因子投资收益来源与风险补偿含义 [page::1]

• 因子投资旨在挖掘具特殊特征的股票异象，超额收益主要来自风险补偿、行为偏差和投资限制。

- 风险补偿包含承担高风险溢价和价格滞后反映公司事件两方面。

• 常见的主要因子包括价值（Value）、动量（Momentum）、规模（Size）、盈利能力（Quality）、波动率（Volatility）及收益率（Yield）[page::1].

基本面大类因子构成及投资逻辑 [page::2]

• 因子覆盖盈利能力、成长性、绝对/相对价值、规模、流动性、动量/反转及波动率。

- 盈利能力因子依托ROE、ROA等指标，聚焦当前及未来盈利；成长因子关注业绩增长的稳定性。

• 价值因子通过静态及预期估值指标选取低估股票；规模和流动性因子分别反映市值大小与交易活跃度。

- 动量因子捕捉历史价格趋势，波动率因子衡量风险水平[page::2].

不同市场空间因子超额收益情况（沪深300、中证500、中证1000）[page::3]

• 不同市值空间内因子表现分化显著，小盘股市场成长与反转因子表现突出，沪深300空间盈利因子表现相对更好。

- 中信证券因子策略组合显示基于业绩预增、一致预期、成长等因子的超额收益，分红与价值因子回撤明显[page::3].

因子相关性及其演变趋势分析 [page::4]

• 2017年后，价值类因子与传统量价因子相关系数大幅提升，导致量价因子失效风险增加。

- 利用中证全指空间因子相关矩阵发现，成长因子与价值因子间存在强负相关，规模与反转、流动性相关性明显。

• 因子间相关性演变反映市场结构调整及策略变化[page::4].

价值因子与成长/盈利因子的轮动关系 [page::5]

• 价值因子与成长因子跨时间存在明显轮动，沪深300空间轮动更强，中证500空间相对弱。

- 市场主题行情阶段成长期和盈利因子表现较强，如2013年移动互联，2019-2020核心资产及消费科技类行情[page::5].

宏观流动性对因子的影响分析 [page::6]

• 成长因子受货币供应（M1、M2同比）影响显著，宏观流动性宽松时期成长因子表现优异。

- 盈利因子与货币供应相关性较弱，但国债收益率变化对盈利因子未来收益影响明显[page::6].

估值分化度分析与市场预期隐含 [page::7][page::8][page::9][page::10]

• 2017年后PB分化水平大幅提升，PB分化度处历史高位，反映市场对高ROE股的偏好。

- PE和PS分化度随净利润增长和营收增长率波动，揭示成长股的业绩兑现与估值调整过程。

• 截至2020年9月，PB、PE、PS分化度均达到高百分位，显示市场估值极端分化[page::7][page::8][page::9][page::10].

估值与盈利因子合成策略效果评估 [page::11]

• 估值因子（如PB、PE）与盈利因子（如ROE、成长）合成多种策略存在，表现各异。

- PB-ROE残差能选出低估同时盈利暴露度一致样本，PB得分-ROE得分组合形成低PB高ROE优质组合。

• 2019年以来，极端估值下策略收益能力有限，需动态调整权重及组合构建方法[page::11].

沪深300指数增强模型构建及实证表现 [page::12]

| 年份 | 区间收益 | 基准区间收益 | 区间Alpha | 年化Alpha | 年化波动率 | 信息比率 | 相对收益最大回撤 |
|------|----------|--------------|-----------|----------|------------|----------|-------------------|
| 2013 | 5.7% | -7.7% | 13.4% | 13.4% | 4.2% | 3.3 | 2.4% |
| 2014 | 71.3% | 51.7% | 19.7% | 19.7% | 3.5% | 5.6 | 1.6% |
| 2015 | 18.6% | 5.6% | 13.0% | 13.0% | 5.4% | 2.4 | 2.9% |
| 2016 | 4.0% | -11.3% | 15.3% | 15.3% | 3.6% | 4.3 | 1.3% |
| 2017 | 37.8% | 21.8% | 16.0% | 16.0% | 3.4% | 4.8 | 1.4% |
| 2018 | -18.3% | -25.3% | 7.0% | 7.0% | 3.7% | 1.9 | 1.9% |
| 2019 | 45.9% | 36.1% | 9.8% | 9.8% | 3.5% | 2.8 | 2.0% |
| 2020 | 30.7% | 18.3% | 12.5% | 21.3% | 4.3% | 4.9 | 1.5% |
| Overall | 380.6% | 91.9% | 288.7% | 13.9% | 4.0% | 3.5 | 2.9% |

• 模型以基本面估值主风格70%+相对估值因子30%构建，年化超额收益稳定且最大回撤低，表现优异[page::12].

