`

【广发金融工程】基于SemiBeta的因子研究 多因子Alpha系列报告之(四十五)

创建于 更新于

摘要

报告基于行为金融学的损失厌恶理论,借鉴Bollerslev(2021)构建SemiBeta因子,对传统Beta因子进行拆分并在A股市场实证检验。构建48个SemiBeta细分因子,发现反映市场下行时股票表现的fBeta_MN系列因子表现最佳,短周期回溯带来更高收益但换手率增加。基于因子表现,设计沪深300、中证500和中证1000的市值行业中性指数增强策略,实现显著年化超额收益,为A股多因子投资提供新思路 [page::0][page::4][page::5][page::13][page::14]

速读内容

  • 传统Beta因子在A股市场实证显示稳定贡献Alpha较弱,部分短期Beta因子有积极表现但整体表现有限,年化收益和信息比率均不理想 [page::1]。

  • SemiBeta因子概念拆解传统Beta为4部分($\beta^N$, $\beta^P$, $\beta^{M^-}$, $\beta^{M^+}$),分别表示市场与股票收益共同正负和异号的不同状态,符合投资者损失厌恶且关注下行风险的行为金融理论 [page::2][page::3]。



  • 构建48个SemiBeta因子,覆盖沪深300、中证500、中证1000、创业板指4个市场基准,分别采用20、60、120个交易日回溯窗口 [page::4]。

- 实证表明,fBetaMN(市场基准收益为负、股票回报为正)系列因子表现最优,所有此类因子IC均为负,且短回溯周期对应更高年化收益及换手率。以fBetaMN60S399006为例:IC-7.4%、LSIR 1.88,年化收益128.7%,胜率72.2%,换手率43.5%。

| 因子名称 | IC | LS
IR | 年化收益 | 胜率 | 换股比例 | 覆盖度 |
|--------------------|-------|-------|----------|--------|---------|---------|
| fBetaMN60S399006 | -7.4% | 1.88 | 128.7% | 72.2% | 43.5% | 90.0% |

- 换手率和收益呈负相关,周期越短换手率越高收益越好 [page::5][page::6][page::8][page::9][page::10]
  • 其他SemiBeta系列因子(如fBetaMP、fBetaN、fBetaP)表现普遍逊于fBetaMN,尤其fBetaN与美股结果不同,在A股表现弱势 [page::5][page::6][page::12]。
  • SemiBeta因子与传统市值、短期动量因子相关性低,和波动率因子存在一定相关性,说明因子独立性较强,能为多因子组合提供新alpha来源。


| 因子名称 | 市值相关性 | 动量相关性 | 波动率相关性 |
|-------------------------|------------|------------|--------------|
| fBetaMN60S399006 | 1.3% | 39.7% | -8.0% |
  • 基于筛选后的fBetaMN60S399905、fBetaMN60S000852和fBetaMN60S399006构建沪深300、中证500、中证1000指数增强策略,结合市值和行业中性调整,月度调仓。

  • 回测显示增强策略稳健实现显著超额收益,2015年至2022年11月期间:

- 沪深300增强策略年化超额收益约5%,累计收益58%;
- 中证500增强策略年化超额收益约10%,累计收益145.1%;
- 中证1000增强策略年化超额收益约12.8%,累计收益177.6%。

表:沪深300增强策略主要绩效指标

| 指标 | 全样本 | 2015年 | 2016年 | 2017年 | 2018年 |
|----------------|--------------|------------|------------|------------|------------|
| 年化收益率 | 6.2% | 72.7% | -8.7% | -2.3% | -23.5% |
| 最大回撤 | 47.9% | 47.9% | 31.5% | 10.7% | 31.6% |
| 夏普比 | 0.37 | 1.43 | -0.17 | -0.14 | -1.19 |
| 年化超额收益率 | 5.0% | 67.1% | 2.6% | -24.0% | 1.8% |

沪深300增强策略净值
  • 策略同样适用于中证500及中证1000,超额收益分别为约10%、12.8%,显示该因子体系具备较强的市场应用潜力 [page::14][page::15][page::16]。

