红利因子、 低波因子的新构造——多因子系列报告之二十
创建于 更新于
摘要
本报告针对smart beta策略中的红利因子和低波动因子进行了创新改造。红利因子通过拆分预测净利润及股息支付率以构建预期股息率因子，提升了因子的预测能力和稳定性，IC由3.00%升至3.29%，IC_IR由0.49提升至0.56。低波因子通过基于成交额等分K线的新波动率因子构造提升了因子稳定性及收益表现，Value_D_STD_60因子累计多空年化收益28.23%，显著高于时间等分K线的12.3%收益，且IC_IR稳定性显著优于传统时间等分K线。两类因子均展现出稳定的预测能力提升潜力 [page::0][page::3][page::4][page::6][page::7][page::9][page::15][page::16][page::17][page::18]。
速读内容
红利因子预测能力改进 [page::4][page::6][page::7]
- 传统DPTTM因子IC均值为3.00%，ICIR为0.49，胜率74.68%，单调性表现一般。
- 预期股息率因子（提前获知分红）IC均值3.69%，ICIR提升至0.61，胜率达79.12%，显著优于传统因子。
- 完整预测股息率因子IC为3.29%，IC
预测股息率因子构造逻辑和流程 [page::6]
- 因子将股息率拆为净利润与股息支付率两部分，分别利用分析师一致预期净利润及近三年股息支付率平均进行预测。
- 重点处理预测流程中的分红公布前、公布至除息日期间、除息日起的计算分红区间，提升因子单调性和稳定性。
低波动因子构造及改进测试 [page::9][page::10][page::15][page::16][page::17]
- 传统波动率因子（如STD1M、STD3M）ICIR约-0.55，换手率高，稳定性不理想。
- 采用成交额等分K线构造波动率因子ValueDSTD60，ICIR达到-0.74，换手率适中约30%。
- Value
- 多空收益曲线显示，ValueDSTD60年化收益28.23%显著高于时间K线12.3%。
量化因子表现比较及相关性分析 [page::8]
- 预测股息率因子与传统DP_TTM相关系数0.83，与ROE因子相关系数0.63，说明新因子在一定程度上继承了传统共性但附加了更多信息。
研究结论与风险提示 [page::18]
- 新构造的红利因子和低波因子均相较传统因子在稳定性和收益率上有显著提升。
- 风险提示：所有结论均基于历史数据和模型，存在模型失效的风险，投资需谨慎。
深度阅读
报告标题：《红利因子、低波因子的新构造——多因子系列报告之二十》
1. 元数据与报告概览
作者与机构
- 作者：周萧潇、刘均伟
- 机构：光大证券研究所
- 时间：2019年，具体时间不详
- 联系方式：文初有作者邮箱和电话
主题内容
本报告围绕智能贝塔（smart beta）策略中两类常用因子——红利因子（股息率因子）和低波动因子，即低波因子，进行了改良和创新构造。主要目的是通过：
- 对股息率因子的拆分及预测处理，提升因子的预测能力和单调性；
- 通过改造传统时间切片K线为成交额、成交量、Ticker等等分K线，优化波动率因子的稳定性和收益表现。
核心论点与结论
- 预测股息率因子相较传统DPTTM因子，IC均值从3.00%提升至3.29%，预测能力及单调性均有较大改善，因子稳定性提升。
- 采用成交额等分K线构造的波动率因子，ICIR和多空年化收益大幅优于传统时间等分K线下的波动率因子（28.23%对12.3%），表现出更稳定的预测能力和更优收益结构。
- 报告指出模型基于历史数据与假设，可能存在失效风险。
该报告旨在为因子投资者和策略研究者提供更强预测能力和更稳定表现的多因子构造方案。
---
2. 逐章节深度解读
2.1 红利（股息率）因子
2.1.1 常用红利因子构造方式及表现
- 当前行业惯例是使用DPTTM股息率因子，即用过去12个月的现金分红（税前）除以当前股票市值。
- 局限性在于，历史分红不一定能准确反映未来分红，尤其是对于周期性行业，公司净利润和分红存在较大波动。
- 以中国神华为例，2016年股息支付率异常高达260%（远超往年40%左右），导致2017年计算的股息率因子极高，反映出过度极端波动对因子有效性的损害（图1）[page::3]。
- 相关测试显示，传统DPTTM因子整体IC均值仅3.00%，IC波动6.13%，ICIR 0.49，且单调性不足（图2、3，表1、2）[page::4]。
2.1.2 若股息率可被预测，收益能力极佳
- 通过假设提前获悉公司未来一年现金分红，构造预期股息率因子，其IC均值上升至3.69%，IC
- 说明若能准确预测分红，红利因子具备显著超额收益捕捉潜力。
2.1.3 新构造预测股息率因子
- 将股息率拆分为净利润和股息支付率两部分分别预测。
- 净利润预测主要依赖分析师一致预期数据，避免历史线性外推受季节性及周期波动误差大问题；分析师覆盖率较高（80%整体，沪深300达95%），数据较为可靠。
