换手率因子定义与测试框架 [page::5]

• 测试包括12个换手率因子，覆盖日均换手率、换手率乖离率、换手率标准差及其乖离率，分别在1、3、6个月等不同时间窗口测算。

- 测试方法包含单因子分层回测、回归法（加入行业哑变量及市值权重）、因子IC值计算等。

• 关注因子在行业及市值不同分组的表现及其相关性。[page::5][page::6][page::10][page::12]

行业与市值相关性分析 [page::6][page::8]

• 不同行业换手率因子水平显著不同，存在显著行业间差异及轮动现象，计算机行业换手率整体较高，银行等行业较低。

- 换手率因子与市值因子整体呈负相关，尤其是日均换手率和标准差因子，大盘股普遍换手率较低。

• 换手率因子间相关性非常强，需谨慎处理多重共线性，合理组合构建多因子模型。

分层回测主因子表现总结 [page::14][page::15][page::16]

• turn1m因子年化收益率最高达26.91%，夏普比率可观，多空组合年化收益11.18%。

- 不同市值区间中，小盘股区间表现优于大盘股。

• 行业表现上纺织服装、计算机、基础化工等行业因子表现优秀。

换手率因子回归测试及IC值分析 [page::38][page::39][page::40]

• WLS回归显著性表现显示，turn1m、stdturn1m表现较佳，biasturn1m与biasstdturn1m更稳定。

- OLS回归表明，bias类因子在中小盘股表现优于大盘股。

• 因子IC值平均水平与IR比率显示，stdturn1m IR达0.82，优于部分动量因子，换手率因子各项指标全优于估值和成长因子。

样本期长度敏感性分析 [page::41][page::42][page::43]

• 换手率类因子短期样本期(3-5日)效果优于传统的1个月，较短期换手率信息对预测未来收益更有价值。

- 动量因子适用样本期约21-33日，显示波动性较低范围内稳定。

• 建议量化模型中选用较短的换手率样本期以提升效能。

换手率因子综合表现及与其他因子对比 [page::45][page::46]

| 因子 | TOP组合年化收益率 | 夏普比率 | 信息比率 | 多空组合年化收益率 | 月胜率单调性得分 |
|----------------|-----------------|---------|---------|-----------------|-----------------|
| biasturn1m | 30.96% | 1.04 | 1.05 | 16.35% | 0.92 |
| biasstdturn1m | 31.22% | 1.04 | 1.31 | 16.24% | 0.92 |
| turn1m | 26.91% | 0.95 | 0.28 | 11.18% | 0.68 |
| stdturn_1m | 27.68% | 0.96 | 0.40 | 12.09% | 0.78 |
| 估值因子（对比） | 29.78% | 0.92 | 0.60 | 4.38% | 0.73 |
| 成长因子（对比） | 29.45% | 0.88 | 0.86 | 6.50% | 0.85 |
| 动量因子（对比） | 36.46% | 1.12 | 1.57 | 26.18% | 0.92 |

• 换手率乖离率类因子在多空收益和因子单调性得分中表现突出。

- 换手率因子整体优于估值和成长因子，但略逊于动量因子。

• 高相关性提示组合时需选择代表性因子，平衡稳定性和收益表现。[page::45][page::46]

华泰证券研究报告《华泰单因子测试之换手率类因子》深度分析报告

---

一、元数据与报告概览

• 报告标题：《华泰单因子测试之换手率类因子（华泰多因子系列之五）》

- 发布机构：华泰证券研究所

• 发布日期：2017年1月9日

- 研究员：林晓明、陈烨

• 主题对象：A股市场中关于换手率类风格因子的系统实证测试与分析

核心论点及评级

本报告围绕“换手率因子”这一风格因子在A股市场的表现展开深度研究，通过多维度回测、回归和IC值分析系统地评估12个不同类型换手率因子的有效性和适用范围。核心结论表明：

