牛市阶段划分与市场表现 [page::2][page::3][page::4][page::6]

• 将A股历史三轮牛市分别按景气度及市场趋势分为初期、中期、末期三阶段。

- 2009年牛市初期涨幅最高达88.91%，中期调整-30.16%，末期又上涨32.60%。

• 2014年牛市表现为末期涨幅最大64.72%，2019年牛市初期涨幅显著28.92%。

- 市场涨跌幅与持续时间阶段性差异明显，表明牛市内部结构复杂[page::2][page::4][page::6]。

牛市各阶段主导因子表现（09年案例） [page::7][page::8][page::9]

• 初期因子以情绪ivR、价值因子表现突出，月度信息系数（IC）最高达0.118。

- 中期市场震荡，情绪波动因子与成长因子获超额收益，多头超额收益如ILLIQ达34.6%。

• 末期量价及情绪类因子表现最佳，closemaxdivmin3m等量价因子IC超过0.18，超额收益显著。

- 大市值、高流动性股票均表现欠佳，表明牛市阶段风格存在明显轮动[page::7][page::8][page::9]。

牛市各阶段主导因子表现（14-15、19-21年案例）[page::10][page::11][page::12][page::13]

• 14-15年牛市初期情绪与杠杆因子表现优异，中期价值类因子大幅提升，末期质量和情绪类因子突出。

- 19-21年牛市初期因子表现整体较弱，少数情绪因子尚可，中期财务质量、情绪和成长因子表现显著。

• 末期市场震荡，分析师预期类成长因子及情绪因子获得较高多头超额收益。

- 公募持仓嵌入因子作为机器学习因子表现优于其他机器学习因子，显示基金选股能力价值[page::10][page::11][page::12][page::13].

牛市因子表现的通用规律与策略启示 [page::14]

• 牛市初期优先低估值及贝塔因子，市场宽基指数表现较好。

- 牛市中期估值回升，偏好质量优异、市场情绪好和高预期公司。

• 牛市末期成长和动量因子占优，反映出市场对未来盈利增长的偏好。

- 因子表现无常青树，明显阶段性轮动，是构造动态因子组合的基础[page::14].

基本面与机器学习因子表现分析 [page::15][page::16]

• 基本面因子在牛市中期效力最强，初期因市场流动性驱动而表现一般，末期因市场投机等因素效力减弱。

- 特色基本面因子涵盖盈利能力、估值、安全边际、多维质量指标，均表现出较强阶段依赖性。

• 机器学习因子（公募持仓嵌入、元学习、风险控制）在2019年牛市表现良好，RankIC稳定，尤其公募持仓嵌入因子表现最优。

- 公募持仓数据的融合有效提升机器学习模型选股能力，风险控制因子对风格暴露惩罚导致超额收益有限[page::15][page::16].

报告深度分析 —— 牛市各阶段哪些因子表现最好？

---

一、元数据与报告概览

• 报告标题：量化分析报告：牛市各阶段哪些因子表现最好？

- 作者及机构：叶尔乐（主分析师），韵天雨、吴自强（助理研究员）——民生证券研究院

• 发布时间：2024年10月15日

- 研究主题：基于量化研究方法，探讨A股牛市不同时期（初期、中期、末期）的市场风格演变及领先表现因子分析，主要聚焦基本面量化因子与机器学习因子的表现差异。

• 核心论点：

- 牛市阶段划分采用景气度和市场趋势两类方法，其中市场趋势角度划分更能反映因子表现拐点。
- 近三轮（2009年、2014年、2019年）牛市中，不同阶段因子表现迥异，体现了因子轮动特征。
- 基本面因子在牛市中期及部分后期表现较佳，机器学习因子（尤其是公募持仓嵌入因子）因模型先进，偏前瞻性且抗拥挤，整体表现稳定。
- 风险提示强调模型偏差、市场环境变化风险及宏观变量影响。[page::0,1]

---

二、逐节深度解读

1. 牛市的阶段划分（第1章）

1.1 景气度角度划分

• 采用利润增速变化作为景气度指标，复盘2009、2014、2019三轮牛市发现：

- 牛市往往启动于景气度下行末期或上行初期，涨幅最大出现于景气前期。
- 三阶段（景气前、中、后）特征：景气前涨幅最大、波动最大，中期涨幅平稳，后期有冲顶；
- 风格表现随阶段不同而异，如2009年以质量为主，2014年以红利、价值为主，2019年则成长占优。

• 对2009年样本（牛市期：2008.11-2010.11）数据分析显示，质量风格在各阶段均占优，散见涨幅分别为66.05%、38.3%、6.75%。

- 配图“图1”显示万得全A指数与A股景气度指数的同步情况，景气度红色线平滑上涨，指示市场周期。[page::2]

