• q 因子模型理论来源于实体经济学 q 理论，包含市场风险溢价、市值、投资和盈利因子，构建 $2 \times 3 \times 3$独立三重多空排序组合，用于解释资产收益率差异 [page::0][page::2]。

- 数据样本采用2016年以来全A股周频数据，剔除市值排名后30%股票防壳污染，组合按市值加权，投资因子用总资产变化率，盈利因子用ROE指标构建 [page::2]。

• 18 个资产组合中只有大市值高投资高盈利（B/A/R）组合显著获利，周收益0.313%通过了10%显著性检验；市值因子显示A股存在大市值跑赢小市值的效应，盈利因子正收益明显，投资因子收益性不显著 [page::3][page::4][page::5]。

• Barra CNE6 因子体系覆盖多个风格因子，实证显示 Value 和 Yield 因子收益显著且稳定，Momentum 因子表现不稳定未通过显著性检验；q 因子模型对 Volatility、Growth、Liquidity 因子解释得较好，但对 Quality、Momentum、Value、Yield 因子解释度较低，因子间存在较强相关性导致部分解释叠加 [page::6][page::7]。

• 为提升模型解释力，替换原 q 因子模型中的投资因子为价值因子，形成改进模型；回归结果显示改进模型显著性水平提升，平均调整 $R^2$ 从0.332提升至0.441，表明对股票收益率解释度得到增强 [page::8]。

| 模型 | α绝对值平均值 | p值平均值 | Adjusted R² 平均值 |
|--------------|-------------|----------|--------------------|
| 原 q 因子模型 | 0.383% | 0.461 | 0.332 |
| 改进模型 | 0.391% | 0.336 | 0.441 |

• 基于改进模型构建了多因子量化选股策略：选取沪深全A股票，综合高市值、高ROE和低价值因子（Value）进行加权打分排序，选前100只股票构建投资组合，月度调仓，手续费考虑买入万五、卖出万十五，期间表现显著优于中证全指基准 [page::8][page::9]。

| 指标 | 数值 |
|--------------|------------|
| 年化收益率 | 21.62% |
| 年化超额收益 | 25.57% |
| 最大回撤 | 33.64% |
| 夏普比率 | 1.076 |

• 风险提示：所有模型结果基于历史数据，不保证模型未来的有效性，量化策略投资需谨慎考虑市场环境变化与交易成本影响 [page::0][page::9]。

报告详尽分析报告——《q-factor在A股实证及改进》

---

一、元数据与概览

• 报告标题：《q-factor 在 A 股实证及改进 ——“逐鹿”Alpha专题报告（二）》

- 作者与发布机构：陶勤英 分析师，王超 联系人，财通证券股份有限公司（财通证券）

• 发布日期：2020年01月04日

- 联系方式：taoqy@ctsec.com；wangc@ctsec.com

• 主题：本文围绕q因子模型在中国A股市场的实证研究，探讨其解释市场收益的有效性，以及结合中国市场特性提出的模型改进和回测结果。

- 核心观点摘要：
- q因子模型最初基于实体经济学q理论，由Hou、Xue、Zhang提出，旨在通过市场风险溢价、市值因子、投资因子和盈利因子解释资产收益。
- 实证中发现，原模型对A股市场的Value和Momentum因子解释度较低。
- 替换投资因子为价值因子后，模型解释度显著提高。
- 改进模型经回测，2017至2020年11月可实现年化超额收益约25%。
- 提醒风险：模型基于历史数据，未来效果不具保证性。[page::0,1]

---

二、逐节深度解读

1. q因子模型理论介绍 （第1章）

• 内容总结：

- q因子模型文献基础来源为Hou、Xue和Zhang(2015)，融合了实体经济中q理论，基于随机一般均衡与资本调整成本模型构建。
- 其数学表达揭示投资比例、盈利能力与股票预期收益间的内生关系。
- 该模型在美国市场优于经典的Fama-French三因子和Carhart四因子模型。

• 核心公式及含义：

- $E{0}[r{i1}^{s}]=\frac{E{0}[\Pi{i1}]}{1+\mathsf{a}(I{i0}/A{i0})}$ 展示投资比率（$I{i0}/A{i0}$）和资本回报率的倒数对预期收益的影响：投资越积极，预期收益反而越低；盈利能力越强，收益越高。
- 最后Q因子模型表达式为线性因子模型，包含市场风险溢价（$MKT$）、市值因子（$r{ME,t}$）、投资因子（$r{I/A,t}$）、盈利因子（$r{ROE,t}$）及残差项。

• 模型逻辑：

- 以经济基础为起点，结合投资行为，提取可观察因子以解释资产回报率波动。
- 设计独特的三维排序（2个市值分组3个投资分组3个盈利分组）构建因子组合。该设计旨在提高因子筛选的全局性和独立性。

