多因子模型研究背景与行业成分股介绍 [page::3]

• 采用中信及申万行业指数的钢铁行业成分股，分为板材、长材、特钢及铁矿石四个子行业。

- 选股覆盖主流行业公司，样本涵盖2010年至2018年中数据。

单因子检验及因子类别表现概要 [page::7][page::9][page::10][page::11][page::13][page::14][page::15]

• 估值因子：主要选用ETOPbarra和CETOPbarra，近三年表现较好，估值因子选股多空累计净值见下图。

• 盈利因子：选取qfaroe、qfaroa和SALE2EV，平均回报较正，稳健表现，盈利因子多空累计净值图如下。

• 成长因子：重点为净利润增长相关指标，表现优异，成长因子多空累计净值表现良好。

• 动量因子：呈显著负收益，表明钢铁行业存在反转效应，重点选择短期动量指标。

• 波动率因子：低波动股票表现优异，dastdbarra、VOL1和VOL3表现最佳，波动率多空累计净值见图。

• 流动性因子：整体表现较弱，仅半年换手率变化（MSS）能够较好体现超额收益。

• 市值因子：小市值因子表现较好，因子收益显著，选用LNCAPbarra和nonlinearsize_barra，相关多空累计净值图如下。

多因子模型构建与选股策略表现 [page::16][page::17][page::18]

• 将有效小类因子按照类别等权合成大类因子，经过因子正交处理，分别对估值、盈利、成长和波动率与市值因子进行正交，缓解多重共线性问题。

- 采用移动均值法预测因子收益，选股方式包含固定比例（前30%）和固定只数（前10只）。

• 选股表现优异，固定比例方法年化超额收益8.7%，固定只数方法年化超额收益12.9%，均显著跑赢行业指数。

| 年份 | 估值 | 盈利 | 成长 | 动量 | 波动率 | 流动性 | 市值 |
|-------|--------|-------|-------|-------|--------|--------|--------|
| 2017 | 62.4% | 82.7% | 43.6% | -4.2% | -0.8% | -0.7% | 6.5% |
| 2018 | 39.5% | 38.3% | 25.0% | 15.3% | -19.2% | 2.2% | -15.8% |

• 两种股票池样本见下表，多因子选股组合覆盖行业优质龙头股。

| 股票代码 | 股票名称 |
|-------------|----------|
| 000708.SZ | 大冶特钢 |
| 600282.SH | 南钢股份 |
| 000717.SZ | 韶钢松山 |
| 600507.SH | 方大特钢 |
| 002110.SZ | 三钢闽光 |
| 600569.SH | 安阳钢铁 |
| 600022.SH | 山东钢铁 |
| 600782.SH | 新钢股份 |
| 600231.SH | 凌钢股份 |
| 600808.SH | 马钢股份 |

研究结论与未来展望 [page::19]

• 钢铁行业适用多因子模型选股，盈利、成长、动量和波动率因子表现较好。

- 行业不同阶段，估值、盈利、成长因子表现不同，复苏期适合选择低估值、高业绩、高成长组合。

• 价量因子表现较弱，受市场投资风格影响明显。

- 后续计划拓展更多特色因子挖掘及结合宏观因子的选股方案。

多因子模型在钢铁行业中的应用研究——详尽分析报告

---

一、元数据与报告概览

• 报告标题：多因子模型在钢铁行业中的应用研究――基本面量化系列专题之四

- 作者：祝涛

• 发布机构：渤海证券研究所

- 发布日期：2018年9月27日

• 研究主题：钢铁行业内多因子量化选股模型的构建与测试

- 核心观点：
- 报告延续前期《钢铁行业择时及子行业轮动模型研究》的研究，进一步聚焦钢铁行业个股层面，探索多因子量化选股模型的表现
- 通过单因子和多因子分析，发现盈利、成长、动量和波动率因子在钢铁行业中的选股效果相对更显著
- 基于七大类因子（估值、盈利、成长、动量、波动率、流动性、市值）构建模型，利用移动均值法进行收益预测，选股策略在行业指数基础上实现8.7%-12.9%的年化超额收益
- 报告强调因子在不同时期表现存在失效风险，模型未来可能失效，提醒注意风险提示
- 旨在探讨因子与行业发展阶段、市场环境的相互影响并提出后续研究方向如宏观因子结合等[page::0] [page::3] [page::19]。

---

二、逐节深度解读

1. 引言与研究背景

报告承接基本面量化前三篇专题，重点转向钢铁行业个股层面的量化选股策略。通过剔除转型公司，采用中信及申万指数钢铁成分股，将行业细分为板材、长材、特钢和铁矿石四个子行业，明确研究样本范围（详见表1）[page::3]。

