投资者情绪与市场波动关系 [page::3]

• 股票价格不仅由基本面决定，投资者情绪在市场急涨急跌时起重要作用，约影响市场60%。

- 行为金融视角下，情绪为投资者对未来现金流和风险的主观预期，反映投资者非理性行为。

A股市场情绪指数的六大代理变量 [page::5][page::12]

• 六大代理变量包括：成交金额(AMOUNT)、换手率(TURNOVER)、市盈率(PE)、市净率(PB)、上涨股票占比(UPPERPERCENT)、市场活力指数(VITALITYINDEX)。

- SML和融资交易因数据缺乏或低代表性被剔除。

• 六变量均与沪深300指数相关性较高，体现市场整体情绪走势。

市场情绪指数构建及滚动计算 [page::13][page::14][page::15]

• 通过主成分分析(PCA)对六变量降维，第一主成分解释52.83%方差，前三主成分累计解释97.44%。

- 使用滚动两年窗口、月度更新PCA模型系数构建滚动综合情绪指数，增强指标时变适应性和稳定性。

• 滚动PCA下各变量系数平滑无剧烈波动，显示情绪指数构建方法稳定。

情绪Beta因子构建及逻辑 [page::16][page::17][page::18]

• 模型类似CAPM，将股票收益分解为市场Beta和情绪Beta两部分，情绪Beta测度股票对市场情绪指数变动的敏感度。

- 高情绪Beta的股票通常规模小、成立时间短、无股息、成长机会高，难以估值，理性投资者回避套利，情绪投资者影响较大。

• 中证500成分股按日滚动过去240交易日回归得出个股情绪Beta，采用贝叶斯Stein压缩方法减少噪声。

因子有效性检验及分档回测结果 [page::19][page::20][page::21][page::22]

• 情绪Beta因子IC均值为-6.31%，IC胜率67.88%，说明低情绪Beta因子与未来超额收益正相关。

• 以中证500成分股分为5档，Q1(低情绪Beta)收益最佳，Q5(高情绪Beta)收益最差，组合表现分化明显。

• 年度表现显示多数年份低情绪Beta组合取得显著超额收益，特别是2015年超额达到51.32%。

• 对冲组合年化超额收益11.63%，最大回撤8.66%，信息比率1.372，策略整体表现稳健。

结论与风险提示 [page::23]

• 本文构建了基于六个情绪代理变量的滚动市场情绪指数和情绪Beta因子，有效捕捉股票对非理性市场情绪的敏感度。

- 高情绪Beta股票特征明显且多跑输市场，低情绪Beta组合表现优异。

• 实证结果在A股中证500样本中获得验证，适合结合市场环境与投资理念使用。

- 风险提示：模型基于历史数据推断，真实市场未来可能变化，投资需谨慎。[page::0][page::19][page::23]

《情绪 Beta 因子在选股中的应用》报告详尽分析

---

1. 元数据与报告概览

• 报告标题：《情绪 Beta 因子在选股中的应用》

- 作者与发布机构：严佳炜、罗军国、安宁宁，广发证券发展研究中心

• 发布日期：报告回测数据截至2019年4月30日，具体发布时间未明确，但根据研究内容及数据日期推断为2019年中左右

- 研究主题：围绕投资者情绪，建立基于市场情绪的因子——情绪 Beta（Sentiment Beta）及其在A股市场选股中的应用研究。

报告核心论点与目标

主要构建并验证了一个综合市场情绪指数，并基于此计算个股的“情绪Beta”因子，类似于CAPM中的市场Beta，用以衡量个股对市场情绪变化的敏感程度。研究发现高情绪Beta的股票通常为难以估值、难以套利的成长型股票，其长期表现低于市场。通过构建低情绪Beta组合，投资者能够获得较好的超额收益。实证回测显示该因子在中证500成分股中具备稳定的预测能力和较高的信息比率，特别是在2015年实现了显著超额收益。

