金融工程研究金融工程专题报告 2 目录 1. 投资风格因子 收益离散度和股市风险溢价 复杂公司策略 与 Beta 为敌 价值投资 使用历史财报信息择优选股 支持向量机在识别股票收益高低方面的应用 基于动量

Transcription

1 [Table_MainInfo] 金融工程研究证券研究报告 [Table_Title] 相关研究 [Table_ReportInfo] 价值投资系列之二 历史盈利对股票收益预测的影响 基于因子剥离的 FOF 择基逻辑系列五 债券基金的七因子剥离再探与 FOF 应用 关注盈利指标 是短期风格还是长期趋势 [Table_AuthorInfo] 分析师 : 高道德 Tel:(021) gaodd@htsec.com 证书 :S 分析师 : 冯佳睿 Tel:(021) fengjr@htsec.com 证书 :S 分析师 : 郑雅斌 Tel:(021) zhengyb@htsec.com 证书 :S 分析师 : 袁林青 Tel:(021) ylq9619@htsec.com 证书 :S 分析师 : 沈泽承 Tel:(021) szc9633@htsec.com 证书 :S 分析师 : 罗蕾 Tel:(021) ll9773@htsec.com 证书 :S 金融工程专题报告 2017 年 07 月 24 日 量化研究新思维 ( 三 ) 与 Beta 为敌 [Table_Summary] 投资要点 : 量化研究离不开阅读 思考与实证 但囿于国内金融市场不长的历史, 很多思维的火花都无法通过足够的数据进行研究和验证 本系列试图填补这一空白, 将海通量化团队的分析师平日阅读 思考的心得与海外数据相结合, 致力于为国内的量化从业人员提供新的灵感 考虑到篇幅, 文中只呈现了研究思路和主要结论, 对详细过程感兴趣的读者可与我们联系, 海通量化团队时刻为您守候, 与您分享 投资风格因子 我们详细分析了市场上最常见的四种 风格因子, 并介绍了如何利用它们的优势, 提高传统投资组合的风险收益特征 根据这四个风格因子构建的模拟组合, 在 年间的年化超额收益为 25.2%, 年化波动率为 10%, 夏普比率为 2.52, 与股票的相关系数仅为 0.02 若考虑各种实际执行成本后, 模拟组合的年化超额收益为 9.8%, 夏普比率为 0.98 收益离散度与股市风险溢价 收益离散度 (RD), 即横截面股票组合收益率的标准差, 在一定程度上反映了不同投资机构之间的意见分歧 分歧越大, 后期股市上涨的可能性越小, 股市相对于无风险利率的风险溢价越低 从回归分析和投资策略角度来看, 收益离散度 RD 与股市未来收益之间存在显著的负相关关系 复杂公司策略 根据信息传导机制的差异将公司分成两类 : 一类公司的信息只需要简单直接的传导即可反映在价格上, 称为 简单公司 ; 而另一类公司的信息则需要经过更为复杂的传递后才能反映在价格上, 因而称为 复杂公司 由于简单公司对新消息的反映速度更快, 因而可以用来预测该消息对复杂公司股价产生的影响 根据这一逻辑可制定一个简单的投资策略, 在美股市场上能获得 11.4%-14% 的年化收益 与 Beta 为敌 经典的 CAPM 模型假设所有的投资者都会选择投资收益风险比最大的组合, 并通过提升或降低组合杠杆满足其风险偏好 然而, 在实际的投资中, 许多投资者在使用杠杆时都会受到或多或少的限制 由于投资者对于高 Beta 资产的追捧, 高 Beta 资产往往呈现出低 Alpha 的特点 基于这一结论, 可构建选股因子, 通过杠杆做多低 Beta 股票并做空高 Beta 股票获取收益 根据回测, 该因子具有显著的正向风险调整后收益 价值投资 使用历史财报信息择优选股 当 ROA CFO Accrual 为正 ;ROA 流动比率 毛利率 经营周转率上升 ; 资产负债率下降 ; 未进行再融资时, 上市公司分别在上述方面获得 1 分, 反之则为 0 各方面的分数加总, 得到上市公司基本面的整体打分 ( 范围为 0~9 分 ) 回测发现, 在低估值 ( 高 BM) 的股票中, 做多基本面打分前 50% 的上市公司, 做空基本面打分后 50% 的上市公司, 持有一年, 策略能够获得 9.7% 的年均超额收益, 年胜率为 85.7% 基于动量 期限结构 特质波动率的商品期货策略 动量策略基于资本定价理论, 买入前期累计收益率较高的商品 卖出前期累计收益率较低的商品 ; 期限结构策略基于仓储理论, 买入期限结构为向下倾斜, 即正的展期收益率的商品, 同时卖出期限结构为向上倾斜, 即负的展期收益率的商品 ; 特质波动率策略基于对股票市场的研究, 买入低特质波动率的商品 卖出高特质波动率的商品 在 1985 年至 2011 年期间, 投资者通过上述策略, 可以获得持续稳定的收益 风险提示 市场系统性风险 模型失效风险 海外与国内市场结构差异风险

2 金融工程研究金融工程专题报告 2 目录 1. 投资风格因子 收益离散度和股市风险溢价 复杂公司策略 与 Beta 为敌 价值投资 使用历史财报信息择优选股 支持向量机在识别股票收益高低方面的应用 基于动量 期限结构 特质波动率的商品期货策略 度量因子暴露过程中应当注意的问题 资产配臵的规则化 风险提示... 6

3 金融工程研究金融工程专题报告 3 量化研究离不开阅读 思考与实证 但囿于国内金融市场不长的历史, 很多思维的火花都无法通过足够的数据进行研究和验证 本系列试图填补这一空白, 将海通量化团队的分析师平日阅读 思考的心得与海外数据相结合, 致力于为国内的量化从业人员提供新的灵感 考虑到篇幅, 文中只呈现了研究思路和主要结论, 对详细过程感兴趣的读者可与我们联系, 海通量化团队时刻为您守候, 与您分享 1. 投资风格因子 我们详细分析了市场上最常见的四种 风格因子, 并介绍了如何利用它们的优势, 提高传统投资组合的风险收益特征 尽管有庞大的理论依据, 但是缺乏一种使用广泛又相对统一的风格因子投资工具 所以我们试图通过找到一种新的方法以改变现状, 为投资者提供一种直观 透明 效益更高的途径来应用这些策略 大部分现有的组合, 虽然看似进行了分散化投资, 例如, 最传统的 60% 股票与 40% 债券的组合, 事实上往往过度暴露于股票风险, 这使得投资者在 2008 年的金融危机中损失惨重 因而, 很多投资者开始寻找更多与传统资产相关性较低的收益来源, 例如, Alpha( 特指基金经理独一无二的投资管理技能 ) 然而 Alpha 并非一直稳定地存在, 甚至随时间的流逝和策略的公开化会发生衰减与消逝 风格因子溢价投资是另一种与传统资产低相关性的收益来源 一个高效 成功的投资组合应使风险的来源更加多元化, 不仅要包括市场风险溢价 还应包括风格因子溢价以及其他形式的另类风险溢价 海外常用的风格因子包括以下四个 : Value: 买入相对于基本面价值较为 便宜 的资产, 卖出相对于基本面价值较为 昂贵 的资产 Momentum: 买入相对于同类表现更优的资产, 卖出相对于同类表现较差的资产 Carry: 买入收益率较高的资产, 卖出收益率较低的资产 Defensive: 买入风险较低 质量较高的资产, 卖出风险较高 质量较低的资产 根据上述风格因子构建的模拟组合在 年间的年化超额收益为 25.2%, 年化波动率为 10%, 夏普比率为 2.52, 与股票的相关系数仅为 0.02 若考虑各种实际执行成本后, 模拟组合的年化超额收益为 9.8%, 夏普比率为 收益离散度和股市风险溢价 收益离散度 (RD), 即横截面上股票组合收益率的标准差, 在一定程度上反映了不同投资机构之间的意见分歧 分歧越大, 后期股市上涨的可能性越小, 股市相对于无风险利率的风险溢价越低 为考察收益离散度与股市风险溢价之间是否存在这种负相关关系, 我们可以从回归分析和投资策略两个维度进行验证 需要注意的是, 我们在计算收益离散度时采用的是股票组合收益率的标准差, 而非个股标准差 这与 Fama-French 理念一致, 主要是为了避免流动性差 市值小的股票对指标计算的影响 具体而言, 我们基于市值和 PB 分别将全市场股票分为 5 组, 然后取交集, 即可得 25 个股票组合, 这 25 个组合月收益率的标准差即为当月收益离散度 RD 在回归分析维度, 我们以下期指数收益率为因变量, 当期 RD 为自变量, 进行时间序列回归 结果显示, 在 和 48 个月的时间窗口中,RD 系数均显著为负 即使控制了其他市场择时指标, 如期限溢价 信用溢价 指数标准差等因素后, 结果仍成立 由此表明, 未来股市收益与 RD 之间存在显著的负相关关系

