CNE7 多因子模型结构与优势 [page::0][page::2][page::4]

• 由10个风格因子、34个行业因子和1个市场因子构成，因子覆盖广且适配A股市场特征。

- 风格因子如Beta、残余波动率、规模、中盘股、Earnings Yield、Book to Price、动量、杠杆率、流动性、成长，构建中采用流通市值与更细致的指标，提升显著性。

• 改进行业分类结构，基于申万一级及部分二级行业，增强对A股本土行业的解释力，区别于Barra的GICS全球分类。

- 对因子暴露度进行去极值、缺失值补齐和标准化处理，回归使用加权最小二乘法，计算因子收益率及协方差矩阵，保证模型稳定性。

市场因子表现与样本空间扩容 [page::0][page::6][page::7][page::10]

• 样本中个股数量自2007年1230只增加至2022年4592只，增幅273%，市场总体流通市值占比提高至约75%，市场因子累计收益率与Barra模型整体相近，反映市场整体变化趋势。

主要风格因子表现对比 [page::11][page::12][page::15][page::18]

• Beta因子累计收益表现稳健，CNE7略优于CNE5。残余波动率因子显示高波动股票跑输低波动股票，CNE7因子显著性优于CNE5。

- 规模与中盘股因子表现均为负，表示大盘及中盘股跑输小盘股，CNE7因子贡献明显优于CNE5。

• 价值因子 Earnings Yield 和 Book to Price 收益持续正向，尤其CNE7采用每日更新数据，表现更显著。

- 动量因子显著，CNE7动量累计收益稍低于CNE5。流动性因子表现为负，表明高换手率股票跑输低换手率股票，CNE7流动性因子贡献更强。

• 杠杆率因子收益波动较大，CNE7模型表现较好。成长因子呈持续上升趋势，高成长股票显著跑赢低成长股票，CNE7成长因子贡献远高于CNE5。

重点行业因子表现分析 [page::20][page::21][page::22][page::23]

• 行业因子覆盖34个细分行业，整体股票数量和市值较为均匀分布。

- 行业因子整体表现优于Barra模型，电子、电力设备、机械设备、基础化工、制药等行业因子表现突出，累计收益稳定提升，体现行业轮动特征。

因子解释力度与模型拟合优度评估 [page::24][page::25]

| 因子 | 组别 | T值 | 显著T值占比 |
|---------|------|--------|------------|
| 市场 | 风格 | 1.520 | 88.56% |
| 规模 | 风格 | -0.473 | 66.58% |
| 贝塔β | 风格 | 0.810 | 65.80% |
| 流动性 | 风格 | 0.178 | 55.22% |
| 动量 | 风格 | 0.083 | 52.70% |
| 残余波动率 | 风格 | -0.789 | 51.54% |
| 中盘股 | 风格 | -0.394 | 43.83% |
| 账面市值比 | 风格 | 0.176 | 37.83% |
| 经营收益率 | 风格 | 0.180 | 35.99% |
| 杠杆率 | 风格 | 0.036 | 29.64% |
| 成长 | 风格 | 0.280 | 21.04% |

• 多数风格因子和部分行业因子解释力显著且稳定，模型整体拟合优度（252天滚动R方）均值约35%，体现较强解释能力。

- 产品模型适应性优于Barra CNE5，适合A股量化投资和风险管理。

总结 [page::26]

• CNE7经典版通过完善因子选取、数据处理和行业分类等方法创新，提升了模型对A股股票收益的解释力和稳定性。

- 模型适应当前市场结构与扩容特征，支持投资组合优化、风险管理和业绩归因，为投资管理者提供严谨且实用的量化工具。

CNE7 多因子模型证券研究报告详尽解析

---

一、元数据与报告概览

• 报告标题：CNE7 多因子模型——因子表现与模型解释力度分析

- 作者：陈果（中信建投证券董事总经理、研委会副主任、首席策略官）、研究助理徐建华

• 发布机构：中信建投证券股份有限公司

- 发布日期：2022年5月12日

• 研究对象：针对中国A股市场构建的CNE7经典版多因子风险模型，涵盖市场、风格及行业因子的构建与表现分析。

- 核心论点：本报告系统阐述了CNE7经典版多因子模型的构建方法、因子选择及市场表现，重点对比原MSCI Barra CNE5模型，强调了CNE7在因子显著性、解释力及数据处理等方面的优势。作者提出CNE7更能准确反映A股市场特性和行业风格轮动，提供更优的风险管理和投资组合优化工具，支持投资者进行精准的业绩归因与策略调整。[page::0,2,5,10,26]