2. 多因子模型构建思路与因子选取

2.1 因子类别与前期处理

参考国际成熟的Barra多因子风险模型，结合财务及价量指标，共选取动量、流动性、波动率、价值（估值）、成长、盈利和市值七大因子类别。每类别下细分出多种小类因子。例如动量类包含年度至月度动量因子，估值包含市盈率、市净率倒数等，盈利和成长因子分别考虑资产收益率、净利润增长率等多维度表现。数据处理包括因子数据对齐、去极值、中位数填补缺失以及ZScore标准化[page::4] [page::5]。

2.2 单因子检验方法

结合Barra手册，利用多因子横截面回归模型检验各因子的选股有效性。重点考察因子收益的平均值、t值、收益为正概率、信息系数（IC）以及IC的稳定性指标ICIR。由于钢铁股数量有限，单纯回归检验统计可能偏弱，加入多空组合检验，通过截面因子值前30%和后30%股票次月收益差（多空收益）加以辅助判断[page::6]。

---

3. 因子表现详细分析

3.1 估值因子（图表1、表3）

• 测试五个估值指标，市盈率倒数（ETOPbarra）、其调整版本（CETOPbarra）表现最优，因子收益均为正且t值超过1，其他因子表现较弱或负面

- 估值因子多空收益均值及累计净值表现良好，回撤较小，且近三年（供给侧改革后复苏期）表现尤为突出

• 失效期集中在2014年底至2016年2月，行业整体业绩快速下滑期[page::7] [page::8]

3.2 盈利因子（图表2、表4）

• 六个盈利指标收益均为正，选股效果稳健，尤其当季净资产收益率(qfaroe)具有较高的统计显著性(t=1.85)

- 多空收益均值高且回撤适中，主要失效期为2011年8月至2012年11月，行业盈利能力开始下滑时期

• 近三年行业复苏中，盈利因子表现优良[page::8] [page::9]

3.3 成长因子（图表3、表5）

• 与利润增长相关的因子收益显著为正，收入增长因子表现平平

- 净利润同比增长量化指标（yoygrowthnetprofitqq）表现最佳，t值达2.59，历史验证中，多空收益稳健

• 失效区间同估值因子，行业衰退阶段表现弱，行业复苏期表现强[page::9] [page::10]

3.4 动量因子（图表4、表6）

• 整体表现为负收益，表明钢铁行业存在明显的价格反转效应（动量因子收益均值负且t值<-2）

- 短期动量指标（1-6个月）选股能力较强，但伴随较高回撤，近两年动量因子表现有所减弱

• 动量因子表现与行业周期无明显规律[page::11] [page::12]

3.5 波动率因子（图表5、表7）

• 波动率因子收益均为负，低波动股票获得超额收益（类似价值因子表现）

- 多数指标显著性较高，选出dastdbarra、VOL1和VOL3三项较优指标

• 波动率因子表现稳健，失效期包括2014年底及2017年中以后，与行业状态无明显对应规律[page::12] [page::13]

3.6 流动性因子（图表6、表8）

• 流动性整体因子收益偏弱，显著性不强，仅半年换手率改善指标(MSS)具有较高胜率

- 流动性因子选股能力相较其他因子弱，表现波动[page::13] [page::14]

3.7 市值因子（图表7、表9）

• 大市值因子收益为负，小市值指标收益为正，两者均具较高统计显著性，表明小市值公司表现优于大市值

- 失效期与波动率因子类似，无稳定周期关联[page::14] [page::15]

---

4. 多因子模型构建与表现

4.1 多因子综合表现分析（图8、表10）

• 将小类因子合并为七大类因子权重平均，考察各大类因子历史表现

- 盈利、成长、动量和波动率因子表现相对更佳，估值因子后期表现明显提升

• 图8显示估值、盈利和成长因子累计净值在2016年后出现快速增长，动量和波动率也有一定表现

- 表10年度多空收益率显示，估值因子2017年及2018年前表现强劲，盈利因子2017年达到82.7%的多空收益，动量因子表现波动较大

• 其他因子如流动性表现较弱，市值波动较大但总体正收益[page::16]

4.2 因子相关性与正交处理（表11）

• 估值、盈利、成长三者高度相关（最小相关系数0.43，最大0.6以上），波动率与市值相关度也较高

- 为避免多重共线性，采用线性回归残差法进行因子正交处理，剔除相关性较强的因子间冗余信息

• 估值、成长因子都对盈利因子做正交，波动率因子对市值因子做正交[page::17]