---

2. 报告逐章节详解

2.1 研究背景——投资者情绪定位（页3）

关键论点

• 市场价格不仅由公司基本面决定，投资者情绪对市场波动起关键作用。

- 投资者情绪是市场过度乐观或悲观的集合表现，极端行情更多来自心理反馈效应。

• 学术界关于投资者情绪的研究源远流长，Baker与Wurgler等奠基了现有理论基础。

- 业界普遍关注如何量化准确的投资者情绪指数，基于公开数据的间接指标为主流。

推理依据

• 应用行为金融学理论，结合历史文献（Shiller，1981等）支持情绪占市场影响60%。

- 说明直接调查情绪指标存在主观偏差，强调数据驱动的情绪代理变量的必要性。

---

2.2 市场情绪指数的构建（页4-15）

代理变量筛选

• 阅读文献借鉴Baker&Wurgler指标，剔除数据缺失和不适用中国市场的变量，初筛为：

- 成交金额（AMOUNT）
- 换手率（TURNOVER）
- PE（市盈率）
- PB（市净率）
- 上涨家数占比（UPPERPERCENT）
- 市场活力指数（VITALITYINDEX）

• 剔除融资交易（两融）数据因起步晚且时间窗短，排除封闭式基金折价率（CEFD）因代表性不足。

指标解释与图表解读

• 股息溢价（DIVPREM）表现与沪深300无显著预测关系，故最终未选取。

- 融资交易指标（图2、图3）数据显示自2010起数据不连续且起步晚，数据窗短无代表性。

• 小市值溢价（SML）与沪深300统计相关度低，未采纳。

- 流动性指标（成交金额与换手率，图6、图7）高相关，反映市场活跃度。

• 市场活力指数（图8）通过60日均线成分股数占比表现市场乐观或悲观。

- PE、PB（图9、图10）体现估值水平，与情绪高度相关。

• 上涨家数占比（图11）表示当日上涨股票比例，情绪正相关。

- 代理变量间相关系数显示，AMOUNT与TURNOVER相关度最高（约87%），PE与PB相关度亦很高（约93%），但跨类别指标间相关度中等（表2）。

数据整合及主成分分析（PCA）

• 使用六个最终代理变量进行PCA降维，选第一主成分作为综合市场情绪指数。

- 第一主成分对方差解释度约53%，前三个主成分累计解释超过97%的方差。

• 第一主成分各代理变量贡献均衡，未出现变量被边缘化，说明每个变量均含增量信息。

- 为解决样本内过拟合风险，采用滚动2年窗口，每月底更新参数，日度计算情绪指数。

• 经过符号统一调整后，滞后PCA系数平稳，参数变动平滑（图15）。

图13-15说明

• 图13显示情绪指数与上证综指走势呈一定相关性，波动能捕捉市场周期情绪起伏。

- 图15展现代理变量在第一主成分的系数随时间均较稳定，表明指数构建稳健。

---

2.3 情绪Beta因子构建与逻辑（页16-18）

理论逻辑

• 情绪Beta衡量个股对市场情绪波动的敏感度，类似CAPM中市场Beta。

- 高情绪Beta的股票往往具备HV-DA特征（难估值难套利），如小市值、年轻公司、无或低股息、盈利历史短等，投资者对其估值依赖主观判断。

• 这类股票更受非理性投资者（如散户）交易影响，情绪变动对其价格影响更大。

- 理性投资者因套利成本高或信息不足，往往不对这些股票错误定价进行纠正。

• 理论结果：高情绪Beta股票中长期表现弱于市场，低情绪Beta股票潜在超额收益。

数学表达与计算流程

• 基本模型：

\[
R{i,t} = \alphai + \beta{MRKT,i} Rt^{MRKT} + \beta{SENT,i} \Delta SENTINDEXt + \varepsilon{i,t}
\]
其中，\(\beta{SENT,i}\)即情绪Beta。

• 市场收益采用中证500收益，情绪指数使用综合滚动指数，时间序列回归使用240个历史交易日样本。

- 回归获得每日时点股票的情绪Beta估值（图18示意回归过程）。

噪声处理

• 为降低OLS估计噪声，采用Bayes-Stein贝叶斯调整方法，对β进行“压缩”估计，提高精度与稳健性。

---

2.4 情绪Beta因子实证与选股应用（页19-22）

因子IC表现

• 因子与未来20交易日收益的Rank IC均值为 -6.31%，IC胜率67.88%，表明因子负相关且稳定（因高情绪Beta股票预期跑输，因子负相关反映选股有效）。

