CNE6模型介绍及因子体系构成 [page::4]

• CNE6建立三层因子体系：9个一级因子，20个二级因子，46个三级因子。

- 新增因子包括Quality（质量）、Sentiment（情绪）和Dividend Yield（分红收益）。

• 因子组合采用等权加权，无明确公开权重。

单因子选股能力检验 [page::6][page::8][page::10][page::11][page::16][page::18][page::22][page::23][page::25]

• Volatility因子及其三级因子日超额收益波动率（DASTD）表现最佳，平均IC约-5.27%。

- Momentum新增Industry Momentum表现最好，IC为正，换手率较高。

• Size因子多头收益显著，回撤较大；非线性市值因子表现稳健。

- Quality和Growth因子整体选股能力较弱，IC接近零或偏正。

• Liquidity因子表现较好，选股能力较强。

- Value因子整合账面市值比和盈利收益率，选股效果提升有限。

• Sentiment因子新增，IC最高达2.67%，但因子覆盖度低。

- Dividend Yield因子表现良好，选股效果稳定。

纯因子收益率表现与因子解释能力 [page::24][page::25]

• 纯因子收益率计算显示，Size、Liquidity、Volatility三因子累积收益率最高。

- 除Volatility和Size外，其他7个一级因子表现较为平稳。

• 因子体系解释股票收益率的变动约为33.63%。

残差选股能力证明模型尚不完备 [page::25][page::26]

| 因子 | 平均IC | IC_IR | IC<0比例 | 年化收益率（多空组合） | 最大回撤率 | 平均换手率 |
|---------------|---------|--------|----------|------------------------|------------|------------|
| 残差20日均值 | -7.11% | -0.83 | 84.11% | 18.75% | 10.32% | 80.98% |
| 残差20日标准差 | -8.36% | -0.90 | 81.31% | 18.78% | 9.85% | 72.66% |

• 残差的均值和波动率因子具备显著选股能力，表明CNE6因子体系对收益率解释仍不完备。

- 将残差指标纳入模型后，解释能力提升至34.22%。

后续展望与风险提示 [page::26][page::27]

• 未来研究需优化因子权重加权方式，提高因子覆盖度，特别是Sentiment因子。

- 注意因子历史表现不能完全代表未来，市场环境变化可能导致因子表现改变。

• 本文因子计算与MSCI实际略有差异，使用需谨慎。

BARRA中国市场模型7（CNE6）解读报告详尽分析

---

一、元数据与报告概览

• 报告标题：《BARRA 中国市场模型7 （CNE6） 解读》

- 发布机构：西南证券研究发展中心

• 发布日期：2018年8月（依据摘要信息与研究时间）

- 分析师：邓华、王挺

• 报告主题：针对MSCI 2018年发布的中国股权市场风险模型——CNE6，重点解析其因子体系构成、单因子选股能力、纯因子收益率、模型的解释度以及回归残差的选股能力，旨在评估CNE6模型的风险管理价值及选股指导意义。

核心论点与结论概述：

• CNE6基于前代模型CNE5，构建了更精细的三层级风格因子体系，新增代表质量（Quality）、市场情绪（Sentiment）和分红收益率（Dividend Yield）的一级因子。

- 单因子检验显示多数因子具备显著选股能力，但Quality、Growth等部分因子相关性较低，选股效果有限。

• 纯因子收益率体现Size、Liquidity、Volatility因子贡献最大，整体模型能够解释约33.63%的股票收益率波动。

- 回归残差的均值和波动率仍具显著选股能力，提示模型在解释完备性上有待加强。

• 使用时需关注因子加权方式、数据覆盖率及模型解释力的提升方向。

风险提示明确指出指标计算与MSCI官方可能存在差异，且历史表现不代表未来收益，提醒用户需谨慎使用该模型结果。[page::0,4,26,27]

---

二、逐节详解

1. CNE6 简介与因子体系构建

• CNE6承接BARRA理论框架，将股票超额收益率分解为国家因子、行业因子和风格因子三部分。

- 因子体系升级：
- 由CNE5的两层（10个一级因子）升级为三层结构，包括9个一级因子、20个二级因子、以及46个三级因子。
- 主要升级体现在因子整合（如Beta与Residual Volatility合并为Volatility，Size与Mid Cap合并为Size）、和新增因子（Sentiment及Dividend Yield）。
- 细分Momentum及Quality因子，增加新维度因素强化模型解释能力。
- 因子描述详见表1、表2【page::4-5】。

