策略概述

本策略基于破净股的投资思想，主要通过筛选股价低于公司每股净资产的股票，来寻找市场中被低估的投资机会。破净股通常由于市场情绪、短期波动等因素被低估，但从长期来看，这类股票的内在价值往往会被市场重新认识并反映在价格上。策略通过剔除高风险和财务不稳定的股票，专注于那些具备稳健基本面且有较大反弹潜力的公司，旨在构建一个具备长期价值回归潜力的股票组合，符合稳健的价值投资理念。

因子介绍:

• 总市值（total_market_cap）: 该因子用于衡量公司的整体规模，是衡量公司在资本市场上影响力的重要指标之一。通常市值较大的公司具有较强的市场稳定性和抗风险能力，因此

BigQuant平台上可以快速开发股票传统策略和股票AI策略，今天我们就拿市值因子来练手，看看两个策略在2020-01-01到2024-05-28期间各自的收益风险情形。

市值因子是国内股票市场能够带来超额收益的alpha因子，已经被验证为长期有效的因子，也是广大私募基金常用的因子之一，传统的选股策略的股票组合大多在市值因子上有很大的风险暴露。希望了解多因子选股策略的小伙伴可以参考这篇报告：东方证券《因子选股系列研究之十》：Alpha因子库精简与优化-160812

一、传统小市值策略

本文所介绍的传

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

在BigQuant平台上可以快速开发股票传统策略和股票AI策略，今天我们就拿市值因子来练手，看看两个策略在2015-01-01到2016-12-31这两年时间各自的收益风险情形。

市值因子是国内股票市场能够带来超额收益的alpha因子，已经被验证为长期有效的因子，也是广大私募基金常用的因子之一，传统的选股策略的股票组合大多在市值因子上有很大的

更新

本文为旧版实现，不再适合平台最新版本，请查看如下最新内容：

https://bigquant.com/wiki/doc/115-zbYekgD62q

https://bigquant.com/wiki/doc/120-I0dkvCNj9B

[https://bigquant.com/wiki/doc/102-ai-hXNHGsyWzS](https://bigquant.co

研究结论

在某个时点上的股票的横截面市值基本上都可以被公司的财务指标和市场因素所解释，也就是说市值解释模型依据了市场上股票的情况，给出了每个公司当期投资者认为的内生市场价值，而解释模型的残差部分，也就是当前市值和内生市值的差，代表了不可解释的部分。残差值越大，代表公司当前的市值向上偏离内生市值越多，那么公司的市值越倾向于回复到其内生市值，也就是说公司股价下跌的可能性越大，反之亦然，特异市值（残差值）是一个相对估值指标，因子值较小的股票在未来表现更好。

我们用线性模型构建了特异市值指标，发现虽然因子表现较好，但是增量信息不明显，究其原因是因为线性的方法没有办法解释市值与财务指标

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

报告目的

报告将事件类因子作为风格因子的一种，按照多因子框架对其进行分析。让投资者更加了解事件类因子的效果和特征。

报告内容

1. 从事件发生次数占比相对其行业占比来看，权重行业的业绩增长、分红和增持占比明显较高，预增更偏向于小行业；
2. 因子相关性：定增、分红事件明显和市值因子相关性较高，但定增和分红之间是负相关。预增和固定报告期增长相关性较高，也就是有部分增长能延续。
3. 单因子测试框架：分层回测、回归法：首先，我们对各事件因子依次进行详细的分层模型回测，分析各分层组合的业绩。对因子的区分度、单调性、稳定性等进行判断之后，我们使用回归法进行因子测试，对回归产生的因子收

摘要

2017年以来，传统的多因子组合皆出现了不同程度的回撤

通过分析可以发现传统模型之所以出现大幅回撤是因为模型中权重配臵较高的市值、反转以及特异度等因子皆出现了不同程度的失效。在这样一种大背景下，投资者对于因子择时研究的需求也在逐渐上升。本文基于条件期望这一思路，在传统多因子模型权重分配框架下对于因子择时进行了应用，为投资者提供了一个量化的因子择时框架

本报告主要分为三部分。第一部分介绍了基于条件期望的因子择时模型；第二部分展示了不同因子集合、不同历史数据时间窗口下不同条件变量因子择时模型的表现；第三部分引入了AIC筛选法并提出了AIC筛选下的多条件变量因子择时模

核心要点

本文主要研究指数基金与主动基金的历史业绩和未来发展，来分析主动投资与被动投资的差异 和未来的发展。被动指数基金与主动基金的历史业绩无明显优 劣差异 过去主动基金业绩很小的一点占优，很大程度上 是因为与指数基金的市值因子的差异。未来主动战胜被动基金会越来越难。

正文

/wiki/static/upload/da/da4789e3-7acf-4339-8d0f-3089fbbc80a0.pdf

\

摘要

市值风格因子与交易者行为关系密切

市值风格因子在市场上广受关注，关于市值因子收益的来源也是众说纷纭，本文从市值风格因子与交易者行为的关系出发，通过研究市值风格变化过程中交易者行为的变化，探究市值因子收益的来源，同时挖掘交易者行为因子中独特的alpha。