• 换手率因子整体表现优于估值和成长类因子，但略逊于动量因子；

- 其中，与流通市值加权WLS回归相比，OLS回归下的“换手率乖离率”相关因子表现提升，暗示这类因子在大盘股中表现有限；

• 不同行业、不同市值区间存在明显差异影响，行业间应进行分层、行业中性处理；

- 换手率因子最优的样本期较短，推荐5天左右，相较传统的1个月更适宜；

• 组合使用多换手率因子时需注意多重共线性问题。

报告未设具体投资评级，但提供重要因子评估和因子构建参考，弥补了量价风格因子系统性认知的空白。

---

二、逐节深度解读

2.1 换手率因子的选取及整体框架

报告首次区分12个换手率因子，涵盖日均换手率（turnNm）、换手率乖离（biasturnNm）、换手率标准差（stdturnNm）、及其乖离率（biasstdturnNm）四类，覆盖1、3、6个月不同窗口。

换手率因子定义聚焦于反映资产流通性变化和资金活跃度，结合两年换手率均值做动态比较，体现相对资金关注的程度。图表1清晰列示因子名称、计算方式及窗口长度，系统覆盖换手率维度变化的多角度评估。

测试框架包括：

• 市场分布分析（行业间差异、规模效应、市值相关性）

- 单因子分层回测（确认因子区分度、单调性、收益稳定性，观察行业、规模影响）

• 单因子回归法测试（估计因子收益率和显著性）

- 因子IC值分析（评估因子预测稳定性）

• 综合对比总结

该系统流程结构合理，兼顾理论和实践，充分验证因子有效性。[page::0][page::5][page::6]

2.2 行业异质性显著

通过图表3（2016年12月30日一级行业中位数换手率因子对比）和图表4（2006-2016年turn1m行业排名），报告展示换手率因子在行业间存在极强分布差异和行业内部波动。

核心观察：

• 计算机、纺织服装、机械行业换手率保持较高，银行、煤炭行业长期交易活跃度最低；

- 行业换手率排名随时间波动大，体现出行业轮动特性及市场资金关注转移；

• 由此指出跨行业因子对比意义有限，宜采用行业中性策略。

此分析强调行业因素在换手率因子建模中的重要性，提示投资策略中行业风险需被剥离。[page::6][page::7]

2.3 换手率因子与市值呈负相关

报告系统计算了12个换手率因子与市值因子间2006-2016年的相关系数（图表5），验证了大盘股换手率较低，因而多数换手率因子与市值负相关明显；乖离类因子相关度较低。

此结果契合市场常理，为防止因市值影响引入偏误，在后续IC计算中对因子进行市值调整。

此外，因子内部高度正相关性明显（图表6—8），强调组合多因子时需防范多重共线性风险。[page::7][page::8][page::9]

2.4 单因子测试方法概述

报告详细介绍单因子测试流程及统计评估方法（回归法、多层分层回测、IC值计算），明晰回归模型构建以控制行业因素，采用加权最小二乘法（WLS）避免大小盘偏倚。

重点说明了IC值与回归t值的关系，IC说明因子整体预测能力强弱，t值体现单因子效应显著性，二者互补。

分层回测优势在于能验证因子单调性、排序效果，回归法和IC值分析则体现统计学显著性和稳定度，三者结合综合评判因子优劣。

该部分为后续分析提供了坚实方法论基础。[page::10][page::11][page::12]

2.5 各换手率因子分层回测结果详述

报告分别对12个因子以分层回测方式反复展示了：

• 年化收益率、信息比率、夏普比率、最大回撤、超额收益等；

- 各层组合净值及相对基准净值走势；

• 月超额收益分布和多空组合表现；

- 行业与市值分层表现差异；

• 不同年份各分层收益及排名，评价因子单调性和中长期稳定度。

典型案例：

• turn1m：组合1年化收益率高达26.91%，信息比率0.28，多空组合年化收益率11.18%，显示良好择时能力和风险控制（图表10-17）。

- biasturn1m：表现更优，组合1年化收益率30.96%，信息比率1.05，多空组合年化16.35%，胜率62.14%，强调短期乖离率反应资金追逐热点作用（图表34-41）。

