中银量价与基本面因子复合系列（II）：价值掘金因子
创建于 更新于
摘要
报告构建并测试了价值掘金因子，该因子基于基本面错误定价和市场定价效率两大核心，通过估值偏离与市场修正效率的量化测度，实现了在沪深300、中证500、中证1000及中证全指成分股中的显著超额收益。报告详细介绍了MISV_FY1和MISV_TTM两种基本面错误定价因子的构建方法，结合特异质换手波动率测算市场定价效率，回测显示复合因子表现稳定优异，且相比成长掘金因子，价值掘金因子在多头和多空组合均表现更为突出。该研究验证了因子复合过程中特殊投资逻辑的重要性，提出了系统性因子构建及回测分析框架，为股票量化选股提供了有效工具 [page::0][page::3][page::4][page::8][page::10][page::14][page::16][page::18]
速读内容
价值掘金因子构建理念与框架 [page::3]
- 基于股票估值偏离基本面的错误定价程度（MISVFY1、MISVTTM）及市场定价修正效率（特异质换手波动率）构成复合因子。
- 通过行业与市值中性化处理，应用于沪深300、中证500、中证1000和中证全指成分股，月度换仓，历史回测稳健。
基本面错误定价因子构建与分析 [page::4][page::5][page::6][page::7]
- MISVFY1因子基于一阶段剩余价值模型，利用分析师一致盈利预期估算合理价值并计算PB差异，因子值越高为低估程度越严重。
- Wind分析师一致预期数据缺失用全A截面OLS回归填充，填充后数据R²超95%，覆盖面显著提升。
- MISVTTM因子采用归母净利润（TTM）、业绩快报和预报数据，减小估值偏差，回测表现与MISVFY1相似。
- 两因子均显示显著正向收益，表现具一定beta特征，但与量价因子结合后超额收益明显提升。
市场定价效率因子设计与测试 [page::9][page::10][page::11][page::12]
- 采用换手率波动率反映市场对错误定价修正的充分程度，特异质换手波动率剥离了市场主流风险因子影响，更为精准。
- 特异质换手波动率因子相比传统换手率波动率因子，多头超额收益提升1.5%-2%，多空组合收益亦有增进。
- 换手率波动率与市场定价修正强弱正相关，反映投资者对信息的博弈强度及市场活跃度。
价值掘金因子与成长掘金因子比较 [page::13][page::14][page::15][page::18][page::19]
- 价值掘金因子由基本面错误定价因子与市场定价效率因子等权合成，成长掘金因子则由业绩超预期、低换手波动率及预期估值重估三个子因子复合。
- 回测显示，价值掘金因子无论多头还是多空组合超额收益普遍优于成长掘金因子，且因子IC表现稳健，但存在周期波动。
- 两类因子分别反映价值与成长的基本面属性，且均体现市场定价效率较低的特征，适合不同投资逻辑的组合应用。
价值掘金因子多样本分组回测表现 [page::16][page::17]
- MISVFY1和MISV_TTM因子在沪深300、中证500、中证1000及中证全指中的分组测试显示，第一组（最高组）股票具有明显的年化超额收益优势。
- 多空组合累计超额净值表现突出，表明该因子对个股超额收益具有良好预测能力。
风险提示 [page::20]
- 所有模型构建及回测均基于历史数据，存在模型失效风险，投资需谨慎。
深度阅读
中银证券《量价与基本面因子复合系列（II）：价值掘金因子》报告详尽分析
---
1. 元数据与概览
- 报告标题： 中银量价与基本面因子复合系列（II）：价值掘金因子
- 作者与发布机构： 中银国际证券股份有限公司，证券分析师郭策
- 发布时间： 2024年第一季度
- 研究主题： 该报告为中银证券量化多因子选股系列的第六期，专题聚焦于基于基本面和量价复合构建的“价值掘金因子”，分析并测试该因子的构建逻辑与实证表现，目标是发现误定价股票并挖掘超额收益机会。