市值风格的转向往往伴随着资金的流动

市值因子与成交额强相关，流通市值越大的股票，其成交额通常也越大。伴随着市值风格的转向，资金在大市值股票与小市值股票之间流动，使得市值因子与成交额的相关程度发生变化。

成交占比因子具有超额信息

市场中有形形色色的交易者，我们按照挂单金额，对每笔交易做一个简单的划分

摘要

2017年以来，随着市场上量化策略的增多，许多以前十分有效的因子，如市值因子、动量因子、波动率因子等，都出现了比较明显的震荡或者失效。想要靠传统多因子模型取得超越基准的稳定收益变得越来越难。对于因子择时模型的研究需求也在持续上升。

本篇报告分为三部分：

首先，我们介绍了因子择时常用的几个指标，包括因子估值差与配对相关性等，并测试了其与因子未来收益的相关性。

然后，我们使用随机森林函数，构建因子择时模型。与大多数因子择时模型不同，我们的预测目标是因子收益的历史移动平均与实际因子收益的差距。对于收益波动较大的因子，移动平均比较难抓到因子短期的趋势。而择时

摘要

本周市值、beta 因子表现出色，盈利、财务质量因子继续表现良好本周表现最好的因子是市值、beta 因子，在各指数成份股票池均有不错收益，其中市值因子在全 A 股票池、beta 因子在沪深 300 成份股票池表现突出。盈利、财务质量因子继续表现良好。估值、成长、反转、波动率、换手率、技术因子表现接近，在沪深 300 成份股票池取得正收益，在中证 500、中证 1000 成份股票池表现平淡，在全 A 股票池出现较大回撤。从本月初至今的表现来看，主要是盈利、财务质量、市值因子相对表现较好，beta、波动率、换手率因子相对表现较弱。 主动型量化基金近期表现弱于非量化基金我们基于 Win

摘要

本周估值、盈利、财务质量因子表现良好，beta、技术因子回撤本周基本面类因子总体表现较好，其中只有成长因子表现稍显平淡，估值、盈利、财务质量因子表现均比较出色。市值因子表现出现分歧，在中证500成份股票池出现回撤，在沪深300成份股票池表现出色。本周价量类因子表现优劣互现，波动率因子在各指数成份股票池表现较好，beta、技术因子在各类股票池均出现回撤，反转、换手率因子表现一般。从本月初至今的表现来看，主要是盈利、财务质量、反转因子表现优秀，beta因子出现回撤，其余因子整体表现一般。 主动型量化基金近期表现弱于非量化基金我们基于Wind量化基金分类，通过自主筛选，构建量化公募基金

摘要

2017年以来，随着市场上量化策略的增多，许多之前十分有效的因子，如市值因子、动量因子、波动率因子等，都出现了比较明显的震荡或者失效。想要靠传统多因子模型取得超越基准的稳定收益变得越来越难。对于因子择时模型的研究需求也在持续上升。

本篇报告分为三部分：

首先，我们介绍了因子择时常用的几个指标，包括因子估值差与配对相关性等，并测试了其与因子未来收益的相关性。

然后，我们使用随机森林函数，构建因子择时模型。与大多数因子择时模型不同，我们的预测目标是因子收益的历史移动平均与实际因子收益的差距。对于收益波动较大的因子，移动平均比较难抓到因子短期的趋势。而择时模型可以在一定程

反转和市值因子的失效触发了国内对因子择时的研究需求。海外市场和A股类似，因子择时研究的兴起也是由2007.08的“量化危机”和2008年金融危机触发。危机后估值、动量和质量因子的效果明显下降。报告汇总讨论了AQR、BlackRock、GSAM等几家大机构有关因子择时的研究成果。有乐观者、有悲观者。但Corbett(2016)实证发现风格切换频繁的基金经理的风格择时能力并不比一般基金经理强，而且业绩往往更差，这一定程度上展示了现实投资中因子择时的难度。

传统OLS方法不能用于金融时间序列的预测，因为金融数据中常见的变量内生性和持续性问题，会导致OLS估计有篇，且统计检验失效。报告采用了Kost

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

在某个时点上的股票的横截面市值基本上都可以被公司的财务指标和市场因素所解释，也就是说市值解释模型依据了市场上股票的情况，给出了每个公司当期投资者认为的内生市场价值，而解释模型的残差部分，也就是当前市值和内生市值的差，代表了不可解释的部分。残差值越大，代表公司当前的市值向上偏离内生市值越多，那么公司的市值越倾向于回复到其内生市值，也就是说公司股价下跌的可能性越大，反之亦然，特异市值（残差值）是一个相对估值指标，因子值较小的股票在未来表示

我们用线性模型构建了特异市值指标，发现虽然因子表现较好，但是增量信息不明显，究其原因是因为线性的方法没有办法解释市值与财务指标之间的非线性关系，所以导致回归的