研究背景与意义 [page::3]

• 绝对收益产品、高杠杆融资融券业务和股票质押回购均极度关注最大跌幅风险。

- 持股集中及流动性风险加大下跌风险。

• 通过量化因子测算最大跌幅风险，为投资策略提供新视角。

VaR模型介绍与应用 [page::4]

• 采用历史模拟法估计VaR，无需分布假设，能有效处理非线性及极端波动。

- VaR定义为指定置信水平下最大潜在损失，提供统一、直观的风险度量。

单因子分析及因子筛选 [page::5][page::6]

• 研究10类因子与不同期限最大跌幅的相关性，筛选出PE、BP、SP、240日收益率、20日波动率、换手率、非复权收盘价、自然对数流通市值8个有效因子。

- 估值类因子BP与未来最大跌幅相关最高，相关系数最高达0.30。
| 因子类别 | 因子 | 20日相关系数 | 60日相关系数 | 120日相关系数 | 240日相关系数 |
| ---------- | ------ | ------------ | ------------ | ------------- | ------------- |
| 估值因子 | BP | 0.14 | 0.20 | 0.24 | 0.30 |
| 估值因子 | PE | -0.09 | -0.12 | -0.13 | -0.15 |
| 风险因子 | 20日波动率 | -0.18 | -0.22 | -0.21 | -0.19 |
| 流动性因子 | 换手率 | -0.15 | -0.16 | -0.14 | -0.12 |
数据来源：Wind资讯，东吴证券研究所

多因子模型构建及效果评估 [page::8][page::9]

• 构建的多因子模型（基于因子值和因子排序值两种方式）对未来最大跌幅的预测效果显著。

- 使用因子排序值得到的模型效果优于因子值，240天最大跌幅相关系数达0.32。

• 预测区分度明显，最高和最低因子组合的未来最大跌幅VaR差距近30%。

| 相关系数 | 20天 | 60天 | 120天 | 240天 |
| ----------------- | ---- | ---- | ------ | ------ |
| 多因子模型（排序值） | 0.18 | 0.22 | 0.27 | 0.32 |

指数与股票VaR应用及实证 [page::10][page::11]

• 指数VaR随指数走势变化，指数下跌，VaR降低，表明风险随指数上升而加大。

- 基于多因子模型的股票VaR排序，构建20只高风险熊股组合，实证自2016年以来均跑输基准，验证模型的预测能力。

风险提示 [page::11]

• 模型基于历史样本，存在样本外失效风险，需警惕市场结构变化对模型预测的影响。

股票最大跌幅多因子研究报告详尽分析

---

1. 元数据与报告概览

• 报告标题： 《股票最大跌幅多因子研究》

- 作者： 高子剑（证券分析师，执业证号S0600518010001021）

• 发布机构： 东吴证券研究所

- 发布日期： 2018年09月13日

• 主题： 通过量化多因子模型研究股票的最大下跌风险，旨在为投资者在股票投资风险管理，特别是最大跌幅风险的测度和预测提供科学的工具和方法。

核心论点及目标：
本报告围绕股票投资中的最大跌幅风险展开，强调当前金融市场中绝对收益产品、两融担保品、股票质押式回购及权益投资持股集中度等方面都迫切需要科学准确地评估和预测股票的最大下跌风险。作者利用VaR（风险价值）模型和多因子量化方法，从估值、收益、风险、规模等多角度筛选与股票未来最大跌幅高度相关的因子，构建多因子模型以预测未来最大跌幅，为投资者提供了新的风险视角和工具。此外，报告还通过回测验证了模型在实际市场环境下的效果。

报告没有直接给出买卖评级和目标价，但“观点”部分及后续分析表明，该多因子模型可以辅助风险控制和投资决策，特别是在最大回撤控制方面具有重要的应用价值[page::0,3,5].

