传统Beta因子在A股市场表现有限 [page::4][page::5]

| 因子名称 | IC | LSIR | ICIR | 年化收益 | 胜率 | 换股比例 | ValidPercent |
|-----------------|-------|-------|-------|----------|---------|----------|--------------|
| fBeta120D300 | -1.8% | 0.19 | -0.14 | 2.0% | 54.9% | 27.1% | 95.4% |
| fBeta20D500 | 0.5% | 0.83 | 0.08 | 35.2% | 54.9% | 75.4% | 95.6% |
| fBeta60D800 | -2.0% | -0.19 | -0.06 | -3.6% | 51.4% | 41.3% | 95.5% |

• 传统Beta难以稳定贡献Alpha，提升因子需方向性细分[page::4][page::5]

SemiBeta因子构建及理论基础 [page::5][page::6][page::7]

• Beta拆分为4部分：$\beta^{N}$ (双负收益)、$\beta^{P}$ (双正收益)、$\beta^{M^{+}}$ (市场正股负)、$\beta^{M^{-}}$ (市场负股正)

- 投资者更关注市场下跌时资产表现，倾向“损失厌恶”模型

• 示例图展示不同SemiBeta结构对预期收益的影响

- 构造48个SemiBeta因子，覆盖不同回溯周期与市场基准

SemiBeta因子实证及绩效表现总结 [page::10][page::23]

| 因子名称 | IC | LSIR | ICIR | 年化收益 | 胜率 | 换股比例 | 覆盖度 |
|-----------------------|--------|-------|--------|-----------|--------|----------|----------|
| fBetaMN60S399006 | -7.4% | 1.88 | -0.86 | 128.7% | 72.2% | 43.5% | 90.0% |
| fBetaMN60S000852 | -7.1% | 2.13 | -0.98 | 121.0% | 75.7% | 46.6% | 95.5% |
| fBetaMN60S399905 | -7.0% | 2.02 | -0.94 | 101.8% | 74.3% | 46.2% | 95.5% |

• fBetaMN系列表现出负IC及高收益，且回溯周期越短，收益越高但换手率提升

- 其他SemiBeta子系列表现不及fBetaMN

• 因子与市值、动量相关性低，和波动率相关性较强[page::18][page::19]

量化指数增强策略构建与回测表现 [page::20][page::21][page::22][page::23]

• 策略组成：fBetaMN60S399905、fBetaMN60S000852、fBetaMN60S399006等权重，市值行业中性，月度调仓，交易费0.3%

- 回测区间：2010.01-2022.11

• 绩效指标汇总：

| 指数 | 年化收益率 | 年化超额收益率 | 最大回撤 | 夏普比 |
|------------|------------|----------------|----------|--------|
| 沪深300增强 | 6.2% | 5.0% | 47.9% | 0.37 |
| 中证500增强 | 12.4% | 10.3% | 56.8% | 0.55 |
| 中证1000增强| 14.3% | 12.8% | 57.6% | 0.59 |

• 策略有效实现显著超额收益，且2022年初以来仍保持超额收益趋势

金融研究报告详尽分析——基于SemiBeta的因子研究（多因子Alpha系列报告之四十五）

---

一、元数据与概览

• 报告标题：基于SemiBeta的因子研究

- 系列名称：多因子Alpha系列报告之(四十五)