核心论点： 该报告通过构建反映股票估值偏离基本面程度的错误定价因子（MISVFY1和MISVTTM）及反映市场错误定价修正效率的量价因子（特异质残差换手波动率），将两类因子复合，形成价值掘金因子。该因子在沪深300、中证500、中证1000、中证全指等主流指数成分股中回测稳健，显著获取超额收益，并对比此前发行的成长掘金因子表现，展示了二者互补的投资价值。[page::0,3]
---
2. 逐节深度解读
（一）价值掘金因子构建理念及多因子回测框架
报告从基本面和量价两大维度切入，通过收益预期和历史财报数据量化股票价值估计误差，引入市场定价效率指标，以期捕捉市场对低估股票错误定价尚未充分修正的机会。具体逻辑如下：
- 基本面错价程度因子（MISVFY1、MISVTTM）：基于一阶段剩余价值模型，将未来盈利预期与历史利润信息转换为合理预期公司价值，比较市场当前市值，计算偏离比例，偏离越大意味着低估程度越深，因子值越高。
- 市场定价效率因子：采用特异质波动率的方法剥除行业、市值等主流风格对换手率的影响，通过近1个月股票换手率残差波动率衡量市场对错误定价修正的活跃度。换手率波动率越低，代表市场修正不足，错误定价越可能持续。
- 复合构建：对两个核心因子进行行业和市值中性化处理后等权求和，形成综合因子。
- 回测框架：回测区间为2010-2022年（中证1000起始于2015年），覆盖主要A股指数。因子分10组等权配置，月度换仓。对ST股、涨跌停及停牌股票采取特殊处理以规避异常交易影响。[page::3]
---
（二）价值掘金因子成分设计
1. 基本面错误定价因子
- 核心原理：
基于DCF理论和剩余收益模型，企业价值由账面价值和未来剩余收益现值之和组成。
方程定义如下：
$Vt = Bt + \frac{NI{t+1} - r \times Bt}{r - g}$
其中$NI$为净利润，$r$为股东回报要求，$g$为剩余收益永续增长率。
- 两类误价因子构造方法：
- MISVFY1因子 采用Wind分析师对归母净利润未来一年的盈利预期（FY1）作为$NI{t+1}$，通过横截面回归确定市场隐含的$r$及$g$，基于估算合理价值与市场市值偏离计算错误定价，因子值越大表示估值低估越显著。
- MISVTTM因子 针对分析师预期可能存在缺失或偏差，利用历史TTM（滚动12个月）归母净利润数据（包括快报和业绩预告均值）替代，并运用修改后的公式估计公司价值，进一步计算估值偏离。
- 数据处理及缺失值填充：
- Wind分析师盈利预期数据覆盖率对不同行业指数不同，特别是在中证1000等小盘股覆盖不足时需填充。
- 采用行业哑变量及归母净利润TTM数据通过OLS回归填补FY1缺失数据，回归拟合优度（$R^2$）高达95%以上，填充效果稳健。
- 具体填充逻辑增强了因子覆盖率及样本一致性。[page::4–7]
2. 因子回测表现（误价两因子）
- MISVFY1因子表现稳健，具有典型价值因子特征。
- 在多个指数期内均实现显著正的多头超额收益，虽然在2019-2021年公募基金抱团大盘成长股阶段表现有所波动，但其beta属性使得长期收益具有吸引力。
- MISVTTM因子与MISVFY1趋势及收益特征相似，充分验证了历史财报数据替代预期盈利的有效性。
- 两个因子均经过市值及中信一级行业中性化处理，体现了因子收益的稳健性。
- 多空组合收益表现优异，说明该因子有效识别低估与高估股票。
- 图表（8-13）清晰展示了因子收益曲线和累计超额净值稳步攀升的态势，验证因子有效性。[page::8–9]
3. 市场定价效率因子：换手率波动率与特异质换手波动率
- 换手率波动率比单纯换手率更能反映市场纠正错误定价的激烈度，因为它包含了交易活跃度随时间的剧烈变化，而非仅是平均水平。
