::19][page::20].

金融工程专题报告：《因子深度研究系列：宏观变量控制下的有效因子轮动》详尽分析报告

---

1. 元数据与概览

报告标题： 因子深度研究系列：宏观变量控制下的有效因子轮动
作者： 丁鲁明
发布机构： 中信建投证券研究发展部，金融工程研究组
发布日期： 2018年6月8日
研究主题： 对A股市场中的多因子模型进行深入分析，区分有效因子与风格因子，基于宏观及市场变量控制下构建有效因子轮动策略，研究两个主流的因子轮动模型及其回测表现。

核心论点和评级信息：

• 本报告提出有效因子与风格因子在赋权及轮动逻辑上的本质区别。有效因子的轮动基于因子间相对强弱，由宏观和市场外生变量共同决定，而风格因子则直接由市场风格决定。

- 通过引入宏观变量、市场变量和季度效应的解释变量，自变量数据库构建及两个模型（逐步回归法和序数回归法）的应用，显著提升了因子组合的超额收益。

• 两个模型回测表现均超过基准因子等权配置，其中序数回归模型表现更优，既有更高收益也有风险控制优势。

- 报告并未对单一股票做出明确“买入”等评级，而是侧重于策略和风格轮动的方法论探讨。
[page::0,1,22]

---

2. 逐章节深度解读

2.1 因子轮动的背景

2.1.1 传统多因子模型与因子赋权方法综述

传统多因子模型的核心问题是如何预测不同因子的因子收益率（Factor Return），从而给不同因子赋权。主流方法包括采用最新一期因子收益率、长期均值法或通过时间序列模型（如AR模型）残差预测等。最终，股票预期收益计算公式为因子值矩阵与因子收益率向量的乘积，即股票收益是各因子贡献加总的线性组合[page::3]。

此处强调，因子收益率预测等价于对因子权重赋值，权重越高说明该因子在下一期收益预期越好，反之减少配置。

2.1.2 有效因子 vs 风格因子

报告区分有效因子与风格因子：

• 风格因子捕获市场风格（例如市值因子、波动率因子），其收益带有周期性风格轮动特征，易遭遇逆转，如中国市场的小市值效应在2014、2017年内出现明显绩效回撤（图1）。风格因子收益高度依赖市场风格的存在且具备逆转风险。

- 有效因子则应长期稳定产生alpha，且理论上不受市场风格逆转影响，如ROE因子表现相对稳定（图2）。不过在某些时间段（例如2014年2月至2015年4月）ROE因子也有回撤，暗示单因子收益波动很难仅用自身特性解释[page::4]。

从中衍生出报告核心思想：关注有效因子的轮动显得更具投资意义，因为它们代表真正的alpha来源，且通过因子间的相对强弱判断可以提升收益。

2.2 因子轮动框架

报告细化了风格因子和有效因子的轮动逻辑架构（图3）：

• 风格因子直接受市场风格等外生变量影响，导致收益出现周期性逆转。

- 有效因子轮动则体现为因子间相对强弱的变化，这种相对强弱又受宏观经济和市场变量等外生因素驱动。
因此两者需要不同的分析与赋权逻辑，本报告重点研究有效因子的轮动机制[page::5]。

2.3 有效因子与完美轮动效果检验

• 报告选择了13个满足“有效因子”标准的因子，基于中证500样本，衡量因子多空收益差。

- 在假设“已知每期因子收益率”的完美前提下，采用收益率排名权重赋值构建轮动组合与等权组合比较（图5）。

• 结果显示，完美预测下的轮动组合累计净值大幅跑赢等权配置，显示因子轮动在理想状态下有极大收益提升空间[page::6]。

2.4 有效因子轮动的因变量解释

报告从四大类解释变量切入：

2.4.1 宏观变量

• 选取工业增加值同比、固定资产投资同比、房地产开发投资同比、社会消费品零售总额同比、CPI、PPI、M2增速7项指标。

- ROE和ΔROE因子与单个宏观变量的相关性普遍较弱（表2）。以M2增速为例，不同时期与两因子的相关性表现出明显时变特征（图6）。经济逻辑解释为：
- M2上升时，资金充裕，流向高成长企业，ΔROE因子受益；
- M2下降时，资金紧张，偏好确定性高的高ROE公司，ROE因子表现更佳。

• 更重要的是因子间的相对强弱比单个因子的绝对相关性更能反映宏观变量的影响[page::7,8]。

2.4.2 市场变量

• 选取国债收益率、信用利差、利率期限利差、沪深300指数月涨跌幅、波动率、换手率等指标。

- ROE因子与这些市场变量的相关程度普遍高于ΔROE因子（表3），尤其与沪深300波动率的相关度达50.32%。

• ROE因子与国债收益率显著负相关（图7），表明利率走高时高ROE企业融资成本升高，表现受限；ΔROE因子则与国债收益率联系较弱。融资成本波动成为两因子轮动关键市场驱动[page::8,9]。