- 报告警示策略依赖历史数据,存在因市场环境、政策等变化而失效的风险 [page::16]。

深度阅读

【广发金融工程】基于SemiBeta的因子研究 多因子Alpha系列报告之(四十五) 深度解析



---

一、元数据与报告概览


  • 报告标题:《金融工程 基于SemiBeta的因子研究 多因子Alpha系列报告之(四十五)》

- 作者及机构:广发金融工程研究团队,广发证券发展研究中心
  • 发布日期:2022年11月22日

- 研究主题:针对中国A股市场,基于传统Beta因子的局限性,创新构建并实证检验SemiBeta因子,揭示其在市场中的Alpha表现,及基于该因子的指数增强策略设计与绩效。

核心论点:传统Beta因子在A股市场的Alpha信息有限,因其忽视了投资者对下行风险(Loss Aversion)的敏感特性。基于Bollerslev(2021)提出的SemiBeta理论,将传统Beta拆解为4个不同方向的SemiBeta因子。通过构建48个细分因子,在A股市场实证分析发现,尤其是市场基准负收益期间股票正收益的fBetaMN系列因子具备较强Alpha能力,且短期回溯窗口下因子收益更高。最终筛选优质因子组合,构建沪深300、中证500和中证1000的指数增强策略,展现显著超额收益。[page::0,1,4,16]

---

二、逐节深度解读



2.1 摘要与背景



报告指出传统Beta因子根据CAPM模型定义为市场收益率与个股收益的协方差与市场方差之比,体现资产对市场系统风险的敏感度。然而,CAPM及其Beta因子的假设(完全理性投资者、均质预期等)较为理想,实际中难以全面解释个股的收益差异。早期研究亦指出单Beta因子不足 阐释截面收益差异,且Beta与Alpha贡献有限。

行为金融角度补充,投资者具有限理性,表现出“损失厌恶”特征,即对于等额损失的负效用大于同额收益的正效用,倾向规避损失而非纯粹规避风险。基于此,投资者对资产的收益性质(亏损或盈利)持不同风险偏好,从而提示Beta的测算应区别市场及个股的不同收益状态。

报告借鉴Bollerslev(2021)的SemiBeta拆解方法,将传统Beta拆分为四个部分(对应市场和股票上涨或下跌的不同组合),弥补传统Beta忽视收益方向性的缺陷。[page::0,1,2]

2.2 理论框架——SemiBeta因子构建


  • 四个SemiBeta定义

- $\beta^N$ :市场和个股均为负收益(下跌共振)
- $\beta^P$ :市场和个股均为正收益(上涨共振)
- $\beta^{M^-}$ :市场下跌而个股上涨(逆市表现)
- $\beta^{M^+}$ :市场上涨而个股下跌(逆势下跌)

上述拆分的因子能够揭示不同状态下资产风险暴露与风险偏好特征,尤其关注投资者的损失厌恶倾向,更加重视市场下跌的风险。

报告进一步指出,理论上表现出更强“逆市对冲”能力的资产($\beta^{M^-}$高)应具有较低预期收益率,因为其较高的负相关性提供了风险保护。图2通过四个资产的模拟风险轮廓展示不同SemiBeta特征及其预期收益差异。[page::2,3]

2.3 实证设计


  • 数据与样本选择

- 全市场股票(剔除摘牌、涨跌停、ST股及上市未满180交易日)
- 日期范围:2010年1月1日至2021年12月31日
- 因子做MAD去极值和Z-Score标准化处理
- 因子按值分十档,月度调仓
  • SemiBeta因子构建

- 结合20、60、120天三种滚动回溯期
- 选择沪深300、中证500、中证1000、创业板指四个基准
- 组合产生共48个因子
- 核心数学架构如公式所示,分别累加计算正负收益和基准收益组合产生的相关因子
- 因子命名格式,如fBeta
MN60S399006,表示60日回溯、以创业板指为基准的$\beta^{M^-}$因子[page::3,4]

2.4 因子绩效分析



报告详细展示了四类SemiBeta因子的表现,着重关注以下核心亮点:
  • fBetaMN系列(市场跌时个股逆市上涨)