• 数据准备：

- 使用2016年以后的A股周频数据。
- 剔除壳污染明显的低市值（底部30%）股票以保证数据质量。
- 投资因子用公司总资产变化率代替原模型中的投资比率，盈利因子用ROE衡量。
- 18个组合命名如“S/A/R”（小市值/高投资/高盈利）体现因子层次划分。

• 注：在因子的构建中，按财务指标分别划分各自的高、中、低层级，保证组合的交叉和覆盖面。[page::2]

---

2. q因子模型实证分析（第2章）

2.1 组合收益及显著性分析

• 图1解读（图示各资产组合的周收益率平均值）：

- 大市值高投资高盈利组合（B/A/R）周收益率最高约为0.313%，且显著性达到10%水平；
- 多数组合收益为负，尤其小市值低投资低盈利（S/C/W）为负收益显著。

• 表1数据描绘：

- 仅B/A/R组合收益显著，显示大市值且持续投资及高ROE带来显著超额收益。
- 其他组合统计显著性低，暗示不同因子表现分化明显。

• 图2解读（多空组合累计收益率）：

- 盈利因子（rroe）累计收益表现稳健且显著正向增长；
- 市值因子（rme）为负向收益表明，小市值在该时期表现弱于大市值；
- 投资因子（ria）表现波动，未显著形成收益趋势。

• 表2显著性检验：

- 市值因子和盈利因子收益显著（p值分别为0.004和0.017），投资因子不显著。

• 总结：A股存在与美股不同的市场表现，利好高市值和高盈利，投资行为的影响在样本内有限。[page::3,4,5]

2.2 q因子模型对Barra CNE6风格因子的解释效率

• 图3展示Barra CNE6因子结构的多层次设计，涵盖Leverage、Profitability，Momentum，Value，Growth，Liquidity等众多因子类别，作为评级市场风格的标准。

- 图4解读（风格因子累计收益）：
- Value和Yield因子自2016年以来表现优异，特别在2019年大部分因子趋弱时显得稳定；
- Momentum因子表现不稳定，未能保持持续正收益。

• 表3显著性检验：

- Value和Yield因子的alpha显著为负，表明该因子表现好于市场基准，且显著性高（p<0.001）。
- Momentum未通过显著性检验，指示动量效应不强。

• 表4回归解释度分析：

- q因子模型对Volatility，Growth和Liquidity有较好拟合（高$R^2$和无显著Alpha）。
- 但对Quality、Momentum、Value、Yield因子的Alpha均显著不为零，说明模型拟合不足。

• 表5因子相关性揭示：

- Quality与Value及Yield高度相关(Quality-Yield=0.907，Yield-Value=0.871等)，提示这几个因子本质上反映重叠风险或市场特征。
- 低解释度在一个因子上可能对其他高度相关因子的拟合也受限。

• 结论：q因子原模型对A股主要风格因子解释度不充分，特别是价值相关因子，提示有必要对模型进行改进。[page::6,7,8]

2.3 模型改进

• 模型调整细节：

- 用价值因子替代原投资因子，考虑到投资因子在A股统计不显著且价值因子对异象收益影响显著。
- 动量因子未纳入改动，因其在A股表现及提升空间有限。

• 改进模型表达：

$$
rt^i - rt^f = \alphaq^i + \beta MKTt + \beta{ME}^i r{ME,t} + \beta{ROE}^i r{ROE,t} + \beta{value}^i r_{value,t} + \epsilon^i
$$

• 表6模型对比：

- 改进后模型的平均绝对Alpha略微上升（0.391% vs. 0.383%），但p值下降（0.336 vs. 0.461），显示显著性提升。
- 平均调整$R^2$从0.332升至0.441，说明对样本股票收益解释能力明显增强。

• 逻辑阐述：

- 替换投资因子提高了模型对A股市场特性的反映，突出体现了价值因素在本土市场的重要性。
- 模型简洁性保留，避免加入过度因子，减少“因子大战”风险。

• 风险提示：

- 改良模型依然基于历史数据回归，未来稳定性和有效性需进一步验证。[page::8,9]

2.4 模型回测表现

• 回测设定：

- 2017年1月1日至2020年11月30日，按月调仓。
- 选取沪深全A，按高市值、高ROE、低价值因子综合得分，构建前100只股票多头组合。
- 手续费买入万分之五，卖出万分之十五。基准为中证全指。

• 图5回测结果解析：

- 多头策略净值显著超过基准，表现出明显超额收益。
- 超额收益累积曲线平稳上扬，最大回撤控制在33.64%，显示系统风险可控。
- 超额收益波动，显示一定的市场随机性。

• 表7业绩统计：

- 年化收益率21.62%，较基准年化超额收益25.57%；
- 夏普比率1.076，表明调整风险后的收益表现优秀。

• 结论：

- 改进型q因子模型构建的策略在样本期间表现亮眼，具备实际投资参考价值。
- 风险提示依旧明确，历史回测成效不代表未来收益保证。[page::9]