4 金融工程研究金融工程专题报告 4 在投资策略维度, 我们基于 RD 构建市场收益预测模型, 预测收益为正时借入资金买入 1.5 倍的市场指数, 预测收益为负时, 做空 0.5 倍的市场指数, 并将资金贷出 由此构建的策略收益风险表现远优于买入持有策略 无论从回归分析还是投资策略角度来看, 收益离散度 RD 与股市未来收益之间均存在显著的负相关关系 3. 复杂公司策略 我们可以根据信息传导机制的差异将公司分成两类 : 一类公司的信息只需要简单直接的传导即可反映在价格上, 称为 简单公司 ; 而另一类公司的信息则需要经过更为复杂的传递后才能反映在价格上, 因而称为 复杂公司 举个例子, 假设突然有权威的研究机构证实巧克力可以延年益寿 那么, 专注于巧克力生产的上市公司是一个简单公司, 其股价会迅速消化这条消息并且出现大幅上涨, 因为公司的利润完全来源于巧克力生产 而巧克力只是其中一项业务的集团公司则是复杂公司, 其股价消化巧克力行业的消息可能会更缓慢一些, 因为巧克力的利润只是公司总利润的一部分, 投资者也需要经过更复杂的分析后才会开始下注 从以上分析可见, 由于简单公司对新消息的反映速度更快, 因而可以用来预测该消息对复杂公司股价产生的影响 根据这一逻辑可以制定一个简单的投资策略, 在美股市场可以获得 11.4%-14% 的年化收益 另外, 这种策略带来的收益与已知的各种交易信号有很低的相关性, 对于不同规模和不同类型的公司也依然保持稳健 了解公司的信息传递机制, 以及市场摩擦对于信息和价格之间传递的影响, 可以帮助投资者更深入地探究资产价格的驱动原因 4. 与 Beta 为敌 经典的 CAPM 模型假设所有的投资者都会选择投资收益风险比最大的组合, 并通过提升或降低组合杠杆满足其风险偏好 然而, 在实际的投资中, 许多投资者 ( 例如, 个人投资者 养老年金 公募基金 ) 在使用杠杆时都会受到或多或少的限制 例如, 海外市场上内臵杠杆的 ETF 的出现, 就是为了满足部分杠杆使用受限的投资者对于杠杆的需求, 这也体现了海外市场的确有很多投资者无法直接使用杠杆 由于不同的投资者所面对的杠杆使用限制各不相同, 杠杆使用受限的投资者在投资中会更加倾向于具有高 Beta 的资产 因为这类投资者对于高 Beta 资产的追捧, 高 Beta 资产往往呈现出低 Alpha 的特点 投资者对于高 Beta 资产的偏好, 也导致了投资者对该类资产所要求的风险调整后收益会低于低 Beta 资产 ( 因为该类资产为投资者提供了杠杆 ) 这一观点在美国股票市场以及其他 20 个国家的股票市场皆得到了印证, 并可进一步延伸至债券以及期货市场 基于这一结论, 可构建选股因子, 通过杠杆做多低 Beta 股票并做空高 Beta 股票获取收益 根据回测, 该因子具有显著的正向风险调整后收益 5. 价值投资 使用历史财报信息择优选股 在美国市场上, 长期来看低估值股票相对高估值股票具有显著的超额收益 我们发现, 通过历史财报信息, 可以在低估值股票中进一步选择基本面优秀的上市公司, 构建价值投资策略, 并获得良好的表现 我们主要从 3 个维度构建财报指标 :1) 盈利 : 包括资产回报率 (ROA) ROA 的变化 经营性现金流 (CFO) 以及利润的自然增长额 (Accrual, 经营性现金流减净利润 );2) 杠杆与流动性 : 包括资产负债率 (Leverage) 以及流动比率 ( 短期资产 / 短期负债 ) 过去一年是否再融资 ;3) 运用效率 : 包括毛利率变化 经营周转率变化 当 ROA CFO Accrual 为正 ;ROA 流动比率 毛利率 经营周转率上升 ; 资产负债率下降 ; 未进行再融资时, 上市公司分别在上述方面获得 1 分, 反之则为 0 各方面的分数加总, 得到上市公司基本面的整体打分 ( 范围为 0~9 分 )

