纯因子模型构建方法 [page::3]

• 构造纯因子模型时约束单一因子暴露为1，其他因子暴露为0，使用带约束加权最小二乘法回归求解因子权重矩阵。

- 采用以根号流动市值加权，加入行业市值权重约束确保唯一解。

• 构建的纯因子组合对标的月度超额收益进行回测，提供更加客观的因子收益测度。

一级因子纯因子回测结果概览 [page::4][page::5]

| 因子名称 | 累计收益率 | 年化收益率 | 波动率 | 夏普比率 | 胜率 |
|---------|------------|------------|--------|-----------|------|
| 流动性 (liq) | -62.77% | -9.12% | 3.84% | -2.38 | 22.58% |
| 动量 (mom) | -52.26% | -6.91% | 5.30% | -1.30 | 41.94% |
| 质量 (quality) | 32.46% | 2.76% | 4.06% | 0.68 | 59.68% |
| 成长 (growth) | -3.91% | -0.39% | 1.08% | -0.36 | 54.03% |
| 规模 (size) | -9.38% | -0.95% | 4.13% | -0.23 | 44.35% |
| 波动率 (vol) | 29.32% | 2.52% | 5.46% | 0.46 | 51.61% |
| 估值 (value) | 24.98% | 2.18% | 4.79% | 0.46 | 58.87% |
| 分红 (DTOP) | 8.21% | 0.77% | 1.01% | 0.76 | 58.87% |

规模因子拆解及调整 [page::7]

• 规模因子由LNCAP（市值对数）和MIDCAP（中型市值）组合而成。

- 两者收益方向存在明显分歧，特别是2015年后表现分化强烈。

• 调整MIDCAP权重由正向变为负向后，规模因子整体收益有所提升。

波动率因子性能分析 [page::8]

• 波动率因子由Beta和残差波动率组成。

- 二者整体走势一致，但残差波动率在2016-2018年间发生明显反转。

• 合并因子提升收益但随之波动率也增加。

流动性因子扩展及表现 [page::9][page::10]

• 新增ATVR因子丰富流动性维度，增强因子表现。

- 四个三级因子相关性高，组合后表现较旧因子略有提升。

质量因子拆分及权重优化 [page::11][page::12]

• 质量因子由Leverage、Earnings Variability、Earnings Quality、Profitability、Investment Quality五个二级因子构成。

- EarningsQuality与Profitability表现相对稳定且收益方向相反，合成时有部分抵消效果。

• 调整EarningsQuality因子权重为负向，有效提升质量因子收益。

动量因子细分与回测 [page::13]

• 动量因子丰富，由短期反转、季节性、行业动量及传统动量组成。

- 短期反转贡献最大且收益明显。

• 季节性和行业动量收益小但稳定，传统动量收益不稳定。

调整后的因子合成效果 [page::15][page::16]

| 因子名称 | 累计收益率 | 年化收益率 | 波动率 | 最大回撤 | 夏普比率 | 胜率 |
|---------|------------|------------|--------|----------|-----------|------|
| 流动性 (liq) | -62.77% | -9.12% | 3.84% | 62.77% | -2.38 | 22.58% |
| 动量 (mom) | -52.26% | -6.91% | 5.30% | 52.26% | -1.30 | 41.94% |
| 质量 (quality) | 32.46% | 2.76% | 4.06% | 8.69% | 0.68 | 59.68% |
| 成长 (growth) | -3.91% | -0.39% | 1.08% | 5.47% | -0.36 | 54.03% |
| 规模 (size) | -9.38% | -0.95% | 4.13% | 24.66% | -0.23 | 44.35% |
| 波动率 (vol) | 29.32% | 2.52% | 5.46% | 7.33% | 0.46 | 51.61% |
| 估值 (value) | 24.98% | 2.18% | 4.79% | 7.97% | 0.46 | 58.87% |
| 分红 (DTOP) | 8.21% | 0.77% | 1.01% | 2.46% | 0.76 | 58.87% |

总结与未来研究方向 [page::16]