- 覆盖率高(>90%)
- 因子IC均为负值,说明低因子值对应未来更高收益(异常现象,暗示逆向择时价值)
- 多空收益信息比(LS
IR)较高,尤其以60日回溯的因子最为优异
- 年化收益率表现突出,短期回溯周期因子(20日)收益最高,但换手率亦高,60日则均衡性较佳
- 典型因子fBetaMN60S399006年化收益128.7%,胜率72.2%,平均换手率43.5%
  • fBetaMP系列(市场涨时个股逆势下跌)

- 表现次于MN,IC同样为负,收益一般
- 换手率较高,表现波动
  • fBetaN与fBetaP系列

- 有效性较弱,IC绝对值一般未超过5%
- 与Bollerslev研究中美股表现差异大,部分因素可能由市场环境差异导致

以上结果通过表格(表3-6)及多幅图表(IC走势、多空收益、累计收益、换手率)充分展示,每个回溯期与基准组合的因子均被定量验证,极大提升了结论的稳定性和适用范围。[page::4-12]

2.5 传统因子相关性分析


  • SemiBeta因子与常见市值及短期动量因子相关性较低,表明其有效捕捉的是不同维度的信息,有助于多因子模型的构建

- 与波动率因子存在一定正相关性,提示SemiBeta捕获了一定风险特征
  • 相关性表明SemiBeta因子具备较好的独立信息含量和互补性,有助于资产组合的多样化管理[page::12,13]


2.6 指数增强策略构建与表现


  • 构建思路

- 选取fBetaMN60S399905(创业板指)、fBetaMN60S000852(中证1000)、fBetaMN60S399006(创业板指)三个绩优因子进行等权重组合
- 设定月度调仓,行业市值中性处理,权重限制(沪深300单股上限2%,中证500/1000单股上限1%)
- 回测区间2010年至2022年11月15日,考虑双边交易费0.3‰
  • 绩效亮点

- 沪深300增强策略:年化收益6.2%,年化超额收益5%,最大回撤47.9%,夏普比率0.37,尤其2015年表现亮眼,2022年遭遇市场回调
- 中证500增强策略:年化收益12.4%,年化超额收益10.3%,夏普0.55,波动较沪深300策略更大
- 中证1000增强策略:年化收益14.3%,年化超额收益12.8%,综合表现最佳,夏普比0.59

图39-41清晰呈现了三大策略净值增长与其基准比较,均显示出稳健的超额收益累积和抗跌性趋势。[page::14-16]

2.7 风险提示



报告客观提示模型风险及局限:
  • 历史数据统计模型存在失效风险,尤其面对政策及市场环境大变动

- 市场结构或交易行为变革可能导致策略失效
  • 投资者需关注模型适用的时间与情境,避免盲目追随[page::16]


---

三、图表深度解读



3.1 关键绩效表格解析



表1 传统Beta因子表现


  • 传统Beta因子IC值微弱且多为负,LSIR较低,年化收益多不及10%甚至显示负收益,且换手率较低(20%-78%不等)

- 说明单纯使用传统Beta难以稳定获取Alpha

表3-6 SemiBeta四类因子表现


  • fBetaMN系列表现最为优异,IC均值负值(~-5%至-7%),高信息比,年化收益高达180%

- 其他三类因子IC较弱,多空比低,年化收益波动大
  • 换手率明显随回溯周期变化,短期因子换手率最高但同时收益也最高

- 数据指示市场在“市场负收益时个股正收益”状态中蕴藏更有价值的Alpha信息

表7 相关性分析


  • SemiBeta因子和市值、短期动量低相关,说明因子提供额外信息

- 与波动率有一定相关,表明因子偏向捕捉风险收益特征

表8-10 指数增强策略年度数据


  • 全样本收益稳健,最大回撤合理,夏普均为正值但水平适中

- 各年份波动对应市场大环境,表现优于对应指数基准

---

3.2 关键图表解析



报告提供的不同时长回溯期的代表性因子IC值、多空收益及累计收益图:
  • IC指标波动反映因子信号的短期有效性,负IC的稳健出现表明逆向择时特质

- 多空收益柱状图显示因子择时在不同月份的表现高低,盈亏状态分明
  • 累计收益曲线表明,投资利润显著积累,且趋势持续稳定,特别是换手率适中的60日回溯期因子,结构更优

