因子视角的资产配置两种模式 [page::0][page::4]

• 两种关键思路为通过线性模型建立资产与因子的联系（mapping）和直接定义因子资产（Smart Beta）。

- mapping适用于资产池较小且对底层资产依赖较低的情况，存在组合优化难度大及资产因子线性关系不稳定问题。

• Smart Beta克服这些不足，但要求丰富底层资产、做空及衍生品支持，当前国内市场适用性有限。

海外权益市场主流Smart Beta因子简介 [page::6][page::7]

• 主要因子包括 Size（市值）、Value（价值）、Min Vol（低波动）、Quality（质量）、Momentum（动量）。

- 因子选择基于五项标准：长期稳定性、经济学基础、分散化、操作可行性和市场容量。

• 各因子原理详述如小市值溢价、定价误差回归、投资者行为偏差等。

因子资产构造中的纯度与可投资性权衡 [page::7][page::9]

• 多空分组法与Fama-Macbeth回归法关注因子暴露纯度，但做空要求高导致可投资性差。

- 纯因子组合通过最小二乘法的线性回归求解权重，提高因子暴露精度。

• 指数加权增强法着眼于可投资性，通过调整成分股权重提升因子暴露而不选股，降低冲击成本。

因子组合管理策略与回测示例 [page::10][page::11]

• 常用组合管理策略包括战略风险配置与战术风险配置，考虑因子相关性和风险预算。

- 回测中，六因子组合马可维茨模型在年化收益和夏普比率表现优越，风险平价组合则波动与回撤更低。

• 表2 四因子与六因子风险资产配置（6个月）

| 配置类型 | 年化收益率 | 年化波动率 | 最大回撤 | 夏普比率 | Calmar比率 |
|-----------------|------------|------------|----------|----------|------------|
| 四因子马可维茨配置 | 21.37% | 12.83% | 22.40% | 1.47 | 0.95 |
| 四因子风险平价配置 | 18.80% | 7.55% | 6.70% | 2.16 | 2.80 |
| 六因子马可维茨配置 | 26.28% | 6.40% | 5.23% | 3.72 | 5.02 |
| 六因子风险平价配置 | 20.09% | 4.79% | 3.54% | 3.67 | 5.68 |

• 做空受限情况下，传统多因子打分策略更适合兼顾因子暴露与可投资性。

量化因子构建和回测总结 [page::7][page::8][page::10][page::11][page::12]

• 因子纯度通过Fama-Macbeth回归模型构建纯因子组合，确保对目标因子暴露为1而对其他因子为0。

- 可投资性通过调整成分股权重实现，降低调仓频率和减少冲击成本。

• 四因子包括市场、市值、估值和动量（反转）因子；六因子增加低波动、换手率因子，更贴近A股市场特性。

- 回测结果显示，六因子配置无空头限制时表现最好，空头限制显著增加组合波动和最大回撤，夏普比率下降。

• 图6显示空头限制降低模型优化能力，实操中多因子加权打分体系更兼顾纯度和可执行性。

海通证券研究所《因子视角的资产配置系列三——风险资产与 Smart Beta》研究报告详尽分析

---

一、元数据与报告概览

• 报告标题： 《因子视角的资产配置系列三——风险资产与 Smart Beta》

- 分析师及联系方式： 冯佳睿，电话 (021) 23219732，邮箱 fengjr@htsec.com；联系人 吕丽颖 (021) 23219745，邮箱 lly10892@htsec.com

• 发布机构： 海通证券股份有限公司研究所

- 时间概述： 报告基于2017年之前相关量化因子研究成果及当前国际国内因子投资应用现状

• 主题内容： 探讨基于因子视角的资产配置两种主要模式——通过线性映射（mapping）和直接构造风险资产（Smart Beta）；介绍Smart Beta的定义、构造及其在权益资产中的应用；比较两种模式的优缺点及适用场景；介绍因子资产构造中的纯度与可投资性权衡；展示因子资产组合管理策略及其在国内市场的应用难点

- 核心论点及目标：
- 指出传统基于“mapping”的因子视角资产配置存在优化难题和线性关系不稳问题
- 阐述Smart Beta作为因子资产构造的另一思路，有效改善上述问题，但对基础资产量和做空机制要求更高
- 介绍五类海外成熟权益类Smart Beta因子及筛选标准
- 强调因子资产构造中纯度与可投资性之间的权衡及其组合管理的重要性
- 结合中国市场实际，展示Smart Beta模型在国内面临的挑战，并推荐多因子打分体系作为更优方案

• 风险提示： 市场系统性风险、模型误设风险、有效因子变动风险[page::0,4,13]