• 采用纯因子模型对Barra CNE6的一级和二级因子进行构建和回测，验证了因子体系的收益稳定性和风险特征。

- 不同因子的表现差异较大，部分因子需要调整权重以优化综合表现。

• 未来计划将纯因子模型应用于风险模型构建、指数增强和机器学习等选股策略中。

- 市场环境变化可能导致模型失效，需持续跟踪和优化。

报告详细分析：Barra风险模型（CNE6）之纯因子构建与因子合成—多因子模型研究系列之九

---

1. 元数据与报告概览

• 报告标题：《Barra风险模型（CNE6）之纯因子构建与因子合成—多因子模型研究系列之九》

- 作者：宋肠，助理分析师张世良

• 机构：潮海证券研究所（隶属于渤海证券）

- 日期：2019年6月20日

• 主题：聚焦于Barra中国股票风险模型CNE6中的纯因子构建，通过剔除其他因子暴露影响，测试单因子收益表现，并对因子合成权重进行优化，以提升多因子模型的解释力和收益表现。

报告核心论点在于传统分层回测存在因子间非中性暴露干扰，不能准确反映单一因子的纯收益能力，因此设计纯因子模型（单一因子暴露为1，其余因子暴露为0）回测方法，以更客观地评估Barra CNE6模型中各一级和二级风险因子的收益和稳定性。报告利用2009年以来月度调仓的实证数据，发现流动性和动量纯因子组合较为稳定，而规模和波动率因子波动较大，质量因子近期表现回撤明显。通过调整合成权重（例如将规模因子中的MIDCAP及质量因子中的EarningsQuality纳入负权重），模型解释力和收益表现明显提升。

后续研究方向将围绕纯因子组合优化，风险模型构建，并探索在指数增强和机器学习选股等应用上深化推进，注意市场环境变化带来的模型失效风险。[page::0,3,16]

---

2. 逐章节深度解读

2.1 概述与研究背景

报告开篇回顾了此前《多因子研究系列之七》《单因子检验之八》中的单因子检测结果，明确分层回测存在因子非中性的局限性，无法剔除其他因子干扰，导致单因子收益判定不够精确。提出通过纯因子构造方法，即单因子暴露固定为1，其他因子暴露严格0，解决该问题，从而能更加真实反映单因子的收益能力和风险特征。[page::0,3]

2.2 纯因子模型求解方法

报告数学地阐释纯因子模型的求解机制：

• 将因子暴露矩阵 \( X \)（包括1个国家因子、S个行业因子、M个风格因子等）作为回归自变量，标的收益率 \( \mathbf{r} \) 作为因变量。

- 加入行业市值权重约束 \( \sum w{Ij} f{Ij} = 0 \)，解决行业因子与国家因子的共线性导致回归解不唯一的问题。

• 采用加权最小二乘法，权重为标的流动市值开根号，构造权重矩阵 \( V \)。

- 通过矩阵变换计算投资组合权重矩阵 \( \Omega \)，计算纯因子组合的持仓权重，该权重矩阵乘以标的超额收益可得到纯因子当期收益。

此处采用了经典面板回归约束优化模型，并结合流动市值加权与行业约束，保证回归稳定且结果经济意义明确。[page::3,4]

2.3 纯因子测试结果总览

基于2009年1月至2019年4月的全A股月度数据构建纯因子组合，回测发现：

• 流动性因子与动量因子表现较为稳定，波动率相对较低。

- 规模因子与波动率因子波动较大，收益持续性不强。

• 质量因子近期有回撤风险，表现趋弱。

一级因子纯因子统计结果表明，动量与流动性因子累计收益率均接近或者为负，但质量因子累计收益32.46%，波动率因子和估值因子均取得超过20%的累计收益。[表1，图1，page::4,5]

---

3. 图表与关键数据解读

3.1 一级因子纯因子统计结果与回测表现（表1与图1）

• 流动性（liq）累计收益为-62.77%，年化收益-9.12%，夏普比率为-2.38，胜率22.58%，表明该因子单独表现较差且风险较高。

- 动量（mom）累计收益-52.26%，夏普比率-1.30，说明动量因子个别表现不理想。

• 质量（quality）累计收益32.46%，夏普比率0.68，具有明显的正收益和一定的稳定性。

- 波动率（vol）累计涨幅29.32%，年化2.52%，夏普0.46，显示一定的收益性和风险。

• 估值（value）累计收益24.98%，持续表现稳定。

- 规模（size）累计收益-9.38%，表现相对较差。

图1回测曲线显示质量、波动率和估值呈现显著上涨趋势，而动量和流动性呈明显下行趋势。[page::4,5]

3.2 因子相关性分析（图2、图3）

• 二级因子相关性整体合理，大部分相关性较低，仅少部分（如市值与中等市值因子）接近0.5。

- 一级因子相关性偏低，部分因子（换手率与波动率，相关系数0.45）相关较高，采取两两正交方法进行处理，避免多重共线性问题。

此处理方法有助于保证纯因子组合的独立性与解释力。[page::6]

