20220728-国盛证券-量化专题报告_系统化指数投资_从完善异象捕捉出发_34页.pdf

请仔细阅读本报告末页声明 证券研究报告 | 金融工程研究 2022 年 07 月 28 日 量化专题报告 系统化指数投资：从完善异象 捕捉 出发 指数投资：充满潜力的模式 。 近年指数产品发展迅速，但以公募 FOF 为代表的机构总体配置比例较低 。 指数投资相对个股投资大幅降低 了 非系统性风险，更适合配置型投资者。 被动 指数 相对主动 基金 具有相似的特质风险水平、更全面的机会集、更强的收益延续性，在 有明确配置观点的时候 为了达到Beta 的 更高暴露，是比主动基金 更优的选择。 当然被动指数投资 相对主动产品投资 而言需要更 为坚实的指数投研框架和更为细致的指数评价体系。 本报告将尝试探索 指标简洁、逻辑清晰、效果显著 的一般化指数投资模式。 指数投资：从完善异象捕捉出发 。 个股的异象收益可否 在指数上同样有效？需要风格中性或者行业中性后才有效的个股异象在指数上大概率无效；指数的特质收益波动被平滑削弱，特质收益 相关 的诸如反转等异象在指数上无效； 针对传统异象 失效风险，在指数上应用之前还需要进一步完善。 我们针对三大传统异象提出了三种 基础 的 捕获方案： “动量生命周期”： 采用换手对动量周期进行识别，提升动量收益捕获效果； “质量 价值”： 采用 Fscore 对价值进行改进，提升价值收益捕获效果； “超预期盈余”： 采用 Jump 对 SUE 进行改进，提升 PEAD 收益捕获效果。 三类模式对广义指数池都有显著二 维线性区分度，所构建的策略都能长期稳定跑赢 Wind 全 A，且三类策略收益 来源不同， 相关性较低，结合能 进一步平滑表现 。 系统化指数投资思考 。 二维指数投资模式的可溯源性为主观与量化结合提供了更多可能。本报告所构建指数投资模式全部采用二维分组方式，组合中每个指数都可以反推出清晰的选择逻辑，可作为主观指数投资的 Checkbox。本文论证了三类异象在指数层面依然有效，打破了传统因子选股中 为了获取异象收益同时控制风险而进行 各种约束带来的收益减弱问题，异象捕获的收益空间进一步打开。模式未来具有进一步改进的空间，包括 对所采用指标 的完善 和新模式的开发 。 风险提示 ： 量化测算基于历史数据，如若市场环境发生变化，不保证规律的延续性。 作者 分析师 叶尔乐 执业证书编号： S0680518100003 邮箱： 分析师 刘富兵 执业证书编号： S0680518030007 邮箱： 相关研究 1、量化分析报告： 2022Q2 季报扫描：复苏假设下关注地产消费链，科技板块关注二三线细分机会2022-07-27 2、量化周报：上证 50 即将确认日线级别下跌2022-07-24 3、量化专题报告： PEAD.notice：基于预告的盈余惊喜选股策略 2022-07-18 4、量化周报：继续逢高减仓 2022-07-17 5、量化专题报告： 2022 半年度金融工程策略展望2022-07-16 2022 年 07 月 28 日 P.2 请仔细阅读本报告末页声明 内容目录 1. 指数投资：充满潜力的模式 . 4 1.1. 指数投资 VS 个股投资 . 5 1.1.1. 大幅降低非系统 性风险 . 5 1.1.2. 更适合配置型投资者 . 6 1.2. 指数投资 VS 主动投资 . 8 1.2.1. 相似的特质风险水平 . 8 1.2.2. 更全面的机 会集 . 8 1.2.3. 更强的收益延续性 . 9 1.2.4. 更强的潜在超额收益 . 10 2. 系统化指数投资：从完善异象捕捉出发 . 12 2.1. 从个股异象到指数异象 . 12 2.2. 回测指数池选取 . 13 2.3. 指数投资模式一：动量生命周期 . 14 2.4. 指数投资模式二：质量 - 价值 . 18 2.5. 指数投 资模式三：超预期盈余 . 22 2.6. 不同指数池效果 . 26 2.7. 模式融合与应用 . 30 3. 系统化指数投资思考 . 31 风险提示 . 33 图表目录 图表 1：国内权益被动基金规模变化 . 4 图表 2：全球 ETF 产品规模占比 . 4 图表 3： 2021 年年报公募 FOF 持有基金规模 . 