产能利用率及其构造方法 [page::4][page::5][page::6]

• 产能利用率反映企业对固定资产的利用效率，影响单位产品的实际制造成本。

- 传统定义因数据缺失难以直接应用，采用营业总成本对固定资产的线性回归斜率（β_X）及回归残差（ε）分别构造产能利用率因子与产能利用率提升因子（OCFA）。

• 产能利用率因子IC均值约1.0%，预测能力有限，但利用回归框架构造的因子效果优于直接比值方式。

OCFA因子核心预测能力及行业差异 [page::7][page::8][page::9]

| 一级行业 | IC均值 | IR |
|--------------|-------|-----|
| 家电 | 5.97% |0.31 |
| 轻工制造 | 4.01% |0.24 |
| 建材 | 3.54% |0.24 |
| TMT板块（计算机、传媒、通信）| ~0.7%| ~0.06|

• OCFA因子在制造业行业预测能力明显优于服务和TMT类行业。

- 等分5组回测结果体现出因子分组的良好单调性和选股稳定性。

OCFA选股策略绩效表现 [page::9][page::10][page::11][page::12]

| 指标 | 多空组合 | 最大回撤 | 夏普比率 | 年化收益 |
|------------|-----------|----------|---------|----------|
| 2009-2018 | 7.1% | 4.7% | 2.18 | 7.1% |
| 双边交易成本0.6% | 18.7%年化收益（选股100只） | 55.8% | 0.72 |

• 多空组合表现稳健，夏普率达2.18，最大回撤较低。

- 选股策略在考虑交易成本后年化收益有所降低。

• 涉及沪深300及中证500个股池，因子在中证500表现优于沪深300。

OCFA因子在沪深300和中证500的表现差异 [page::12][page::13][page::14]

| 股票池 | IC均值 | IR | 选股年化收益 | 夏普 |
|----------|--------|-----|--------------|------|
| 沪深300 | 0.88% |0.13 | 8.3% |0.43 |
| 中证500 | 1.97% |0.35 | 14.5% |0.60 |

• OCFA因子在中证500有较强的预测能力和稳定性，沪深300中效果较弱，选股组合表现差异明显。

- 沪深300的选股组合夏普比率仅0.43，且波动率及回撤均较大。

OCFA因子相关性与中性化处理提升稳定性 [page::15][page::16][page::17]

• OCFA因子与ROE、净利润增速、估值因子(BP)及流动性因子有所相关，其中净利润增速和流动性相关系数最高（0.35和-0.32）。

- 经过剔除相关因子影响进行横截面回归残差中性化处理后，因子IC均值略降但IC标准差减少，IR提升至0.53，性能更为稳定。

• 中性化后的多空组合年化收益5.6%，夏普比率1.93，最大回撤2.6%，年度胜率100%。

研究结论与风险提示 [page::0][page::17]

• OCFA因子为创新的基本面因子，能够较好捕捉企业产能利用率提升带来的股价预测信号，尤其适合制造业股票选股。

- 因子独立于主流风格因子，具备一定独有信息量，适用于多因子量化投资框架中。

• 研究基于历史数据和模型假设，未来存在模型失效和数据不一致风险，投资需谨慎。

创新基本面因子：捕捉产能利用率中的讯号——多因子系列报告之十六

报告机构： 光大证券研究所
分析师： 刘均伟
发布日期： 2017年至2018年间数据覆盖
主题： 基于产能利用率构造及测试创新基本面因子（特别是OCFA因子）对股票未来相对收益的预测能力研究

---

一、元数据与报告概览

本报告为光大证券研究所“多因子系列报告”第十六篇，聚焦于创新基本面因子中的产能利用率因子及其变体，尤其是产能利用率提升因子（OCFA因子）。报告针对传统市值因子、量价因子效果下降的背景，提出通过深入挖掘财务报表中成本利用效率数据，构建新的基本面因子来提升选股预测能力。