---

二、逐节深度解读

1. 从基础资产到风险资产

本节回顾前两篇报告成果，根据资产收益与因子收益的线性关系，采用线性映射（mapping）实现资产配置的优化。投资过程基于对资产组合收益的因子投影，使得优化依赖资产与因子关系矩阵。

然而，该方法依旧基于基础资产且存在线性假设约束，优化空间受限。相比之下，另一思路即“Smart Beta”，跳出基础资产框架，直接定义以因子为投资对象的风险资产。这样，因子资产本身成为组合管理的基础单位，基础资产仅作为构造因子的工具。

举例：在mapping中关注29个行业指数（基础资产），因子作为桥梁；在Smart Beta中，因子本身即投资标的，基础资产用于帮助构造因子。两种方法应用场景及优势有较大差异，mapping适合资产类别数量少的情况，Smart Beta适合资产池足够大，支持做空及衍生品操作的环境[page::4]

2. “mapping”与“Smart Beta”——两种模式的对比与适用范围

2.1 Mapping

• 优点：底层资产数量要求低，易于FOF等多层次基金结构应用。

- 缺点：
- 组合优化难，因目标资产池及做空限制，难以精准达到理想因子暴露
- 线性关系强假设且跨期不稳，资产-因子关系可能发生变化，导致实际风险带来误差

• 适合：行业配置、宽基指数配置、FOF底层基金Alpha增强等低资产池环境

2.2 Smart Beta

• 优点：

- 解决mapping优化难的问题，可实现较稳定因子暴露
- 借助多空分组的非参数方法增强跨期稳定性，降低线性假设的依赖

• 缺点：

- 需要大量基础资产支持
- 需有做空机制与衍生品保障因子暴露纯度
- 在国内此条件尚不成熟，应用受限

• 适合：大资产规模混合基金管理、专户管理及因子型工具产品设计

2.3 两种模式对比总结

表1详细列出mapping与Smart Beta在底层资产需求、线性假设、组合优化难度及适用范围上的差异。总结发现两者应用领域及资源需求有显著不同，投资者应结合自身资产池和操作可行性酌情选择[page::5,6]

3. Smart Beta的因子资产构造模式

3.1 Alpha与Beta的辩证性

通过图1清晰阐释了因子收益中的Alpha与Beta关系演进：1970年代收益视为整体Alpha，1980年代分明Alpha与Beta，2000年代Smart Beta出现于二者的模糊地带，代表以因子投资获得的超额收益。这体现了Smart Beta在主动和被动管理之间的“骑墙”定位[page::5,6]

3.2 海外权益市场中的Smart Beta

当前海外成熟市场尤其是美股，Smart Beta已主流化，形成并产品化的五大主要因子：

• Size（市值）： 小市值股票因流动性差和风险高获得溢价

- Value（价值）： 低估值股票基于定价回归理论长期表现优异

• Min Vol（低波动）： 投资结构和行为金融导致低波动股票被低估

- Quality（质量）： 盈利质量、杠杆及现金流指标优异股票表现好

• Momentum（动量）： 价格趋势持续效应及羊群行为带来的超额收益

判别因子是否为Smart Beta的五大标准：长期稳定超额收益、有理论支撑、分散化能力、操作可行性、市场容量充足。这些标准确保因子投资兼具稳健性与实操性[page::6,7]

4. 因子资产的构造权衡：纯度与可投资性

4.1 因子暴露纯度

解释了因子暴露纯度的定义及其构造难点。多空筛选法常用但纯度不高，容易混入其他因子效应。高纯度因子组合的构建可通过Fama-Macbeth横截面回归实现，要求组合对目标因子暴露为1，其他因子暴露为0。

详细数学模型公式说明了基于股票收益、因子载荷矩阵以及风险权重的线性回归求因子溢价的原理，及求解纯因子权重的解析表达式。该表达式代表纯因子组合权重可以通过回归系数直接获得，且权重是期初先验量，不依赖后期收益数据。

该模型前提严苛：因子间相关性需弱，否则需进行截面正交化等预处理[page::7,8]

4.2 因子组合的可投资性

追求因子纯度往往要求做空及衍生品工具，现实操作难度大，特别是在国内市场。可投资性考虑因素包括做空机制、市场容量、交易冲击和换仓频率等。

因子加权增强法通过调整指数中股票权重（改变传统市值权重），实现因子暴露的优化，而不做实际选股及做空。流程包括因子暴露的离群值剔除、Z-score标准化、累计正态分布转换为调整系数、权重调整及归一化。

图3、图4分别展示因子载荷标准化和由标准分数转换为调整权重的过程，形象说明因子得分如何根据正态分布进行映射。

这种方法提升了可投资性但降低了因子暴露纯度，基于指数的权重调整策略平衡风险与可实施性[page::9]