- 通过对比两个股票换手率变化，理论说明高波动率阶段表明市场博弈激烈，价格修正更充分，低波动率则意味着市场定价效率低，存在套利机会。
- 换手率波动与定价效率正相关，换手率波动率高的股票价格调整速度快，波动率低的股票则指示市场定价尚未充分反馈基本面。
- 特异质换手波动率剔除市场主流风险因子对换手率的影响，更精细测量个股特有的交易波动，提升因子预测效果。
- 回测数据显示，特异质换手波动率因子较普通换手率波动率因子，在多头超额收益提升1.5%-2%区间，显示该因子的增值效果明显。
- 相关图表（14-18） 体现了换手率波动率对市场定价效率的度量解释及潜在投资价值。[page::10–12]
---
（三）复合因子测试与分析：价值掘金与成长掘金因子
1. 因子构成与理念对比
- 成长掘金因子： 包含三个核心子因子
- 基本面业绩低估（SUE1归母净利润MRQ），
- 交易定价充分度（3个月低换手率波动率），
- 预期估值重估强度（EPFY3qoq），
三子因子等权组合形成成长掘金因子。
- 价值掘金因子： 聚焦基本面错误定价及市场定价效率
- 基于盈利预期（MISVFY1）
- 基于历史财报（MISVTTM）
- 市场定价效率（残差换手波动率）
两个基本面因子与一个量价因子等权组合形成价值掘金因子。[page::13–14]
2. 回测表现对比
- 价值掘金因子在多头和多空组合超额收益方面优于成长掘金因子，特别是在沪深300、中证1000和中证全指等指数中表现更为突出。
- 两类因子IC（信息系数）整体较好，但从2018年起沪深300和中证500的IC水平出现下滑趋势，提示市场环境和因子效用可能存在周期性变化。
- 长期累计超额净值走势图显示，价值掘金因子在绝大多数时期跑赢成长掘金因子，复合因子的投资逻辑介入显著提升了收益稳定性和可持续性。
- 该报告强调因子数量并非越多收益越高，合理选取并结合投资逻辑是关键。[page::14–16]
3. 分组回溯测试
- 价值掘金因子（MISV
- G1多头组累计超额净值曲线持续攀升，累积多年呈指数增长趋势。
- 多空组合表现优异，说明因子有效捕捉错配价值，有较强套利空间。
- 多项图表（26-31）详细体现分组测试效果，支持因子稳健性结论。[page::16–17]
---
4. 风险提示
- 本报告所有的模型构建及因子回测均依赖历史数据，过去的表现不构成未来收益保证。
- 投资者应警惕模型失效风险，此类量化策略可能在未来市场结构变化、极端事件等情况下表现不佳。
- 报告未详尽阐述模型在极端市场周期以及流动性事件下的抗风险能力，投资时应与其他风险控制措施结合。 [page::0,20]
---
3. 图表深度解读
图表1：量价-基本面复合因子框架
- 流程化图示说明成长掘金因子2023Q1与价值掘金因子2024Q1作为并列分支，共同构成中银量价-基本面复合框架，揭示两类因子各自代表不同投资逻辑，互为补充。
- 该图确认因子建设的层次结构与研究进展，为理解后续模型奠定基础。[page::3]
图表2：因子筛选基本面低估且价格修正效率低的个股
- 四象限示意图，横轴表示价格修正效率，纵轴表示基本面定价水平。
- 价值掘金聚焦左下象限，即基本面明显低估而价格修正效率较低的个股，这类个股市场错误定价存在空间且调整动力充足。
- 直观表达价值因子选股在量价与基本面双重维度下的筛选理念。[page::3]
图表3：归母净利润增速$\tilde{g}$和剩余价值增速$g$的关系推导
- 详细演绎净利润增速与剩余收益永续增长率之间的函数关系，基于会计准则调整账面价值变动和剩余收益计算。
- 该理论推导为后续因子设计的参数选择及模型合理性提供数学依据。
- 公式及推导清晰展示贴合剩余收益模型的核心假设。[page::5]
图表4-7：Wind分析师一致预期指标及缺失值填充效果
- 数据覆盖率图示体现不同指数中的分析师预期数据覆盖率，显示中证1000及小盘中覆盖不足。