- 滚动半年IC波动区间 [-0.5, +0.4]，大部分时间处于负区间，说明因子长期有效（图18、表5）。

分档回测

• 拆分为5档，Q1情绪Beta最低，Q5最高。

- 回测期：2008年1月4日至2019年4月30日，中证500成分股，周度调仓。

• Q1组合表现最好，Q5最差，呈现明显单调递减趋势（图19、图20）。

- 年度超额收益表现显著，2008、2011、2013、2015、2016年均超过15%，尤其2015年超额达到51.32%（表6）。

• 仅2010年、2012年和2017年出现负超额收益，2017年因市场二八分化特别严重，未市值中性化对低情绪Beta组合估计产生影响。

- 长期年化超额收益约11.63%，最大回撤8.66%，信息比率1.372，显示策略风险调整后收益优秀。

对冲组合表现

• 以Q1为现货组合，使用中证500做对冲。

- 对冲后组合表现稳定性更优，日净值曲线平滑，最大回撤小，仍维持较高超额收益（图21，表7）。

---

2.5 报告总结与风险提示（页23）

• 通过多因子代理变量和主成分分析构建中国市场情绪指数并延伸至情绪Beta因子。

- 高情绪Beta股票通常属于难估值成长型，公司特征导致其长期跑输市场。

• 情绪Beta因子在A股中证500成分股市场表现稳健，能为投资者提供有效选股信号。

- 研究基于历史数据，实际应用时需结合市场环境与投资理念，存在模型和市场变动风险。

---

3. 图表深度解读

| 图表编号 | 说明 | 主要内容与解读 | 关联章节/页码 |
|---------|------|--------------|--------------|
| 图1（页6） | 股息溢价与沪深300走势对比 | 股息溢价走势与沪深300指数无显著预测性，曲线长期波动互不一致，显示该变量预判市场能力弱 | 代理变量筛选 |
| 图2、图3（页7） | 沪深300与融资交易市值占比和成交额占比 | 两融指标呈现2010年开始爆发式增长，随后波动加剧；数据开始期间不足，未纳入分析 | 代理变量筛选 |
| 图4、图5（页8） | 沪深300与小市值溢价及其累计指数 | 小市值溢价与沪深300走势无持续相关，且相关系数极低，排除该变量 | 代理变量筛选 |
| 图6、图7（页9） | 沪深300与成交金额、换手率 | 两指标与沪深300整体走势较为同步，代表市场流动性与活跃度，是重要情绪代理 | 代理变量筛选 |
| 图8（页10） | 沪深300与市场活力指数 | 活力指数通过成分股60日均线以上比例反映市场整体买气，走势与沪深300相关显著 | 代理变量筛选 |
| 图9、图10（页10-11） | 沪深300与PE、PB | 估值指标反映乐观或悲观市场情绪，PE和PB走势与市场高度相关 | 代理变量筛选 |
| 图11（页11） | 沪深300与上涨股票占比 | 上涨股票比例波动明显，高点时市场情绪活跃，能反映投资者广泛乐观情绪 | 代理变量筛选 |
| 表1（页12） | 代理变量与沪深300相关系数 | 除SML外，多数代理变量与沪深300相关性超过30%，说明变量有效反映市场情绪 | 代理变量筛选 |
| 图12（页12） | 六个代理变量走势对比 | 展示截面变量走势，以辅助理解各指标同步与波动特征 | 代理变量筛选 |
| 表2（页13） | 代理变量间相关系数 | 各代理变量之间多存在相关性，用PCA解决多重共线性问题 | PCA分析 |
| 图13（页13） | 综合市场情绪指数 | 综合指数捕捉整体情绪波动，趋势与市场行情波动有显著联动 | PCA分析结果 |
| 表3、表4（页14） | PCA主成分系数与方差解释度 | 第1主成分解释数据方差52.8%，前三个主成分累计解释近97.4%，结构稳健 | PCA分析结果 |
| 图14、图15（页15） | 滚动情绪指数与系数时序变动 | 通过滚动更新PCA参数，第一主成分系数稳定波动，说明模型效率与解释力随时间基本保持 | PCA分析结果 |
| 图16（页16） | 情绪影响股票收益逻辑框图 | 逻辑流程说明情绪通过“难估值”特征影响股票交易行为及价格波动 | 情绪Beta理论基础 |
| 图18（页19） | 情绪Beta因子IC滚动表现 | IC维持负值附近波动，因子具备预测性和稳定性，支持选股策略 | 因子有效性验证 |
| 表5（页19） | 情绪Beta因子IC统计 | IC平均-0.063，胜率67.88%，提示因子稳定负向相关未来收益 | 因子有效性验证 |
| 图19、图20（页20-21） | 情绪Beta因子分档回测净值 | 低情绪Beta（Q1）组合持续跑赢高情绪Beta(Q5)，表现差异显著，排序良好 | 因子策略测试 |
| 表6（页21） | 情绪Beta五档年度表现 | 多年中低情绪Beta组合表现优异，尤以2015年超额51.32%突出，个别年份有回撤 | 因子策略测试 |
| 图21（页22） | 现货组合与对冲组合净值 | 对冲后组合风险降低同时保持超额收益，提升组合的风险调整回报 | 策略优化 |
| 表7（页22） | 对冲组合业绩统计 | 年度超额收益、最大回撤、信息比率等指标综合评价因子稳定性及风险收益特征 | 策略优化 |

