• 基于风格特征通过K-means算法对股票进行重新分类，选用市值、估值、盈利和关注度作为分类因子，选择类别数K=30，初始质心为行业均值以提升分类稳定性 [page::4]。

- 风格分类与传统行业分类相似度低，2021年10月平均相似度仅为17.8%，显示风格分类提供了与行业不同的分类视角，且风格分类间的稳定性中等，62%的成分股保持分类连续性。

• 类别中性化处理提升了因子的选股效果和稳定性。风格因子（市值平方、估值）的类别中性化ICIR提升明显，技术类因子及基本面因子也表现出更高的ICIR和更低的波动率。

• 类别中性化提升了多因子复合因子的预测能力和信息比，且基于类别中性化的top100等权组合自2013年至2021年10月的年化收益为33.9%，优于行业中性化组合。

- 在风险控制方面，类别中性化沪深300增强组合相比行业中性化在提升超额收益的同时未显著增加风险，组合信息比和收益回撤比均改善，且类别中性化组合年度超额收益分布更均匀。

• A股市场存在显著的风格分类动量溢出效应，高风格动量组合的收益显著优于低动量组合，且该效应与行业动量溢出效应相关性较低，二者的截面溢价均显著，互为补充。

报告详细分析—《选股因子系列研究（七十四）——基于风格特征的股票重新分类及应用》

---

一、元数据与概览

• 报告标题：选股因子系列研究（七十四）——基于风格特征的股票重新分类及应用

- 作者及机构：分析师冯佳睿、罗蕾，海通证券研究所

• 发布日期：2021年11月30日

- 研究主题：提出并验证基于个股“风格特征”（市值、估值、盈利、关注度）的股票重新分类方法，探讨风格分类在多因子模型构建及动量溢出效应上的应用。

• 核心论点摘要：

1. 用K-means算法依据风格特征重新分类股票，发现风格分类与传统行业分类的重合度较低。
2. 风格分类的类别中性化模块可以改善多因子模型的因子稳定性和选股效果，提升信息比（ICIR）和策略表现。
3. A股市场存在显著的风格分类动量溢出效应，这种溢出效应与行业动量溢出效应相对独立。
4. 风格分类方法能够在风险控制模块中提升指数增强策略的超额收益和信息比等指标。
5. 风险提示聚焦模型误设风险和历史规律失效风险。[page::0]

---

二、逐节深度解读

1. 基于风格特征的股票重新分类

核心内容：

• 传统行业分类基于公司主营业务收入，将公司归类，但股票在基本面或风格特征上并非必然相似。

- 本文采用K-means聚类算法，用股票的风格因子（市值、估值、盈利、关注度）定期（每年3次）对股票进行重新分类。

• 类别数K选为中信一级行业数（30类），初始质心以对应行业中个股特征均值确定，保证分类稳定性。

- 采用五种不同的因子组合测试分类效果。

推理依据：

• 通过重新分类，期望发现以风格为导向的股票群，替代以主营业务划分的行业分类，捕捉更细致的投资信号和风险特征。

- 分类稳定性通过相邻期内类别成分股重合度量度，平均约30%-40%。

关键数据点：

• 以2021年10月分类为例，风格分类与行业分类的平均相似度仅17.8%（图2）,表明风格分类的行业分布更分散（图1、图2、图3）。

- 风格分类间相似度较高，说明不同因子组合分类的内在一致性较好（图4、图5、图6）。

此章节论述了用风格特征重新分类的背景、方法及稳定性评估，为后续基于风格分类的模型应用奠定基础。[page::4,5,6]