---

2. 章节逐节深度解读

2.1 股票下跌风险研究的价值

报告指出，传统研究多关注收益率和回报，而忽视了对股票最大跌幅风险的关注。强调下跌风险研究的四大现实价值：

• 绝对收益类产品的风险管理需求： 绝对收益产品因其策略目标对投资组合的最大回撤尤为敏感，个别股票的大幅下跌可能引发止损触发，严重影响产品收益表现。因此预测和控制单股最大跌幅，防止大幅回撤，是实现绝对收益目标的关键。
• 两融业务担保品的风险管控： 融资融券业务杠杆放大标的风险，当前券商折算率多以统一固定比率实施，缺少对股票下跌概率的动态量化评估，容易导致风险判断失误，增加券商潜在风险敞口。
• 股票质押式回购的合理质押比例需求： 类似于两融业务，股票质押回购也需科学评估股票下跌风险以合理设置质押比例，规避价格波动带来的违约风险。
• 持股集中度带来的流动性及下跌风险： 权益投资机构持股集中度高会带来流动性风险，若未来股票存在较大下跌概率，将使风险叠加放大，更易形成大幅波动。

总结：通过科学量化股票的最大跌幅风险，投资者可更有针对性地管理持仓风险和投资组合风险，超越传统收益预测思维，强化风险控制意识[page::3].

---

2.2 VaR模型介绍与使用

• VaR的定义与优势： VaR（Value at Risk，风险价值）量化给定置信水平下，持有期内资产或组合可能遭受的最大损失，该指标直观体现潜在损失额，便于风险管理和业务决策。由资产定价理论和风险因素统计学统合而成，能涵盖市场多种风险来源。
• 采用的VaR估计方法—历史模拟法：

- 利用历史市场因子的真实变化轨迹，模拟未来可能损益分布，无需正态分布等假设，适用于非对称、厚尾及非线性风险捕捉。
- 计算公式为概率模型，捕捉指定置信度下的最大损失界限。
- 缺点包括对历史样本依赖强，市场结构突变时可能失效，且计算量较重。

• 图1示意： 形象表达历史样本数据如何通过模拟被映射为未来损益分布，进而计算VaR界限。

本报告基于VaR，重点测算股票最大跌幅的风险价值，量化风险敞口大小，为多因子建模提供基础[page::4].

---

2.3 最大跌幅多因子预测模型构建

2.3.1 单因子分析

• 因子选取范围： 包括估值（PE、BP、SP）、收益（20/60/120/240天收益）、风险（20/60/120/240天波动率）、规模（自由流通市值对数）、流动性（换手率）、股价（非复权收盘价）、杠杆（权益负债比、资产负债比）、成长（净利润及营业收入同比增长率）、盈利（ROE）、Beta因子（不同天数区间）共10大类因子。
• 样本与方法： 采用全部A股，从2006年至2018年（其中2006-2013为样本内），月度数据，剔除异常值后计算各因子与20/60/120/240天最大跌幅的相关系数。
• 关键数据（表1总结）：

- 估值因子BP与最大跌幅正相关，相关系数从0.14（20天）上升至0.30（240天），说明估值越低（BP越高）未来最大跌幅越小，具有较强预测力。
- 其他显著因子如PE、SP、240天收益率、20天波动率、换手率、非复权收盘价及自然对数流通市值同样表现出较高相关度。

• 逻辑解释： 估值高表示潜在风险，收益率指标反映价格趋势，波动率和流动性因子则体现市场活跃度及风险度，规模和价格因子关系复杂但影响稳定。

报告选取8个相关度较大的因子构建多因子模型[page::5,6].

2.3.2 VaR计算示例：估值因子BP

• 采用历史模拟法，对BP因子区间均分后计算每区间股票的90%最大跌幅的VaR值。
• 相关系数保持稳定且递增：0.14（20天）→0.30（240天），显示估值低的股票下跌风险相较估值高的股票显著减少。
• 图2显示BP因子值与90%置信度下不同时间段最大跌幅的关系，伴随BP因子（估值低）升高，最大跌幅VaR呈降低趋势，且各时间段曲线趋势一致。

此结合使得单因子VaR计算具有较强实际意义[page::7].

2.3.3 多因子模型构建与结果

• 模型思路： 将8个强相关因子通过归一化和排序后，利用其相关系数作为权重，构造综合因子模型评价每只股票的最大跌幅风险。
• 模型输出： 分为基于因子值和因子排序值两种方式，结果表明排序值模型预测力更强。
• 关键数据（表3、表4）：

- 基于因子值模型，相关系数从0.11（20天）至0.24（240天）。
- 基于因子排名模型，相关系数提升显著，从0.18（20天）上升至0.32（240天），表明排序力优于绝对值。

• 图3-6解读：

- 图3、图5展示90%置信度VaR随多因子模型值变化趋势，走势表明模型能区分未来风险高低，VaR在-29%至-62%区间变化，尤其排序模型区分能力达到近30%的风险跌幅区间差距。
- 图4、图6展示对应区间的最大跌幅均值，均呈现随模型指标变化的风险递增和递减趋势，支持模型的显著预测力。

• 综合评价： 多因子模型对股票未来最大跌幅具有良好预测能力，且对短期（20天）至长期（240天）风险均有覆盖，排序值方式的预测力更优，便于投资者将风险分层管理[page::8,9].