量化策略专题研究——重审基本面量化策略详尽分析

---

一、元数据与报告概览

该研究报告由中信证券研究部首席量化策略分析师王兆宇主笔，发布于2020年9月19日，主题聚焦于基本面量化策略的重新审视和分析。报告围绕因子投资的收益来源、演变与风险补偿、大类因子构成、因子表现的空间分化，及因子估值逻辑的动态变化，结合多维度数据进行深度剖析。

报告旨在阐释因子投资背后的理论与实践逻辑，尤其聚焦于价值类因子与成长因子的轮动及其驱动环境，探讨因子选股策略的构建和实际效果。虽然未直接给出明确的投资评级，但该专题研究具备重要的策略指导价值，强调在当前市场环境下因子配置与估值优化的重要性，提供了一个基于主风格判断与相对估值修正的沪深300指数增强模型，展现出可观的策略超额收益和较低的回撤风险。

---

二、逐节深度解读

1. 因子投资的收益来源与风险补偿含义（第1页）

核心观点与逻辑

• 因子投资基于市场存在“特征”（特定因子）能带来超额收益的观察（异象Anomaly）。

- 因子收益三大来源：风险补偿、行为偏差（错误定价）、投资限制。

• 风险补偿意味着历史均值收益不错，但个别样本风险高，需要策略化构建以分散风险，包括截面上的因子筛选与构建，以及时间序列上的因子择时与轮动。

因子类型细分及风险特征

• 价值因子（Value）：关注安全边际，长期可获超额收益，但存在价值陷阱风险。

- 分红因子（Yield）：偏好高分红且稳定的公司，但存在收益陷阱。

• 质量因子（Quality）：着眼于稳健商业模式和可持续竞争力，是防御型因子。

- 规模因子（Size）：源自CAPM模型缺陷和市场对小盘信息不充分，全球最有效因子之一。

• 波动率因子（Volatility）：投资者对于波动性股票的预期差异导致定价偏差，波动率低的股票常被低估。

报告中的两个环形图清晰展示了上述各因子的特征及风险点，说明策略构建需综合考虑风险补偿与市场非理性因素，进行时间和截面上的优化操作[page::1]。

2. 大类因子构成与投资逻辑（第2页）

关键内容

• 详细罗列了各大类因子及其具体单因子指标，涵盖盈利能力（如ROE、ROA及其波动性）、成长性（如净利润增长率及其波动）、绝对价值和相对价值指标、规模因子及流动性因子、动量/反转以及波动率因子。

