金融工程研究 证券分析师祝涛 多因子模型在钢铁行业中的应用研究 核心观点 : 金融工程专题报告 基本面量化系列专题之四 分析师 : 祝涛 SAC NO:S 年 9 月 27 日 在基本面量化系列专题的第一篇

Transcription

1 金融工程研究 证券分析师祝涛 多因子模型在钢铁行业中的应用研究 核心观点 : 基本面量化系列专题之四 分析师 : 祝涛 SAC NO:S 年 9 月 27 日 在基本面量化系列专题的第一篇中, 我们介绍了钢铁行业的择时模型和子行业轮动模型, 本文进一步在个股层面, 探索多因子模型在钢铁行业中的应用表现情况 证券研究报告金融工程专题报 相关研究报告 钢铁行业择时及子行业轮动模型研究 基本面量化系列专题之一 单因子检验我们测试了估值 盈利 成长 动量 波动率 流动性和市值共七大类在钢铁行业中的选股效果, 其中, 盈利 成长 动量和波动率这四大类因子相对更为有效 不过, 各大类因子都或多或少存在在某段时期失效的情况 综合这七大类因子构建钢铁行业的选股模型, 钢铁行业收益预测模型的构建我们选择最简单直观的移动均值模型, 股票池的选取采用固定比例和固定只数两种方法, 按固定比例选股相对于行业指数年化能有 8.7% 的超额收益, 按固定只数选股相对于行业指数年化能有 12.9% 的超额收益 总结及展望由于钢铁行业股票只数较少, 我们的目的不在于构建精准收益预测的模型, 而是想探讨不同类型因子如估值 盈利 成长以及价量因子在行业不同发展阶段 在不同市场条件下的表现情况 基本面因子中, 估值因子在行业整体估值下降的过程中通常表现会相对较好, 盈利因子在行业业绩改善的过程中表现相对较好, 成长因子的历史表现在钢铁行业累计利润同比为正的时期表现较好, 这三个因子其实是相辅相成 相关性很高的 综合来看, 对于钢铁行业, 在行业复苏及繁荣的阶段适宜选择估值低 业绩好 成长性高的股票加以进攻, 但在行业衰退阶段, 选择估值相对低 业绩相对好 成长性相对不错的股票防守性可能比较一般 价量因子的历史表现并没有基本面因子这样较为明显的规律, 可能更多的是与市场整体的投资风格偏好有关 我们后续将进一步探索钢铁行业量化选股的策略, 包括更多特色因子的挖掘以及基于宏观因子进行选股的方法等 风险提示未来模型失效的风险 告 请务必阅读正文之后的免责声明渤海证券股份有限公司具备证券投资咨询业务资格 1 of 23

2 目录 1. 引言 多因子模型在钢铁行业中的应用 单因子检验 估值因子 盈利因子 成长因子 动量因子 波动率因子 流动性因子 市值因子 多因子选股模型 总结和展望 请务必阅读正文之后的免责声明 2 of 23

3 图目录 图 1: 估值因子多空累计净值图... 9 图 2: 盈利因子多空累计净值图 图 3: 成长因子多空累计净值图 图 4: 动量因子多空累计净值图 图 5: 波动率因子多空累计净值图 图 6: 流动性因子多空累计净值图 图 7: 市值因子多空累计净值图 图 8: 各大类因子多空累计净值图 图 9: 选取预测收益前 30% 股票的选股表现 图 10: 选取预测收益前 10 股票的选股表现 表目录 表 1: 钢铁行业成分股... 4 表 2: 因子分类及解释... 5 表 3: 估值因子的单因子检验结果... 8 表 4: 盈利因子的单因子检验结果... 9 表 5: 成长因子的单因子检验结果 表 6: 动量因子的单因子检验结果 表 7: 波动率因子的单因子检验结果 表 8: 流动性因子的单因子检验结果 表 9: 市值因子的单因子检验结果 表 10: 各大类因子各年度多空收益率统计 表 11: 各大类因子间相关系数均值统计 表 12: 多因子模型股票池 (2018 年 9 月 ) 请务必阅读正文之后的免责声明 3 of 23