1.2 市场趋势角度划分

• 该方法以价格和成交量作为趋势分析依据，将牛市分为初期（快速上涨）、中期（调整震荡）、后期（市场冲刺），更直观反映情绪波动。

- 以2009、2014、2019三轮牛市为例划分具体日期及涨跌幅：
- 2009年牛市（453日）：初期涨幅88.91%，中期回调-30.16%，后期反弹32.6%；
- 2014年牛市（221日）：初期15.16%，中期29.54%，后期上涨64.72%；
- 2019年牛市（720日）：初期28.92%，中期11.75%，后期仅1.22%。

• 配图（图4-6）直观展示指数各阶段趋势及成交量特征，关联市场情绪变化。[page::4,5,6]

2. 不同牛市阶段的因子表现（第2章）

2.1 2009年牛市因子表现

• Barra风格因子显示贝塔因子在初期收益突出，价值因子初期表现较好，成长因子中后期上升，大市值及高流动性股票全程表现不佳。

- 初期重点在于技术面（量价、情绪）及价值，IVR因子月度IC最高达12%，显著超过全时段4.8%；多头超额收益可达43%。

• 中期震荡期显示成长与质量类因子部分有效，情绪类因子表现减弱，投资者偏好财务稳健股票。

- 末期则情绪、量价和分析师预期因子表现加强，因子IC及多头收益均优于全周期。

• 详细数据显示各关键情绪、量价及价值因子有较高多头超额收益，如epify2等价值因子，在初期贡献显著。[page::7,8,9]

2.2 2014年牛市因子表现

• Barra风格因子中贝塔因子始终正收益，价值因子前期优于后期，成长因子末期回升。大市值股票中期上涨后回落。

- 初期阶段情绪与分析师预期类因子表现突出，杠杆及质量类财务因子亦表现较好。

• 中期投资者偏好低估值股票，价值类因子表现突出，IC平均提升显著。

- 末期背景下，估值泡沫风险增加，大部分价值因子失效，技术面及质量好的股票依旧受青睐。

• 因子表现表中显示，研发投入占比因子（totrdttmtosales）及流动性因子在末期有较强表现，多头超额收益超过60%。[page::9,10,11]

2.3 2019年牛市因子表现

• Barre因子中贝塔因子初末期表现良好，中期高成长和低波动因子优异，价值因子前期走弱末期复苏，动量因子稳定增长。

- 初期情绪因子表现接近但因子数量和分布较少，表现不均衡。

• 中期表现集中特殊因子如财务质量、情绪、成长因子，多头超额收益显著，公募基金组合持仓相关因子表现尤佳。

- 末期市场20余个月震荡，成长及情绪因子表现最佳，财务质量因子帮助抗跌。

• 表格细节明确显示公募持仓因子（topteniotofloata_share）在中期IC高达7.43%，多头收益97.5%。[page::11,12,13]

2.3.1 牛市风格总结

• 核心总结：牛市不同时期因子表现轮动显著，无“常青树”。

- 前期：低估值优先表现，贝塔因子拉动市场，宽基指数多头收益明显。

• 中期：市场分化，优质财务、预期强、情绪正向股票受青睐。

- 末期：投资者惜售高质量成长股，动量因子活跃，价值因子边缘化。

• 图10通过流程图形象展示这三阶段主导因子变化关系。[page::14]

2.4 特色基本面量化因子

• 基本面因子在牛市中期表现最优，初期较弱受流动性和市场情绪影响，末期受投机和顶部预期影响效用减弱。

- 列举多个财务指标因子，如预测股息率、营收份额稳定性、税后营业利润率稳定、自由现金流净利率、ROE稳定性等。

• 数据表显示2014年及2019年牛市中期IC均为正区间，初期和末期多呈负值或微弱正值。

- 体现了投资者逐渐从短期情绪转向基本面研究的市场进化逻辑。[page::15]

2.5 特色机器学习因子

• 民生金工曾发布三类机器学习因子：

1）公募持仓嵌入因子——利用公募基金精选股票持仓网络，增强模型预测能力；
2）元学习因子——反映深度学习模型自适应学习能力；
3）风险控制因子——惩罚风格暴露提升模型稳健性。

• 2019年数据表明三类因子表现均稳健，IC均在0.07-0.12间，且收益显著，公募持仓嵌入因子表现最优，原因在于利用了公募优秀选股信息。

- 风险控制因子暴露受到限制，未能如预期显著收益。

• 机器学习因子整体解释了新技术在量化领域的先发优势和策略创新价值。[page::16]

3 风险提示（第3章）

• 分析风险包括模型偏差和数据处理误差等固有量化风险。

- 宏观经济、政策环境及行业动态变化带来的市场不确定性可能导致预测偏离。

• 报告提示读者审慎使用，不宜盲目跟随模型建议，综合判断风险。[page::17]