• stdturn1m及biasstdturn1m因子同样表现出色，说明换手率波动率及其相对历史水平的变化是有效指标。

长窗口因子（3个月、6个月）表现相对逊色，表明换手率时效性强，短期信号更灵敏。

行业和市值分层分析显示，换手率因子在中小盘及部分新兴行业表现更好的趋势明显（尤其乖离类因子在大盘股失效），强调模型分层构建的重要性。[page::14—37]

2.6 回归法及IC值分析

回归法测试（图表106）强调换手率相关因子均显著，t均值普遍在3以上，收益率负向偏离，表明换手率高的股票未来表现相对较弱，有反转特征。OLS相较WLS明显提升了乖离类因子表现，验证大盘股中乖离因子效果较弱（图表110）。

因子IC值分析（图表111）表明：

• 标准差类因子stdturn1m拥有最高IR比率0.82，说明其在预测稳定性和有效性上优于其他换手率因子；

- biasturn1m和biasstdturn1m因子虽然IC值均值稍低，但波动较小，凸显稳定性；

• 换手率因子整体IC指标明显领先估值成长类因子，略逊于动量因子（图表112）。

换手率因子的累积IC曲线（图表113-114）呈下降趋势，或反映因子长期持有价值递减，但短期内仍具预测意义。

综合证实换手率因子整体统计显著，结合实证表现适宜纳入多因子体系。[page::39—40]

2.7 样本期长度敏感性测试

报告通过对换手率因子在不同样本期长度（1天至21天，及部分至47天）敏感性测试（图表115-124）发现：

• 换手率类因子最佳样本期为3-5个交易日，远短于传统的1个月或更长窗口；

- 换手率乖离率因子样本期在5-11日波动，回归法与分层测试略有分歧，但均支持短期半月以内为佳；

• 动量因子相比，表现稳定且最优窗口为21-33天，略长；

- 敏感性分析中夏普比率、信息比率等均指向短期换手率因子更具实证优势。

该结论对多因子构建中因子频率选择与时间窗口设计具有重要指导意义，建议针对换手率因子采用更短采样窗口以提升预测能力。[page::41—44]

2.8 换手率因子效果总体总结与与其他风格因子对比

换手率因子中：

• 乖离率因子（biasturn1m、biasstdturn1m）在分层回测和多空组合方面表现最好，收益率和风险指标相对更优，单调性和胜率优异；

- 传统换手率因子（turn1m, stdturn1m）在回归和IC分析中表现更佳，IR比率高达0.82，但在大盘股中乖离因子胜出；

• 多个换手率因子高度相关，组合时须避免多重共线，选择代表性因子；

- 与估值及成长类因子比较，换手率因子稳定有效，且多数指标优于前两者；

• 与动量因子相比则稍逊一筹，但考虑到两者相关性，换手率因子是动量因子的有效补充和强化。

换手率因子可视为流动性和资金关注度的定量指标，对捕捉短期交易情绪及资金热点有敏锐反应，有助于增加多因子模型的动态响应能力和业绩稳健性。[page::45—46]