投资逻辑概述

• 盈利能力类因子强调当前及未来盈利水平及稳定性。

- 成长性因子关注过去和预期的增长率和其稳定性。

• 价值因子体现在当前和未来相对价值的偏离。

- 规模和流动性因子分别度量市值规模和历史换手率，反映市场关注度和交易活跃度。

• 动量/反转因子捕捉历史价格趋势。

- 波动率因子反映风险特征。

该章节统一了因子定义框架，为后续因子表现的分解和组合优化提供基础[page::2]。

3. 因子分化与集中化表现（第3页）

通过三个主要市场空间（沪深300、中证500、中证1000）的年化超额收益柱状图，展示了2019年至2020年7月不同因子的表现波动：

• 盈利因子、成长因子和反转因子多阶段表现不一，尤其成长因子在2020年7月呈现较强超额收益。

- 规模、流动性和价值类因子多数时间表现负向，尤其波动率因子在中证500与1000中表现多次负超额。

最后一幅图展现的是中信证券因子策略组合中不同因子在大盘、中盘、小盘的收益贡献，反映了因子在不同市值维度下的表现差异和策略调仓方向。

数据表明市场因子收益的非均匀分布以及因子之间的分化、轮动趋势十分明显，为后续因子动态调整思路提供了实证支撑[page::3]。

4. 价值类因子与传统量价因子的相关性提升（第4页）

报告利用相关系数矩阵梳理2009-2020年以及2017-2020年价值因子与其他传统量价因子间的相关性变化。结果显示：

• 价值类因子（绝对价值、相对价值）与其他量价因子相关性从2009年-2020年初低度相关，2017年以来显著提升，尤其与相对价值因子的相关度达到0.92。

- 盈利因子与规模、反转的相关性，在2017年后均呈现负相关或下降趋势，流动性和波动率的相关性则有所波动。

结论指向价值因子陷入“价值陷阱”的现象开始显著，同时市场中高频量价策略的普及（如T0交易等）可能导致传统量价因子的有效性下降，从而带动价值类因子的相关性变化[page::4]。

5. 价值类因子与成长/盈利因子的轮动关系（第5页）

讨论了价值因子与盈利/成长因子之间存在显著的周期性轮动关系，尤其在沪深300空间内表现更强：

• 历史上，当市场出现明确主题行情（如2010“四万亿”刺激、2013年移动互联网、2017年“漂亮50”、2019年核心资产等），盈利和成长因子表现更优；而价值因子表现相对疲软。

- 通过250日滚动超额收益曲线，沪深300和中证500均反映了成长与价值因子的交替领先特征，不过沪深300的轮动频率和强度更高。

这种轮动逻辑与宏观经济、政策环境密切相关，是策略择时和因子权重调整的理论依据[page::5]。

6. 宏观流动性对因子的影响（第6页）

通过货币供应（M1、M2同比）、国债到期收益率（1年、3年、10年）与成长和盈利因子过去250日收益率的对比图，揭示宏观流动性对因子表现的调节作用：

• 成长因子表现明显与货币供应量M1相关，宽松时期成长因子占优，但对盈利因子影响较弱。

- 国债利率对成长因子指标呈现微弱负相关，即利率下降可能促使成长股受益更显著。

• 盈利因子与国债利率相关性不明显，表明盈利因子受宏观利率变动影响相对较小。

图示清晰表明，流动性环境尤其是货币政策对成长因类因子的驱动更为显著，提示宏观环境应纳入量化因子配置判断[page::6]。

7. 静态估值指标与市场预期的隐含风向（第7页）

报告通过数学表达式路径阐述了市盈率（PE）、市净率（PB）、市销率（PS）的内在估值逻辑，结合净利润增速和ROE指标，构建估值分化度的度量模型。

• 采用加权最小二乘法（权重为自由流通市值），剔除异常极端值以降低对回归的干扰。

- 模型形式为PE/PB分解为alpha与beta乘以成长及ROE因子加残差，衡量市场在不同价值指标下估值的分化程度。

理论框架明确了估值分化度作为市场健康及因子表现变动的重要信号，是后续实证分析的基石[page::7]。

8. 盈利角度对估值分化的观察（第8页）

核心结论：

• 2017年后PB分化水平出现急剧上升，反映市场转向以资产配置和资产保值为主的风格切换。

- 成熟行业ROE预期提高，而成长期及夕阳期公司盈利预期下降，导致PB与ROE同向波动明显。

• 历史上市场不同阶段PB与盈利因子的驱动逻辑变化如下：

| 阶段 | 开始 | 结束 | PB因子年化收益 | 盈利因子年化收益 | PB分化度变化 | 主要驱动 |
|-------|-------|-------|----------------|-----------------|---------------|-------------|
| 1 | 2015-06 | 2017-03 | 14.67% | 4.57% | 负转正 | 估值修复 |
| 2 | 2017-04 | 2018-01 | -1.04% | 19.31% | 上升 | 估值提升 |
| 3 | 2018-02 | 2018-07 | -2.06% | 10.40% | 下降 | 盈利兑现 |
| 4 | 2018-08 | 2018-12 | 9.30% | -6.74% | 下降 | 盈利下降 |
| 5 | 2019-01 | 2019-05 | 0.01% | 6.39% | 下降 | 盈利兑现 |
| 6 | 2019-06 | 2020-01 | -10.45% | 7.01% | 上升 | 估值驱动 |
| 7 | 2020-02 | 2020-05 | -6.43% | 6.52% | 下降 | 盈利兑现 |