2.4.3 季度效应

• 关注1月效应、12月效应、季末效应及前后半年表现差异。

- ROE因子存在12月效应和季末效应，而ΔROE因子未表现明显季节性差异（图8-15）。1月效应和前后半年差异两因子均不明显。季节效应部分可能反映基金调仓节奏影响[page::9,10,11]。

2.4.4 因子动量（反转）效应

• ROE和ΔROE因子均无显著自相关性，表明因子收益较为平稳且无显著短期动量或反转效应，仅ROE因子在6个月滞后出现一定正相关（可能与季报披露周期有关）。

- 因此因子自身的动量（反转）解释因子轮动的作用有限（图16,17）[page::11,12]。

2.4.5 自变量数据库构建

基于上述四类变量，构建综合数据库并用于因子轮动模型的自变量。报告未全文披露数据库细节，读者可联系作者获取[page::11,12]。

---

2.5 有效因子轮动模型的构建与回测框架

2.5.1 逐步回归模型（向后逐步回归）

• 回归模型形式为：

$$
Rt = \alpha + \beta1 E{t-2} + \beta2 M{t-1} + \beta3 St + \beta4 Y{t-1} + \varepsilon
$$
其中，$Rt$为本期因子收益，$E{t-2}$为滞后两期宏观变量考量数据公布滞后，$M{t-1}$为滞后一期市场变量，$St$为季节效应虚拟变量，$Y{t-1}$为上一期因子收益（动量部分）[page::12,13]。

• 在5年（60个月）滚动窗口内运行向后逐步回归，筛选显著解释变量（采用BIC准则），并预测下一期因子收益率，用于因子轮动赋权；月度调仓。

- 基准对比为等权配置和因子动量策略，覆盖2011-2017年数据，其中2016年1月至2017年11月为滚动预测期[page::13].

2.5.2 序数回归模型

• 因变量为每期因子收益率的排名（1-13），通过序数logistic回归预测因子排名概率，回归系数对所有类别一致，实现对因子相对强弱的直接建模。

- 自变量筛选基于显著性（t值>1.96，p<0.05）分门别类进行。

• 60个月滚动窗口与月度调仓，同上。

- 权重基于因子排名前半概率大小赋予，属于概率加权策略[page::13,14,15].

---

3. 图表深度解读

图表1与2：市值因子与ROE因子多空累计净值（第4页）

• 描述： 图1示范了市值因子累计净值自2010年以来稳健增长，但2014年末和2017年初风格切换造成显著下跌。图2为ROE因子，表明其收益曲线更平缓，上述两个时间点出现波动但幅度较小。

- 解读： 市值因子表现受市场风格影响强，回撤幅度大（最大约-33.88%及-24.83%），波动明显；ROE因子相对稳健，信息比率达到0.99优于市值因子的0.69，体现出更优风险调整收益。