4 1. 引言 我们在基本面量化系列专题的第一篇 ( 见 钢铁行业择时及子行业轮动模型研究 基本面量化系列专题之一 ) 中, 介绍了钢铁行业的择时模型和子行业轮动模型, 本文将进一步在个股层面, 探索钢铁行业中用量化的方法进行选股的策略 本文我们主要探索多因子模型在钢铁行业中的应用表现情况 我们参考中信行业指数和申万行业指数的钢铁行业成分股, 结合各个公司目前的 主营业务进行筛选, 剔除已转型的公司, 并将钢铁行业分成板材 长材 特钢和 铁矿石四个子行业 最终确定钢铁行业成分股构成如下表所示 表 1: 钢铁行业成分股 代码 名称 所属二级行所属二级行代码名称业业 SZ 华菱钢铁 板材 SZ 新兴铸管 长材 SZ 河钢股份 板材 SZ 三钢闽光 长材 SZ 本钢板材 板材 SH 凌钢股份 长材 SZ 鞍钢股份 板材 SH 方大特钢 长材 SZ 首钢股份 板材 SH 玉龙股份 长材 SH 包钢股份 板材 SH 银龙股份 长材 SH 宝钢股份 板材 SZ 常宝股份 特钢 SH 南钢股份 板材 SZ 大冶特钢 特钢 SH 安阳钢铁 板材 SZ 沙钢股份 特钢 SH 新钢股份 板材 SZ 久立特材 特钢 SH 马钢股份 板材 SZ 金洲管道 特钢 SZ 扬子新材 板材 SZ 永兴特钢 特钢 SH 重庆钢铁 板材 SH 西宁特钢 特钢 SH 杭钢股份 板材 SH 武进不锈 特钢 SH 酒钢宏兴 板材 SZ 太钢不锈 特钢 SH 八一钢铁 板材 SZ 中原特钢 特钢 SH 山东钢铁 长材 SH 宏达矿业 铁矿石 SH 柳钢股份 长材 SH 海南矿业 铁矿石 SZ 韶钢松山 长材 资料来源 : 渤海证券研究所 2. 多因子模型在钢铁行业中的应用 2.1 单因子检验 请务必阅读正文之后的免责声明 4 of 23

5 Barra 结构化风险模型是目前全球最知名的多因子模型之一,Barra 手册列举了若干经过特殊处理的因子, 再结合常见的财务和价量指标, 我们选取动量 流动性 波动 价值 成长 盈利和市值共七个大类因子, 每个大类因子中选取若干小类因子, 各小类因子具体解释如下表所示, 其中参考 Barra 手册的因子在下表的因子解释中有相应说明 这些因子我们曾在全体 A 股中进行了测试 ( 见 多因子模型研究之一 : 单因子测 试 ), 本节我们将检验这些因子在钢铁行业中选股的有效性 表 2: 因子分类及解释 大类因子小类因子因子解释 动量 流动性 波动 RSTR_m12 RSTR_m6 RSTR_m3 RSTR_m1 RS_1 RS_3 RS_6 RS_12 alpha STOM_Barra STOQ_Barra STOA_Barra STOM STOQ STOS STOA MSM MSQ MSS dastd_barra cmra_barra hsigma_barra beta_barra yieldvol_1 yieldvol_3 yieldvol_6 VOL_1 VOL_3 VOL_6 VOL_12 Barra 因子 : 年度动量 Barra 因子 : 半年动量 Barra 因子 : 季度动量 Barra 因子 : 月度动量月度收益率季度收益率半年收益率年度收益率 alpha 系数 : 个股收益率序列与沪深 300 指数收益率序列以半衰期指数加权, 得到 alpha 系数, Barra 因子 : 月度流动性指标 Barra 因子 : 季度流动性指标 Barra 因子 : 半年流动性指标月度平均换手率季度平均换手率半年平均换手率年度平均换手率月度换手率变动季度换手率变动半年换手率变动 Barra 因子 : 年度加权平均波动率 Barra 因子 : 年度波动率 Barra 因子 : 特质波动率 Barra 因子 : 贝塔系数月度日收益率波动率季度日收益率波动率半年日收益率波动率成交量月度波动率成交量季度波动率成交量半年波动率成交量年度波动率 请务必阅读正文之后的免责声明 5 of 23