- 股息支付率以公司近3年平均股息支付率为基准预测，净利润为负时假设股息为零。
- 对关键时间点处理细致，区分分红预案发布前后以及除权除息日时间区间，分别使用上年预期、上年预案、本年预测分红金额进行计算（图4流程图）[page::6]。
2.1.4 预测股息率因子表现分析
- 预测股息率因子IC均值3.29%，较DPTTM的3.00%有所提升；波动率下降，稳定性提高，ICIR从0.49升至0.56；胜率也有明显改善（表4，图5、6）[page::7]。
- 不同样本（全市场、中证500、沪深300）表现较为一致，微弱差异中全市场略优（表5，图7）[page::7][page::8]。
- 相关性分析显示预测股息率因子与传统DPTTM相关系数高达0.83，同时与ROE因子相关性为0.63，说明新因子依然保持了与传统红利因子的紧密联动且增加了潜在盈利能力信息（图8）[page::8]。
- 结论：预测股息率因子在提高因子效力和稳定性方面表现较为坚定可靠。
---
2.2 低波因子
2.2.1 传统构造与表现
- 普遍采用短期（日内1月、3月、6月）收益率标准差(STD)构造波动率因子。
- 测试结果显示，短期波动率ICIR较高（STD1M约-0.55），但换手率也极高（近60%），波动率因子稳定性较低（表6、7）[page::9]。
- 因子IC波动幅度较大，表明稳定性不足，改进空间广阔。
2.2.2 波动率计算的改进：基于改造后K线
- 传统时间等分K线按固定时间区间（如日线、5分钟线）采样，容易导致样本信息不均匀，收益率非正态分布，自相关性强，异方差（波动率时序不稳）等问题（图9）[page::10]。
- 改造思路基于高频数据，提出四种等分K线切片方法：
- 时间等分（传统）
- TicK等分（每根K线交易笔数相同）
- 成交量等分（每根K线成交量相同）
- 成交额等分（每根K线成交额相同）
- 通过偏度与峰度等指标反映收益率正态性改善，非时间等分K线方式明显更接近正态分布，尤其是成交额等分K线（表9、10）[page::11]。
- 收益率自相关性较低，时间等分K线自相关显著，非时间等分K线快速收敛于零，且均能体现短期（1-6期）负自相关反转效应（图12、13）[page::12][page::13]。
- 异方差性观察显示时间等分K线波动性大幅波动，非时间等分波动率更为平稳（图13）[page::13]。
2.2.3 波动率因子窗口定义探讨
- 波动率计算可采用两种窗口定义：
1. 等K线个数窗口（例如过去60根K线收益率标准差）
2. 等交易日日数窗口（例如过去60个交易日内所有K线收益率标准差）
- 报告偏重采用等K线个数方式，符合改造K线减少因时间维度不均因素的初衷。
- 研究基础比较中取STD3M作为时间窗口波动率基准。
（图14、15）[page::14][page::15]
2.2.4 新波动率因子表现分析
- 使用成交额等分K线构造的ValueD波动率因子，ICIR高于时间等分K线构造的对应因子，且换手率较低（表11）[page::15]。
- 小样本比较显示，ValueDSTD60在全市场及子样本的ICIR绝对值皆高于对应时间等分K线因子，波动率（IC std）更低，表明稳定性显著提升，效果在沪深300市场最为明显（表12，图16）[page::16]。
- 多空收益方面，ValueDSTD60因子累计年化多空收益达28.23%，远高于TimeDSTD60的12.3%，收益持续且更为优异（图17）[page::17]。
---
2.3 综合评价
- 红利因子的改造通过拆解净利润和股息支付率、整合预告到除权除息时段分红信息，显著提升因子的预测能力和稳定性，IC提升，单调性更佳。
- 低波因子通过基于成交额等分K线的波动率计算，改善时间等分K线造成的非均匀信息分布、自相关及异方差问题，实现因子稳定性及预测能力更优表现，显著提升多空收益。
- 两因子均显示出优化潜力，适合智能贝塔策略进一步应用。
---
2.4 风险提示
- 本报告所有结论均基于模型和历史数据，模型和数据具有局限性，可能存在失效风险。[page::0][page::18]
---
3. 图表深度解读
图1：中国神华（601088.SH）各年度分红总额及利润总额（页3）
- 图示中橙色柱状表示现金分红总额，紫色柱状为归母净利润。
- 2016年现金分红剧增至近600万，远超其他年份（均在数百万范围内），而同期净利润仅约230万，显示出260%分红支付率的异常现象。
- 该异常会导致基于滚动12个月分红计算的股息率因子失真，推动极大波动。此图明确指出传统DPTTM因子缺陷根源。
---
图2：股息率因子DPTTM月度IC（页4）
- 条形分布波动较大，部分月份IC严重为负，整体IC均值较小，说明因子表现存在不稳定性。
- 黄色基线约处于0.03左右（即3.0%），表现偏弱。
---
图3：股息率因子DPTTM分组超额收益（页4）
- 1~7组收益均为负或零，9、10组有明显正收益，差距不够均匀，说明单调性较弱。
- 最高超额收益多位于尾部极端分组。