核心结论在于：

• 传统产能利用率因子预测效果一般，IC均值仅约1%，表现较弱；

- 创新构造的OCFA因子，即基于滚动回归残差的产能利用率提升因子，显示较优的预测能力和稳定性，月度IC均值达1.73%，IR为0.52；

• 以OCFA因子构建的多空组合表现优异，年化收益7.1%，夏普比率2.18，最大回撤仅4.7%；

- 因子经中性化处理后依然保持稳定表现，反映有独立有效的信息价值；

• 报告强调模型和历史测试的局限性，存在失效风险。

总体，作者通过深入的统计测试和回测验证，提出OCFA因子为一个具有实际选股能力的创新基本面因子，其在制造业和资本密集型行业表现尤为突出。[page::0,4,6,7]

---

二、逐节深度解读

1. 产能利用率反映企业营运效率

报告指出，产能利用率传统定义为“实际产能/设计产能”，但财务报表中并无此类数据。由于设备属固定成本，其利用率决定单位实际成本的高低，从而影响企业运作效率和盈利能力。因而作者提出应通过代理指标替代传统产能利用率定义，重点抓住固定成本与变动成本结构的内在逻辑，利用营业总成本（全部成本的代理）与固定资产（固定成本代理）构造指标，适合资本密集型行业使用。也阐释了为何产能利用率对制造业重要，对服务业、科技股表现差强人意。[page::4]

2. 线性回归研究框架实现产能利用率相关指标

结合前期报告介绍的线性回归研究框架，作者设计了简单线性滚动回归模型：

$$
Total\Operation\Cost = \beta\alpha + \betaX \times Fixed\Assets + \varepsilon
$$

其中，$\betaX$ 代表产能利用率因子，$\varepsilon$ 代表产能利用率提升（OCFA因子）。该模型对数据覆盖度进行了行业级检验（图1），结果显示除轻工制造和汽车行业外覆盖率较高，满足广泛应用条件。对产能利用率因子（$\betaX$）单独测试发现其IC均值约1%，ICIR约0.25，效果有限但存在一定预测能力（表1）。线性回归斜率形式优化了指标效果，优于简单求比方式。[page::5,6]

3. 产能利用率提升（OCFA）因子

3.1 因子预测效果测试

采用绝对中位数法消除极值、截面标准化后，以行业及市值中性化的RankIC序列评估，OCFA因子月度IC均值为1.73%，IR达到0.52，表现稳定（图2）。不同行业IC表现存在较大差异，表现最好的是家电、轻工制造、建材等制造型行业，餐饮旅游、建筑业预测效果为负（表2，图3）。此外，因子分组回测展示单调性好，并通过5组因子分组构建多空组合获得7.1%年化收益，夏普2.18，最大回撤4.7%（表3、4，图4）。分年度表现较为稳定，尤其近年夏普比率显著提升（表5）。

3.2 OCFA因子选股能力优秀

设置月调仓，选取因子值最大100只股票构建选股组合，年化收益18.7%，波动率30.3%，夏普0.72，信息比率1.44，最大回撤55.8%。相较中证500表现优异（表6、7，图5）。交易成本影响有限，0.6%双边交易费率下收益仅下降约3.4个百分点（表8，图6）。沪深300内因子表现稍弱，IC均值0.88%，选股组合收益8.3%，信息比率0.32，表现不如全市场及中证500（表9-10，图7、8）。中证500内表现中等偏好，IC均值1.97%，多空组合年化收益7.3%，夏普1.35（表9，11，图9-10）。作者总结OCFA因子整体效果在全市场及中证500表现较佳，沪深300受样本限制略逊（章节3）[page::7-14]

4. OCFA因子相关性研究与中性化效果

4.1 因子相关性分析

通过历史IC序列相关性测算，OCFA因子与ROE、净利润增速、BP估值以及流动性类因子存在一定相关性，特别是净利润增速与流动性因子相关系数分别为+0.35和-0.32，表明OCFA因子部分捕捉了成长与流动性因子信息（图11）。

