A股行业内选股分析总结-东方证券-20190115
由qxiao创建，最终由qxiao 被浏览 61 用户
研究结论
本篇报告测试不同行业内大类因子的表现（2009.7-2018.11），并尝试对因子在不同行业表现差异的原因进行分析。比如市值因子在龙头变换率较高，小市值股票占比较高且规模集中度较低的行业中有更强的负向选股作用，也就是说在这些行业里小市值溢价更明显。比如BP因子在（无形资产+开发支出+商誉）比净资产较高的行业表现较差，这是因为这类资产未来具有较大的不确定性，不能被账面价值很好的解释。
综合来看，估值、超预期、分析师、非流动性和投机性因子在绝大多数行业基本都有一定的选股效果，而盈利、高管薪酬、成长和反转适用的行业相对较少些。
我们基于较低的筛选标准（rankIC大于等于0.02，ICIR大于等于0.4）和较高的筛选标准（rankIC大于等于0.03，ICIR大于等于1）去筛选每个行业的大类因子，并构建细分行业的行业内增强组合，两类组合在几乎所有行业中均可以获得正的超额收益，但我们发现，在不同标准下行业内的增强效果有强有弱，也就是说仅仅通过一个统一标准去选择行业内的因子并不能得到让每个行业增强表现都最优的因子组合。
理论上说细分行业建模可以增加行业内预期收益率的准确性，从而提升宽基指数增强的效果，这里我们比较了在两种筛选标准下的细分行业建模全市场中证500增强组合和常规建模中证500增强组合的表现，从结果来看，细分行业建模后组合表现与整体建模组合基本相当，主要是因为用统一的标准筛选不同行业的因子会导致不同的行业适应性不同，结果有强有弱，其次也因为细分行业建模组合换手率较高，综合下来行业建模提升的整体Alpha并不显著。
风险提示
极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。
量化模型基于历史数据分析得到，未来存在失效风险，建议投资者紧密跟踪模型表现
正文
/wiki/static/upload/ff/ff95c39a-ab02-46c0-8377-67b2bf5209cf.pdf
\