5 金融工程研究金融工程专题报告 5 回测发现, 在低估值 ( 高 BM) 的股票中, 做多基本面打分前 50% 的上市公司, 做空基本面打分后 50% 的上市公司, 持有一年, 策略能够获得 9.7% 的年均超额收益, 年胜率为 85.7% 而在控制市值 估值 动量等其他风险因子的情况下, 基本面打分每增加 1 分, 公司的年收益率平均会上升 2.7% 以上分析中值得特别留意的是 :1) 对选股范围进行了限定, 在低估值股票中, 基本面打分因子的选股效果更明显 ;2) 将基本面数据转化为 变好 变坏 的 0-1 变量, 以降低数据敏感性对结果的影响 6. 支持向量机在识别股票收益高低方面的应用 支持向量机 (SVM) 是机器学习中的一种二元分类器 : 将每一个有标记的训练数据映射成空间中的一个点, 据此确定以最大间隔分开两类数据的超平面 之后的新数据就能根据其映射点与该超平面的位臵关系, 预判其所属的类别 把风险调整后收益处于前 后 x% 的股票视作要区别的标记, 把股票的技术指标和基本面指标作为特征数据, 就能利用 SVM 对股票未来收益的排序进行预测 在分类器的种类选择上, 有线性和非线性两种 线性 SVM 不需要对原始的特征数据进行加工, 可以帮助我们直观地对分类结果做出经济意义上的解释 而非线性 SVM 是为了解决在原始空间中两类数据不能通过平面被直接划分的情况, 在计算时通常需要利用核函数来隐性表示高维空间的转换结果 非线性 SVM 一般在特征数据维度较大时效果更好, 且运算速度并不会大幅降低, 代价是数据经过加工后的可解释性减弱 根据以上方法对 1998 至 2010 年的美国股市构建投资策略 我们选取的技术指标有动量 成交量 高低点数量等 7 项指标, 基本面指标有营收 利润 负债等 44 项指标 由于不同行业的基本面数据特征相差较大, 我们对 GICS 划分的八大行业分别进行分类学习 每一期 ( 以月度为单位 ) 做多各行业中预测收益排名最好的前 10 支股票 做空后 10 支股票, 持仓三期 结果显示, 当 x 取 20 至 40 时, 策略的表现更好, 表明排名中等的股票大多随着市场波动, 对学习尾部特征帮助有限 其中, 当 x 取 25 时, 策略的扣费前年化超额收益为 15%, 波动率低于 8%, 可以达到 2.06 的夏普比率 7. 基于动量 期限结构 特质波动率的商品期货策略 许多研究显示, 基于多种信号构建的多空策略可以获得商品期货的风险溢价, 这些信号包括动量 期限结构 存货水平 对冲压力以及特质波动率等等 动量策略基于资本定价理论, 买入前期累计收益率较高的商品 卖出前期累计收益率较低的商品 ; 期限结构策略基于仓储理论, 买入期限结构为向下倾斜, 即正的展期收益率的商品, 同时卖出期限结构为向上倾斜, 即负的展期收益率的商品 ; 特质波动率策略基于对股票市场的研究, 买入低特质波动率的商品 卖出高特质波动率的商品 在 1985 年至 2011 年期间, 投资者通过系统地买入高累计收益 高展期收益 低特质波动率的商品, 同时卖出低累计收益 低展期收益 高特质波动率的商品, 可以获得持续稳定的收益 我们采用了多因子打分模型, 将商品根据每个因子的排序进行打分, 加总得到商品在三个因子上的总分, 买入得分最高的五分之一商品, 卖出得分最低的五分之一商品, 并持有多空组合一个月 该策略取得 0.69 的夏普比率, 是同期 S&P-GSCI 指数的 5 倍 这个结果与过度反应 流动性风险或商品期货市场的金融化无关, 且对交易成本不敏感 8. 度量因子暴露过程中应当注意的问题 目前, 分析组合因子暴露最常用的方法就是回归分析 但在具体分析过程中, 以往的方法常常只基于理论层面, 而忽视了实际投资中可能出现的问题 首先, 实际的投资组合需要承担各种成本, 两个组合面对的成本不同时, 用同样的因子收益去进行回归分析所得的结果并不可直接进行比较 其次, 在探讨因子暴露时, 各个因子的收益计算都