- 换手率条形图表现出短期因子换手频繁,需权衡成本与收益

通过多维图像结合,读者可直观体察SemiBeta因子的表现,为实操决策提供扎实依据[page::7-12,14-16]

---

四、估值分析



本报告核心集中于因子绩效分析及增强策略表现,无显著DCF或可比公司估值模型,主要为量化多因子投资策略研究。因子具体表现评估通过IC、信息比、年化收益等量化指标完成,未涉及企业估值分析。

报告策略基于风险收益动态结构构建,较少涉及传统估值测算,故此部分无专门展开。

---

五、风险因素评估



报告明确提示:
  • 策略基于历史市场数据构建,未来政策、环境变化可能导致策略失效

- 交易行为、市场结构变化影响策略有效性
  • 投资者需保持警惕,审慎使用研究成果,避免过度拟合风险

- 提出合理回测区间及多维指标检测,强化策略鲁棒性

风险提示充分体现模型的现实局限与市场不确定性,符合专业报告要求[page::16]

---

六、批判性视角与细微差别


  • SemiBeta因子IC值呈负且稳定,表面似逆向信号,与传统领域中正IC期望相悖,需理解为市场下跌期个股逆势表现的“Alpha”,此点对普通读者可能解读存在误区

- 不同市场(美股vs A股)SemiBeta因子表现差异,指出A股结构与行为特征区别,提示需谨慎跨市场推广结论
  • 换手率高的短期回溯因子尽管收益高,但可能增加交易成本与市场冲击,实际操作时需平衡

- 报告未详细披露模型在熊市或极端市场条件的表现,风险敞口和策略抗压能力尚需进一步评估
  • 相关性分析部分表述略显复杂,部分因子之间的统计关系可能受数据周期和市场阶段影响,需进一步跨周期验证


报告整体严谨,但以上细节是理解和实际应用时应谨慎考虑的重要方面[page::5,12]

---

七、结论性综合



本次《金融工程 基于SemiBeta的因子研究》报告系统地基于行为金融学“损失厌恶”理念,对传统Beta因子拆解,提出并构建了适应A股市场特性的SemiBeta因子体系。通过对48个细分因子的全面评估,特别是fBeta
MN系列因子(市场下跌时个股表现逆势上涨)展现出稳定的负IC和高信息比,在月度调仓频率及多基准指数条件下均实现显著Alpha。

不同回溯周期的SemiBeta因子反映出换手率与收益的权衡,短期因子换手率高但收益颇具吸引力,60日期因子兼顾收益与交易成本优势。基于此因子体系,报告构建了针对沪深300、中证500和中证1000的指数增强策略,均取得5%-12%不等的年化超额收益,且策略净值稳步增长,超过对应指数基准,表现稳定。

此外,SemiBeta因子与传统市值、动量因子相关性较低,表明其为有效补充投资组合多样性的信号来源。报告客观警示模型风险及市场环境不确定性,充分体现研究的专业性与审慎性。

综合来看,该报告不仅理论体系健全、数据全面和实证充分,而且对A股量化投资策略构建具有强烈指导价值,提供了一套较为新颖与有效的Alpha捕获框架。

---

参考图片摘录(关键图)



图1:有限理性投资者损失厌恶特征



图2:不同SemiBeta结构的资产对比



图6:fBetaMN120S399905因子多空累计收益



图14:fBeta
MN120S399006因子多空累计收益



图18:fBetaMN60S399905因子多空累计收益



图26:fBeta
MN60S399006因子多空累计收益



图30:fBetaMN20S399905因子多空累计收益



图38:fBeta
MN20S399006因子多空累计收益



图39:SemiBeta沪深300增强策略回测净值



图40:SemiBeta中证500增强策略回测净值



图41:SemiBeta中证1000增强策略回测净值



---

(全文分析基于报告原文内容,含所有表格及图表解读,确保全面、客观、结构清晰。)

报告