---

三、图表深度解读

• 图1-3（牛市样本指数和景气度）：展示了三轮牛市全A指数走势与景气度指标的关系，可见牛市启动期景气度低迷经济预期调整，市场领涨幅度最大，后续景气度正向传导带动行情，视觉体现景气度划分的阶段性特征。[page::2,3]
• 图4-6（市场趋势划分过程）：分阶段的上证指数K线及成交量柱状图配合加粗箭头，清晰反映牛市各阶段上涨、调整、冲顶走势，成交量配合验证市场情绪强弱，市场趋势方法更为直观。[page::5,6]
• 图7-9（barra风格因子收益曲线）：分三轮牛市绘制多因子累积收益，贝塔、价值、成长、动量等风格因子各具差异，反映风格轮动规律，如2009年贝塔强势，2019年动量成长延续，[page::7,9,12]
• 图10（牛市因子规律示意图）：通过流程图说明价值、贝塔、情绪、量价、质量、成长因子如何在前中后期转换成为主导，形象地总结了牛市阶段因子演替逻辑。[page::14]
• 表格3-13（各牛市阶段关键因子IC、多头收益数据）：详细列示因子名称、类别、月度IC（信息系数）、收益率及超额收益，精细量化指标表现特点，支撑文本论述，特别凸显情绪因子和财务质量因子在不同阶段的优劣变迁。[page::8-17]
• 图16（机器学习因子表现表）：量化指标明确展现公募持仓嵌入因子在2019年牛市中表现领先，反映新型机器学习因子可通过资金流向及持仓结构信息提升模型预测能力。[page::16]

---

四、估值分析

报告未涉及明确估值模型的具体估值数值、目标价或折现率等细节，更侧重于因子在牛市各阶段表现及投资策略层面分析，未展开具体DCF等估值方法描述，故本节不涉及详细估值解读。

---

五、风险因素评估

• 报告强调基于量化模型存在一定偏差风险，因模型本身假设和数据处理或导致结果误差。

- 市场外部环境多变，如宏观经济走向、政策调整、突发事件均可能对市场趋势判断和因子有效性产生影响。

• 报告未针对风险给出专门缓解策略，提示理性审慎投资。[page::0,17]

---

六、批判性视角与细微差别

• 报告清晰呈现牛市因子轮动，没有绝对“万能因子”，反映市场结构和投资者偏好的时变特性，符合金融市场行为学理论。

- 然而，报告较少涉及因子间内生关系（如因子相关度、叠加风险）及因子搭配实际投资组合调仓频率的讨论，可能限制策略实际执行参考价值。

• 机器学习因子段落未详细说明模型构建过程、过拟合风险及背测稳定性，相关结论需谨慎引用。

- 报告对“情绪因子”虽有较多提及，但如何具体构造、数据采集源、模型验证方法只字未提，形成一定信息盲区。

• 不同牛市所处宏观环境差异对因子表现的影响未深入剖析，潜在影响因子效果的外生变量未充分考虑。

- 报告将不同牛市合并对比，忽略行业结构变迁、监管政策变化对投资风格的长期影响，可能导致结论的外推不完全适用。[page::0-16]

---

七、结论性综合

本报告系统梳理了近15年来A股三大牛市（2009、2014、2019）中牛市初、中、末期各阶段市场风格与量化因子表现特点。报告通过两种主要划分方法（景气度及市场趋势）对牛市分阶段，发现：

• 初期：因市场经历前期较大调整，投资者重仓低估值股票，贝塔因子显著，宽基指数表现优异。情绪与量价因子同样活跃，代表市场快速修复、流动性驱动行情。

- 中期：随着估值逐步修复，市场分化开始，投资者更加重视企业基本面质量。财务稳健因子、成长性和情绪因子收益增强，价值因子作用减弱，多头收益分布更为丰富。机器学习因子中利用基金持仓编码的公募持仓嵌入因子表现突出，验证了资金流动信息的重要价值。

• 末期：市场冲顶阶段情绪高涨，投机活跃，成长及动量因子成为主流方向，价值因子多数失效。财务健康的成长股仍保持相对抗跌能力。量价波动因子表现显著，反映波动性和情绪驱动市场波动加剧。

报告表明，量化因子无“常青树”，应时刻关注因子表现的周期性和市场环境适应性。利用机器学习方法及资金动向信息，可进一步增强模型前瞻性和甄别能力。此外，报告警示模型本身局限和外部市场环境不断变化风险，提示投资须审慎、动态调整因子配置。

综上，报告提供了全面、细致的牛市阶段因子表现分析框架及参考数据，辅以丰富图表和品牌因子表现数据，为量化策略构建者及主动基金经理提供了实用的阶段性策略采取依据和风格轮动洞察。[page::0-16]

---

参考图表示例

• 图1：牛市样本一指数历史表现与景气度变化

• 图10：牛市因子规律

---

总结

该量化分析报告通过严密的历史数据复盘和因子绩效评估，揭示了A股牛市不同时期内各因子表现的阶段性差异性，为投资者识别牛市周期中的优质投资因子提供了宝贵参考。同时报告也较好地指出模型和市场风险，促使读者理性审慎看待因子选股策略，配合宏观和政策视角进行动态调整。

报告