---

二、逐章节深度解读

2.1 CNE7模型简介

2.1.1 多因子模型理论基础与类型

• 多因子模型源于Markowitz风险收益理论和CAPM，后发展为APT模型，利用多个风险因子解释股票收益，强调收益与因子暴露度和因子收益的线性关系。

- 三大模型形式对比：
- 宏观经济因子模型：依赖外部宏观指标，可能估计偏差、反应滞后。
- 基本面因子模型：基于股票本身属性（如估值、市值等），解释力强但模型构建复杂。
- 统计模型：通过主成分分析等统计技术提炼因子，有效过滤噪音但缺乏直观含义且易伪相关。[page::2,3]

2.1.2 基本面多因子模型优势

• 基本面因子模型在历史和样本外均优于其他类型，原因是同属性股票表现具有相似的风险收益特征。

- 通过因子降维降低计算复杂度，提高风险预测准确性。

• CNE7基于此构建经典版模型，服务于中国A股市场，体现本土化优势。[page::3]

2.1.3 投资组合管理应用

• 多因子模型助于：

1. 精准控制投资组合的因子风险暴露；
2. 提供稳定的协方差估计，优化组合波动率及跟踪误差管理；
3. 深入归因分析，支持策略优化和调整。[page::3]

---

2.2 模型构建细节

2.2.1 因子结构与选取

• CNE7经典版选用10个风格因子、34个行业因子、1个市场因子。

- 风格因子涵盖风险（Beta、残余波动率）、规模（规模、中盘股）、价值（Earnings Yield、账面市值比）、动量、杠杆率、流动性、成长等，均以流通市值为基础计量，以贴合A股特性。

• 行业因子基于申万一级分类加精选二级行业（白酒、制药、医疗器械等独立处理），更符合中国市场实际及投资者习惯，相比Barra CNE5使用的GICS分类更具本地适用性。

- 市场因子即全A流通市值加权组合表现，剥离市场风险与行业、风格风险。[page::4,5,8,9]

2.2.2 数据处理与因子暴露计算

• 风格因子暴露度经去极值（中位数去极值）、缺失值填充（同类均值替代）、标准化处理（去市值加权均值，除以等权标准差）确保数据质量及因子间可比性。

- 行业因子暴露度为虚拟变量0/1。

• 市场因子暴露度恒为1。

- 因子收益通过对股票日收益进行加权最小二乘回归获得，权重为流通市值开平方，辅以多种统计调整（Newey-West、特征值调整、贝叶斯调整等）提升协方差估计质量。

• 该严谨处理确保了模型的稳定性和解释力。[page::7,8]

2.2.3 CNE7与Barra CNE5的差异与优势

• 行业划分上，CNE7使用本地化申万体系，增加部分细分行业因子，提升对A股市场行业特征的捕捉。

- 风格因子上，CNE7以流通市值计算，更加准确反映市场真实流通量和权重，解决A股市场总市值偏态分布和股权分置改革带来的偏差。

• 数据更新方面，CNE7采用Point-in-time基本面数据，减少前视偏差。

- 在样本覆盖范围，CNE7涵盖科创板、北交所等新兴市场股票，Barra CNE5覆盖较少。

• 整体提升了因子显著性、模型解释力和实用性。[page::8,9,26]

---

2.3 市场因子表现分析

• 历史累计收益率较为接近，CNE7市场因子累计收益247.12%，CNE5为250.13%，两者呈高度同步。

- 两大牛市（2007、2015）及熊市（2008、2016）阶段变化趋势保持一致。

• CNE7在计算时采用流通市值权重，及时覆盖更多板块，增强市场因子的代表性。

- 反映A股市场整体波动和发展趋势，提供基础市场风险的量化刻画。[page::10]

• 附图：

---

2.4 风格因子表现详解

2.4.1 波动率类因子

• Beta因子：长期表现积极，累计收益215.62%，与CNE5基本吻合，反映高Beta股票风险收益性价比较优。

- 残余波动率因子：整体表现负收益（反映低波动率效应），CNE7累计-31.48%，显著优于CNE5的-56.49%，显示CNE7对此波动率风险捕捉更精准。

• 说明低波动股票受偏好且稳健，投资者或可通过因子暴露进行风险调控。[page::11,12]
• 附图：

Beta因子图

残余波动率因子图

2.4.2 市值类因子

• 规模因子（大盘对小盘）：整体累计收益为负，CNE7表现更为显著负面（-50.06%对比-41.81%），反映中小市值股票表现优于大盘股。

- 中盘股因子：同样呈现持续负收益，CNE7比CNE5更具表现力。

• 这些数据强调了A股市场小市值股票的风险溢价及投资价值潜力。[page::12,13]
• 附图：

规模因子图

中盘股因子图

2.4.3 价值因子

• Earnings Yield和Book to Price因子自2006年以来稳定贡献正收益，尤其CNE7远超CNE5（Earnings Yield：47.33% vs. 5.83%，Book to Price：54.17% vs. 22.11%）。