4.3 收益预测模型与选股策略

• 采用基于历史12期因子收益率均值的移动均值模型进行下期收益预测

- 股票池选取通过固定比例（预测前30%）和固定只数方法（预测前10只），两种策略均实现显著年化超额收益

• 固定比例选股策略年化超额收益8.7%，月度超额收益为正概率52.7%

- 固定只数选股策略更具激进性，年化超额收益12.9%，月度正收益概率50%

• 图9和图10分别展示两种选股策略累计净值走势及超额表现，均明显跑赢行业指数[page::17] [page::18]

4.4 策略示例股票池

• 表12列示2018年9月典型多因子选股模型选出的股票名单，如大冶特钢、南钢股份、方大特钢、安阳钢铁等，覆盖钢铁行业多个子行业，代表了盈利、成长及估值因子的综合优势[page::18]

---

5. 总结与风险提示

• 报告强调盈利、成长、动量、波动率四大因子在钢铁行业较为有效，但各因子均存在阶段性失效可能

- 表明估值、盈利、成长因子表现与行业生命周期高度相关，行业处于复苏及繁荣期时选股效果最佳

• 价量因子表现不稳定，可能更受市场投资风格影响

- 实际模型年化超额收益达到8.7%-12.9%，证明多因子模型在钢铁行业的可行性

• 风险提示主要关注未来模型失效风险，警示因钢铁行业股票数量有限及行业波动性，模型效果可能受限[page::19]

---

三、图表深度解读

图1 - 估值因子多空累计净值

• 纵轴为多空策略的累计净值（基期标准化为1），横轴时间跨度2010~2018年

- ETOPbarra和CETOPbarra表现起伏明显，2014年末至2016年初跌至低点后开始快速回升，2017年起累计净值增长迅猛，ETOPbarra最高触及约2.6倍

• 反映估值因子在行业复苏期选股能力显著提升，行业衰退期失效明显

- BTOPbarra表现较差，基本无超额收益趋势，回撤显著[page::8]

图2 - 盈利因子多空累计净值

• qfaroe波动较大，但自2016年起快速上升，累计净值峰值接近5倍，显著领先其他盈利指标

- roettm和qfaroa紧随其后表现良好

• 体现盈利指标尤其是净资产收益率随行业复苏表现出强烈的选股能力

- 部分指标如roattm表现较平稳，但整体均呈上涨趋势[page::9]

图3 - 成长因子多空累计净值

• 净利润同比增长相关因子（qfayoynetprofitqq、yoygrowthnetprofitqq）表现优异，累计净值突破3倍

- 营业收入相关指标表现平淡，接近1倍水平无明显超额收益

• 成长性因子表现依赖于钢铁行业利润回升期，验证了成长因子选股能力的阶段依赖性[page::10]

图4 - 动量因子多空累计净值

• 虽然动量收益均值为负，但多空累计净值图显示几乎所有动量指标累计净值均显著大于1，说明反转策略有正收益空间

- 特别是中期动量（3-12个月）累计净值最高逼近6倍，但波动较大

• 表明动量因子在钢铁行业选股中的反转效应显著，而非传统的正向动量[page::12]

图5 - 波动率因子多空累计净值

• 多指标整体呈现上涨趋势，dastdbarra、VOL1和VOL3波动率指标累计净值最高超过4倍

- 波动率较低的股票获得超额收益的结论得以图示验证

• 表明波动率因子同样具备选股意义，尤其在行业稳定增长期表现较好[page::13]

图6 - 流动性因子多空累计净值

• 多数流动性因子表现平稳，累计净值区间约1-1.6，最高为季度流动性指标

- 反映流动性因子在钢铁行业选股中贡献有限，仅半年换手率改善(MSS)表现较优，但幅度仍有限

• 该因子表现相对其他因子偏弱且波动性较大[page::14]

图7 - 市值因子多空累计净值

• 大市值因子(LNCAPbarra)呈下降走势反映其负收益，累计净值约从1降至0.7

- 中市值因子(nonlinearsize_barra)表现相反，累计净值升至约2.5

• 证明小市值偏好在钢铁行业明显，小市值股票更可带来超额收益[page::15]

图8 - 各大类因子多空累计净值

• 盈利、成长、估值和波动率因子于2016年后爆发式增长，累计净值均突破3倍，盈利尤甚

- 动量因子早期表现强劲，后期波动增大，流动性与市值因子表现较弱，累计净值基本1-1.5倍

• 表明多因子综合选股策略结合这些高效因子可能实现稳定收益[page::16]

图9、图10 - 多因子模型选股表现（固定比例与固定只数）

• 两图均显示策略净值明显跑赢行业指数

- 固定比例（30%股票）超额收益波动稳定，呈上升趋势并持续盈利

• 固定只数（10只顶级股票）策略超额收益斜率更大，利润较快积累，但回撤风险也较大

- 两者共同验证多因子模型选股策略的稳健性与超额收益潜力[page::18]

