• 历史分位数因子通过计算经济指标在过去n季度的分位数刻画指标趋势，具备明确经济意义，适合估值及财务质量因子构造新因子[pidx::0],[pidx::4]。

- 系统测试89个相关因子，估值类和盈利能力类历史分位数因子选股效果较佳，现金流量、资本结构及偿债能力类因子效果较弱[pidx::0],[pidx::40]。

• 估值类代表因子tsrank(EP, 2)在沪深300、中证500和全A股的Rank IC均值超5%，多空组合夏普比分别达到0.77、1.88和2.46，分层组合净值显示长期稳健超额收益（图23-26）[pidx::0],[pidx::19],[pidx::23],[pidx::24].

- 盈利能力类因子tsrank(qfaroa, 6)和tsrank(qfa_grossprofitmargin, 6)表现较优，Rank IC累计图和分层净值表现突出（图33-42），显示较强稳定性和预测能力[pidx::20],[pidx::24],[pidx::26].

• 因子之间存在行业中性需求，因多因子相关性分析显示估值类因子与反转因子相关较高，财务质量类因子与成长类因子相关较低[pidx::7],[pidx::8].

- 因子选股效果随回看期数增加趋势减弱，短期因子变化更能及时反映基本面变化，表现更佳，适合短期调仓策略[pidx::0],[pidx::40].

• 测试方法采用回归法、IC值分析和分层回测，综合评价因子稳定性、显著性和经济解释力，选取优质因子进行深入分析[pidx::9],[pidx::10],[pidx::11].

- 行业分层测试表明主流行业因子选股效果均保持优良，显示历史分位数因子具备较强跨行业适用性[pidx::19],[pidx::25],[pidx::27],[pidx::30],[pidx::35].

• 现金流量、资本结构、偿债能力类历史分位数因子因选股效果较差，未做详细展开，投资者需谨慎使用[pidx::40],[pidx::36],[pidx::39].

- 风险提示强调单因子测试基于历史数据，存在市场规律改变导致失效可能，参数敏感性需要实操中重点关注[pidx::0],[pidx::40].

金工研究报告深度分析——历史分位数因子选股效果研究

---

一、元数据与报告概览

• 报告标题：华泰证券——历史分位数因子单因子测试研究（华泰多因子系列之十三）

- 作者：林晓明、陈烨、李子钰、何康等华泰证券研究员团队

• 发布机构：华泰证券股份有限公司

- 发布日期：2019年10月15日

• 研究主题：历史分位数因子的构造及选股效果测试，重点涵盖估值、财务质量等因子在中国A股市场的表现。

- 核心论点：
- 历史分位数因子是一种有效的、具有明确经济学意义的时间序列因子构造方法。
- 基于89个相关因子的单因子测试结果表明，估值类（尤其是EP、SP因子）、盈利能力类因子选股效果较好，而现金流量、资本结构、偿债能力类因子效果相对较差。
- 选股效果会随着回看期数（look-back period）增长而降低，短期历史分位数因子反应更及时，表现更佳。

• 报告目的：系统测试和验证基于历史分位数构造的各种因子的稳定性和选股有效性，为积极构建多因子选股模型提供基础支持。

- 风险提示：市场规律改变时，因子可能失效，历史分位数因子表现对参数敏感，应谨慎使用。[pidx::0][pidx::40]

---

二、逐节深度解读

2.1 历史分位数因子的选取及测试框架

• 关键观点：

- 历史分位数是衡量某一指标当前值在其历史区间的分布位置，反映了指标的变化趋势，适合构建形象化的经济学因子。
- 报告以估值类与财务质量类因子为基础，构造历史分位数因子，采用回归法、IC值分析、分层回测三大方法进行系统性检验。

• 方法说明：

- 估值类因子因数据频率高，选择月频调仓；财务质量类因子因季度数据特征，选择季度末调仓。
- 回归法和IC值分析处理去除了行业、市值及其他原始因子干扰，保证因子的独立性和纯粹性。