6 价值成长盈利市值 ETOP_barra Barra 因子 ; 1/ 市盈率 CETOP_Barra Barra 因子 ;1/ 市现率 BTOP_barra Barra 因子 ; 1/ 市净率 epcut_ttm 1/ 市盈率 ( 扣除非经营性损益部分 ) sp_ttm 1/ 营收市值比 qfa_yoysales_qq 单季度营业收入一年增长率 qfa_yoynetprofit_qq 单季度归母净利润一年增长率 yoy_or_qq 营业收入一年增长率 yoy_growth_netprofit_qq 归母净利润一年增长率 growth_or_qq_3 营业收入三年增长率 growth_netprofit_qq_3 归母净利润三年增长率 sgro_barra Barra 因子 : 过去 5 年企业营业收入复合增长率 qfa_roe 当季净资产收益率 roe_ttm 滚动 ROE qfa_roa 当季资产收益率 roa_ttm 滚动 ROA roic_qq 投入资本回报率 sales2ev 营业收益率 LNCAP_barra Barra 因子 ; 总市值 nonlinearsize_barra Barra 因子 ; 中等市值 ; 将总市值的对数与总市值立方的对数回归得到残差 资料来源 :The Barra China Equity Model (CNE5), 渤海证券研究所 在提取了原始的因子数据之后, 我们根据以下步骤进行单个因子在钢铁行业内选 股的有效性检验 因子数据前期处理 1 数据对齐: 上市公司财报的报告期和报告发布日期之间有一定延迟, 为避免未来信息, 在提取数据的时候, 需要对日期进行修正, 保证因子数据为当时能获取的最新财报数据 在所有财务数据披露完成之后, 统一更新因子数据, 每月的数据在当月最后一天进行更新, 即 4-7 月末选择一季报数据,8 9 月末选择半年报数据,10-12 及次年 1-3 月末选择三季报数据 ; 2 去极值 : 避免数据中的极端值对结果产生过多影响, 使用中位数去极值法, 将超过上下限的极端值用上下限值代替 ; 3 缺失值处理 : 对于部分缺失的因子数据, 使用行业全体股票的中位值来代替 ; 4 标准化 : 为了使各个数据之间具有可比性, 对数据进行 ZScore 标准化处理, 使因子序列近似成为一个符合 N(0,1) 正态分布的序列 请务必阅读正文之后的免责声明 6 of 23

7 单因子回归检验 对于单个因子用于钢铁行业选股效果的检验, 首先根据 Barra 手册中关于因子显 著性测试的内容, 对因子进行横截面回归, 同时考虑市值因素的影响 : T 1 i r x T size f T size, i x T d f T d, i u T i 其中 为股票 i 在 T+1 期的收益率, f T 为第 T 期, 股票 i 的流通市值, f T 为 i size, i d, i r T 1 第 T 期, 股票 i 在 d 因子上的因子暴露, x T size x T d 为回归模型运算所得的因子收 益率, u T i 为回归模型运算所得股票 i 的残差 经过回归模型, 可以得到因子收益 t 检验的 t 值序列与因子收益序列 x T d 信息比率 IC 是衡量因子收益预测能力的重要参数, 它的计算方法是将每一期的因 子值作为因变量, 市值变量进行回归, 取其残差, 作为剔除行业与市值影响后的 因子值 再计算新因子值与下一期股票收益序列间的 Spearman 相关系数 通过以上回归模型主要考察以下几个指标 : 1) 因子收益平均值 : 衡量因子收益能力大小的指标 ; 2) 因子收益 t 值 : 衡量因子收益率统计上是否显著不为 0 的指标 ; 3) 因子收益 >0 概率 : 衡量因子收益率方向性是否一致的指标 ; 4)IC 平均值 : 衡量模型预测能力的指标 ; 5)ICIR:IC 平均值 /IC 标准差 单因子多空检验 由于钢铁行业股票数量较少, 样本量的问题使得常规的回归检验及 IC ICIR 的方法会受到较大的影响, 统计结果容易不显著, 因此我们加入多空检验的方法进行辅助判断, 即在截面数据上根据因子值统计前 30% 和后 30% 的股票次月收益率均值的差额作为多空收益, 并统计多空收益大于 0 的概率以及多空累计净值的最大回撤进行综合分析 请务必阅读正文之后的免责声明 7 of 23