6 金融工程研究金融工程专题报告 6 是基于全市场所有股票的, 囊括了所有市值的公司 但实际上基于流动性等方面的考量, 大部分基金的投资都偏重于中大盘股票, 如果仍然用基于全市场股票计算所得的因子收益去进行风格分析, 可能并不合适 另外, 以市值因子为例, 传统的做法是计算大市值股票与小市值股票收益之差 这就会给予小市值股票和大市值股票相同的权重, 由于小市值股票本身波动更大, 此时市值因子中更多的风险就会由小市值股票贡献 在实际投资中, 组合管理者一般还会通过设定目标波动率的方法来控制组合对市场的风险暴露, 实际上, 由于市场本身对各个因子的暴露很不稳定, 所以组合对市场的风险暴露大小会对组合在其他因子上的暴露产生很大的影响 除此之外, 对同一风格因子的衡量有多个不同的指标, 同一指标也可用不同的方法去构建, 这些细节在分析时都需要具体问题具体对待 只有理解了因子的理论值与实际值之间的差别, 才能对回归分析的结果有正确的认识 9. 资产配臵的规则化 主动管理的本质就是对预期收益和风险的不断评估和权衡 从这个角度来讲, Markowitz 的理论似乎是处理这一问题的最佳工具 在其他条件保持不变的情况下, 很容易根据 Markowitz 的结果得到以下结论 : 1. 资产的回报率 ( 夏普比率 ) 越高, 投资的金额越大 ; 2. 资产的风险越高, 投资的金额越小 然而, 实际操作却比预期的要复杂得多 不仅预期收益和夏普比率很难估计, 而且风险结构也相当不稳定 因而, 模型的最终输出常常和直观认识背道而驰, 需要进行大量的修正 结果是, 越来越多的投资者在实践中抛弃了 Markowitz 模型, 认为它只适合存在于教科书上 那么, 这是不是意味着投资者在做资产配臵时, 就可以无视数量化的度量指标, 仅依赖主观的判断 有没有一种方法, 可以基于 Markowitz 理论构建一个既有效又实用的组合管理工具 流行于海外资产管理机构的一类做法是, 将 Markowitz 模型看作是设计有效的投资决策工具的绝佳起点 只不过, 我们需要对围绕在参数周围的噪声进行稳定化的处理, 使之符合一些基本的规则和共识 做一个形象的比喻, 在实际投资中使用 Markowitz 模型就好比我们在一辆行进于崎岖道路上的车内使用望远镜 不是望远镜不起作用, 而是它对周遭的环境过于敏感, 必须进一步稳定化 为此, 我们首先设计了一系列规则化的技术, 包括重抽样 降噪和收缩估计, 以获得更加稳健的结果 其次, 提出了一个对均值 - 方差优化技术潜在运作机制的另类解读, 这对投资者在实践中开发更为稳健的配臵方案十分有意义 尽管这些方法看起来数学味很浓, 也很枯燥, 但它们对均值 - 方差模型发展的贡献和在实际中的价值却不容小觑 10. 风险提示 市场系统性风险 模型失效风险 海外与国内市场结构差异风险 特别声明 : 本篇报告的结果均由数量化模型自动计算得到, 研究员未进行主观判断调整 ; 数据源均来自于市场公开信息

7 信息披露 金融工程研究金融工程专题报告 7 分析师声明 [Table_Analysts] 高道德金融工程研究团队 冯佳睿 金融工程研究团队 郑雅斌 金融工程研究团队 袁林青 金融工程研究团队 沈泽承 金融工程研究团队 罗蕾 金融工程研究团队 本人具有中国证券业协会授予的证券投资咨询执业资格, 以勤勉的职业态度, 独立 客观地出具本报告 本报告所采用的数据和信息均来自市场公开信息, 本人不保证该等信息的准确性或完整性 分析逻辑基于作者的职业理解, 清晰准确地反映了作者的研究观点, 结论不受任何第三方的授意或影响, 特此声明 法律声明 本报告仅供海通证券股份有限公司 ( 以下简称 本公司 ) 的客户使用 本公司不会因接收人收到本报告而视其为客户 在任何情况下, 