4 图表 4： 2021 年年报公募 FOF 持有基金不同类型比例 . 4 图表 5：部分投顾机构 2022 年 7 月 14 日组合 . 5 图表 6：个股月频特质收益分布 . 6 图表 7：指数月频特质收益分布 . 6 图表 8：组合内股票数的增加与 波动率的下降关系 . 6 图表 9：组合收益来源及其指数化捕捉 . 7 图表 10：指数类型及已有 ETF 对应情况 . 7 图表 11：主动股基月频特质收益分布 . 8 图表 12：指数月频特质收益分布 . 8 图表 13：被动指数与主动股基在 Barra 风格因子上的平均暴露特征 . 8 图表 14：主动股基平均风格因子暴露 . 9 图表 15：指数平均风格因子暴露 . 9 图表 16：被动指数与主动股基收益完全分解 . 9 图表 17：被动指数与主动股基各项收益延续性 . 10 图表 18：各收益来源 12 个月动量对未来 1 个月收益预测累计 IC . 10 图表 19：主动基金剥离赛道指数收益后的平均 ALPHA . 11 图表 20：医疗服务指数与医药主题偏股基金（规模平均 5 亿以上） 2020 年 8 月 -2021 年 7 月表现 . 11 图表 21：近 10 年 A 股收益较强的主要异象因子 . 12 图表 22：回测指数池 . 13 2022 年 07 月 28 日 P.3 请仔细阅读本报告末页声明 图表 23：指数池基日分布 . 13 图表 24：指数池成分数据起始日期分布 . 13 图表 25：个股动量收益分解 . 14 图表 26：行业动量因子在各地 区市场中的表现 . 14 图表 27：动量生命周期假说 . 15 图表 28：动量生命周期选股回测效果（早期相对晚期收益显著） . 15 图表 29： 1988-2013 动量生命周期全球综合表现（月频调仓，国家间采用市值加权） . 15 图表 30：不同动量生命周期指数近 10 年年化收益率 . 16 图表 31：双变量分组方式 . 16 图表 32：同时分组下“动量生命周期”策略最优组最劣组表现 . 17 图表 33：双重排序下“动量生命周期”策略最优组最劣组表现 . 17 图表 34：“动量生命周期”最优组合表现 . 17 图表 35：“动量 生命周期”最优组合分年表现 . 18 图表 36： Fscore 由三维度九个指标构成 . 18 图表 37： A 股 Fscore 截面分布（ 0 分包括数据缺失股票，图表中未展示） . 19 图表 38：指数 Fscore 分布 . 19 图表 39：指数 Fscore 单维度分组策略结果 . 20 图表 40： PB x Fscore 双分组策略近 10 年年化收益率 . 20 图表 41： PBROE x Fscore 双分组策略近 10 年年化收益率 . 21 图表 42： PE-g x Fscore 双分组策略近 10 年年化收益率 . 21 图表 43：先后分组下“质量 价值”策略最优组最劣组表现 . 22 图表 44：先后分组下“质量 价值”策略最优组与 Wind 全 A 表现 . 22 图表 45：“质量 价值”最优组合分年表现 . 22 图表 46：盈余公告漂移现象 . 23 图表 47：指数 SUE 单维度分组策略结果 . 23 图表 48： SUE x JUMP 双分组策略近 10 年年化收益率 . 24 图表 49：先后分组下“ SUE x JUMP”策略最优组表现 . 24 图表 50：双重排序下“ SUE x JUMP”策略最优组表现 . 24 图表 51： SUE x 现金总资产比率双分组策略近 10 年年化收益率 . 25 图表 52：“超预期盈利”最优组合表现 . 25 图表 53：“超预期盈余”最优组合分年表现 . 26 图表 54：三类指数投资策略最新三期持仓 . 27 图表 55：“动量生命周期”策略（同时分组）在中信三级行业指数池的表现 . 27 图表 56：“动量生命周期”策略（双重排序）在中信三级行业指数池的表现 . 28 图表 57：“质量 价值”策略（双重排序）在中信三级行业指数池的表现 . 28 图表 58：“超预期盈余”策略（双重排序）在中信三级行业指数池的表现 . 29 图表 59：三类指数投资模式在 ETF 跟踪指数池上的策略年化收益表现 . 