8 单因子检验的样本区间选取为 2010 年 1 月至 2018 年 8 月 估值因子 估值因子我们测试了 1/ 市盈率 (ETOP_barra) 1/ 市净率 (BTOP_barra) 1/ 市 现率 (CETOP_barra) 1/TTM 市盈率 (epcut_ttm) 和 1/ 市销率 (sp_ttm) 共五 个指标 从因子收益上来看, 估值因子里多数因子收益均值为正, 说明钢铁行业估值水平较低的公司整体上能获得一定的超额收益 不过估值因子的显著性水平普遍不太高, 只有 ETOP_barra 和 CETOP_barra 的因子收益 t 值超过 1, 且因子收益大于 0 的概率只有这两个指标超过 50% 从多空收益上来看, 同样是 ETOP_barra 和 CETOP_barra 两个因子的多空收益均值较高, 且多空净值最大回撤最小 综合考虑, 估值因子选择 ETOP_barra 和 CETOP_barra 两个指标 估值因子 2016 年以前的表现比较一般, 近三年的表现较佳, 这三年也是供给侧 改革之后的行业复苏期 估值因子主要的失效期是 2014 年 12 月至 2016 年 2 月, 相应这段时间是钢铁行业业绩快速下滑的一段时期 表 3: 估值因子的单因子检验结果 因子收多空收多空净因子收因子收 IC 平均多空收益 >0 概 ICIR 益 >0 概值最大益均值益 t 值值益均值率率回撤 ETOP_barra CETOP_barra BTOP_barra epcut_ttm sp_ttm 请务必阅读正文之后的免责声明 8 of 23

9 图 1: 估值因子多空累计净值图 盈利因子 盈利因子我们测试了当季净资产收益率 (qfa_roe) 滚动净资产收益率 (roe_ttm) 当季资产收益率 (qfa_roa) 滚动资产收益率 (roa_ttm) 投入资本回报率 (roic_qq) 和营业收益率 (SALE2EV) 共六个指标 从因子收益上来看, 六个盈利因子的因子收益均值均为正值, 说明钢铁行业中盈利水平高的公司整体上能获得一定的超额收益 其中,qfa_roe 因子收益 t 值为 1.85, 显著性水平较高,roe_ttm qfa_roa 和 SALE2EV 的因子收益 t 值也均超过 1 从多空收益上来看,qfa_roe qfa_roa 和 SALE2EV 的多空收益均值相对较高, 而 roe_ttm 的多空净值最大回撤超过了 0.40, 说明在历史上有明显失效的情况存在 综合考虑, 盈利因子选择 qfa_roe qfa_roa 和 SALE2EV 三个小类因子 盈利因子样本期内整体表现一直较好, 主要的失效期是 2011 年 8 月至 2012 年 11 月, 相应的这段时间是钢铁行业的盈利能力从高点开始明显回落的一段时期, 在近三年的行业复苏期, 盈利因子有着较佳的表现 表 4: 盈利因子的单因子检验结果 因子收益均值 因子收益 t 值 因子收 益 >0 概 率 IC 平均 值 ICIR 多空收 益均值 多空收 益 >0 概 率 多空净 值最大 回撤 请务必阅读正文之后的免责声明 9 of 23