• 实例展示：

- 以万科A股票PE及销售毛利率历史分位数为例(图表1、2)：PE历史分位数显示估值“便宜”程度，销售毛利率历史分位数反映盈利能力趋势。
- 图表3和4系统梳理了所用因子类别和表达式，涵盖估值、盈利能力、收益质量、营运能力、现金流量、资本结构、偿债能力七大类别。

• 测试框架图（图表5）清晰展现了多维度检验路径。

2.2 历史分位数因子在行业间的差异与相关性分析

• 行业差异：

- 以tsrank(qfaroe,6)和tsrank(EP,2)为例，发现因子值在不同行业呈现不同中位数水平，行业间差异明显。
- 因此建议单因子测试时进行行业中性化处理，避免行业结构差异对结果的干扰（图表6）。

• 因子相关性：

- 估值类历史分位数因子与反转因子相关性较高，但与估值原始因子及对数市值相关性较低。
- 财务质量类历史分位数因子与成长因子及市值相关偏低，体现了其较强的独立性和增强信息量。
- 不同细分子类因子间存在一定内部相关性，如盈利能力类因子间高度相关（图表7、9）。

2.3 单因子测试方法详解

• 回归法：

- 设计了时间序列上因子暴露度与各期股票收益的线性回归模型，控制行业及市值因素。
- 利用加权最小二乘法(WLS)，权重为流通市值开方，避免小盘股权重过大。
- 评价指标包括因子收益率均值、t值均值、t值显著占比。

• IC值分析：

- 计算Rank IC，即因子值与未来收益的秩相关，反映因子预测能力。
- 采取中性化处理剔除行业、市值影响。
- 用IC均值、标准差、信息比(ICIR)评判因子稳定性和有效性。

• 分层回测：

- 等分因子值构建多层组合，通过多空组合的年化收益率、夏普比率、最大回撤等评估因子选股能力，在检测非线性关系方面比单线性回归更直观。

---

三、图表与数据深度分析

3.1 估值类历史分位数因子（重点因子：tsrank(EP,2)）

• 数据覆盖（图表18）：极高，几乎覆盖所有非ST股票，确保测试的广泛代表性。

- 回归及IC指标（图表19、20）：
- tsrank(EP, 2)的t值均值最高达2.03，Rank IC均值超6%，信息比高达0.80以上，表现稳健且显著。
- 同时因子收益率正向，表明高历史分位数（估值偏高）对应负面收益，符合价值反转逻辑。

• 分层测试结果（图表21、22）：

- 多空组合夏普比率分别为沪深300（0.77）、中证500（1.88）、全A（2.46），均支持强烈的区分度。
- 自n=2至12，选股效果逐步减弱，反映回看期过长会减弱因子及时响应能力。

• 表现走势（图表23~26）：

- Rank IC累积呈稳定上升，全A股表现优于沪深300，表明因子整体效力及范围优于主板蓝筹股。
- 分层净值曲线显示第1层（最低估值分位数）表现最佳，符合价值投资理论。

• 行业表现差异（图表27）：

- 不同行业年化超额收益差异较大，基础化工、通信表现较佳，房地产、银行等周期性较差。

3.2 财务质量类历史分位数因子（重点因子：tsrank(qfaroa,6)、tsrank(qfagrossprofitmargin,6)）

• 数据覆盖（图表28）：覆盖率高，适合大范围应用。

- 回归及IC分析（图表29、30）：
- tsrank(qfaroa, 6) t值均值在1.18~1.21之间，Rank IC均值最高达6.50%，夏普比率超过1.9；
- tsrank(qfagrossprofitmargin,6)表现次之，表现稳定。