- 主要归因于CNE7使用每日更新的基本面数据（Point-in-time），以及构建细节上的改进，如加入销售额与市值比指标。

• 价值投资因子在A股仍发挥显著效果，支持价值投资策略。[page::14,15]
• 附图：

Earnings Yield因子图

Book to Price 因子图

2.4.4 动量因子

• 动量因子整体走势与CNE5较为接近，累计收益较理想（CNE7：56.71%，CNE5：79.57%）。

- 高动量股票在2015-2017及2017年后表现强劲，反映市场趋势效应，具有一定反转价值。

• 动量因子构建基于长周期加权的超额对数收益率，半衰期机制提高了时序敏感度。[page::15,16]
• 附图：

2.4.5 流动性因子

• 流动性因子为负收益显著，表示高换手率股票表现相对弱。

- CNE7在流动性因子上的表现更为显著，累计收益达-90.59%，优于CNE5的-76.52%，反映其在流动性计算方法上的改进，如采用了换手率累计而非对数平均，捕捉更真实换手活跃度。

• 流动性因子有助于权衡交易成本与市场风险。[page::16,17]
• 附图：

2.4.6 杠杆因子

• 杠杆率因子表现复杂，2013年前高杠杆股票跑赢市场，之后表现波动并趋弱，2020年起再次回升。

- CNE7积累收益明显强于CNE5（18.23% vs. 10.08%），说明模型对杠杆风险的捕捉和效应估计更准确。

• 反映财务结构变化对股票表现的影响，尤其在波动剧烈市场环境中重要。[page::17,18]
• 附图：

2.4.7 成长因子

• 成长因子表现尤为抢眼，自2006年以来持续稳定上升，表明高成长股票显著跑赢低成长股票。

- CNE7累计收益达到102.59%，约为CNE5的4倍（22.93%），差异主要源于成长计算方式不同，CNE7采用年度同比增长，更具时效性。

• 此因子在捕捉未来预期及业绩扩张上有较强适用性。[page::18,19]
• 附图：

---

2.5 行业因子表现

• 市值分布均衡，前十行业市值占比集中于电子(约6.82%)、电力设备、机械设备、基础化工、制药等。

- 行业因子基于申万一级及部分二级行业构建34个因子，能较好捕捉产业政策和周期变化，提升行业特有风险的解释能力。

• CNE7行业因子整体优于CNE5，尤其在基础化工、钢铁、有色金属、机械设备、汽车、白酒等行业表现更明显。

- 不同行业因子展现不同的历史收益动态，反映行业特定经济周期和政策影响。[page::20-23]

• 部分行业因子表现示例：

电子行业因子表现，CNE7累计107.67%，显著高于CNE5的87.23%。


电力设备行业因子表现，CNE7累计77.43%，优于CNE5的62.44%。


机械设备行业因子表现，CNE7累计-33.59%，优于CNE5的-27.81%。


基础化工行业因子表现，CNE7累计9.61%，略优于CNE5的8.63%。


制药行业因子表现，CNE7累计172.87%，逊于CNE5的319.08%（或受特定历史因素影响）。


---

2.6 模型解释力度评估

评估指标包括因子t值显著性、因子稳定性及整体拟合优度：

• 市场、规模、Beta、流动性、动量、残余波动率因子在解释收益变化方面表现突出，显著t值占比均超过50%，说明这些因子能持续稳定地解释股票收益。

- 多数行业因子显著t值占比在10%以上，表明行业因素整体解释力较强，尤其有色金属、房地产、非银、煤炭、白酒等特定行业表现更佳。

• 模型拟合优度在2007-2014年维持30%-60%区间，后受股票数量增长影响有所下降，均值约为35%，仍保持良好解释力。

- 说明CNE7在捕捉多样化风险因子及复杂市场结构方面表现优异，适合中国A股环境下的投资组合风险管理与业绩归因。[page::24,25]

• 市场及风格因子t值统计：市场因子显著t值占比高达88.56%，规模因子66.58%，Beta因子65.80%。

- 行业因子显著t值占比最高达62.53%（有色金属），最低普遍在10%以上。

• 拟合优度趋势图：

---

三、图表与数据点深度解读

• 图表3-4展示A股股票数量和流通市值快速增长趋势，样本数量自2007年1230只猛增至2022年4592只，流通市值占比从22%提升至约75%，强调市场扩容及流动性提升对模型构建的重要影响。

• 图表5揭示CNE7与CNE5市场因子的高度重合，验证流通市值计权及市场样本扩容对收益模拟的有效性。
• 各风格因子图表（图6-15）均体现出CNE7模型因子在累计收益与显著性上普遍优于CNE5：