10 qfa_roe roe_ttm qfa_roa roa_ttm roic_qq SALE2EV 图 2: 盈利因子多空累计净值图 成长因子 成长因子我们测试了单季度营业收入一年增长率 (qfa_yoysales_qq) 单季度归母净利润一年增长率 (qfa_yoynetprofit_qq) 营业收入一年增长率(yoy_or_qq) 归母净利润一年增长率 (yoy_growth_netprofit_qq) 营业收入三年增长率 (growth_or_qq_3) 归母净利润三年增长率 (growth_netprofit_qq_3) 和 Barra 过去 5 年企业营业收入复合增长率 (sgro_barra) 共七个指标 从因子收益上来看, 与利润增长相关的因子收益均值均为正, 而与收入增长相关的因子收益均值都在 0 附近, 说明钢铁行业中利润增长水平高的公司整体上能获得一定的超额收益 其中,yoy_growth_netprofit_qq 因子收益 t 值为 2.59, 显著性水平较高,qfa_yoynetprofit_qq 和 growth_netprofit_qq_3 的因子收益 t 值也均接近或超过 1 从多空收益上来看,qfa_yoynetprofit_qq yoy_growth_netprofit_qq 和 growth_netprofit_qq_3 的多空收益均值相对较高 综合考虑, 成长因子选择 qfa_yoynetprofit_qq yoy_growth_netprofit_qq 和 growth_netprofit_qq_3 三个小请务必阅读正文之后的免责声明 10 of 23

11 类因子 成长因子样本期内整体表现较好, 主要失效期也是 2014 年 12 月至 2016 年 2 月, 这段时间也是钢铁行业处于衰退的一段时间, 在近三年的行业复苏期, 成长因子 有着较佳的表现 表 5: 成长因子的单因子检验结果 因子收多空收多空净因子收因子收 IC 平均多空收益 >0 概 ICIR 益 >0 概值最大益均值益 t 值值益均值率率回撤 qfa_yoysales_qq qfa_yoynetprofit_qq yoy_or_qq yoy_growth_netprofit_qq growth_or_qq_ growth_netprofit_qq_ sgro_barra 图 3: 成长因子多空累计净值图 动量因子 动量因子我们测试了 Barra 年度动量 (RSTR_m12 ) Barra 半年度动量 (RSTR_m6) Barra 季度动量 (RSTR_m3) Barra 月度动量 (RSTR_m1) 月度收益率 (RS_1) 季度收益率(RS_3) 半年收益率(RS_6) 年度收益率请务必阅读正文之后的免责声明 11 of 23

12 (RS_12) 和 alpha 共九个指标 从因子收益上来看, 与动量相关的因子收益均值均为负, 且收益均值 t 值大多都低于 -2, 说明钢铁行业中存在较为显著的反转效应 其中,RSTR_m1 RSTR_m3 RSTR_m6 和 RS_6 的收益均值 t 值相对较低, 显著性水平较高 从多空收益上来看, 这四个指标的多空收益均值也相对较高, 不过 RS_6 的多空净值最大回撤达到了 -0.48, 说明在历史上有明显失效的情况存在 综合考虑, 动量因子选择 RSTR_m1 RSTR_m3 RSTR_m6 三个小类因子 动量因子在 2017 年之前表现一直较好, 近两年有一定的失效, 样本期内整体来 看动量因子表现与行业发展状况之间没有明显的规律可循 表 6: 动量因子的单因子检验结果 因子收多空收多空净因子收因子收 IC 平均多空收益 >0 概 ICIR 益 >0 概值最大益均值益 t 值值益均值率率回撤 RSTR_m RSTR_m RSTR_m RSTR_m RS_ RS_ RS_ RS_ alpha 请务必阅读正文之后的免责声明 12 of 23

13 图 4: 动量因子多空累计净值图 波动率因子 波动率因子我们测试了 Barra 年度加权平均波动率 (dastd_barra) Barra 年度波动率 (cmra_barra) Barra 特质波动率 (hsigma_barra) Barra 贝塔系数 (beta_barra) 月度波动率(yieldvol_1) 季度波动率(yieldvol_3) 半年度波动率 (yieldvol_6) 月度成交量收益率(VOL_1) 季度成交量收益率(VOL_3) 半年度成交量收益率 (VOL_6) 和年度成交量收益率 (VOL_12) 共 11 个指标 从因子收益上来看, 各波动率因子的收益均值均为负, 半数左右的因子收益均值 t 值低于 -2, 说明钢铁行业中波动率水平较低的公司整体上能获得一定的超额收益 其中,dastd_barra VOL_1 VOL_3 VOL_6 和 VOL_12 的收益均值 t 值小于 -2, 显著性水平较高 从多空收益上来看,dastd_barra VOL_1 VOL_3 的多空收益均值相对较高, 均超过 1 综合考虑, 波动率因子选择 dastd_barra VOL_1 VOL_3 三个小类因子 波动率因子样本期内整体表现也相对较好, 主要的失效期是 2014 年底和 2017 年 6 月至今, 样本期内整体来看动量因子表现与行业发展状况之间同样没有明显 的规律可循 请务必阅读正文之后的免责声明 13 of 23