4.2 剔除相关因子影响后因子表现

采用横截面回归剔除市值、行业、ROE等重要因子影响，对残差进行标准化再测算因子效果，中性化后的OCFA因子月度IC均值略降至1.49%，标准差下降，IR提升至0.53，显示预测稳定性增强（表12，图12）。构建5组多空组合单调性依旧显著，年化收益5.6%，夏普1.93，最大回撤2.6%，波动率显著下降（表13，图13）。年度胜率达100%，且所有年份最大回撤均极小，稳定性极佳（表14）。整体显示中性化处理后因子独有信息得到提纯，表现更稳健。[page::14-17]

5. 风险提示

作者提醒所有测试基于历史数据和模型构建，存在未来失效可能，投资决策需谨慎。模型假设及现实偏差会对因子表现产生潜在影响。[page::17]

---

三、图表深度解读

• 图1（线性回归数据覆盖度）

展示了各中信一级行业中因子数据（斜率$\betaX$及残差$\varepsilon$）的缺失率与覆盖率，紫色代表有值率，橙色代表缺失。覆盖率均超过90%，除了轻工制造与汽车行业略低，这为后续因子应用提供了广泛基础。[page::6]

• 表1（产能利用率因子构造效果对比）

比较了回归斜率法与直接求比法预测能力，依指标IC均值、IR值评估，回归斜率法IC均值1.02%，优于直接求比的0.9%。表明复杂度更高的线性模型能更好捕捉产能利用率信息。[page::6]

• 图2（OCFA因子IC序列）

展示2009年至2018年期间月度IC值波动，整体大多为正，符合其预测能力。IC值稳定但波动，暗示因子存在阶段性增强或减弱情况。[page::7]

• 表2与图3（OCFA因子行业表现）

各行业IC均值差异明显，制造业表现最佳（家电、轻工制造、建材均5%以上），而餐饮旅游、建筑业因子表现负相关。图3以柱状和折线图形象呈现IC及IR分布，清晰显示行业间差距。[page::8]

• 表3、4及图4（分组回测框架与分组统计与单调性）

确立了回测规则，分组收益呈明显单调向上梯度，第五组收益最高，年化19.8%，对应多空组合年化收益7.1%，夏普2.18，最大回撤4.7%，分组单调性及风险收益表现良好。[page::9]

• 表5（多空组合分年度表现）

展示组合年度收益、波动、夏普比率、最大回撤，说明组合多数年份表现稳健，部分年份回撤可控，反映长期可行性强。[page::10]

• 图5（选股组合与基准表现比较）

三线图表现出OCFA组合净值明显优于中证500基准，显示实证选股价值。[page::11]

• 表8及图6（交易成本对因子组合表现影响）

随交易成本上升，年化收益下降，最大回撤略有增加，波动率与夏普率小幅负面影响，表明因子组合对交易成本具有一定韧性。[page::12]

• 表9（不同股票池内OCFA预测能力）

全市场IC最高，沪深300最低，说明样本限制影响因子表现稳定性。[page::12]

• 图7-10及表10-11（沪深300与中证500内选股表现）

在沪深300内，因子表现弱，夏普较低且最大回撤较大；而中证500表现较好，年化收益及夏普均优于沪深300，表明因子在中证500的资本结构、成长环境下更有效率。[page::13-14]

• 图11（因子间相关性）

条形图反映OCFA与净利润增速、ROE、BP估值和流动性因子相关，提示部分共享因子收益来源。[page::15]

• 表12及图12（中性化前后性能对比）

中性化降低了IC均值但提升了因子稳定性（IR提升），符合模型化因子纯净度提升逻辑。[page::15-16]

• 表13、图13（中性化后因子分组统计与单调性）

分组收益单调性保持，最大回撤及波动率大幅下降，反映风险控制效果良好。[page::16]

• 表14（中性化因子多空组合年度稳定表现）

年度夏普普遍高于1，回撤极低，实现风险收益显著改善，尤其近两年夏普率达到3以上。[page::17]