---

2. 风格分类在多因子模型上的应用

2.1 风格类因子的类别中性化

• 在传统多因子模型中，行业中性处理提高因子稳定性；本报告提出用风格类别中性化进一步优化因子效果。

- 示例中，类别中性化后，市值平方因子的信息比（ICIR）由2.50提升到2.72，多空收益信息比由1.76提升至2.29（表1，图7，图8）。

• 类别中性化与直接线性正交因子处理虽接近但不等同，类别中性更体现风格聚合特征处理。

2.2 技术类因子

• 技术因子（如反转、换手率）与基本面关联弱，用市值、估值、关注度分类。

- 类别中性化能提升ICIR和多空收益比，降低波动性，表明稳定性的提高（表2）。

2.3 基本面因子

• 以估值、盈利和关注度为分类因子。

- 类别中性化提升ROE及SUE等基本面因子的ICIR，改善选股稳定性（表3）。

2.4 多因子组合构建

• 将技术、基本面、中盘因子等权组合成复合因子。

- 类别中性化后，复合因子的月均IC和信息比均优于行业中性化版本，且多空收益分布更对称（表4、表5）。

• 以复合因子得分前100构建等权组合，自2013年至2021年10月年化收益高达33.9%，优于同期中证500及行业中性组合（表6）。

- 组合在2017、2019-2020年表现略逊于行业中性组合，因因类别中性组合有较高小市值暴露，与大盘风格表现相关。

• 风险控制方面，采用类别中性约束构建沪深300增强组合，相比行业中性，显著提升超额收益和信息比，降低超额收益波动率（表7，图9，图10）。

- 风格类别中性优势在行业特征不明显或行业分化度低时更突出，行业特征加强时其优越性减少。

整体，本节详细证明风格类别中性化在多因子模型中能带来稳定性和选股效果提升，且有助于风险控制，显示潜在的实用价值。[page::6,7,8,9,10]

---

3. 风格分类的动量溢出效应

概念与验证：

• 动量溢出效应：类似或联系公司的股价间存在领先-滞后关系，某公司股价信息传递至相似公司滞后表现为动量效应。

- 传统行业动量因子构建为剔除市值、行为因子后的行业内非自身个股平均收益，实证显示高动量组合收益显著高于低动量组合，时间序列表现显著（表8，图11，图12）。

• 对风格分类动量因子（基于市值、估值、盈利分类）实证，剔除市值和行为因子后，动量选股效果同样显著，周度月度月均收益均高于低组合（表9，图13-16）。

分析与对比：

• 行业动量与风格动量相关性不高（周频相关系数0.35，月频相关系数-0.59），表现出一定互补性。

- 复杂截面回归分析同时包含行业与风格动量，发现两者均显著正向溢价，且互不掩盖，说明风格动量是独立且有价值的选股因子（表10）。

此章务实地揭示了风格分类下的动量溢出效应与传统行业动量的差异及其独特信息价值，为风格分类应用增添了理论与实证支持。[page::11,12,13]

---

4. 全文总结

• 汇总上述结论，风格特征基于K-means重新分类可用于多因子模型提升与风险控制。

- 类别中性化可提高因子稳定性和策略收益表现，且在不显著增加指数增强策略风险基础上提升超额收益。

• A股市场除了行业动量溢出效应，也存在独立显著的风格分类动量溢出效应。

5. 风险提示

• 模型误设风险和历史规律失效风险，提示投资者需谨慎对待模型适用性和未来表现。[page::13]