• 分层测试展示（图表31～32）：

- 多空组合夏普比率分别约1.8以上，表现强劲。
- 同样存在回看期长性能稍逊短期的特征。

• 细节观察（图表33～42）：

- Rank IC累积图内，沪深300相对较弱，中证500及全A表现突出；
- 分层组合净值分布清晰，第1层组合明显优于后续组合，资产收益指标对收益预测较有效。

• 行业分布（图表37、42）：

- 财务质量指标在建材、基础化工等行业选股效果优于传媒、房地产等。

3.3 收益质量类历史分位数因子（重点因子：tsrank(qfaoperateincometoebt,6)）

• 数据覆盖（图表43）：稳定且广泛。

- 因子有效性（图表44、45）：
- t值和Rank IC均显示正向，IC均值1-2%区间，表现较盈利能力类略弱；
- 分层回测夏普一般达到0.4-0.5，仍有一定区分力。

• 详细表现（图表46～49）：

- 因子净值及Rank IC表现平稳上涨，尤其在中证500和全A更显著；
- 行业分层回测显示各行业差异明显，建筑等行业表现更好。

3.4 营运能力类历史分位数因子（重点因子：tsrank(assetsturn,6)）

• 数据覆盖（图表51）：较为齐全。

- 测试结果（图表52、53）：
- t值均值仅略高于1，IC均偏低，表现一般，夏普比率约0.3-0.4；
- 选股效果有限，但行业分布有局部差异，银行、汽车表现相对较好。

• 表现走势（图表54～58）：

- Rank IC累积稳步上行但波动较大；
- 分层净值图形表现出较弱的区分度，净值差异不及估值、盈利因子明显。

3.5 现金流量、资本结构及偿债能力类历史分位数因子

• 现金流量类（图表59～61）和资本结构类（图表62～64）、偿债能力类（图表65～67）因子尽管覆盖广，但回归、IC值及分层回测整体表现较差，难以形成显著稳定的选股能力，因此报告没有重点展开讨论及展示具体因子表现。

---

四、估值方法与风险因素

• 本报告并非直接进行企业估值，而是在因子层面通过统计学方法（回归分析、IC值检测）及分层回测验证因子的投资有效性。

- 通过对各种历史分位数因子的系统检验，选择高度有效且稳定的因子，进而为多因子模型提供优质因子池。

• 风险方面，报告强调：

- 因子表现基于历史经验总结，可能因市场环境变化失效；
- 历史分位数因子表现对参数如回看期数非常敏感；
- 必须谨慎调整使用范围和参数，避免盲目依赖单一因子信号[pidx::40].

---

五、批判性视角

• 该研究体系严谨，采用了多样且科学的因子有效性检验方法，具有较高的学术和应用价值。

- 但报告中因子表现的稳定性和可持续性依赖历史时序，存在经典的过拟合及市场结构变化风险。

• 分行业表现差异显著，提示投资者需结合行业轮动策略和宏观情景研判，单一因子应用可能效果有限。

- 估值类历史分位数因子与反转因子的相关性较高，可能存在信息重叠，构建多因子模型时需注意因子多样性的保持。

• 对于现金流、资本结构和偿债能力类因子的弱表现，报告并未深入讨论究因，值得未来继续挖掘这些因子弱势表现的原因。

- 数据覆盖率对部分因子尤其是财务质量因子表现至关重要，但少数因子覆盖率有限，可能导致测试结果存在样本选择偏差。

---

六、结论性综合

1. 因子构造创新：

- 本报告系统化地利用历史分位数构造基本面因子，既结合了经济学意义，又使用时间序列信息增强因子的时效性和预测力。

1. 因子表现对比：

- 估值类历史分位数因子（尤其是tsrank(EP,2)）表现最为突出，无论是在回归t值、Rank IC、还是分层回测夏普比率均领先。
- 盈利能力类因子次之，其中tsrank(qfaroa,6)、tsrank(qfagrossprofitmargin,6)表现稳健，示范其财务质量类因子在选股上的实用价值。
- 收益质量因子如tsrank(qfaoperateincometoebt, 6)也表现出一定的预测能力，但不如估值或盈利类因子强势。
- 营运能力、现金流量、资本结构、偿债能力类因子整体表现偏弱，未来需结合更精细的构造和行业特征优化选股逻辑。