14 表 7: 波动率因子的单因子检验结果 因子收多空收多空净因子收因子收 IC 平均多空收益 >0 概 ICIR 益 >0 概值最大益均值益 t 值值益均值率率回撤 dastd_barra cmra_barra hsigma_barra beta_barra yieldvol_ yieldvol_ yieldvol_ VOL_ VOL_ VOL_ VOL_ 图 5: 波动率因子多空累计净值图 流动性因子 流动性因子我们测试了 Barra 月度流动性指标 (STOM_Barra) Barra 季度流动性指标 (STOQ_Barra) Barra 年度流动性指标 (STOA_Barra) 月度平均换手率 (STOM) 季度平均换手率(STOQ) 半年平均换手率(STOS) 年度平均换手率 (STOA) 月度换手率变化(MSM) 季度换手率变化(MSQ) 半年换手率变化 (MSS) 共十个指标 请务必阅读正文之后的免责声明 14 of 23

15 从因子收益上来看, 各流动性因子因子收益均值多数在 0 值附近, 并且显著性水平普遍较低, 说明钢铁行业中流动性因子选股获取超额收益的能力较弱 从多空收益上来看,MSS 多空收益均值最高, 且多空收益大于 0 的概率明显超过 50% 综合考虑, 流动性因子选择 MSS 一个小类因子, 即钢铁行业内半年换手率明显改善的公司整体可以获得超额收益 流动性因子整体表现与其他因子相比有一定差距 表 8: 流动性因子的单因子检验结果 因子收多空收多空净因子收因子收 IC 平均多空收益 >0 概 ICIR 益 >0 概值最大益均值益 t 值值益均值率率回撤 STOM_Barra STOQ_Barra STOA_Barra STOM STOQ STOS STOA MSM MSQ MSS 图 6: 流动性因子多空累计净值图 市值因子 请务必阅读正文之后的免责声明 15 of 23

16 市值因子我们测试了 Barra 总市值 ( LNCAP_barra ) 和 Barra 中等市值 (nonlinearsize_barra) 共两个指标 从因子收益上来看, 总市值因子收益为负, 中等市值因子因处理方法的不同, 因子收益为正, 不过二者因子收益 t 值的绝对值均超过 2, 显著性水平较高, 说明钢铁行业内小市值的公司整体上能获得一定的超额收益 从多空收益上来看, 这两个指标的多空收益均值相对较高, 接近于 1 综合考虑, 市值因子同时选择 LNCAP_barra 和 nonlinearsize_barra 两个小类因子 市值因子样本期内整体表现也相对较好, 主要的失效期是 2014 年底和 2017 年 6 月至今, 样本期内整体来看市值因子表现与行业发展状况之间没有明显的规律可 循 表 9: 市值因子的单因子检验结果 因子收多空收多空净因子收因子收 IC 平均多空收益 >0 概 ICIR 益 >0 概值最大益均值益 t 值值益均值率率回撤 LNCAP_barra nonlinearsize_barra 图 7: 市值因子多空累计净值图 请务必阅读正文之后的免责声明 16 of 23