• 联系文本： 佐证有效因子应作为核心而非市场风格因子，市场风格变化导致风格因子逆转，说明需区分因子性质指导组合构建。

图表4与5：有效因子多空净值与完美赋权组合收益（第6页）

• 描述： 图4分因子多空净值表现，图5则描绘完美预测状态下，因子轮动组合（红线）与等权组合（蓝线）的净值对比。

- 解读： 完美预测组合净值远超等权组合，累计收益上升至20倍左右，而等权组合仅约2倍，显示轮动策略在理想条件下的显著收益优势。

• 联系文本： 支撑报告提出的核心|理念：若准确判断有效因子相对强弱，轮动组合能明显提升收益，创新点在于寻找有效因子强弱背后的宏观和市场驱动因素。

图表6与7：因子收益与宏观/市场变量关系（第8、9页）

• 图6解读： ROE收益与M2增速负相关，ΔROE与M2增速正相关。红框标注期显示关系转变，反映经济周期影响。

- 图7解读： ROE因子收益与1年期国债收益率负相关，ΔROE联系微弱。表现出融资成本对企业盈利确定性的不同影响。

• 联系文本： 验证宏观与市场变量对因子间相对表现的动态驱动作用，强调轮动因子预测的非单因子静态分析。

图表8-15：ROE和ΔROE因子季度/月份季节效应（第10、11页）

• 解读： ROE因子存在12月及季末效应，ΔROE因子表现不显著，1月及前后半年效应均无显著差别。此类资金流动与季节换仓影响因素。

- 联系文本： 季节效应纳入轮动判别，增强模型解释力。

图表16、17：因子自相关性（第12页）

• 解读： ROE与ΔROE均无显著连续自相关，表明因子收益为近似平稳过程，动量效应有限。

图表18-21：逐步回归与序数回归轮动结果（第16-19页）

• 图18与表4/5： 逐步回归轮动组合收益12.16%，信息比率（IR）2.20，优于等权和动量基线，且不同年度均表现出色。

- 图19： 基本面因子权重自2016年起呈上升趋势，交易类因子权重下降，符合市场风格转变。权重波动幅度较大，最高可达80%，最低近0%，指示策略换手较大。

• 图20与表6/7： 序数回归模型年化收益12.76%，IR 2.16，波动率与最大回撤优于逐步回归，风险控制更稳健。

- 图21： 基本面及交易因子权重变化更为平缓，波动区间约30%-70%，说明序数回归模型对因子权重调节更稳定。

• 联系文本： 两模型均表现优于基准，其中序数回归模型因考虑了因子相对排名的特性表现更佳，且更适合实际投资操作因其交易成本低和风险管理优。

图22：最新轮动效果跟踪（2017年12月-2018年5月）（第20页）

• 解读： 序数回归连续跑赢逐步回归、等权和动量配置，展现近期策略稳定性和优势。

- 联系文本： 实证验证长期结论，强调序数回归在实际应用中的可行性和优越性。

---

4. 估值分析

本报告着重于因子轮动模型与收益风险分析，未直接涉及个股或行业估值定价模型的讨论，不包含DCF或市盈率等传统估值分析部分。

---

5. 风险因素评估

• 模型风险： 自变量与因子收益关系时变且单变量解释力弱，对模型稳定性构成挑战。

- 数据滞后性与异常处理风险： 宏观数据滞后，存在值异常需预处理，预处理方法影响回归结果稳定性。

• 因子配置波动大导致换手成本风险： 尤其逐步回归法波动性较大，换手率提高，交易成本可能侵蚀收益。

- 市场转折与极端事件风险： 突发事件可能导致宏观变量与因子关系失效。

• 方法选择与过拟合风险： 逐步回归模型可能因过拟合导致权重波动剧烈，序数回归模型要求大量数据且计算量高，过拟合风险相对较低。

报告建议选择序数回归模型，因其在收益风险权衡和稳定性上表现更优，也更易管理换手率[page::15,19]。

---

6. 审慎视角与细微差别

• 因子定义的假设风险： 报告假设有效因子不受市场风格逆转影响，然而部分有效因子（如ROE）仍存在显著历史回撤，提示“有效因子持续有效性”设定存在不确定。

- 自变量选择局限性： 单变量相关度低及时变性，表明模型对宏观和市场变量的捕捉可能不完全，模型预测能力依赖于数据和窗口选择。

• 解释变量多重共线性及筛选： 逐步回归和序数回归虽然做了筛选，但高维数据或多重共线可能掩盖真实效应。

- 交易成本未量化估计： 虽指出逐步回归换手率较高，缺乏换手率对净收益实际影响的量化，建议未来补充。

• 对风格因子轮动留待后续研究，报告将不涉及，存在一定研究边界。

但整体来看，报告逻辑清晰，框架完备，为多因子投资策略提供了系统的宏观变量控制视角。

---

7. 结论性综合

本报告对多因子投资框架继传统均权法和基于因子动量法基础上，提出及深入研究了基于宏观变量和市场变量解释的有效因子轮动策略。核心贡献包括：

• 明确界定有效因子与风格因子的不同轮动逻辑，强调有效因子间相对强弱的重要性。

- 综合宏观变量（工业产出、M2增速等）、市场变量（国债收益率、信用利差等）和季度效应，构建了系统化的解释变量数据库。

• 采用两种统计模型（逐步回归和序数回归）对有效因子轮动进行实证检验。

- 实证结果显示：
- 两种模型均显著超越基准等权和因子动量组合。
- 序数回归模型在收益、风险控制和权重稳定性方面表现更优，且更适合实际投资。
- 实际交易中，因权重波动小，序数回归策略的换手率和交易成本均较低，提升投资效率。

• 图表分析充分证实宏观和市场变量对因子相对表现的显著影响，凸显宏观变量在因子轮动决策中的核心地位。

- 最终，报告提示投资者采用序数回归模型作为有效因子轮动的执行工具，结合大范围经济数据进行风险控制和收益增强。

该研究为多因子投资方法论创新提供了重要实践样本和理论贡献，推动多因子模型向基于宏观外生变量的动态赋权策略演进。投资者可基于本报告框架优化其量化策略、降低交易成本、提升收益稳定性。

[page::0–20]

---

附录：主要图表（部分）

• 图1：市值因子多空累计净值，呈现市场风格轮动特征。

- 图2：ROE因子多空累计净值，表现相对稳定。

• 图5：完美预测假设下组合累计净值显著优于等权组合。

- 图6：ROE、ΔROE因子与M2增速关系的时变性。

• 图7：因子收益与国债收益率的关系。

- 图18：逐步回归法轮动净值曲线。

• 图19：逐步回归法中基本面与交易因子权重变化。

- 图21：序数回归法中基本面与交易因子权重变化。

• 图22：2017年12月至2018年5月有效因子轮动效果跟踪。

---

完成本报告所用所有数据均来自wind及中信建投证券研究发展部的自主整理与分析。

（全文完）

报告