• 发布机构：广发证券发展研究中心

- 报告发布日期：未明确具体发布日期，但内容涵盖2010年至2022年底的实证数据

• 分析师团队：包括罗军、安宁宁、张钰东等多位资深分析师，由广发证券发展研究中心联合撰写

- 主题：评估传统Beta因子在中国A股市场中的表现局限，创新性地引入并实证检验SemiBeta因子（传统Beta的拆解版本），从而挖掘更有效的Alpha因子。

核心论点和目标：

• 传统Beta因子在A股市场Alpha贡献有限，忽视了投资者关注的下行风险，与行为金融学中的“损失厌恶”理论不符。

- 借鉴Bollerslev（2021）等学术研究，将传统Beta因子拆解为四个SemiBeta构成部分，根据市场和个股收益的不同方向分解相关风险因子。

• 构建48个SemiBeta细分因子，基于不同回溯期和市场基准，在A股市场进行全面实证。

- 发现fBetaMN（市场基准负收益，个股正收益）因子具有较强的预测能力和Alpha表现，尤其在较短的滚动窗口期（20、60日）下表现更优。

• 基于优质的SemiBeta因子，构建市值行业中性指数增强策略，针对沪深300、中证500和中证1000，获得显著的年化超额收益。

- 提示策略存在市场政策变动及结构变化导致失效的风险。

该报告的目标在于为投资者和量化研究者提供一种改进的Beta因子视角，改善传统模型在实际投资中的应用效果。[page::0,1,23]

---

二、逐节深度解读

1. 传统市场因子（Beta）研究背景

因子起源

• 描述CAPM模型的起源和基本原理，Beta因子定义为资产与市场收益协方差与市场方差的比值，表达资产相对市场波动的敏感度。

- 提及CAPM模型假设的理想条件（完全竞争、理性投资者、同质预期）在现实中较为严苛，传统Beta因子难以解释资产收益的全部横截面差异。

• 引用Markowitz、Hogan等研究指出Beta因子过于简单。

- 本节为后续引入SemiBeta因子打破传统Beta局限性做理论铺垫。[page::4]

A股实证检验

• 在沪深300、中证500、中证800作为市场基准，采用不同回溯窗口（20、60、120交易日）计算传统Beta，检验其预测能力。

- 表1显示传统Beta因子IC（信息系数）指标多数为负或接近零，高Beta股票未必带来稳定超额收益，年化收益也表现弱势。

• 换手率变化较大，短窗口换手率较高。

- 结论：传统Beta因子在A股市场缺乏稳健的Alpha贡献，迫切需要细化和改进因子构建方法。[page::4,5]

2. SemiBeta因子研究理论基础

• 基于行为金融学的损失厌恶理论(Kahneman & Tversky 1979)指出投资者对损失更敏感，因而相较于总体风险，更关注下行风险。

- 引出SemiBeta构建思路，即将传统Beta拆解为市场和个股在收益正负方向不同组合下的四个部分：$\beta^N, \beta^P, \beta^{M^+}, \beta^{M^-}$，分别对应：市场与资产均下跌（N）、均上涨（P）、市场上涨资产下跌($M^+$)、市场下跌资产上涨($M^-$)。

• 公式详细定义四个SemiBeta含义及计算方式，逻辑为投资者厌恶市场下行时资产亏损部分，特别是关注$M^-$（市场跌而资产涨）部分的Alpha信号。

- 通过图2对不同资产SemiBeta结构进行示例说明，表明四种资产其传统Beta相同但SemiBeta特征不同，展示潜在的预期收益差异。

• 引用Bollerslev(2021)实证，证明美股市场中$\beta^N$和$\beta^{M^-}$分别带来正负溢价，支持拆分模型有效性。[page::5,6,7]

3. 实证分析

数据说明和因子构建

• 选取A股全市场股票，剔除异常样本（摘牌、ST等），数据区间覆盖2010-2021年，月度调仓。

- 因子根据日收益数据进行拆分计算，分别构造基于沪深300、中证500、中证1000、创业板指的SemiBeta因子。

• 共构建48个因子（4种SemiBeta ×3种窗口20/60/120日 ×4种指数基准）。

- 因子预处理包括Mad去极值、标准化处理，确保数据稳健。[page::7,8,9]

因子绩效表现

• fBetaMN 系列（市场负收益时个股正收益）表现最佳，负IC均值在-5%到-7%范围，多空信息收益比（LSIR）高达2+水平，胜率70%以上，年化收益率甚至超过100%。

- fBetaMP 系列表现次佳，IC稍弱但仍有一定有效性。

• fBetaN 和 fBetaP 系列因子表现相对较弱，解释力不足或与美股市场结论有差异。

- 因子回溯周期越短，换手率越高，收益率也越高，呈现典型的频繁调仓策略风险收益权衡。[page::9,10,11]