17 2.2 多因子选股模型 本小节我们将综合上节选取的有效因子, 构建钢铁行业的多因子选股模型 首先将小类因子等权合并成大类因子, 同样在截面数据上根据因子值统计前 30% 和后 30% 股票的次月收益率均值差作为多空收益, 并通过多空累计净值观察各大类因子在历史上的表现情况 通过对比可以发现不同时期有效的因子不尽相同, 因此将多个因子结合进行选股可能获得更为稳定的结果 图 8: 各大类因子多空累计净值图 表 10: 各大类因子各年度多空收益率统计 估值 盈利 成长 动量 波动率 流动性 市值 % 13.1% 8.7% 15.7% 18.0% -5.4% 19.7% % 1.3% 8.2% -4.9% 22.0% -2.5% -4.5% % -7.3% 18.5% 33.0% 2.0% 3.3% 11.2% % 5.0% 23.1% 9.9% 12.1% 8.2% 14.9% % 15.2% 17.6% -5.4% -8.8% 25.0% -26.0% % -11.9% -23.1% 32.9% 86.0% 5.9% 64.1% % 31.7% 15.0% 56.2% 53.3% 2.4% 21.3% % 82.7% 43.6% -4.2% -0.8% -0.7% 6.5% % 38.3% 25.0% 15.3% -19.2% 2.2% -15.8% 请务必阅读正文之后的免责声明 17 of 23

18 因子正交 多因子选股采用传统的线性回归模型, 合成之后的大类间因子如表现出较高相关性, 会出现多重共线性的问题, 模型会失真或难以估计准确, 所以在建立收益预测模型之前, 我们使用因子正交的方法, 将相关性较高的因子之一相对另一因子做回归, 取回归残差项进行标准化处理后代替因子值 通过这各大类因子间相关系数均值统计可以看出, 估值因子 盈利因子 成长因子三者之间的相关性较高, 波动率因子和市值因子之间的相关性较高, 因此, 我们将估值因子和成长因子相对盈利因子做正交, 波动率因子相对市值因子做正交, 得到最终的因子池 表 11: 各大类因子间相关系数均值统计 估值 盈利 成长 动量 波动率 流动性 市值 估值 盈利 成长 动量 波动率 流动性 市值 收益预测及选股模型 收益预测模型是多因子模型的重要组成部分, 它主要解决的问题是因子的历史收益率与未来收益率之间的关系 构建钢铁行业的收益预测模型, 我们选择最简单直观的移动均值模型, 将每一期的因子数据与下一期的股票收益率做横截面回归, 选择前 N 期因子历史收益率的均值作为第 N+1 期因子收益率的预测值, 本节测试中 N 选择为 12 股票池的选取我们选取固定比例和固定只数两种方法, 固定比例方法选择下期预测收益率前 30% 的股票, 固定只数方法选择下期预测收益率前 10 的股票 依此选股的表现如下图所示, 两种方法均能相对钢铁行业指数产生一定的超额收益, 固定比例选股策略年化超额收益为 8.7%, 月超额收益大于 0 的概率为 52.7%, 固定只数选股策略年化超额收益为 12.9%, 月超额收益大于 0 的概率为 50% 请务必阅读正文之后的免责声明 18 of 23

19 图 9: 选取预测收益前 30% 股票的选股表现 图 10: 选取预测收益前 10 股票的选股表现 表 12: 多因子模型股票池 (2018 年 9 月 ) 股票代码 股票名称 股票代码 股票名称 SZ 大冶特钢 SH 南钢股份 SZ 韶钢松山 SH 方大特钢 SZ 三钢闽光 SH 安阳钢铁 SH 山东钢铁 SH 新钢股份 SH 凌钢股份 SH 马钢股份 资料来源 : 渤海证券研究所 请务必阅读正文之后的免责声明 19 of 23