---
图4：预测股息率因子计算流程（页6）
- 时间线标记预案日和除权除息日，划分三个区间，分别应用去年预测、去年预案、今年预测的分红估计。
- 清晰展示了因子构造对预期分红合理利用的逻辑。
---
图5：预测股息率因子月度IC（页7）
- 相较图2，波动幅度有所减小，负值时间段略减少，月均IC线略高于3.2%。
- 表明预测因子提升了稳定性和平均预测能力。
---
图6：预测股息率因子分组超额收益（页7）
- 9、10组收益显著正向，且分布更为均匀，1~7组均亏损，单调性有所上升。
- 优于图3的原传统股息率因子。
---
图7：预测股息率因子不同样本内表现统计（页8）
- 条形代表IC均值，右轴线为ICIR指标，三个样本（全市场、中证500、沪深300）数据表现相近。
- 指数成分股样本预测能力略弱，可能因样本波动和分析师覆盖差异。
---
图8：预测股息率因子与其他因子相关性测试（页8）
- 预测DP与传统DPTTM相关度最高，说明继承性强。其与ROE因子也具备明显正相关，反映盈利能力合成信息。
- 其它因子相关性中等甚至较低，表明预测DP因子含独特信息。
---
图9：传统时间K线优势与劣势（页10）
- 优势列举了传统时间K线易于处理与直观识别时间点；劣势则包含样本信息不均、序列自相关、异方差和非正态分布等，反映改造必要性。
---
图12：各K线构造收益率序列自相关系数（页12）
- 时间K线（紫色点）自相关明显高于其他等分K线，尤其在高滞后期。
- 其它K线快速衰减至零，验证改造K线更符合同方差假设，减少序列相关。
---
图13：平安银行2017年不同K线构造的周内波动序列（页13）
- 时间K线波动剧烈波动，年末波动率最高达年初10倍以上，而成交额等分K线、成交量等分K线、TicK等分K线更为平稳。
---
图14 & 图15（页14-15）
- 图14（等交易日波动率因子表现）与图15（等K线个数波动率因子表现），表明等K线窗口构造的波动率因子更稳定优越。
- 图15具体数据（表11）列明成交额等分K线(ValueD)相关因子表现最好，ICIR最高（约-0.74），换手率适中约30%。
---
表12及图16（页16）
- 比较不同样本空间内Value
- ValueDICIR均较TimeD更负且绝对值更高，且波动性（IC std）明显更低，说明改造后因子稳定性更好，同时沪深300内ValueD表现提升最明显。
---
图17：ValueDSTD60与TimeDSTD60多空收益曲线（页17）
- ValueD因子累计多空收益大幅领先TimeD，年化收益分别约28.23%和12.3%。
- 表现稳定，上涨趋势明显，表明新波动率因子能有效捕捉市场机会。
---
4. 估值分析
本报告属于因子研究与改良探索性质，未涉及个股或板块具体估值，未提供DCF、市盈率等估值模型。因此无估值方法与目标价。重点关注因子表现指标（IC、ICIR、换手率、多空收益）及统计特性。
---
5. 风险因素评估
- 明确提示因子表现基于历史样本和模型，未来可能因市场变动、政策调整等因素发生失效。
- 风险内容简明，强调模型局限性，未提供具体缓解策略。
- 风险提示体现报告科学谨慎态度，提醒投资者理性采用因子。
---
6. 批判性视角与细微差别
- 预测股息率因子强调利用分析师一致预期，虽然覆盖率较高，但预期数据本身包含市场情绪和信息偏差，不同经济周期及行业景气变化可能影响准确性，实际表现可能存在波动。
- 改造后的低波因子侧重成交额等分K线，虽在统计上表现优异，但更高频数据结构可能增加实际实现难度和交易成本，且换手率虽低于传统方法，但仍达30%左右，需权衡效率与成本。
- 研究结果显示沪深300中高波动因子提升表现更明显，可能因大盘股流动性更好或预期信息更充分，表明因子不一定同质适合所有股票池。
- 文章中部分指标如IC幅度较小（∼3%），虽然提升明显，但实际策略收益端效果还需结合其他因子共同验证和实盘检验。
- 报告仅覆盖A股市场，结论对其他市场适用性需谨慎评估。
- 细节上，部分时间点对分红预案使用规则较简化，未深究延期、增发或其它特殊事件影响，存在实际应用时的挑战。
---
7. 结论性综合
本报告基于系统的统计测试与理论分析，提出了红利因子和低波因子的显著改进方案：
- 红利因子方面，通过拆分净利润与股息支付率，并结合分红预告至除权除息节点的动态更新，构造出带预测能力的股息率因子，显著提升了因子的预测信息含量和单调性，IC均值由3.00%提升至3.29%，IC
综上所述，报告系统而深入地展示了在多因子智能贝塔体系中红利与低波因子的技术革新路径，提供了理论与实证双重支持的优化方案，为量化投资策略的因子设计提供了重要参考和实践指南。
---
# 所有引用标记均按原文页码注明。[page::0][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13][page::14][page::15][page::16][page::17][page::18]