3.3 规模因子详解（表2、图4）

• 规模因子细分为LNCAP（市值对数）与MIDCAP（中等市值因子）。

- 回测显示LNCAP因子累计收益-18.16%，MIDCAP因子累计收益8.46%，两者收益方向不一致，尤其2015年后分化明显。

• 合成的size因子整体表现(-9.38%)介于两者之间，夏普比率较低(-0.23)。

- 调整后将MIDCAP权重改为负向后，规模因子表现有所改善。

图4显示LNCAP与MIDCAP走势分歧明显，提示两因子在风险暴露和市场表现上有本质差异。[page::7]

3.4 波动率因子分析（表3、图5）

• 波动率因子由Beta与残余波动率组成。

- Beta因子累计收益16.39%，残余波动率16.27%，二者走势高度一致，但残余波动率2016-2018年间收益反转明显。

• 融合后vol因子收益提升到29.32%，伴随波动率增加，夏普比率提升至0.46。

图5可见因子合成增益风险并存，波动率因子在市场不同阶段表现具有反转风险，需要谨慎持续监控。[page::8]

3.5 流动性因子分析（表4、图6、图7）

• 流动性因子新增了ATVR，此外STOM、STOQ、STOA与ATVR四个三级因子高度相关（相关系数均在0.6-0.8之间）。

- 新因子相较旧因子微幅提升性能，但整体表现疲软，累计收益-62.77%。

• 回测数据显示新旧版本曲线基本重合，略微差异不大。

该因子稳定性较差，风险敞口较大，纯因子回测结果令人警惕其作为独立alpha源的风险。[page::9,10]

3.6 估值因子分析（表5、图8）

• 估值因子结构调整，新增企业倍数(EM)和长期反转(LongTermReversal)因子。

- BTOP、EY、LTR三个子因子均有稳定正收益，合成value因子收益大幅提升至24.98%。

• 波动率也相应增加，风险风险需关注。

图8显示估值因子回报向好，潜在alpha十分显著。[page::10,11]

3.7 质量因子详解（表6、图9）

• 质量因子构成复杂，包括杠杆率（Leverage）、盈利波动率（EarningsVariability）、盈利质量（EarningsQuality）、盈利能力（Profitablity）和投资质量（InvestmentQuality）。

- 盈利能力因子收益最亮眼（累计37.58%、夏普1.14），质量因子整体表现优异（累计32.46%、夏普0.68）。

• 盈利质量因子收益负，且与盈利能力因子呈负相关，导致合成时部分抵消。

- 调整后将EarningsQuality赋予负权提高整体表现。

图9呈现各子因子走势分化，盈利能力主导总体收益，盈质因子负面拖累明显。[page::11,12]

3.8 动量因子分析（表7、图10）

• 动量因子丰富，由短期反转(STREV)、季节因子(SEASON)、行业动量(INDMOM)和传统动量(MOM)组成。

- 短期反转因子表现最突出，但收益为负且波动率相对较小。

• 其他三个动量子因子表现波动且相关性低。

- 整体动量因子表现弱，累计收益-52.26%，夏普-1.30。

图10显示动量因子整体回撤明显，部分动量因子收益不稳定，需要进一步研究改进。[page::13]

3.9 成长因子与分红因子（表8、表9、图11、图12）

• 成长因子维持CNE5结构，包含预测三年利润和每股净利润及收入增长率，长期表现弱，累计收益-3.91%，夏普-0.36。

- 分红因子为新添，由股息率因子（DTOP）单独代表，2014年以来表现亮眼，累计收益8.21%，夏普0.76。

图11、图12展示成长因子趋弱，分红因子则为未来潜力因子之一。[page::14,15]

3.10 权重调整后纯因子组合表现（表10、图13）

• 针对规模中MIDCAP因子及质量中EarningsQuality因子赋予负权重后，模型整体调整：

- 解释力（Adjusted \( R^2 \)）由34%提升至36%。
- 质量和规模因子夏普比率明显提高，收益稳定性增强。

• 调整后，流动性和动量因子表现仍相对较弱，需要持续关注。

图13综合了调整后纯因子组合的表现，反映了权重优化在提升模型整体表现中的作用。[page::15,16]