绩优因子详细表现

• 以fBetaMN因子为研究重点，分别展示不同回溯窗口（20/60/120日）不同市场基准下因子的IC值走势、多空收益及换手率曲线。

- 图表展示结果显示因子IC具有一定波动但总体趋于负相关，换手率维持在30%-100%区间，展现了较强的动态择时能力。

• 多空累计收益持续稳步增长，20日窗口变动频繁但收益极为优异（最高年化达180%），60日则收益与换手率平衡较佳，120日换手率最低但收益略逊。

- 如fBetaMN60S399006，即在中证1000基准，表现较优，说明市场小市值和次新股影响较大。[page::11-18]

4. 传统因子相关性分析

• 表7显示SemiBeta因子与常见市值因子、不同期限动量因子和波动率因子的相关性。

- 结果表明SemiBeta因子与市值、短期动量相关性较低，暗示SemiBeta捕获了不同信息面；与波动率存在较强相关性，说明其风险调整特征仍被波动率影响。

• 与传统Beta因子相关程度为中等偏低，进一步凸显SemiBeta因子提供了新的因子视角和Alpha来源。[page::18,19]

5. 指数增强策略构建

• 策略基于筛选的优质fBetaMN60系列因子（S399905、S000852、S399006），等权重组合，构建沪深300、中证500、中证1000指数增强组合。

- 策略进行市值和行业中性处理，通过MAD去极值和Z-score标准化，采用月度调仓，持股限制分别为沪深300: 2%，中证500和1000: 1%。交易成本双边千分之三。

• 回测时间2010年至2022年11月中旬，成绩显著：

- 沪深300增强年化收益6.2%，超额5%（近阶段超额7.2%）
- 中证500增强年化收益12.4%，超额10.3%
- 中证1000增强年化收益14.3%，超额12.8%

• 年度绩效差异较大，主要由市场波动影响。最大回撤分别达47.9%-57.6%。夏普比提升明显，策略明显优于基准指数。

- 净值图和统计表均显示策略稳健且具有持续超额回报特征。[page::20-23]

6. 风险提示

• 报告强调策略基于历史数据构建，模型和结论存在市场政策调整、结构变化及投资者行为转变等风险，可能导致模型失效。

- 量化策略在市场环境改变时的适用性和有效性需持续监控，提示投资者注意潜在风险。[page::24]

---

三、图表深度解读

半Beta结构示意（图2）

• 展示了4类资产在不同市场与个股收益方向关系下的风险结构形态，凸显传统Beta无法区分的细微差异。

- Panel B和D分别展示了下跌市场中资产表现不同的场景，直接相关投资者损失厌恶的行为金融学理论。[page::7]

绩优因子IC值及收益图（图3-38）

• IC值图显示因子预测能力的周期性波动及阶段性表现，IC值普遍呈负值分布，符合损失厌恶的投资情绪下的Alpha信号。

- 换手率图反映策略从20日到120日回溯期对应频率差异，20日换手率较高（近80%-100%），120日最稳定（30%-50%），策略设计需权衡交易成本。

• 多空收益和累计收益图展示稳步增长态势，累计收益曲线平滑，表明策略具有较强的时间稳定性和复利效果。[page::11-18]

指数增强策略净值与统计表（图39-41，表8-10）

• 可视化净值曲线净值领先基准指数，且超额收益（灰色区域）呈逐步扩大的趋势。

- 年度统计反映策略在不同年份超额收益的波动，夏普比整体较好，说明风险调整后表现优异。

• 最大回撤与收益高峰间距及换手率体现了策略的风险控制和交易频率。[page::20-23]

相关性分析表（表7）

• 清晰展示SemiBeta与常用因子的相关系数，成功定位SemiBeta的独立因子特征。

- 特别是低相关性说明策略能有效补充传统因子，有助多因子模型丰富性和稳健性提升。[page::18,19]