- 缺失数据填充方案通过OLS回归，引入行业哑变量和历史TTM净利润，填充后的模型调整后$R^2$均超95%，充实了数据基数与可靠性，使因子覆盖率与深度提升。
- 案例图示说明预期预测值计算与多机构评价均值形成机制。
- 该部分显示设计考虑周全，有效解决盈利预期数据不完整问题。[page::6–7]
图表8-13：错误定价因子回测结果及超额收益
- 表格形式展示MISV
- 曲线图展示多头组和多空组合累计超额净值趋势，体现因子整体收益的持续性和稳健性。
- 两因子表现高度一致且均显示出捕捉价值低估的能力。
- 说明单因子性能良好，后续复合后表现更优。[page::8–9]
图表14-18：换手率波动率与特异质换手波动率因子
- 图示差异化股票A和B在市场不同时间周期交易活跃度，突出了波动率衡量定价修正力度的有效性。
- 逻辑图形阐释换手率波动率如何反映市场定价效率，包括高波动代表定价剧烈修正，低波动代表定价滞缓，有介入机会。
- 回测数据显示特异质换手波动率因子优于原始换手波动率因子，提升多头超额收益和信息比率，明显增强因子预测能力。
- 累计净值曲线显著上涨，验证因子实用性。[page::10–12]
图表19-20：成长掘金与价值掘金因子构成
- 两张框架图精准梳理两类因子的核心投资逻辑和代表性子因子。
- 成长掘金强调业绩成长预期低估与定价充分度，价值掘金侧重盈利误价度及价格修正效率。
- 理念清晰、体系完备，充分体现因子构建的理论层次。[page::13–14]
图表21-25：因子回测表现及滚动IC均值
- 表格数据与年度折线图展示成长掘金和价值掘金因子在多市场、多指数的IC、IR及超额收益对比情况。
- 价值掘金因子整体表现略优，特别是在多头收益和信息比率上表现突出。
- 2018年起沪深300及中证500的因子IC出现下降趋势，提示需关注市场环境与因子适用性的动态变化。
- 滚动IC均值曲线反映了因子随时间的有效性变动，具有重要的实操参考价值。[page::15–16]
图表26-31：价值掘金因子分组测试
- 柱状图显示因子分组的年化超额收益递减趋势，多头组（G1）和空头组（G10）分化明显。
- 多头组累计净值曲线稳步上扬，多空组合收益曲线呈现良好的套利空间。
- 测试在多个指数均有类似表现，反映因子稳定性。
- 说明价值掘金因子具有较强的股票排序能力与投资指引效力。[page::16–17]
图表32：价值掘金因子各年度表现汇总
- 年度超额收益明细展示各指数多头组及多空组合的收益表现，长期均值均为正，体现因子在历史不同市场阶段整体稳健且表现突出。
- 对比成长掘金因子，价值掘金因子相关收益指标整体高于成长因子。
- 强调该因子以“基本面低估+市场定价效率低”为核心逻辑，运行优于许多复杂模型。 [page::18]
图表33-36：价值掘金vs成长掘金多头组累计超额净值对比
- 多图显示价值掘金因子在沪深300、中证500、中证1000、中证全指中多头组累计超额收益均高于成长掘金因子。
- 表现差异在不同市场和时间区间存在波动，二者体现不同但互补投资理念。
- 体现两个因子的相似与差异性，为投资组合的多样化提供策略基础。[page::18–19]
---
4. 估值分析
报告核心估值构建基于一阶段剩余价值模型，迁移自经典DCF思路：
- 以账面价值$B
- 该模型相比传统股利折现模型(Gordon Growth Model)避免了分红假设限制，更适合当前市场表现不佳或分红异常的公司。
- 估值模型结合了成长性预期（MISV
- 通过横截面回归提取市场隐含参数$r$和$g$，具有经济含义的财务指标支持，确保估值背后逻辑严谨。
- 估值中性化处理剔除行业和市值影响，强化个股相对价值判断准确性。
总体而言，该估值方法是因子构建的定量基石，保证了后续因子可测可检，现实解释能力强。[page::4–6]