---

4. 估值相关与技术方法说明

• 主成分分析（PCA）：用于六代理变量的降维，消除多重共线性的同时，将多个变量合成一个代表市场情绪的综合指标。

- 设置累计方差解释率阈值90%，前三主成分覆盖了97.44%信息。
- 通过滚动窗口，每月更新PCA参数，避免模型过度拟合和参数静态假设。

• 情绪Beta因子回归模型：

- 利用多元线性回归模型，将每只股票的收益拆解为市场Beta收益和情绪Beta收益两部分。
- 采用240个交易日历史窗进行动态滚动回归，捕捉因子随时间变化。
- 利用Bayes-Stein调整对OLS估计Beta进行“压缩”，减少估计噪音，提升统计稳健性。

---

5. 风险因素评估

• 该研究基于历史数据构建模型，未来市场环境存在不确定性，模型假设及因子有效性可能随市场变化而失效。

- 市场极端行情、多因子间相关性变化、宏观经济波动可能影响因子表现。

• 交易成本、执行难度、流动性风险未出大规模讨论，实际投资需考虑策略实施细节。

- 回撤年份（如2017年）提示在特定市场结构变化期，因子表现可能脆弱。

---

6. 审慎视角与细微差别

• 报告强调高情绪Beta股票中长期表现较差，推论符合难估值、难套利理论。但未充分讨论情绪Beta因子与传统风险因子（如市值、价值、动量等）之间的多重共线关系，可能存在因子重叠或解释力部分归因于其他风险暴露。

- 2017年回测表现不佳提示因子对市场结构变化敏感，报告中提及未做市值中性化，未来若考虑此因素，因子有效性可能更稳定。

• 采用PCA虽降低了过度拟合风险，但作为线性降维工具可能忽略非线性情绪驱动因素，限制模型捕捉复杂情绪变化。

- 情绪因子IC虽显著，但负向关联性质与传统正相关因子不同，投资者实际操作时需要注意其风险特征。

---

7. 结论性综合

本报告以行为金融学的投资者情绪理论为核心，针对中国A股市场，创新性地构建了基于六个主要市场代理指标的综合情绪指数，并在此基础上定义情绪Beta因子，衡量个股对市场情绪波动的敏感度。通过滚动PCA保证情绪指数的动态适应性，情绪Beta回归采用240交易日历史窗并结合Bayes-Stein调整提升稳健性。

实证结果显示：

• 情绪Beta因子具有稳定的负向IC（-6.31%），说明未来收益与情绪Beta呈负相关关系，符合理论中高情绪Beta股票因估值难度大、非理性驱动而跑输市场的预期。

- 分档回测中，低情绪Beta组合（Q1）在2008-2019年期间整体年化超额回报约11.63%，最大回撤仅8.66%，多次取得超过15%的年度超额回报，尤其2015年表现亮眼（+51.32%）。

• 对冲组合控制系统性风险后维持稳健超额收益，显示该因子具有一定的实用投资价值。

各图表均清晰支持上述结论：

• 情绪指数图（图13及图14）呈现情绪指标与市场整体走势正相关，反映市场投资者情绪的波动性。

- 情绪Beta因子IC曲线（图18）及分档回测净值（图19、图20）展示因子选股效果明显及收益单调性良好。

• 对冲组合净值曲线和年度收益（图21、表7）进一步验证策略风险收益特征良好。

综上，报告系统地介绍了情绪Beta因子的构建方法、理论基础、量化计算及A股实施实证验证，提供了投资者情绪因子量化投资的切实路径，为A股市场多因子投资策略的丰富和完善做出积极贡献，具有较强的理论价值及实践意义。

---

参考溯源

• 代理变量构建与筛选[page::5,6,7,8,9,10,11,12]

- PCA方法及滚动更新[page::12,13,14,15]

• 情绪Beta定义与理论框架[page::16,17,18]

- 因子IC及回测分析[page::19,20,21,22]

• 报告总结与风险提示[page::23]

---

（完）

报告