本报告中的信息或所表述的意见并不构成对任何人的投资建议 在任何情况下, 本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任 本报告所载的资料 意见及推测仅反映本公司于发布本报告当日的判断, 本报告所指的证券或投资标的的价格 价值及投资收入可能会波动 在不同时期, 本公司可发出与本报告所载资料 意见及推测不一致的报告 市场有风险, 投资需谨慎 本报告所载的信息 材料及结论只提供特定客户作参考, 不构成投资建议, 也没有考虑到个别客户特殊的投资目标 财务状况或需要 客户应考虑本报告中的任何意见或建议是否符合其特定状况 在法律许可的情况下, 海通证券及其所属关联机构可能会持有报告中提到的公司所发行的证券并进行交易, 还可能为这些公司提供投资银行服务或其他服务 本报告仅向特定客户传送, 未经海通证券研究所书面授权, 本研究报告的任何部分均不得以任何方式制作任何形式的拷贝 复印件或复制品, 或再次分发给任何其他人, 或以任何侵犯本公司版权的其他方式使用 所有本报告中使用的商标 服务标记及标记均为本公司的商标 服务标记及标记 如欲引用或转载本文内容, 务必联络海通证券研究所并获得许可, 并需注明出处为海通证券研究所, 且不得对本文进行有悖原意的引用和删改 根据中国证监会核发的经营证券业务许可, 海通证券股份有限公司的经营范围包括证券投资咨询业务

8 金融工程研究金融工程专题报告 8 [Table_PeopleInfo] 海通证券股份有限公司研究所 路颖所长 (021) luying@htsec.com 高道德副所长 (021) gaodd@htsec.com 姜超副所长 (021) jc9001@htsec.com 江孔亮副所长 (021) kljiang@htsec.com 邓勇所长助理 (021) dengyong@htsec.com 荀玉根所长助理 (021) xyg6052@htsec.com 钟奇所长助理 (021) zq8487@htsec.com 宏观经济研究团队姜超 (021) jc9001@htsec.com 顾潇啸 (021) gxx8737@htsec.com 于博 (021) yb9744@htsec.com 梁中华 (021) lzh10403@htsec.com 联系人李金柳 (021) ljl11087@htsec.com 宋潇 (021) sx11788@htsec.com 固定收益研究团队姜超 (021) jc9001@htsec.com 周霞 (021) zx6701@htsec.com 朱征星 (021) zzx9770@htsec.com 张卿云 (021) zqy9731@htsec.com 姜珮珊 (021) jps10296@htsec.com 联系人杜佳 (021) dj11195@htsec.com 政策研究团队李明亮 (021) lml@htsec.com 陈久红 (021) chenjiuhong@htsec.com 吴一萍 (021) wuyiping@htsec.com 朱蕾 (021) zl8316@htsec.com 周洪荣 (021) zhr8381@htsec.com 王旭 (021) wx5937@htsec.com 汽车行业邓学 (0755) dx9618@htsec.com 杜威 dw11213@htsec.com 联系人谢亚彤 (021) xyt10421@htsec.com 王猛 (021) wm10860@htsec.com 互联网及传媒钟奇 (021) zq8487@htsec.com 郝艳辉 (010) hyh11052@htsec.com 许樱之 xyz11630@htsec.com 联系人孙小雯 (021) sxw10268@htsec.com 强超廷 (021) qct10912@htsec.com 毛云聪 (010) myc11153@htsec.com 刘欣 (010) lx11011@htsec.com 唐宇 (021) ty11049@htsec.com 