此外，报告指出国内流行的多因子打分模式本质也是因子加权调整与多空组合构造间的妥协。投资者可根据目标选择纯度与可投资性的平衡点。在实际建构中，过度追求纯度反而可能增加模型风险[page::10]

5. 因子资产的组合管理策略

介绍因子组合管理的战略和战术配置：

• 战略风险配置（Strategic Risk Allocation）： 基于过去一段时间的协方差及风险预算模型（如马可维茨、风险平价），确定各因子资产权重。

- 战术风险配置（Tactical Risk Allocation）： 根据因子信息比率（IC、IR）和主观择时调整权重，并归一化处理。

• 指出因子相关性是优化过程重点考量的风险因子。

报告利用四因子（市场、市值、估值、动量）与六因子（含反转、换手率等A股特色因子）组合，分别采用马可维茨模型和风险平价模型进行组合构建。

结果展示于图5及表2、表3中：

• 六因子马可维茨组合在6个月与12个月窗口中表现最佳，年化收益率最高达26.28%，年化波动率适中，最大回撤较低，Sharpe和Calmar比率亦优。

- 风险平价组合则在风险控制（低波动率与最大回撤）方面表现更优，导致夏普比率和Calmar比率更高，但收益较马可维茨稍低。

进一步，考虑做空限制，组合表现显著恶化（图6、表4），尤其马可维茨组合回撤剧增至41.32%，波动率飙升至17.39%，夏普比大跌。这归因于缺乏做空机制使得组合权重集中，流动性及风险控制困难。

综上，做空机制的限制是国内市场应用Smart Beta优化的关键障碍，完整做空机制普及前，推荐使用多因子打分选股以兼顾因子暴露和市场可操作性[page::10,11,12]

6. 总结与讨论

• 因子视角资产配置有两大模式：mapping（线性映射）及Smart Beta（因子资产直投）

- Smart Beta较之mapping优化难度低，因子暴露稳定，但需足够底层资产与复杂交易工具支持

• 海外成熟权益市场的Smart Beta涵盖Size、Value、Min Vol、Quality、Momentum五大因子，筛选因子标准严谨且合理，确保长期稳定超额收益及市场容量

- 因子资产构造面临纯度与可投资性权衡，过分追求纯度导致模型风险及可操作难度提升，指数加权增强是常用调和方法

• 因子组合管理采用战略与战术风险配置，通过风险预算以及因子表现动态调整权重

- 国内受限于做空机制，Smart Beta优化效果受限，多因子打分体系是当前较好的平衡方案

• 下一篇报告将重点探讨大类资产中的Smart Beta构造及管理体系[page::0,4,6,9,10,11,12]

---

三、图表深度解读

图1 Alpha与Beta的辩证性（page 6）

• 描述： 图1展示了1970年代、1980年代及2000年代Alpha与Beta定义的演变，从收益没有区分，到区分Beta（市场收益）与Alpha（超额收益），再到Smart Beta跨界功能占据Alpha与Beta之间模糊区域。

- 解读： 体现Smart Beta作为主动与被动投资方法的混合体，兼具部分主动收益潜力和被动管理的成本优势，反映了因子投资的发展阶段。

• 联系文本： 匹配3.1节关于因子投资定位的论述，是理论基础性图示。

图2 因子资产构造中的权衡（金字塔）（page 7）

• 描述： 展示因子暴露纯度与可投资性的反向关系，越往上因子纯度高但可投资性差，反之亦然。

- 解读： 突出因子资产构造中多空分组、Fama-Macbeth纯因子组合和加权增强的不同组合方法对应的位置，强调投资者需权衡。

• 联系文本： 支撑4.1-4.2节间因子构造方法选择的理论说明。

图3 因子载荷标准化（page 9）

• 描述： 标准正态分布曲线，显示对因子暴露进行Z-score标准化后的分布形态。

- 解读： 通过去除离群值及标准化，保证因子载荷的数值稳定性，为进一步加权调整提供基础。

• 联系文本： 归属于因子可投资性讨论标准化步骤。

图4 因子得分（page 9）

• 描述： 累积分布函数曲线，将标准正态分布的Z-score映射至0~1的区间。

- 解读： 反映根据标准分数计算的调整系数，用于调整指数权重，推动实现因子加权增强的可操作性。

• 联系文本： 紧随图3，说明权重调整过程。

图5 四因子与六因子的风险资产配置净值表现（page 11）

• 描述： 2010年至2016年，分别展示四因子与六因子组合采用马可维茨（MV）和风险平价（RP）模型的净值累积增长曲线。

- 解读： 六因子MV组合净值最高，增长更稳定，反映了因子丰富度和优化方法对组合绩效的显著影响。

• 联系文本： 支撑因子组合管理策略的实际绩效表现说明。

表2与表3 （6个月和12个月期内各组合年度统计）（page 11）

• 描述： 表格列出年化收益率、波动率、最大回撤、夏普比率和Calmar比率。

- 解读：
- 六因子MV组合收益率最高（26%以上），风险较低，表现均衡。
- 风险平价组合虽收益略低，但极大限制了最大回撤，夏普比例更优。
- 四因子组合相对表现欠佳，体现因子多样性对表现的正面影响。