上述分阶段说明了盈利预期和估值水平的动态互动，有利于捕捉宏观/微观共振的因子回报机会[page::8]。

9. 成长角度对估值分化的观察（第9页）

分析了2016年中至2019年间成长类因子的超额收益与估值分化度的关系：

• 初期成长股未能兑现预期成长，估值被杀，估值降幅甚至超过成长本身。

- 营收增长率作为成长因子，尽管较粗糙，但与市场规模增长直接相关。

• 2019年起成长因子预期转正，分化度提升，估值也开始反映业绩改善，但随后估值与成长因子出现同步的回撤过程。

报告披露了PE和PS分化度与其因子及增长因子的历史超额收益关系，辅助投资者理解成长股估值调整的时间节奏和催化点[page::9]。

10. 当前估值分化达到历史极高水平（第10页）

数据显示，截至2020年9月：

• PB分化度达到6.91，处于2017年4月以来93%的高分位。

- PE分化度为-4.75，达2019年2月以来99%分位。

• PS分化度为2.87，达2019年2月以来98%分位。

该统计剔除极端异常值，故反映的是市场的主流分化格局，表明当前市场估值分层趋向极端。分化度的极高水平暗示市场风险与机会并存，估值配置需格外谨慎[page::10]。

11. 价值类因子与成长/盈利因子合成策略的效果（第11页）

使用PB与ROE因子作为例证，探讨因子合成和残差法的不同效果：

• PB-ROE的残差组合主要选择低PB股票，且ROE暴露与样本空间一致。

- PB得分和ROE得分组合则实现低PB加高ROE的叠加效果。

• 2019年以来在极端估值分化背景下，各种合成方式的超额收益有限，说明估值调整空间有限，因子间关系复杂并非线性可控。

相关累积超额收益率图形显示复合因子策略虽相对平稳，但面对市场极端估值波动仍有局限性，提示持续优化策略构建方法的必要[page::11]。

12. 沪深300增强模型的构建（第12页）

报告提出了基于主风格判断（基本面/估值约70%权重）和相对估值修正（约30%权重）的组合打分策略，构建沪深300成分股增强模型。

• 该策略自2013年以来实现年化超额收益达13.9%，信息比率3.5，最大回撤仅2.9%。

- 超额收益稳定，波动性较低，符合量化策略对风险管理与收益稳定性的双重要求。

• 策略表现图明确体现策略收益显著高于沪深300基准。

说明该组合策略在实际选股和组合构建中具有较强的实用性和风险控制能力，是基于因子重估价和动态风格意识的有效量化实践[page::12]。

---

三、图表深度解读

• 第1页因子收益来源图表：各因子如Momentum（动量）、Size（规模）、Volatility（波动率）定位及对应收益来源说明，强调因子的风险溢价和市场行为失效共同驱动。图表寓意策略需兼顾风险管理。