---
5. 风险因素评估
- 历史数据局限性： 全部模型训练与验证以历史数据为基础，市场环境变化、监管政策调整、制度创新等都会带来模型结构失效风险。
- 数据质量风险： 盈利预期数据缺失与分析师乐观偏差可能影响因子准确度，尽管采用填充技术缓解，但不可排除误差存在。
- 市场流动性及异常交易影响： 股票限售、停牌、ST股处理规则等特殊交易限制可能影响因子表现。报告对此亦有处理规则但不能完全消除非系统性风险。
- 宏观经济及系统性风险： 市场整体波动、经济衰退均可能导致因子收益不稳定，因子可能和风格风险、周期风险相关联。
- 策略失效风险： 量价因子依赖市场定价效率，若市场效率快速提升或因子被广泛复制，超额收益会减弱。
报告中未见对冲策略或风险管理框架的具体说明，建议投资实践中配合风险监控机制使用。[page::0,20]
---
6. 审慎视角与细微差别
- 报告整体严谨，数据详实，但过度依赖历史数据的建模方法固有局限性显著。特别是分析师预期数据填充虽高效但填充变量相对简单，存在潜在估计误差可能。
- 两因子的互补性虽被强调，但未详尽阐述两因子因子间的相关性、共线性及投资组合构建细节。
- 换手率波动率对市场定价效率的衡量依赖于行业与规模中性处理，但仍可能忽视微观市场结构因素影响。
- 在某些年份（如2019-2021）因子表现下降，未对背后市场驱动及交易成本影响做深刻讨论。
- 本期价值掘金因子以二因子复合替代成长掘金三因子结构，反映简单模型逻辑更优，值得后续继续观察，但需谨慎外推。
- 估值模型侧重残余收益法框架，但未充分纳入市场风险溢价变化、无风险利率波动等宏观因素，或导致部分预期误差。[page::8,15,20]
---
7. 结论性综合
本报告系统构建了基于量价与基本面复合的价值掘金因子，通过创新性地采用剩余收益模型刻画基本面错价（MISVFY1和MISVTTM）并引入特异质换手波动率衡量市场定价效率，成功挖掘了市场低估但定价修正不足的股票。因子在沪深300、中证500、中证1000及中证全指成分股的回测表现显示：
- 两个基本面误价因子均表现出稳定正向的跨市场超额收益，具有较强的股票排序能力。
- 量价维度上的特异质换手波动率因子有效提升了因子多头及多空组合的超额收益及信息比率，增强了因子的市场适应性和操作价值。
- 价值掘金因子整体在多个指数中绩效均优于传统成长掘金因子，且复合结构体现“投资逻辑”提升收益稳定性。
- 回测观察显示因子收益有季节性波动及市场周期内分化，2018年以来沪深300指数相关因子IC呈现下滑，中长期投资应注意市场环境变化对因子效用的影响。
- 报告强调，因子数量并非越多越好，投资逻辑清晰且复合方式合理，才是驱动因子收益的关键。
- 风险提示方面，报告提醒投资者模型基于历史数据，未来可能面临模型失效及市场效率变化的挑战。
结合图表分析，该系列报告在理论与实证层面均表现出高度严谨性与创新性。表格、走势图清楚展示了因子的构建原理、收益特征及市场适用性，图形直观描述市场定价过程中的交易活跃度和错误定价修正的动态，辅助理解因子设计。报告的核心贡献在于将量价因子与基本面因子有效结合，实现对市场定价过程的动态捕捉，提升多因子选股的预测能力。
综上，价值掘金因子作为量价-基本面复合因子的重要组成部分，为投资者提供了一条系统挖掘A股市场价值低估机会的路径，但其基于历史模型的固有限制也提示需持续关注模型适用性及不断升级因子体系。[page::0–20]
---
报告核心图片精选展示
---
总结
本报告深入剖析了价值掘金因子的理论基础、构建细节及实证表现，结合市场定价效率创新因子设计，实现了基本面价值与量价行为的有效融合。回测结果验证了该策略的稳定性和收益潜力，推动了量化多因子选股体系的发展。投资者应警惕基于历史数据构建的模型局限，辅以风险管理，方能稳健利用该策略进行价值挖掘。
[page::0–22]