---

四、估值分析

本报告核心在多因子模型的构建和收益预测，并未使用传统估值法如DCF或市盈率倍数法对钢铁公司给出具体估值目标。但结合多因子模型因子的收益表现，隐含对选股策略的相对价值判断，即投资于具有低估值、高盈利成长特征的个股，能够获得显著超额回报。

因子正交及加权合成方法确保多因子模型避免多重共线性，提升预测准确度。采用的移动均值模型简单且直观，通过历史因子收益均值预测未来因子收益，实现因子收益率的动态估计。此法基础假设为历史规律可部分延续，虽简单但表现良好。

---

五、风险因素评估

• 模型失效风险：报告反复警示，因行业周期性强及钢铁股样本量有限，单因子及多因子模型均存在失效时段，组合收益可能剧烈波动。

- 样本量限制：钢铁行业股票数目较少（约30-40只），样本小且同质性强，容易导致统计显著性不足及过拟合风险。

• 市场环境变化：宏观经济、政策环境对钢铁周期影响较大，未来宏观变动可能导致过去因子表现模式不再成立。

- 行业特性：钢铁行业价格受期货市场、供给侧改革影响大，价格波动显著，因子效力可能短期内被市场投机打乱。

• 流动性风险：流动性因子表现弱表明行业部分股票流动性较差，交易成本及执行风险不可忽视。

- 报告未明确给出具体风险缓释措施，但暗示模型应结合宏观因素及动态调整，增强鲁棒性[page::0][page::19]。

---

六、批判性视角与细微差别

• 报告的模型采用较为基础的移动均值法预测因子收益，忽略了更复杂的机器学习或动态因子权重调整方法，可能限制模型精度和适应性。

- 钢铁行业股票数量有限，且市场环境多变，多空检验虽补充弱统计显著性，但样本规模仍是核心限制。

• 因子正交方法虽然有效减少共线性，但重新定义因子后对模型解释性可能有损失，且对未来结构变动的适应能力有限。

- 动量因子反转效应的发现与其他行业常见的动量效应恰好相反，可能需要进一步分拆原因，深入解读市场行为学因素。

• 在风险控制方面，缺乏对模型失效概率及冲击的定量分析，也没有介绍实战中组合的具体再平衡频率和交易成本考量。

- 报告聚焦财务和价量因子，未深度融入行业宏观和政策因素，这在周期性强的钢铁领域是重要盲点。

• 总体上，报告以“探索性”为主，结论偏谨慎，避免过度夸大模型表现，显示一定的科学态度和实事求是精神。

---

七、结论性综合

渤海证券研究所在此次《多因子模型在钢铁行业中的应用研究》中，系统测试了七大类因子在钢铁行业选股的有效性并构建多因子量化模型。通过详尽的单因子检验，验证了盈利、成长、估值、动量（反转）、波动率因子在钢铁行业中表现突出，且不同时期因子表现呈现明显的阶段性与行业周期相关性。

图表数据深刻反映了：

• 估值因子在行业估值整体下降后迎来选股黄金期（图1），2017年以来表现极佳；

- 盈利因子以净资产收益率为代表，表现最为稳定且强劲，回撤可控（图2）；

• 成长因子中以利润增长率为核心指标（图3），有效期与行业扩张同步；

- 动量因子展现反转特征（图4），符合行业周期波动性强、投资者情绪易反转的现实；

• 波动率因子低波动胜出（图5），对应价值投资特征；

- 流动性因子选股能力较弱（图6），需谨慎使用；

• 市值因子则体现小市值溢价（图7）。

结合因子相关性的正交处理，和基于移动均值模型的收益预测，多因子组合选股策略实现了相对行业指数8.7%-12.9%的显著年化超额收益（图9、图10）。策略在固定比例和固定只数筛选中均表现稳定，验证了多因子模型在钢铁行业量化选股的实用价值。

本研究不可避免地受到钢铁行业股票数量限制、行业周期波动和宏观环境影响而带来的模型失效风险。报告的保守结论和风险提示符合行业研究基本面量化的合理期待。

未来，结合宏观因子、优化模型方法和引入特色因子，可能提升模型的预测精度和适用性，助力投资者在钢铁行业获得更持续的超额收益。

---

参考溯源

• 祝涛，《多因子模型在钢铁行业中的应用研究――基本面量化系列专题之四》，渤海证券研究所，2018年9月27日。[page::0][page::3][page::19]
• 报告各章详细数据和图表，Wind数据，渤海证券研究所整理[page::4]...[page::18]

---

综上，报告作为对钢铁行业多因子量化模型应用的专业探索，提供了丰富细致的分析与数据支持，适合金融量化研究人员与行业投资者深度参考，其科学严谨的框架与具体案例具备较强实操意义。

报告