1. 回看期数影响：

- 绝大多数因子的选股能力在随着回看期数增加时有所下降，验证了短期内及时反应经营基本面变化的重要性。

1. 行业差异显著：

- 因子在不同一级行业表现出差异化，需要行业中性化处理，也提示因子实操需结合行业轮动及行业特性综合判断。

1. 投资应用价值：

- 选股模型应优先考虑表现最佳的历史分位数估值及财务质量因子，定期短期回看期调仓，动态捕捉基本面变化趋势。

1. 风险警示明确：

- 历史因子有效性非绝对保证，存在市场结构转变风险，需谨慎调整参数并结合其他维度因子构建稳健组合。

---

七、重点图表汇总

| 图表编号 | 内容描述 | 主要发现与分析 |
|:---:|:--|:--|
| 图表1-2 | 万科A PE及销售毛利率历史分位数 | 直观展示历史分位数描绘个股估值和盈利能力趋势分布 |
| 图表3-4 | 构造因子基础分类及表达式 | 覆盖估值、财务质量多个因子，明确数据处理方式 |
| 图表5 | 历史分位数因子分析测试框架 | 多维度、多方法科学验证因子有效性 |
| 图表6 | 不同行业因子中位数比较 | 行业差异严重，必须行业中性化处理 |
| 图表7、9 | 估值类、财务质量类因子相关性 | 估值因子与反转高度相关，财务因子相对独立 |
| 图表10-12 | 单因子回归、IC及分层净值表现汇总 | 估值和盈利因子表现优异，分层净值呈现稳健向上趋势 |
| 图表18-22 | 估值类因子覆盖率、回归、IC和分层测试 | tsrank(EP,2)表现突出，回看期短效果更佳 |
| 图表23-27 | tsrank(EP,2)因子细节及行业分层 | Rank IC稳增，多空组合夏普优，行业表现差异明显 |
| 图表28-42 | 盈利能力类因子数据覆盖、回归、IC及分层 | tsrank(qfaroa,6)、tsrank(qfagrossprofitmargin,6)表现稳健 |
| 图表43-49 | 收益质量类因子表现 | tsrank(qfaoperateincometoebt,6)有效性一般但稳定 |
| 图表51-58 | 营运能力类因子 | 表现较弱，回归t值和IC值均较低 |
| 图表59-61 | 现金流量类因子 | 选股效果贫弱，未单独展示详细因子表现 |
| 图表62-67 | 资本结构与偿债能力类因子 | 选股能力不足，建议忽视单因子使用 |

---

总结发言

华泰证券研究团队系统地评估了基于历史分位数构造的多种基本面因子，验证了其在中国A股的选股能力。其中，估值类历史分位数因子(tsrank(EP, 2))和盈利能力类因子(tsrank(qfaroa, 6)、tsrank(qfagrossprofitmargin, 6))表现最具投资价值。报告不仅详细解析了各因子建设、统计显著性及预测有效性，还强调了行业差异、回看期选择对因子表现的影响，体现了对金融因子研究方法论的严谨把控。研究结论为构建基础稳健、多元的选股多因子模型提供强有力支持，仍需保持对市场变化的警觉，谨慎运用这一类因子。

---

报告引用标注示例

• PE历史分位数与个股估值便宜程度关系说明（图表1）[pidx::4]

- 单因子回归模型及t值解释详述[pidx::9][pidx::10]

• 因子相关性及选择原则分析（图表7、9）[pidx::7][pidx::8]

- 估值类因子单因子回归及多空组合夏普率指示（图表19~22）[pidx::15][pidx::16][pidx::18]

• 估值类因子tsrank(EP,2)详细表现（图表23~27）[pidx::19]

- 盈利能力类因子表现及行业差异（图表28~42）[pidx::20][pidx::24][pidx::26]

• 收益质量、营运能力等因子表现分析（图表43~58）[pidx::27][pidx::29][pidx::31][pidx::33][pidx::34]

- 风险提示及总结陈词[pidx::0][pidx::40]

---

此报告充分展示了历史分位数方法作为因子工程在中国市场的应用潜力及挑战，具备较高的学术和实务参考价值。

报告