2. 单因子检验

样本与方法

• 样本期：2010年1月1日至2018年12月1日

- 样本覆盖：全部A股，剔除上市不满3个月股票

• 方法：

- 计算因子值时均采用等权方法（因权重未知，且其他加权方法未显著提升效果）
- 所有因子值先与市值及行业虚拟变量正交化，剔除市值及行业影响
- 按因子值排序分5组，构建多头、空头及多空组合，考察未来20交易日收益率，考虑交易成本（买入千分之一，卖出千分之二）[page::6]

各一级因子详细表现及解读

• Volatility（波动率）

- 整合Beta和Residual Volatility，三级因子DASTD（日超额收益波动率）选股能力最强，一级因子选股能力稍降但降低换手率。
- 关键数据：一级因子Volatility平均IC为-5.27%，由负IC判断与收益负相关，即高波动率与低收益正相关，估计多空组合收益率体现反向关系。
- 表2及图1-6呈现因子多头、空头及多空组合表现波动明显，2015年至2016年波动较大，换手率较高，反映波动因子具有一定时效性和市场敏感性[page::6-7]

• Momentum（动量）

- 新增Industry Momentum、Short-Term Reversal及Seasonality，丰富动量维度，选股效果显著提升。
- 尽管换手率高（达70%以上），但因子平均IC表现提升，部分二级因子甚至呈正IC（Industry Momentum平均IC高达6.09%）。
- 图7-13显示动量因子在市场上存在明显的择时和选股能力，短期波动较剧烈[page::8-9]

• Size（规模）

- 由LNSIZE和Mid Cap组成，Size因子多头收益显著（年化17.45%），但2017年后表现衰退明显，尤其是传统的市值对数因子接近无效。
- Mid Cap（二级因子）表现更稳健，表4和图14-16说明规模效应在中国市场具有阶段性特征[page::10]

• Quality（质量）

- 细分为5大部分，含Leverage、Earnings Variability、Earnings Quality、Profitability、Investment Quality。
- 大多数质量因子换手率低，稳定性相对较好，但选股能力弱（一级因子Quality平均IC仅1.04%）。
- 基本面因子因采集难度和数据质量问题，表现不及预期，图17-38均显示收益曲线波动性有限，缺少显著的超额收益兑现[page::11-16]

• Liquidity（流动性）

- 因子新增ATVR作为三级因子，选股性能优于大多数因子，表现稳定且收益显著（一级因子年化多空组合收益11.61%）。
- 换手率适中，曲线图39-43显示流动性因子多头组合收益持续攀升，波动性可控[page::16-18]

• Growth（成长）

- 结构与质量因子类似，选股能力较弱，部分因子出现负IC。
- 年化多头收益仅3.16%，多空组合收益亦不显著，说明成长因子在中国市场的实际应用尚不成熟。
- 图44-47反映成长因子在市场整体估值水准和收益周期中表现较为平稳，缺乏强波动预示[page::18-19]

• Value（价值）

- 包括Btop（账面市值比）、Earning Yield（盈利收益率）及新增的Long-Term Reversal。
- 价值因子整体表现较为积极，平均IC正向（4.46%），多空组合收益率达7.97%。
- Long-Term Reversal因子提升效果有限。
- 图48-57反映价值因子具有稳定的市场择时与配置能力[page::19-22]

• Sentiment（情绪）

- 新增因子，基于分析师预测数据。
- 选股能力中等偏好（平均IC 2.67%），但覆盖率较低（约50%），限制了广泛应用。
- 图58-61显示情绪因子多头组合收益稳定，但空头组合仍有较大波动，整体耐久性有待提升[page::22-23]

• Dividend Yield（分红收益率）

- 新增因子，由历史及预测分红价格比构成。
- 选股能力显著，年化多空组合收益7.15%，IC指标中等。
- 图62-64显示该因子的估值验证作用明显，适合稳健投资风格[page::23-24]