---

三、图表及视觉数据深度解读

3.1 行业分布与换手率因子（图表3-4）

• 图表3展示29个一级行业于2016年底的四个换手率因子（turn1m，biasturn1m，stdturn1m，biasstdturn1m）中位数；

- 机械、计算机、纺织服装等行业处于换手率较高区间，而煤炭、银行行业常年换手率较低；

• 图表4通过11年行业换手率排名波动，呈现行业轮动特征，非银行金融行业年间波动极大，计算机行业持续领先；

- 结论：行业对换手率因子影响显著，分层时须做行业中性调整。

3.2 因子与市值及因子间相关性（图表5-9）

• 图表5以时间序列方式显示换手率因子与市值相关系数，大多维持负相关，乖离率类相关较弱；

- 图表6综合计算因子月度相关性结合均值和波动，换手率因子内部正相关性极强，尤其同类别相近月份因子；

• 图表7-8进一步细致呈现相关系数平均值和标准差，确认高度相关性趋势；

- 这一现象提示多因子组合时需预防变量共线性，进行因子筛选或加权分配。

3.3 各换手率因子分层回测精选（以turn1m为例，图表10-17）

• 图表10展示5层分组年化收益率从高至低依次递减，组合1收益最高达26.91%，夏普近1，表现优于沪深300基准；

- 图表11净值走势显示组合1长期跑赢基准组合，组合5表现最差，验证因子单调性；

• 图表12将各分层净值相对基准净值标准化，进一步明确优势层级；

- 图表13偏态正态分布的超额收益集中在正区间，表明正向超额收益概率大；

• 图表14多空组合月收益率与累积收益呈明显正斜率，表明多空套利策略有效；

- 图表15-17分别展示年度收益排名和不同市值、行业维度表现，强调规模效应和行业差异。

3.4 其他因子分层回测表现类似

• biasturn1m、stdturn1m、biasstdturn1m等因子均展现类似良好结构，细节差异体现在收益稳定性和夏普比率上；

- 长样本期（3个月，6个月）表现差异相对明显，支持短期窗口更优。

3.5 回归法与IC值表现（图表106-114）

• 换手率因子均表现出较高的显著性（t值较大，超过常规阈值2），因子收益率均为负，表明换手率高股票未来收益通常低于平均水平，有一定反转特征；

- IC值均值和IR比率反映，stdturn1m和turn1m指标稳定性最好，乖离率因子IC虽低，但标准差小；

• 换手率因子IC曲线长期呈负累积趋势，可能反映策略需动态调整但短期内仍可用作选股辅助因子。

3.6 样本期长度敏感性分析（图表115-124）

• 实证数据支持换手率类因子采用3-5天为最佳样本期，因子收益率和IC值表现最优；

- 动量因子则适合更长窗口（21-33天），两者差异显著。

---

四、估值分析

本报告不直接包含企业估值模型或目标价定价，但通过回归法和IC值等统计手段，间接实现风格因子量化筛选和优质风格因子组合权重分配，为后续多因子模型估值决策提供基础。

• 回归法采用加权最小二乘回归（WLS），以流通市值平方根赋权，防止小盘股过度影响因子权重。

- 使用因子IC值和其统计性质（均值、标准差、IR值）对因子稳定性和有效性做量化评估，辅助判断因子在估值模型中的合适权重。

• 多层分层回测以年化收益率、夏普比率等量化指标综合评估因子对风险调整后的投资收益贡献度。

整体来看，报告着眼因子的统计显著性和预测稳定性，间接服务于资产组合估值优化。

---

五、风险因素评估

报告风险提示明确指出：

• 历史有效性不代表未来有效：单因子测试结果基于历史数据，未来可能失效或表现下降，模型需要动态更新和验证。

- 行业及市值异质性带来的风险：因子在不同市值和行业表现不同，如不加分层处理可能导致投资组合风险升高。

• 多重共线性问题：12个换手率因子两两高度相关，直接组合可能引起因子嵌套过度，增加风险和模型不稳定性。

- 市场结构变化：如市场流动性、交易规则改变会影响换手率数据的有效性。

• 报告未具体提缓解策略，但通过分层回测、行业调整及样本期敏感性测试间接证明有缓冲机制。

---

六、批判性视角与细微差别

• 报告在回归法与分层测试结果之间存在一定差异，作者分析原因并通过OLS、WLS回归对比予以解释，表明对大盘股的差异敏感性；