图6与表4 六因子风险资产配置（空头约束）（page 12）

• 描述： 图中显示在空头约束条件下，六因子MV及RP组合净值增长明显放缓且波动增强。表4数据对应具体风险和收益指标。

- 解读：
- 空头限制导致马可维茨策略最大回撤暴增至41.32%，风险失控，夏普比率显著下降
- 显示缺乏做空机制对Smart Beta实施的致命影响
- 支持报告中建议现阶段应采用多因子打分策略以平衡因子暴露与可投资性

---

四、估值分析

本报告为策略及资产配置研究，未涉及传统意义上的公司股价估值模型或盈利预测。焦点落在基于因子构造的组合管理、风险预算及其绩效分析方法，属于资产配置层面的量化研究报告，因此不涉及DCF、市盈率等估值内容。

---

五、风险因素评估

报告识别以下主要风险因素：

• 市场系统性风险： 宏观经济波动及市场整体风险影响所有资产与因子表现。

- 模型误设风险： 线性映射与因子模型中假设的偏差及不能涵盖全部现实风险。

• 有效因子变动风险： 因子效应随着时间变动，可能减少其预测和超额收益能力。

以上风险未明确给出缓解策略，但从模型设计和组合管理角度建议：

• 采用多因子分散降低单一因子失效风险

- 结合风险预算控制极端回撤

• 动态调整因子权重应对因子效能变化

风险提示简洁，强调投资者需关注系统性与模型风险[page::0,13]

---

六、批判性视角与细微差别

• 优势与偏焦点： 报告突出Smart Beta优越性，强调模型及做空机制限制影响国内实操，但对mapping策略的优化难度描述较为悲观，实际效果依赖具体资产池配置和调优。

- 假设完备性： 因子间不相关性假设在现实中较难完全成立，这一点报告虽提及正交化处理，但对高相关因子捆绑带来的组合复杂度和风险并未充分深入探讨。

• 数据与样本局限： 四因子与六因子组合性能基于某段历史样本，样本时间段与窗口选择可能带来前瞻偏差，长期稳定性需进一步验证。

- 做空机制现实挑战： 报告强调做空不足影响Smart Beta实施，符合国内市场实际，但未充分探讨如何逐步引入相关工具或替代策略，如风险敞口调整等。

• 纯度与可投资性权衡提醒警示过度追求纯度带来的高模型风险，提醒投资者需权衡，体现较为稳健的观点。

---

七、结论性综合

本报告系统阐述了基于因子视角资产配置的两种主要实现路径：

• 传统的“mapping”方法通过资产收益与因子的线性映射实现组合优化，适合资产池较小及缺乏做空机制环境，实际应用广泛但存在优化难与稳定性风险。

- Smart Beta模式则直接以收益来源的风险因子资产为投资标的，具有更好的因子暴露纯度与跨期稳定性，但对底层资产丰富度及做空机制有较高要求，目前在中国市场尚处发展初期阶段。

报告详细解析了包括五大海外成熟因子的经济学原理及其筛选标准，强调纯度与可投资性之间不可调和的矛盾，以及因子资产组合管理的战略与战术配置方法。以实证数据展示了四因子与六因子组合在马可维茨与风险平价模型下的不同表现及做空限制对Smart Beta策略效果的显著影响。

综合来看，报告认为，虽然Smart Beta在海外市场表现优异且理念先进，国内因市场结构及机制限制尚难充分发挥其潜力，当前以多因子加权打分策略折中纯度与可投资性，是兼顾风险控制与超额收益的较适宜路径。未来伴随做空机制完善和大类资产Smart Beta体系的深入，本系列后续报告将展开详细论述。

报告内容结构紧密，论据充分，图表辅佐清晰，为因子投资领域研究与实务提供了系统而深入的理论与方法指导。

---

附：主要图表内容（Markdown格式示例）

图1 Alpha与Beta的辩证性

图2 因子资产构造中的权衡

图3 因子载荷标准化

图4 因子得分

图5 四因子与六因子的风险资产配置净值表现

图6 六因子风险资产配置净值表现（6个月，空头约束）

---

以上为《因子视角的资产配置系列三——风险资产与 Smart Beta》研究报告的详尽分析解构，全篇涵盖报告起止主要内容、关键模型、图表分析及实证验证，精准融合理论与实务，具有较高的参考价值和行业指导意义[page::0-12]。

报告