20 3. 总结和展望 本文是我们对钢铁行业基本面量化研究的进一步探索, 研究了多因子模型在行业内选股的应用 我们测试了估值 盈利 成长 动量 波动率 流动性和市值共七大类在钢铁行业中的选股效果, 其中, 盈利 成长 动量和波动率这四大类因子相对更为有效 不过, 各大类因子都或多或少存在在某段时期失效的情况 综合这七大类因子构建钢铁行业的选股模型, 按固定比例选股相对于行业指数年化能有 8.7% 的超额收益, 按固定只数选股相对于行业指数年化能有 12.9% 的超额收益 由于钢铁行业股票只数较少, 我们的目的不在于构建精准收益预测的模型, 而是想探讨不同类型因子如估值 盈利 成长以及价量因子在行业不同发展阶段 在不同市场条件下的表现情况 基本面因子中, 估值因子在行业整体估值下降的过程中通常表现会相对较好, 盈利因子在行业业绩改善的过程中表现相对较好, 成长因子的历史表现在钢铁行业累计利润同比为正的时期表现较好, 这三个因子其实是相辅相成 相关性很高的 综合来看, 对于钢铁行业, 在行业复苏及繁荣的阶段适宜选择估值低 业绩好 成长性高的股票加以进攻, 但在行业衰退阶段, 选择估值相对低 业绩相对好 成长性相对不错的股票防守性可能比较一般 而价量因子的历史表现并没有基本面因子这样较为明显的规律, 可能更多的是与市场整体的投资风格偏好有关 我们后续将进一步探索钢铁行业量化选股的策略, 包括更多特色因子的挖掘以及 基于宏观因子进行选股的方法等 风险提示 : 未来模型失效的风险 请务必阅读正文之后的免责声明 20 of 23

21 投资评级说明 项目名称 投资评级 评级说明 买入 未来 6 个月内相对沪深 300 指数涨幅超过 20% 公司评级标准 增持未来 6 个月内相对沪深 300 指数涨幅介于 10%~20% 之间中性未来 6 个月内相对沪深 300 指数涨幅介于 -10%~10% 之间 减持 未来 6 个月内相对沪深 300 指数跌幅超过 10% 看好 未来 12 个月内相对于沪深 300 指数涨幅超过 10% 行业评级标准 中性 未来 12 个月内相对于沪深 300 指数涨幅介于 -10%-10% 之间 看淡 未来 12 个月内相对于沪深 300 指数跌幅超过 10% 免责声明 : 本报告中的信息均来源于已公开的资料, 我公司对这些信息的准确性和完整性不作任何保证, 不保证该信息未经任何更新, 也不保证本公司做出的任何建议不会发生任何变更 在任何情况下, 报告中的信息或所表达的意见并不构成所述证券买卖的出价或询价 在任何情况下, 我公司不就本报告中的任何内容对任何投资做出任何形式的担保, 投资者自主作出投资决策并自行承担投资风险, 任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效 我公司及其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或争取提供投资银行或财务顾问服务 我公司的关联机构或个人可能在本报告公开发表之前已经使用或了解其中的信息 本报告的版权归渤海证券股份有限公司所有, 未获得渤海证券股份有限公司事先书面授权, 任何人不得对本报告进行任何形式的发布 复制 如引用 刊发, 需注明出处为 渤海证券股份有限公司, 也不得对本报告进行有悖原意的删节和修改 请务必阅读正文之后的免责声明 21 of 23

22 渤海证券股份有限公司研究所 副所长 ( 金融行业研究 & 研究所主持工作 ) 张继袖 副所长谢富华 计算机行业研究小组王洪磊 ( 部门副经理 ) 朱晟君 王磊 汽车行业研究小组郑连声 张冬明 环保行业研究张敬华 刘蕾 电力设备与新能源行业研究刘瑀 刘秀峰 医药行业研究小组张冬明 赵波 甘英健 通信 & 电子行业研究小组徐勇 餐饮旅游行业研究刘瑀 杨旭 证券行业研究张继袖 洪程程 金融工程研究 & 部门经理崔健 基金研究刘洋 权益类量化研究李莘泰 宋旸 衍生品类研究祝涛 李元玮 郝倞 债券研究王琛皞 冯振 夏捷 流动性 战略研究 & 部门经理周喜 策略研究宋亦威 杜乃璇 宏观研究张扬 博士后工作站朱林宁资产配置 综合质控 & 部门经理齐艳莉 机构销售 投资顾问朱艳君 风控专员白骐玮 合规专员任宪功 请务必阅读正文之后的免责声明 22 of 23

23 渤海证券研究所 天津天津市南开区宾水西道 8 号邮政编码 : 电话 :(022) 传真 :(022) 北京北京市西城区西直门外大街甲 143 号凯旋大厦 A 座 2 层邮政编码 : 电话 : (010) 传真 : (010) 渤海证券研究所网址 : 请务必阅读正文之后的免责声明 23 of 23