- Beta和残余波动率（图6、7）展示风险暴露对股票收益的正负向影响。
- 规模与中盘股（图8、9）突出小盘股相对优势。
- 价值因子（图10、11）显示CNE7的改进明显提高了正向收益捕捉能力。
- 动量（图12）、流动性（图13）、杠杆率（图14）、成长（图15）各因子反映不同维度的风险/收益特征和投资价值，均显著贡献收益。

• 行业因子详见图17-23，多个行业因子表现稳健且优于CNE5，表明本土行业分类及细分行业因子的引入提升了模型在A股上的适用性和预测功效。

---

四、估值分析

• 报告主要聚焦多因子模型构建与风险预测，未单独提供传统公司估值模型（如DCF或市盈率倍数）或目标价推荐，估值部分侧重于因子收益的统计性质、显著性与稳定性，间接支持投资组合风险调整与风格轮动判断。

- 通过因子协方差矩阵和特异性风险矩阵估计，实现对组合风险的量化估计及组合优化。

• 因子解释度、稳定性、拟合优度均反映模型估值功能的数学基础及准确性。[page::3,4,24,25]

---

五、风险因素评估

• 报告风险提示：模型计算存偏误，因子收益为历史收益率，无法保证未来表现。

- 因子可能受到市场结构变化、宏观经济环境波动、突发事件等影响，历史收益并非预测未来收益的必然保证。

• 行业、风格因子因周期性感染风险，解释力存在周期性波动。

- 流通市值增长和市场扩容可能导致因子解释力下降，需要持续调整因子构成以适应市场变迁。

• 报告未详细描述缓解策略，但提及持续优化数据处理、模型估计和因子选择的技术路径。[page::0,24]

---

六、批判性视角与细微差别

• 报告在赞扬CNE7显著优于Barra CNE5的同时，对CNE5部分因子表现也保持客观指出，并无明显夸大。

- 报告主要基于历史收益及统计显著度评价多因子模型效果，未深度探讨市场异常状态下因子效应可能减弱或失效的风险。

• 模型说明中强调因子收益协方差矩阵估计的多重调整，但未详述具体算法细节，限制了方法学的再现性分析。

- 行业因子对申万体系依赖较强，可能遇到新兴产业分类滞后的局限，需动态更新分类标准。

• 部分行业因子（如制药）表现明显不及CNE5，存在个别特殊行业表现波动，需要持续观察。

- 报告未给出具体的绩效验证（如后验组合实证回测），缺乏投资实操层面验证数据。整体上，PC风险未深入讨论如流动性风险市场冲击等微观结构问题。[page::23,26]

---

七、结论性综合

中信建投发布的CNE7多因子模型报告，系统完整地介绍和验证了基于中国A股深度本土化设计的基本面多因子风险模型，集合了市场、风格和行业三大因子类别，涵盖流通市值、行业细分及金融属性等多个维度。

通过详实的历史因子收益对比，CNE7相较Barra CNE5模型在绝大多数因子（尤其是成长、价值和流动性）上表现更为显著且稳定，拥有更强的收益解释能力和更好的统计显著性，能够更准确反映A股市场的真实风险结构和投资机会。此模型基于科学的数据处理机制和先进的统计调整手段，有效解决了流通市值估计偏差、行业分类不合理及历时收益滞后等关键问题。

图表充分证实了行业因子的细分优势及风格因子的表现迭代，特别是在电子、基础化工、机械设备等医药和制造行业中的良好表现，凸显了CNE7模型对中国市场特色的适配能力。

拟合优度指标维持在合理水平，整体解释率约35%，虽受市场股票数目增加及波动影响有一定周期性波动，但依然体现出良好的风险预测能力。

风险说明中明确提示模型带有历史依赖和计算限制，未来表现存在不确定性，投资者需结合实际交易策略和市场环境适度调整使用。报告未包含传统估值目标和推荐评级，聚焦于作为风格轮动和风险管理工具的多因子模型开发和应用。

总的来看，CNE7多因子模型为A股市场投资者提供了更具本土特色、更精细风险因子捕捉和更高解释力的量化策略框架，为资产管理和投资决策优化提供了支持基础，具有显著的实用价值和创新意义。[page::0-26]

---

参考图表汇总

• 市场表现对比图：

• Beta、残余波动率因子表现：

• 规模与中盘股因子表现：

• 价值因子表现：

• 动量因子表现：

• 流动性与杠杆因子表现：

• 成长因子表现：

• 行业因子代表表现（电子、电力设备、机械设备、基础化工、制药）：

• 模型解释力度表现（因子t值及显著率、拟合优度）：

---

综上，该研究报告提供了一份系统、深入且深入数据验证支持的多因子风险模型方案，适合A股资产管理者、策略研究人员用于投资组合构建、风险控制及风格轮动策略研究。其本土化、多维度因子覆盖和技术调整体现了模型设计的科学严谨性，为中国市场量化研究提供了坚实基础。[page::0-31]

报告