金融工程研究团队高道德 (021) gaodd@htsec.com 冯佳睿 (021) fengjr@htsec.com 郑雅斌 (021) zhengyb@htsec.com 余浩淼 (021) yhm9591@htsec.com 袁林青 (021) ylq9619@htsec.com 罗蕾 (021) ll9773@htsec.com 沈泽承 (021) szc9633@htsec.com 联系人周一洋 (021) zyy10866@htsec.com 姚石 (021) ys10481@htsec.com 吕丽颖 (021) lly10892@htsec.com 张振岗 (021) zzg11641@htsec.com 颜伟 (021) yw10384@htsec.com 史霄安 sxa11398@htsec.com 策略研究团队荀玉根 (021) xyg6052@htsec.com 钟青 (010) zq10540@htsec.com 高上 (021) gs10373@htsec.com 联系人郑英亮 (021) zyl10427@htsec.com 姚佩 (021) yp11059@htsec.com 唐一杰 tyj11545@htsec.com 李影 (021) ly11082@htsec.com 石油化工行业邓勇 (021) dengyong@htsec.com 联系人朱军军 (021) zjj10419@htsec.com 毛建平 (021) mjp10376@htsec.com 殷奇伟 (021) yqw10381@htsec.com 公用事业张一弛 (021) zyc9637@htsec.com 联系人赵树理 (021) zsl10869@htsec.com 张磊 (021) zl10996@htsec.com 有色金属行业施毅 (021) sy8486@htsec.com 联系人杨娜 (021) yn10377@htsec.com 李姝醒 (021) lsx11330@htsec.com 金融产品研究团队高道德 (021) gaodd@htsec.com 倪韵婷 (021) niyt@htsec.com 陈瑶 (021) chenyao@htsec.com 唐洋运 (021) tangyy@htsec.com 宋家骥 (021) sjj9710@htsec.com 薛涵 xh11528@htsec.com 联系人谈鑫 (021) tx10771@htsec.com 皮灵 (021) pl10382@htsec.com 王毅 (021) wy10876@htsec.com 蔡思圆 (021) csy11033@htsec.com 徐燕红 (021) xyh10763@htsec.com 庄梓恺 zzk11560@htsec.com 中小市值团队钮宇鸣 (021) ymniu@htsec.com 张宇 (021) zy9957@htsec.com 刘宇 (021) liuy4986@htsec.com 孔维娜 (021) kongwn@htsec.com 联系人王鸣阳 (021) wmy10773@htsec.com 程碧升 (021) cbs10969@htsec.com 潘莹练 (021) pyl10297@htsec.com 相姜 (021) xj11211@htsec.com 医药行业余文心 (0755) ywx9461@htsec.com 郑琴 (021) zq6670@htsec.com 孙建 (021) sj10968@htsec.com 师成平 (010) scp10207@htsec.com 联系人贺文斌 (010) hwb10850@htsec.com 刘浩 (010) lh11328@htsec.com 批发和零售贸易行业汪立亭 (021) wanglt@htsec.com 王晴 (021) wq10458@htsec.com 李宏科 (021) lhk11523@htsec.com 联系人史岳 (021) sy11542@htsec.com 房地产行业涂力磊 (021) tll5535@htsec.com 谢盐 (021) xiey@htsec.com 贾亚童 (021) jiayt@htsec.com 联系人杨凡 (021) yf11127@htsec.com 金晶 (021) jj10777@htsec.com