- 第3页多空间因子超额收益柱状图：清晰展现沪深300、中证500与中证1000因子表现的分化与趋势变化，直观揭示不同市值市场中的风格轮动样态。

• 第4页相关系数矩阵表：通过2009-2020与2017-2020两个时段对比，体现价值类因子与传统量价因子之间的相关性显著提升，揭示市场结构性变化。

- 第5页滚动超额收益折线图：盈利、成长与价值因子在沪深300和中证500不同时间的轮动轨迹直观体现了因子周期性与市场主题的紧密关联。

• 第6页货币供应量及国债利率与因子收益线图：展示宏观流动性、利率变动对成长与盈利因子表现的差异性影响，揭示宏观环境对因子时效性的影响机制。

- 第8页PB分化度与PB因子、盈利因子对比曲线：说明近年PB分化大幅度提升与盈利预期的关系，辅以分阶段驱动表明确估值与盈利的互动关系。

• 第9页PE、PS分化度与因子超额收益对比：揭示成长因子估值周期性变化和其分化度动态，辅助理解成长股回报波动。

- 第10页PB、PE、PS分化度2020年走势图：确认当前不同估值指标的极端分化状态，反映市场估值异化风险。

• 第11页PB-ROE残差与得分组合散点图及策略超额收益累计曲线：对比不同合成方式选股集中度及因子暴露，实证展示不同策略乘数的收益路径。

- 第12页基础沪深300增强策略收益及统计表：显示该策略长期稳定超越基准的收益表现及低回撤的风险特性，验证策略实用性。

---

四、估值分析

报告采用基于财务指标的因子估值分析：

• 通过加权最小二乘法，结合自由流通市值权重，剔除极端点，严谨测算PB、PE、PS等指标的分化度，即估值“分层”或“分化”程度。

- 利用因子残差（如PB-ROE残差）和得分差异（PB得分-ROE得分）构建估值调整组合，力图捕捉被低估的价值股和成长潜力股的投资机会。

• 作者通过分阶段历史回测，量化估值分化对市场风格和因子表现的影响，验证了估值分化度作为配置和择时的重要信号。

- 估值分化度当前处于历史极高水平，这一指标显示投资者需警惕市场过度分层带来的风险，同时寻找估值合理区间的投资目标。

未具体采用DCF等贴现模型，但通过因子模型定义和残差法在实战中弥补了传统估值短板，适用于市场整体风格判断和量化因子配置。

---

五、风险因素评估

尽管报告未设明细风险章节，但文中隐含关键风险因素：

• 价值陷阱风险：价值因子存在价格被低估但业绩未改善的风险，可能持续亏损，影响因子表现。

- 因子失效风险：量价因子和动量因子被高频交易策略削弱，有效性降低。

• 估值极端分化风险：当前估值分化居高不下，市场风格及因子配置可能出现剧烈调整，策略回撤风险增加。

- 宏观环境变化风险：货币政策和利率波动对成长因子影响显著，宏观变动或导致因子收益大幅波动。

• 样本和数据异常风险：剔除极端样本虽能提升模型稳定性，但市场极端事件和黑天鹅依旧可能导致策略偏离预期。

报告虽未明确提出缓解措施，但通过策略的跨因子组合、动态风格调整以及估值分化度监控，隐含建立起风险管理框架。

---

六、批判性视角与细节

• 策略依赖数据与模型假设：因子策略和估值模型高度依赖历史数据和稳健的统计关系，面对市场结构性变革时模型可能失效，报告对未来潜在变数讨论较少。

- 高估值分化度的双刃剑效应：分化度高表明机会和风险并存，策略如何应对突发性反转未详细披露。

• 因子轮动和择时复杂：报告强调轮动逻辑与宏观因素关联，但因子择时实操难度较大，模型稳定性需谨慎验证。

- 合成因子效果有限：2019年以来复合因子合成策略表现有限，提示因子间非线性关系复杂，单一因子依赖不足。

• 策略覆盖的市场空间有限：报告主要聚焦A股市场主板及中小板块，海外市场和跨资产配置策略探讨不足。

总的来说，报告体系严谨，数据详实，但未来应更关注模型稳健性及极端情境下的策略适应性。

---

七、结论性综合

本报告全面系统地审视了基本面量化策略的核心逻辑、因子构成及市场表现特征。要点总结如下：

• 因子投资的三大收益来源包括风险补偿、错误定价和投资限制，风险补偿侧重于长期平均收益而非单期表现。策略需要从截面和时间序列两个维度进行优化。

- 报告细致划分了盈利、成长、价值、规模、流动性、动量及波动率七大类因子的具体构成与投资逻辑，为策略构建提供了全面基础。

• 多维度实证显示不同市场空间中各因子收益差异与轮动特征显著，且2017年以来价值因子与传统量价因子相关性显著提升，价值陷阱现象突出。

- 盈利、成长和价值因子均表现出明显的周期性轮动，且成长因子表现更依赖宏观流动性宽松环境。

• 估值分化度指标（PB、PE、PS）达历史极高水平，呈现市场高分层现象，且与盈利及成长因子的动态行情高度关联。

- 合成因子策略在极端估值周期中效果受限，提示需不断优化因子模型与组合构建方法。

• 基于主风格判断加相对估值修正构建的沪深300指数增强策略，近八年来持续产生稳健的超额收益，显示良好实践价值。

整体来看，报告强调基于量化因子的动态估值分化监控和因子轮动判断，是实现稳健量化收益的关键；估值极端分化提示策略需做好风险防范与灵活调整。图表数据从不同侧面支持以上结论，展现了策略有效性与现实挑战的双重特征。

---

报告为投资者理解当前中国市场因子投资复杂生态提供了科学、全面且值得信赖的参考框架，对于量化策略构建和调整具有重要指导意义[page::0,1,2,3,4,5,6,7,8,9,10,11,12]。

报告