---

四、估值分析

本报告主要为因子研究，未涉及具体个股估值定价模型，故无详细DCF、市盈率等估值展开。重点在因子设计、效果检测与投资组合构建。

---

五、风险因素评估

作者主要风险提示集中于：

• 模型基于历史数据，未来可能出现失效；

- 因子信息有可能被市场提前消化，降低预测价值；

• 行业差异大，普适性存在限制，部分行业表现较差；

- 交易成本影响虽小，但仍会削减净收益；

• 中性化因子虽提纯信息，但间接关联其他成长或估值因子，存在信息冗余或替代性风险。

报告未对缓解措施具体展开，更多为提醒投资者关注模型局限及残余风险。[page::0,17]

---

六、批判性视角与细微差别

• 本报告构建的产能利用率因子来源于线性回归残差，解释为营运效率提升的信号。其逻辑合理，但受限于固定资产与总成本的财务代理，实际与传统产能利用率指标存在差距，可能导致部分行业信息缺失或误判。

- 产能利用率因子在技术、传媒、TMT领域表现弱，行业适用性存在明显限制，建议结合行业特征权重使用。

• 因子与成长因子、估值因子存在显著相关性，表明该因子有部分信息重叠，独特增值信息有限，但中性化处理显示仍具有独立预测能力。

- 测试均基于2009-2018年中国市场历史数据，外推至未来及他市场存在不确定性，模型稳健性待进一步验证。

• 交易成本的影响仅评估低至0.6%水平，对于高频交易环境或更大规模资产操作的适用性需慎重。

- 多空组合某些年份回撤幅度较高（尤其全市场样本中超过50%的最大回撤），强调因子仍存在周期性风险。

整体来看，报告提供了较为全面的因子构建与实证分析框架，但仍建议投资者结合其他多因子模型及市场环境灵活应用，避免单因子决策风险。

---

七、结论性综合

该份报告全面系统地构建并检验了产能利用率相关基本面因子，特别是揭示了产能利用率提升指标——OCFA因子在捕捉企业营运效率改进方面的独特价值。

• 产能利用率作为传统固定资产利用效率的考察指标，尽管数据受限，其直接因子表现平平（IC约1%，IR约0.25），预测能力有限。

- 利用线性回归残差构造的OCFA因子，以提升的产能利用率视角，展现出显著的预测能力（IC均值1.73%，IR 0.52），并体现了优越的组合风险调整后收益能力（多空组合夏普达2.18，最大回撤低于5%）。

• 因子表现存在显著行业差异，资本密集型制造业（家电、建材等）效果最佳，科技与服务行业效果较差，适当行业筛选或加权将有助提升整体策略表现。

- 在中性化处理后，因子信息提纯，保持稳定性与可持续性，单调性和风险指标均有显著优化，进一步证明了因子具备独立有效的信息源。

• 交易成本影响在合理范围内，因子组合表现韧性较好，适合实务应用。

- 因子与既有成长、估值及流动性因子存在一定相关性，但剔除后依然具备预测能量，适合多因子框架中加入，增厚组合的风险分散和收益稳定性。

• 风险因素主要包括模型可能失效、历史回报不代表未来表现、行业限制及流动性风险。

综上，OCFA因子是捕捉企业营运效率、特别是产能利用率提升的有效量化工具，有助于发掘基本面深层次的选股信号，其稳定的回测表现和行业适用性适合纳入量化多因子模型以提升组合的整体绩效表现。[page::0-17]

---

附：重要图表展示样例

• 图1：线性回归数据覆盖率（代理产能利用率因子适用行业范围）

• 图2：OCFA因子月度IC序列波动及趋势展示

• 图3：OCFA因子中信一级行业分布的预测能力

• 图4：OCFA因子五分组单调性及多空组合收益趋势

• 图11：OCFA因子与其他主流因子IC相关系数对比

• 图12：中性化后OCFA因子IC序列表现

• 图13：中性化后OCFA因子五组单调性展示

---

综上，报告基于详实的统计实证和细致的行业分析，提出并验证了产能利用率提升因子（OCFA）作为具备独特信息含量的创新基本面因子。其性能优于传统产能利用率指标且表现稳定，适合作为多因子投资组合的有益补充因子。然而投资者应合理看待其行业差异性与历史数据局限，综合多因子模型体系及风险管理措施，方能最大程度发挥其投资价值。[page::全篇]

报告