---

4. 估值分析

报告未对纯因子模型本身直接进行DCF等估值方法的应用，但通过纯因子回测结合统计指标（累计收益、年化收益、波动率、最大回撤、夏普比率、胜率）为多因子模型构建提供实证基础，指导权重设置和因子组合优化，从而间接提升投资组合估值和风险调整表现。纯因子模型通过严格限制因子暴露，实现更清晰的因子风险溢价识别，提升因子多样性和可解释性。

---

5. 风险因素评估

• 市场环境变化风险：模型基于历史数据构建，面对市场结构性变化、政策调整等外部因素，可能导致模型失效。

- 因子非稳定风险：部分因子（如流动性、动量）收益波动大，近期表现不佳，提示波动风险管理需加强。

• 多因子相关性：虽做了相关性分析与正交处理，但因子间仍存在中度相关，叠加风险需警惕。

- 数据质量与频率限制：如分红因子部分基于缺失显著的分析师数据，可能影响因子表现稳定性。

报告提醒模型在新时代金融环境下应当持续跟踪与动态调整，缓解风险敞口。[page::0,16]

---

6. 审慎视角与细微差别

• 模型假设限制：纯因子模型假设能够严格实现单因子暴露为1，其他为0，但实际操作中因子之间或存在隐性联动，完全剥离存在难度，模型简化可能导致微小偏差。

- 权重调整的主观性：如规模因子中的MIDCAP和质量因子中的EarningsQuality从正权改为负权，虽实证支持，但基于近几年表现调整，未来稳定性如何尚待验证。

• 低胜率与收益负因子的存在：部分因子（如流动性，动量）纯因子胜率极低（20–40%），累计收益负，提示单因子投资回报波动大，组合使用需谨慎，有待进一步改进。

- 新旧因子演变需持续追踪：模型从CNE5到CNE6中，部分因子调整较大（如估值、质量因子），新因子叠加造成复杂性增加，应关注因子构成的持续适用性和预测力。

综合来看，报告对多因子模型构建与纯因子分析框架的推进严谨，数据详实，但仍需保持对市场动态的敏感性和模型的灵活调整能力。[page::7,11,16]

---

7. 结论性综合

本报告系统且细致地探讨了Barra风险模型CNE6中一级与二级因子的纯因子构建方式与回测分析，创新性地提出并实现了纯因子回归模型，通过严格控制因子暴露实现单因子收益检测，有效避免传统分层回测的因子交叉暴露影响。实证结果显示：

• 流动性和动量因子纯因子组合表现较为稳定，但收益呈现波动及负收益警示。

- 规模和波动率因子纯因子收益波动较大，体现其风险敞口与市场环境的敏感性。

• 质量因子结构复杂，盈利能力较强为主要驱动力，盈利质量部分因子表现不佳促使合成权重调整。

- 估值因子增强，新增长期反转因子后显示出更强的收益能力。

• 成长因子表现相对疲软，分红因子为值得关注的新因子，尤以2014年后表现提升显著。

- 充分利用因子相关性分析与正交处理优化因子构成，权重调整后模型的解释力和风险调整指标均有所提升。

图表深入解读验证了上述结论，且各因子详细回测均展现市场环境下的收益特征及风险趋势，显示纯因子模型在多因子投资组合的构建中具有重要参考价值。未来，将继续基于纯因子模型拓展风险模型建设与机器学习选股策略，进一步提升多因子模型的适应性和预测准确性，同时重点关注模型失效风险，强化动态调整与风险控制机制。

报告结尾强调了模型失效的潜在风险及必要的适应性调整，凸显了系统性风险管理意识，为后续指数增强和多策略融合提供了方向指引。

---

总结表格与图表贡献：

• 表1–10系统揭示了每个一级和二级因子的累计收益、年化收益、波动率、夏普比率及胜率，便于横向比较。

- 图1–13回测曲线直观展示因子收益走向与波动性，辅助印证统计结论。

• 相关性矩阵（图2、3、6）辅助因子选择与权重调整，保障因子组合的多样性和独立性。

- 纯因子模型求解方程明确了理论基础，支持数据回归分析的科学性和可靠性。

整体叙述条理清晰，层次分明，为多因子投资研究提供了详实的纯因子回测思路与实证支持，具有较高的实用价值和理论创新意义。[page::0-16]

---

参考引用页码

[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16]

---

此报告提供了一套完整的Barra CNE6模型因子纯收益测试框架，对因子质量、风险敞口进行了深入剖析，并通过实证数据与数学模型显示调整权重能提升模型稳定性和解释力。研究充分体现多因子投资模型精细化管理的重要路径。

报告