---

3. 纯因子收益率分析

• 采用多元回归分离各因子贡献，计算纯因子收益率，剔除行业及其他因子影响。

- 结果显示，CNE6整体R²约为33.63%，意味着模型能够解释股票收益率约三成波动。

• Size、Liquidity、Volatility纯因子收益率累计绝对值最大，贡献突出。

- Volatility因子表现自2015年后下降，Size因子自2017年后接近滞后，反映市场结构和投资偏好的变化。

• 其余7个风格因子长期表现平稳，没有出现大幅变化的趋势（见图65）[page::24-25]

---

4. 残差选股能力分析

• 通过剔除因子贡献的残差，检验残差的选股能力作为模型解释能力完备性的检验。

- 研究采用8个因子（剔除Sentiment因子以提升覆盖率）进行回归。

• 结果显示残差20日均值和标准差均具有较强的选股指标（平均IC分别为-7.11%和-8.36%），多空组合年化收益超过18%，换手率较高。

- 残差净值曲线表现稳定上升，波动和回撤受控（图66）。

• 结论指示CNE6当前因子体系的解释能力尚不完备，残差中含有可被挖掘的选股信号。

- 将残差均值和波动率纳入因子体系，模型R²提升至34.22%，但仍需进一步完善[page::25-26]

---

5. 总结与展望

• CNE6对CNE5进行了升级完善，采用三层次因子体系增加了质量、情绪及分红因子，整体解释力有所增强。

- 单因子检测显示部分因子表现不佳，特别是Quality、Growth因子相关性低，选股能力有限。

• 模型整体可解释33.63%的股票收益率变动，这在实际金融领域中处于中等水平。

- 残差分析揭示因子完备性不足，模型未来可通过增加因子权重优化、提高数据覆盖率、补充缺失因子以增强解释能力。

• 具体挑战包括：

1. 因子加权方式：合理加权对模型效果至关重要，现有等权方法简便但未必最优；
2. 数据质量与因子覆盖度：如Sentiment因子覆盖率仅50%，制约其实用性；
3. 解释能力提升：残差选股能力显示还存在未能涵盖的风险及收益因素[page::26]

---

6. 风险提示

• 本文数据计算方法可能与MSCI官方存在差异；

- 研究基于历史数据，历史因子收益率不能保证未来表现；

• 市场环境变化可能极大影响因子表现；

- 报告仅供专业投资者参考，非投资建议[page::27]

---

三、图表的深度解读

• 表格1-10详列CNE6因子层级结构、组成因子及选股检验统计指标：

- 诸如平均IC（信息系数）、IC_IR（IC信息比）、IC小于0比例、年化收益率、最大回撤率和平均换手率等均衡数值，直观反映因子选股的有效性和稳定性。

• 图1-6（Volatility因子群）：

- 多头与空头组合在2016年左右均有峰值，表现出高波动市场中波动率因子的高活跃度与选股分化；
- 多空组合收益一般平稳，提示波动率对市场整体贡献有限。

• 图7-13（Momentum及其细分因子）：

- Industry Momentum表现最好，多头组合显著领先空头，表明行业动量在中国市场较强；
- Short-Term Reversal具有波动性，但整体有利可图，显示短线反转效应存在。