9 电子行业陈平 (021) 联系人谢磊 (021) 张天闻 尹苓 (021) 基础化工行业刘威 (0755) 刘强 (021) 联系人刘海荣 (021) 张翠翠 非银行金融行业孙婷 (010) 何婷 (021) 联系人夏昌盛 (010) 李芳洲 (021) 建筑建材行业邱友锋 (021) 冯晨阳 (021) 钱佳佳 (021) 联系人周俊 建筑工程行业杜市伟 联系人毕春晖 (021) 军工行业徐志国 (010) 刘磊 (010) 蒋俊 (021) 联系人 张恒晅 (010) 张宇轩 家电行业陈子仪 (021) 联系人李阳 朱默辰 煤炭行业吴杰 (021) 李淼 (010) 联系人戴元灿 (021) 计算机行业郑宏达 (021) 谢春生 (021) 鲁立 联系人黄竞晶 (021) 杨林 (021) 洪琳 交通运输行业虞楠 (021) 张杨 (021) 联系人童宇 (021) 机械行业沈伟杰 (021) 佘炜超 (021) 耿耘 (021) 联系人杨震 (021) 农林牧渔行业丁频 (021) 陈雪丽 (021) 陈阳 (010) 联系人关慧 (021) 夏越 (021) 银行行业林媛媛 (0755) 联系人林瑾璐 谭敏沂 造纸轻工行业曾知 (021) 联系人朱悦 (021) 赵洋 (021) 金融工程研究金融工程专题报告 9 电力设备及新能源行业杨帅 (010) ys8979@htsec.com 房青 (021) fangq@htsec.com 徐柏乔 (021) xbq6583@htsec.com 联系人曾彪 (021) zb10242@htsec.com 张向伟 (021) zxw10402@htsec.com 通信行业朱劲松 (010) zjs10213@htsec.com 联系人庄宇 (010) zy11202@htsec.com 余伟民 (010) ywm11574@htsec.com 纺织服装行业唐苓 (021) tl9709@htsec.com 梁希 (021) lx11040@htsec.com 于旭辉 (021) yxh10802@htsec.com 联系人马榕 (021) mr11128@htsec.com 钢铁行业刘彦奇 (021) liuyq@htsec.com 联系人刘璇 (021) lx11212@htsec.com 周慧琳 (021) zhl11756@htsec.com 食品饮料行业闻宏伟 (010) whw9587@htsec.com 孔梦遥 (010) kmy10519@htsec.com 成珊 (021) cs9703@htsec.com 社会服务行业李铁生 (010) lts10224@htsec.com 联系人陈扬扬 (021) cyy10636@htsec.com 顾熹闽 gxm11214@htsec.com 研究所销售团队

10 金融工程研究金融工程专题报告 10 深广地区销售团队蔡铁清 (0755) 伏财勇 (0755) 辜丽娟 (0755) 刘晶晶 (0755) 王雅清 (0755) 饶伟 (0755) 欧阳梦楚 (0755) 巩柏含 宗亮 上海地区销售团队胡雪梅 (021) 朱健 (021) 季唯佳 (021) 黄毓 (021) 漆冠男 (021) 胡宇欣 (021) 黄诚 (021) 蒋炯 毛文英 (021) 马晓男 杨祎昕 (021) 方烨晨 (021) 慈晓聪 张思宇 王朝领 北京地区销售团队殷怡琦 (010) 吴尹 陈铮茹 陆铂锡 杨羽莎 (010) 张丽萱 (010) 张明 海通证券股份有限公司研究所地址 : 上海市黄浦区广东路 689 号海通证券大厦 9 楼电话 :(021) 传真 :(021) 网址 :