---

2.4 多因子模型的应用

2.4.1 指数VaR预测

• 报告定义指数VaR为该指数所有成分股VaR均值，考察沪深300和创业板指数的VaR走势与指数价格走势关系。
• 图7（沪深300）分析：

- 沪深300指数价格（灰线）与20天VaR（深蓝线）呈负相关，指数上涨时VaR值降低至较小绝对值，意味着上涨市场增加潜在下跌风险。
- 历史上两次重大市场调整期（2007-2008，2015-2016年）对应明显VaR峰值预警，模型能有效反映市场最大跌幅风险。当前2018年末VaR距离预警线仍较远，表明短期市场下跌风险未显著升高。

• 图8（创业板综指）分析：

- 创业板VaR走势与创业板指数类似，市场下跌时VaR升高，指数回落减缓风险。
- 预警线和当前VaR值分布显示当前风险较历史高点有所降低。

此部分验证多因子VaR模型不仅能预测个股风险，也可用于宏观指数层面风险预警[page::10].

2.4.2 个股熊股组合构建与验证

• 报告基于多因子VaR模型筛选预测未来最大跌幅大的20只股票，以等权形成“熊股”组合。
• 实证验证（图9、图10）：

- 熊股组合净值曲线明显低于对应基准指数（沪深300和创业板），且波动剧烈。
- 熊股组合自2016年以来表现持续跑输，且出现明显的月内震荡，显示模型成功捕捉高风险股票。

此构建为模型的实用性提供了有力的市场验证，辅助投资者识别及规避下跌风险较大的股票[page::11].

---

2.5 风险提示

• 报告诚恳指出模型基于历史样本，假定未来风险空间与历史相似，存在样本外风险失效的可能。
• 未来市场结构变动、突发事件可能导致模型预测偏差。

此警示体现模型应用需结合市场实际谨慎解读风险[page::11].

---

3. 图表深度解读

• 图1（VaR历史模拟法流程图）：展示历史价格数据作为样本，经过风险计算转化为未来估计的风险概率分布，最后输出VaR指标，强调了模型对历史数据依赖的计算步骤和风险界定。
• 表1（因子与最大跌幅相关系数）：量化展示各因子（值和排序）与不同时间窗口最大跌幅的线性相关强度。最显著影响包括估值类（BP正相关，PE负相关）、波动率类（负相关）和流动性等。规模、盈利等因子相关性较弱。
• 图2（BP因子与最大跌幅）：观察到BP因子值越大（估值越低），对应未来最大跌幅VaR越小，说明估值低股票更抗跌，支持估值因子风险预测力。
• 表2（BP因子相关系数）：确认BP因子与未来最大跌幅的线性关系随期限加长而增强。
• 图3-6（多因子模型VaR与因子值及排序关系）：多维度体现综合因子模型对最大跌幅的划分能力。排序模型更强，而绝对因子值模型识别度较小，说明标准化排序处理更适合风险分层。
• 图7-8（指数VaR与指数价格走势）：说明指数风险随着价格的上升而放大，指数下跌则风险释放，支持价值风险的动态时序变化观点。
• 图9-10（熊股组合净值表现）：熊股组合显著低于基准且震荡更剧烈，实际市场验证模型的下跌风险识别能力。

整体这些图表为报告的理论推断和模型构建提供了坚实的数据支撑，展现多因子模型风险预测的科学性和实用性[page::4-11].

---

4. 估值分析

报告本身并无传统意义上的股票估值或目标价格预测部分，其核心在于风险估值，即通过多因子VaR风险估值模型对股票未来最大跌幅风险进行量化预测。

• 估值方法： 历史模拟法估计VaR，结合多因子模型赋予因子权重，建立最大跌幅风险评分。
• 关键假设：

- 市场未来风险分布与历史样本相似。
- 因子与风险存在稳定相关性且权重线性组合。
- 由于历史模拟法，对极端事件及尾部风险具一定捕获能力。

• 模型输出为最大跌幅VaR的置信区间数值，而非价格或回报估值。
• 敏感性分析隐含于不同因子组合、不同时间窗口下相关系数变化，未见单独讨论。

总结：这是一种“风险估值”方法论，适合风险管理与回撤控制，非传统的股票价格或市盈率估值分析[page::4-9].