---

三、图表深度解读

图1（市值、估值、盈利和关注度分类结果，2021.10）

• 该图展示了不同风格特征组合下股票划分成30个类别的分布。具体内容无法OCR识别，但配合描述，显示行业分布较分散，风格聚类明显不同于行业课程。

图2 和 图3（风格分类与行业分类相似度）

• 图2显示风格类别与行业类别的平均相似度长期维持在10%-20%左右，极低，说明传统行业无法很好覆盖风格特征聚类的股票结构。

- 图3最大相似度可达到0.6-0.8，说明某些风格类别与行业集中关联较强，但整体关系疏松。

图4（风格分类之间平均相似度）

• 不同因子组合下风格分类结果相似度约50%左右，说明同质因子影响下分类结果较为一致。

图5 和 图6（相邻分类期相似度）

• 相邻时间段内分类的稳定性较好，平均30%-40%，表明风格分类具有一定的时间连贯性。

图7 和 图8（类别中性化对市值平方因子分组收益及信息比的改善）

• 图7显示类别中性化处理后市值平方因子多空收益分组呈现出更明显的正收益溢价，尤其是在高分组（D10）。

- 图8显示类别中性化显著提升ICIR（信息比），从2.50提升至2.72，强化稳定收益信号。

表1，2，3（类别中性化后风格、技术、基本面因子选股收益）

• 各因子类别中性化后月均IC均有所提升，波动率降低，ICIR提升，表明中性化增强选股力量。

表4，5（类别中性化复合因子及多因子组合表现）

• 复合因子ICIR提升，说明多因子结合下效能增强。

- top100组合年化收益率33.9%优于中证500，反映策略实际收益潜力。

表6（多因子组合分年度收益率）

• 组合在多数年度表现优异，惟2017、2019-2020年表现较弱，关联小市值暴露特征及市场结构变化。

表7（沪深300指数增强组合业绩）

• 类别中性组合与行业中性组合对比显示，总体信息比与收益回撤比提升，波动率降低，体现风险调整后收益优势。

图9，图10（行业分化度 vs 类别中性组合表现关系）

• 行业与风格的分化度差异与类别中性收益相关性为负，行业分化度高时类别中性优势减弱。

- 累计超额收益图展示类别中性组合在长期保持稳定超额。

表8，9（行业和风格动量因子选股效果）

• 高动量组合收益明显优于低动量组，动量溢出效应显著。

图11-16（动量因子多空净值与分组收益）

• 动量因子无论周频或月频均呈持续上升趋势，表现稳健。

- 风格动量与行业动量走势相似但存在差异，显示互补特性。

表10（动量溢价截面回归）

• 同时将行业动量和风格动量加入多元回归，均保持显著性，支持独立信息贡献论点。

---

四、估值分析

本报告不涉及传统意义上的公司估值判断及目标价预测，属于因子研究与量化策略开发，主要关注因子表现评价、收益率、信息比、风险调整收益及动量因子实证。故不涉及常规DCF或市盈率等估值模型。

---

五、风险因素评估

• 模型误设风险：因子分类及模型假设可能存在误差或不适用性，导致预测能力下降。

- 历史规律失效风险：基于历史数据得出的统计规律未必在未来持续成立，尤其市场结构或政策环境变化可能导致规律失效。

报告未给出具体缓解策略，提示投资者需意识到模型局限及谨慎使用。[page::0,13]

---

六、批判性视角与细微差别

• 模型选择及参数设定：K-means需预设类别数K和初始中心，取行业分类数及行业均值初始质心，虽保证分类稳定，但可能限制算法发现更自然的聚类结构。

- 小市值暴露带来的表现差异：类别中性化组合小市值暴露较高，带来策略在大盘风格主导年份相对弱势，这种市值因子暴露的隐含风险需关注。

• 动量溢出效应的解释范围：报告对行业和风格动量的独立性验证充分，但对具体驱动原因及市场微观机制缺乏深度解析。

- 风险提示简单：仅简要提示两大风险，未深入讨论新兴风格分类方法的实际应用潜在限制，如风格特征选取、数据质量影响等。

总体报告思路清晰，但可以增加对算法选择及参数敏感性的探讨，以及对策略实际应用布局的潜在风险管理建议。

---

七、结论性综合

本报告深刻揭示了基于个股风格特征（市值、估值、盈利、关注度）通过K-means方法进行股票重新分类的有效性及应用价值。

• 风格分类与传统行业分类存在显著差异，行业分布分散，风格分类更能反映股票多维度特征。

- 类别中性化处理在多因子模型中能提升单因子及复合因子的预测稳定性、信息比和选股收益。

• 多因子top100等权组合显示较高年化回报，特别在非大盘风格明显年份表现突出。

- 风险控制环节中，风格类别中性化相比行业中性化，提升指数增强策略的超额收益并降低收益波动，信息比和收益回撤比均改善。

• A股市场存在明显风格分类动量溢出效应，且其效应与行业动量动量溢出效应相对独立，共同增加选股信息。

- 风险主要包括模型误设和历史规律失效，投资者需理性对待模型及其输出结果。

图表深度分析显示：

• 风格分类平均相似度低（约17.8%）暗示风格划分的差异性和多样性。

- 中性化处理可有效提升因子指标（IC、ICIR）和组合表现。

• 动量因子多空净值曲线稳健上升，支持策略的时间持续有效性。

- 类别中性组合相对行业中性组合具有更均匀的年度超额收益分布和更低的风险指标。

本报告以丰富的统计数据、实证结果和图表佐证了风格分类体系在量化选股策略和风险控制上的潜力，拓展了多因子模型的分类视角，为投资研究和资产管理提供了强有力的理论与实证支持。其研究视角对于理解和捕捉A股市场的风格特征及动量关系具有重要启示意义。[page::0-13]

---

参考图表部分（部分示例）

• —— 风格分类与行业分类的平均相似度趋势

- —— 类别中性化对市值平方因子分组收益的改善

• —— 类别中性组合相对行业中性组合累计超额收益趋势

- —— 风格动量与行业动量多空净值对比

---

综上，报告系统性阐释了风格分类在因子构建、组合构建、风险控制以及动量溢出效应三个核心方面的理论基础与实证表现，是一份内涵丰富、数据详实且具有较强实用价值的量化投资研究报告。

报告