---

三、图表深度解读

图1：周收益率平均值（第3页）

• 展示了18个由市值、投资和盈利三个维度交叉组合构成的资产组合周收益表现。

- 重点突出B/A/R（大市值、高投资、高盈利）显著正收益，反映优质大盘成长型股票强劲。

• 小市值组合大多收益负向，说明小盘小市值股票近期表现弱势。

- 新颖交叉组合有助于实证区分不同风格，多维切片揭示复杂收益结构。

图2：多空组合累计收益率（第4页）

• 三条曲线分别对应市值因子（rme）、投资因子（ria）、盈利因子（rroe）。

- 盈利因子上涨趋势稳健，凸显盈利能力对回报的重要性。

• 市值因子负收益指示小盘股票表现逊色，异于西方市场典型“小盘溢价”。

- 投资因子波动居中，表现中性，表明投资激进程度对回报影响模糊。

图3：Barra CNE6因子结构（第6页）

• 精细的7大类因子体系，显示中国市场对风险及风格因子量化的全貌。

- 模型借助该结构分解市场收益，试图用q因子验证其解释能力。

• 结构复杂，涵盖常规因子（市值、成长、价值）、波动性、流动性等多维特征。

图4：Barra风格因子累积收益（第6页）

• 各因子自2016年以来表现较为分化，Value和Yield表现最佳，动量不稳。

- 说明A股风格轮动快，但价值韧性较强，符合市场“价值偏好”逻辑。

图5：策略回测结果（第9页）

• 多头策略净值稳步提升，高于中证全指基准，实现较大超额收益。

- 超额收益曲线清晰向上，说明模型因子捕获了有效的市场信息。

• 最大回撤限定在合理范围（33.64%），夏普比率大于1，风险调整后优势明显。

---

四、估值分析

• 本报告无直接企业估值模型或目标价格，主要聚焦于因子模型的构建与策略表现，故未涵盖现金流贴现、可比公司估值或市盈率分析等传统估值技术。

- 估值基于因子模型的回归解释度（$R^2$）、Alpha显著性及回测策略绩效指标综合评判模型有效性和市场适用性。

---

五、风险因素评估

• 明确风险提示：所有模型基于历史回测结果，不保证未来有效性。

- A股市场本身结构性变化、政策调整引发的风格切换可能导致模型失效。

• 因子哑变量、样本区间的选择可能出现数据偏误。

- 投资手续费、流动性风险、调仓频率变化等实际交易操作成本也可能影响策略表现。

• 未见报告中明确风险缓释策略，投资者需自行判断并结合其他风险管理手段。

---

六、批判性视角与细微差别

• 模型局限性：

- q因子模型引自美国资产定价环境，A股市场差异显著，需警惕跨市场模型直接应用的局限。
- 投资因子的弱表现及对价值因子的替换，虽提升模型表现，但可能掩盖投资因子的经济学本质和作用，需要更多实证验证。

• 动量因子处理：

- 报告未整合动量因子改进，基于其显著性不足，此选择合理但可能放弃部分Alpha空间。

• 因子相关性复杂：

- 因子相关性较高可能导致多重共线性，模型回归结果解释需谨慎，尤其在相关因子解释度同步偏低时。

• 数据质量问题：

- A股“壳污染”问题说明部分数据处理尚需优化，可能影响投资因子的构建准确性。

• 回测区间较短：

- 回测仅覆盖2017-2020年，区间较短波动明显，未来长期效果有待观察。


---

七、结论性综合

本报告系统性地考察了q因子模型在中国A股的适用性与表现，贡献主要体现在：

• 原创理论架构：基于实体经济学q理论，模型逻辑严谨，切合公司投资与盈利能力，构建2x3x3三重排序组合。

- 实证发现：原模型对A股市场的动量与价值风格解释力不足，投资因子在A股表现不显著，市值和盈利因子表现相对稳定。

• 创新点：提出以价值因子替代投资因子修正模型，提升对A股收益的整体回归解释度（调整$R^2$由0.332提升至0.441），增强了模型针对性与有效性。

- 实用策略：基于改进模型构建的多因子策略，在2017至2020年期间获得年化21.62%的绝对收益和25.57%的相对市场超额收益，最大回撤控制在33.64%，夏普比率大于1，展现良好风险调整收益能力。

• 风险提示明确：强调历史数据基础和未来不确定性，强化了投资者的理性认知。

- 完整视野：通过细致的因子收益显著性、回归Alpha分析及与Barra多层风格因子对比，深入探讨模型优缺点，体现研究深度。

综上，报告展现出q因子模型在A股的某些适用局限及其通过结合中国市场特征进行调整所释放的潜力。改进后的四因子模型不仅理论扎实，也具备实操价值，为量化投资策略设计提供有益借鉴。

---

参考图片

图1：周收益率平均值


图2：多空组合累计收益率


图3：Barra CNE6 因子结构


图4：因子累积收益


图5：策略回测结果


---

溯源

所有内容均来源于报告原文，页码标注详见各段末尾标识。[page::0,1,2,3,4,5,6,7,8,9]

报告