---

5. 风险因素评估

报告识别的主要风险因素包括：

• 历史样本依赖风险： 使用历史市场因子数据估计未来风险，若未来市场结构变动或非历史经验范围内变化，会导致模型失效或失准。
• 模型假设局限： 假设市场风险因子的统计特征不变，忽略潜在非线性和突发系统性风险。
• 数据和计算限制： 需要大量历史数据和强计算能力，对数据质量依赖度高。

报告并未给出具体缓解策略，但通过明示风险表明了模型应用需谨慎，建议结合市场动态持续验证调校[page::11].

---

6. 审慎视角与细节考量

• 优点：

- 报告结合丰富多样的因子，采用现代风险管理方法（VaR历史模拟法），量化最大跌幅风险，理论和实证并重，具有较强的实用价值。
- 突出最大跌幅的风险视角，符合绝对收益和杠杆业务风险控制需求。
- 多因子模型结合因子排序值提升了风险识别能力。

• 潜在局限与建议：

- 模型高度依赖于历史样本数据，未能充分考虑极端事件后的结构变化风险（例如制度变迁、市场突发事件）。
- 各因子线性加权的假设可能忽略因子间交互作用和非线性影响，后续可考虑机器学习等非线性模型探索。
- 报告未提及模型的具体时间窗口选择理由，后续研究应对窗口长度和因子选取敏感性进行更深探讨。
- 控制风险的具体投资决策执行路径与建议尚未明确，实际应用中需结合其它定量或定性指标辅助判断。

• 细节：

- 因子显示部分存在排序值与因子值两种指标，报告清晰区分，指向模型性能差异，体现方法论严谨。
- 指数VaR分析与个股风险识别结合，体现模型的多层次适用性。

整体上，报告在量化方法与实践验证间平衡较好，但仍需结合动态市场环境强化模型的适应性和鲁棒性[page::3-11].

---

7. 结论性综合

本报告以东吴证券研究所的资深分析师高子剑为主导，系统研究了A股市场中股票最大跌幅的多因子风险预测模型，采用历史模拟法估算VaR值，并结合多种估值、收益、波动、流动性、规模等因子构建多因子风险评分模型，得出以下主要见解：

• 研究价值突出，满足绝对收益、两融担保品估值、股权质押及权益持股集中产生的多方风险管理需求。
• VaR历史模拟法作为风险量化工具，尤其适合测度非正态、厚尾的最大跌幅损失，具有良好实操性。
• 通过系统单因子相关性分析筛选出8个指标，重点因子BP（账面市值比）与最大跌幅关联度最高，显示估值因子对风险预测的显著作用。
• 多因子模型相比单因子表现更佳，特别是基于因子排序值的模型，能明显区分不同最大跌幅风险水平，未来240天最大跌幅VaR预测相关系数最高达0.32，模型区分能力强。
• 指数VaR和个股VaR预警验证显示模型不仅在单个股票层面有效，还能反映指数整体风险变化。
• 实际熊股组合的表现有效证实模型风险识别能力，组合净值持续跑输基准且波动剧烈，符合高风险预测。
• 报告指出和提醒模型基于历史样本的限制，为未来改进和风险挖掘开辟方向。

综上，本报告构建的股票最大跌幅多因子VaR风险模型为投资者和机构提供了一个定量、科学的风险测度工具，有助于在投资决策中更准确动态地把握最大跌幅风险，辅助止损预测及风险预警，提升组合风险管理的科学化水平，是绝对收益、两融业务及权益投资领域风险控制的有益补充。报告从理论、实证到实践验证，系统详尽，图表丰富且说明清晰，符合专业金融分析范式，有较高参考与应用价值[page::0-11].

---

报告中涉及的所有重要图表

• 

-

• 

-

• 

-

• 

-

• 

-

---

结束语

东吴证券本报告以多维视角，严谨的量化方法论，系统精细的数据分析和多面验证，深入揭示并衡量股票的最大跌幅风险，兼顾理论与实践，具有较强指导意义和应用价值，为投资者提供了风险管理中的重要工具与理念补充，值得金融专业人士深入学习和参考。[page::all]

---

本分析严格基于所提供报告内容，引用数据均标注对应页码，力求详尽、客观、专业。

报告