---

四、估值分析

本报告并未涉及具体公司或行业的估值目标及现金流折现估值模型，因此无估值分析部分。

---

五、风险因素评估

• 报告中明确指出，模型和策略主要基于历史回测，不保证未来有效性。

- 政府政策、市场环境变化均可能影响因子的表现和模型估计的准确性。

• 市场结构与交易行为的变化，可能导致历史规律失效。

- 报告未详细说明缓解措施，但提示投资者需警惕模型风险，保持动态监控和调整策略的灵活性。[page::24]

---

六、批判性视角与细微差别

• 报告基于行为金融学理论创新性拆解Beta因子，学术支持扎实，实证范围广泛且数据细致；但IC值为负，可能需要更深入解释其负信息系数与Alpha贡献的内在关系。

- 换手率较高的短期SemiBeta因子尽管收益高，但交易成本及滑点不可忽视，实盘应用风险增大；报告未充分量化交易成本对净收益的影响。

• 因子适用性集中在A股，且基准取样局限于少数指数，其他市场或国别效应尚待验证。

- 部分因子表现与国外研究结果存在差异，如fBetaN因子效用较弱，表明A股市场特有风险特征或投资者行为与成熟市场不同。

• 报告中不同长度回溯周期对收益和换手率呈现典型的权衡关系，实际应用中存在策略选择及组合优化的复杂性。

- 文字中有所“负IC且收益高”，直观上认知矛盾，可能因因子定义或计算方式，建议后续关注实盘因子暴露和正负信号识别机制。[page::4-24]

---

七、结论性综合

本报告基于行为金融学中投资者“损失厌恶”理论，创新拆分传统Beta因子为四个SemiBeta组成部分，构造了多达48个细分因子，并以A股市场为案例进行了系统实证验证。研究发现：

• 传统Beta单因子在中国A股市场预测能力有限而且表现不稳定。

- SemiBeta中，特别是fBetaMN（市场下跌而股票上涨表现良好的因子）表现出了显著的Alpha收益，换手率随着回溯窗口缩短而增加，收益表现与换手率呈正相关关系。

• 以fBetaMN60S399006等优质因子为核心，构建了沪深300、中证500、中证1000三个指数的增强策略，均实现了显著的年化超额收益（分别高约5%、10%、12%）。

- SemiBeta因子与传统市值和动量因子相关性较低，表明其捕捉了市场中不被广泛利用的风险溢价。

• 策略风险主要来自于市场结构变化和政策风险，实盘应用需谨慎动态调整。

通过详尽的图表分析，IC走势显示因子预测能力虽波动但整体稳定，换手率分析揭示了策略执行频率与成本间的权衡，多空累计收益证明策略长期有效。增强策略净值曲线和年度业绩统计进一步印证其稳健的实证表现。

整体来看，报告呈现了一个基于损失厌恶行为金融理念的Beta拆解新框架，为A股量化投资提供了值得关注的Alpha来源和策略构建思路，具备较高的理论创新和实操价值。[page::0-24]

---

图表索引示例展示

• SemiBeta中证1000增强策略表现

图中深蓝线代表SemiBeta增强策略净值，明显跑赢黄色的中证1000指数，浅灰色填充表示相对超额收益比例。走势稳健且持续扩大优势。

• 投资者损失厌恶效用曲线

纵轴为效用，横轴为损益，图示投资者对“亏损”的效用曲线陡峭于“盈利”，体现亏损带来的边际负效应强烈于等值的盈利正效用。

• 因子IC值与多空累计收益示例

以fBetaMN60S399006为例（图23及图26）展示因子IC的时间变化和累计收益增长，累计收益线趋于上扬，表现策略长期稳定贡献Alpha。

---

以上为对广发证券发布的《基于SemiBeta因子研究》报告的详尽解读分析，覆盖其理论基础、实证研究、因子表现、增强策略设计及风险提示，揭示了SemiBeta因子创新性及其在A股市场的具体应用成效，具备较强的学术意义和投资参考价值。[page::0-26]

报告