• 图14-16（Size因子）：

- LNSIZE与Mid cap的差异清晰，多头组合回撤风险较大，特别是传统LNSIZE因子效果减弱。

• 图17-38（Quality及细分）：

- 各质量因子多头空头收益接近，IC指标偏低；
- 盈利波动率及盈利质量指标表现波动较大，换手率多在20%-40%之间，显示选股信号不明显。

• 图39-43（Liquidity）：

- 流动性因子多头组合持续跑赢空头，换手率适中，显示该因子稳健可靠。

• 图44-47（Growth）：

- 选股能力弱，且多头组合表现平平，反映成长因子局限。

• 图48-57（Value）：

- 价值因子稳健正向，特别是Btop和盈利收益率，长期反转带来的提升较小。

• 图58-61（Sentiment）：

- 由于数据覆盖限制，尽管Sentiment因子平均IC偏正，但选股信号杂乱。

• 图62-64（Dividend Yield）：

- 分红率表现稳定，并有一定超额收益，具备策略价值。

• 图65（九大一级因子累积纯因子收益）：

- 清楚呈现了个别因子如Volatility和Size二段式的表现波峰波谷。

• 表11与图66（残差检验）：

- 统计显示残差均值和波动率具有显著负IC，且多空组合收益表现优异，表明模型未涵盖部分潜在收益及风险因素。

整体图表与数据支持了报告从模型构建、因子检验、收益预测到残差分析的层层递进论述，体现了严谨的实证思路和较高的信息透明度。

---

四、估值分析

本报告不涉及具体的估值方法如DCF或市盈率倍数估值，而侧重于因子模型的风险解释与因子收益检验。因此，本部分无需过多估值讨论，报告重点在于模型本身对收益驱动因素的解释力度。

---

五、风险因素评估

报告明确指出三大风险：

1. 计算方式差异：因因子构建方法或数据选择不同，结果统计与MSCI官方可能存在偏差。

2. 历史收益的局限性：因子历史表现不必然复制未来，风险在于市场结构及环境变动。

1. 因子覆盖率不够：特别是Sentiment因子覆盖率低，造成模型解释力不足。

此外，残差检验显示CNE6解释不完备，暗含市场未捕捉的风险点。报告未提供具体缓解方案，但建议加强加权策略和数据完善。[page::27]

---

六、批判性视角

1. 因子权重盲区：报告中承认因子权重未知，采用等权方法代替，虽简便但可能低估或忽视部分因子真实贡献，影响选股表现。

2. 覆盖率与数据质量限制：Sentiment因子覆盖率不足严重制约其实际应用效果，说明模型对新兴因子及复杂因子数据的适应性有限。

1. 残差选股能力揭示模型不完备：这一点表明CNE6尚未完全捕捉市场中所有系统性或非系统性风险因子，使用者须对此有清醒认知。

4. 单因子表现参差不齐：部分基础面因子，如Quality，未表现出理想的选股效力，可能受限于中国市场基本面数据披露不透明或市场非有效性。

1. 回撤风险分析不足：尽管表内给出最大回撤率，报告未深入探讨因子和组合的风险时变特征和极端事件响应。

总体，报告较为严谨但对因子权重影响和因子构造局限性讨论较浅，且对未来改进方向建议仍偏宽泛。

---

七、结论性综合

本报告系统阐述并实证分析了MSCI BARRA中国市场模型7（CNE6）因子体系的结构、选股能力及风险解释能力。通过九大一级因子（涵盖波动率、动量、规模、质量、流动性、成长、价值、情绪和分红）及其二三级子因子，报告揭示：

• 新增的Sentiment和Dividend Yield因子提升了模型的多维度风险捕捉能力；

- Size、Liquidity、Volatility因子表现突出，为模型贡献了大部分解释力；

• Quality和Growth因子选股能力较弱，反映出当前中国市场基本面因素选股的复杂性；

- 残差分析表明模型并不完整，回归残差包含显著选股信号，表明仍存在潜在未识别的风险或收益因子；

图65中累计纯因子收益率和图66残差多空组合的净值曲线分别展示了因子表现和模型不足之处的具象化。报告建议未来重点优化因子权重体系、提升因子覆盖率与数据质量，并完善模型解释能力。

整体来看，CNE6为中国股市风险管理与因子投资提供了有效框架，但同时存在改进空间，其因子体系适合用于搭建多因子选股策略和风险模型，但使用时需注意因子权重及非完备模型风险。

---

附：关键图表示例（部分）

• 图1：一级因子Volatility多空组合表现，明显反映2015-2016年市场高波动期的收益分化

• 图65：9个一级因子累积纯因子收益率，Size/Volatility/Liquidity表现抢眼，Momentum等波动较大

• 图66：残差20日均值与标准差多空组合净值曲线，显著稳定上升，表明模型未完全涵盖收益信息

---

综上，本报告在系统梳理CNE6因子体系设计、实证选股能力与风险解释力的基础上，精准直面模型现有不足，提供了充分的数据和图形支撑，适合作为专业投资机构评估和应用此类多因子风险模型的重要参考资料。[page::全页引用]

报告