- 采用WLS回归对小盘股赋予较高权重，体现出对市场结构的深入理解，但也表明换手率因子在大盘股中表现有限，可能会限制其对大型龙头股投资价值；

• 样本期选择敏感性较高，尽管报告指出短期窗口优于传统月度窗口，但部分因子的最优窗口尚存在争议，显示模型需持续优化；

- 报告整体对换手率因子持审慎乐观态度，承认动量、换手率等因子的相关性较高，提示未来如何组合应用需深思；

• 数据与样本均来自Wind及自有数据库，报告未详述数据处理潜在缺陷（如数据完整性及停牌处理对因子的影响）；

- 报告未触及市场冲击成本及交易成本对换手率应用的潜在影响，这在实际操作中可能是重要限制因素。

---

七、结论性综合

本报告系统性地梳理、评估了换手率类风格因子在A股市场的表现和应用价值。通过详尽的行业及市值分布分析，确认了换手率的显著行业及市值依赖性，提出了分层回测和行业中性调整的重要性。基于多维度分层回测、加权最小二乘与普通最小二乘回归、因子IC值的交叉验证，报告科学地识别出表现最佳的换手率因子为biasturn1m与biasstdturn1m（乖离率类短期因子），以及turn1m与stdturn1m（传统短期因子）。其中特别强调了这四类因子在捕捉资金流动性和短期资金追逐热度方面的优势和稳定性，同时指出乖离因子在大盘股中效果较弱。

通过样本期敏感性测试，报告推荐换手率因子采样窗口显著缩短至3至5个交易日，提升模型灵敏度及预测准确性。与估值、成长及动量因子对比，换手率因子整体表现处于中间水平，显示其作为量价类因子的市场价值。

视觉图表中，典型因子分层回测净值曲线清晰呈现出因子强弱分化，月度超额收益直方图支持多空组合的统计显著，IC值累积曲线则反映因子长期趋势与波动。多数因子展现较高信息比率，验证实证结果。

总结来看，报告为A股市场多因子模型建设提供了极具操作参考价值的换手率因子研究，建议投资者结合因子分层、中性调整及样本期优化，结合其他风格因子构建稳健有效的多因子选股体系。

---

重要图表示例（部分）

图表3：2016年12月30日各一级行业换手率因子中位数对比

解读：机械、纺织服装等行业换手率显著高于银行、煤炭等行业，行业控制是换手率因子应用的首要步骤。

图表10：turn1m因子分层组合绩效分析（2005-2016）

| 组合 | 年化收益率 | 夏普比率 | 信息比率 | 最大回撤 | 超额收益年化 | 多空组合年化收益率 |
| --- | --- | --- | --- | --- | --- | --- |
| 组合1（买入层） | 26.91% | 0.96 | 0.28 | 70.59% | 11.18% | 11.18% |

图表106：换手率因子回归测试结果摘要

| 因子 | t均值 | t值绝对值>2占比 | 因子收益率均值 | 因子收益率t检验 |
| --- | --- | --- | --- | --- |
| turn1m | 5.26 | 77.08% | -0.528% | -3.51 |
| biasturn1m | 4.16 | 65.97% | -0.460% | -3.72 |
| stdturn1m | 4.74 | 78.47% | -0.584% | -4.36 |

图表111：换手率因子IC值分析

| 因子 | IC均值 | IC标准差 | IR比率 | IC>0占比 |
| --- | --- | --- | --- | --- |
| turn1m | -6.79% | 10.36% | 0.66 | 26.39% |
| biasturn1m | -4.81% | 7.88% | 0.61 | 22.92% |
| stdturn1m | -7.37% | 8.93% | 0.82 | 18.75% |

---

结语

本报告结合严谨的实证架构与丰富的统计工具，充分展示了换手率类因子的投资潜力与应用关键。建议投资者在构建多因子策略时充分考虑行业分层、因子相关性及样本期优化，同时关注换手率因子在大盘与中小盘的表现差异，以期实现投资组合的风险调整后收益最大化。

---

[page::0,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46]

报告