行业内选股系列研究之一：量化选股因子整体失效了 中泰证券_20180316
由vampire7777创建，最终由vampire7777 被浏览 290 用户
研究报告
本报告在采用更合理的中泰行业划分和剔除微型股（主要受壳价值驱动）之后，从估值、盈利、成长、技术和一致预期五大类因子构建行业内选股模型，取得了稳健样本内和样本外（16年至18年2月）的回测结果。从行业内选股因子的效果来看，2017年仅部分技术类因子失效，其他类因子效果并没有发生颠覆性变化。
量化行业内选股理论分析
相对全市场的量化选股模型，行业内选股可以避免了行业间固有差异的影响，提升因子的可比性，而各行业可能存在独特的数据源能贡献新的alpha。尽管行业内样本数的不足造成统计意义的下降以及消除行业偏离后造成整体有所下降，但我们可以通过基本面逻辑和行业配置模型来补充。
分行业检测因子有效性
科学的行业划分是行业内选股的关键前提，为此我们采用中泰时钟特有的二级行业划分标准保证行业内个股属性接近。在剔除了次新股和壳驱动的微型股的影响之后，我们研究了常用的估值、盈利、成长、技术和一致预期因子在各细分行业上的有效性。
构建行业内因子选股策略
依据分行业检测到的有效因子，建立行业内选股模型，构建行业中性的股票组合。分别计算多空组合的相对收益和多头组合（市值加权）与HS300指数的超额收益表现。结果证明17年仅技术指标失效，其他类因子有效性并没有显著变化，多空组合在样本外（16年至18年2月）取得了年化22.3%的相对收益。市值加权的多头组合相对HS300的表现为：样本内年化超额收益率，最大回撤-6.5%；样本外2016年超额收益为14.7%，2017年超额收益为-1.0%，在17年极端大市值行情下（只有10-20%的股票是上涨），扣除交易成本后基本跑平HS300指数。
未来研究方向——特色因子挖掘
相对全市场选股，行业内选股可以针对不同行业寻找更领先、更高频的数据源，构建行业特色因子，挖掘新的Alpha来源。比如券商有月度公布的经营数据，制造业的销量、订单，周期品的价格等都能比财报数据更领先反映公司的基本面变化。这正是我们未来的工作重点，对每个行业寻找有效的特色因子，并最终构建一个符合基本面逻辑的行业内选股体系。
正文
/wiki/static/upload/e8/e8650f43-ac88-462b-9792-72328ce62682.pdf
风险提示：因子回测结果均基于历史数据