29 图表 60：三类指数投资模式等权配比后各年相对 Wind 全 A 超额收益 . 30 图表 61：“动量生命周期” +“超预期盈余”等权配比组合表现 . 30 图表 62：“动量生命周期” +“超预期盈余”综合打分组合表现 . 30 图表 63：指数一般化投资模式总结 . 31 图表 64： 2022 年 4 月 底各行业指数所属模式分位 . 31 图表 65：研究范式：解构与系统化 . 32 2022 年 07 月 28 日 P.4 请仔细阅读本报告末页声明 1. 指数投资 ：充满潜力的模式 指数产品 近年规模增长迅速， 2019 年以来 国内公募指数产品 规模 年均增速达到 41%，在所有权益基金中占比维持在 17%的水平，覆盖品种不断丰富。 从全球视角来看， 占比 仍 有进一步提升的空间 。 图表 1： 国内 权益被动基金规模变化 图表 2： 全球 ETF 产品规模占比 资料来源： Wind， 国盛证券研究所 资料来源： ICI， 国盛证券研究所 虽然当前指数产品 市场持续丰富 ，但 以公募 FOF 为代表的国内机构投资者 偏好 主动产品 远 胜被动产品。 从投资者比例来看，国内指数产品的持有人大部分为个人投资者，占比 73%。 根据公募 FOF 产品 2021 的 年报持仓， 主动股 /债基占比 91%， 被动股 /债基占比 仅 5%，其中被动权益产品 3%。 图表 3： 2021 年年报公募 FOF 持有基金规模 图表 4： 2021 年年报公募 FOF 持有基金不同类型比例 资料来源： Wind， 国盛证券研究所 资料来源： Wind， 国盛证券研究所 从投顾 机构 组合来看， 同样更偏好主动产品。 我 们截取了 2022 年 7 月 14 日部分投顾的高风险 组合。 可以看到 除了 第一家 外资投顾 组合配置 一定比例上 偏好被动指数以外，国 2022 年 07 月 28 日 P.5 请仔细阅读本报告末页声明 内大部分机构的投顾产品为全主动 基金 配置。 图表 5： 部分投顾 机构 2022 年 7 月 14 日组合 资料来源： 支付宝 ， 国盛证券研究所 指数产品当前在机构 投资 中 的占比相对其在权益基金中的 占比处于明显低配水平。 对主动产品投资的优势在于效率分工： 将选股、部分的配置工作交给主动基金经理，更多的从总体配置和 Alpha 评价角度进行优选， 专业的人干专业的事， 实现了更高效的投资流程。但是我们将在后文 展开说明，指数具有潜在高收益， 加大对指数产品的投资能从路径最优（效率最优）向全局最优（收益风险比）更进一步。 1.1. 指数投资 VS 个股投资 1.1.1. 大幅降低非系统性风险 指数与个股最大的区别在于非系统性风险的分散。 我们统计了个股和指数除市场、风格、行业以外特质收益的横截面标准差，可以看到个股的平均标准差为 11.1%，而指数的标准差仅为 3.5%，指数的非系统性风险远小于个股。 其中指数池的选取方面，考虑到尽可能包含 A 股各类 Beta，及更广泛的测试指数特性，我们采用如下指数池： ETF 跟踪指数（除宽基）、中信行业指数（ 一二三 级）、 Wind 概念指数（除不可交易 品种 ） ， 共 1000 多只 。 2022 年 07 月 28 日 P.6 请仔细阅读本报告末页声明 图表 6： 个股月频特质收益分布 图表 7： 指数月频特质收益分布 资料来源： Wind， 国盛证券研究所 资料来源： Wind， 国盛证券研究所 仅需少数股票进行组合就可以 将特质收益波动 大幅 降低， 因此 即便是成分股较少的指数一般也不会有太大特质风险 。 对于 11%左右波动率的 股票 收益 序列， 假设其互不相关，通过 等权配置 我们发现 随着组合中股票数增加到 5 只即可将波动率下降一半以上，增加到 10 只即可将波动率降到 3%-4%水平 。 而一般的指数成分股都在 30 只及以上，较为细分的行业或者概念指数成分股一般也在 5 只以上。 图表 8： 组合内股票数的增加与波动率的下降关系 资料来源：国盛证券研究所 1.1.2. 更适合配置型投资者 非系统 性 风险压缩后的指数其收益来源 将更多的 聚焦于各类 Beta。 从而我们可以更多的从 增长、通胀、流动性 等宏观逻辑和风格、行业、赛道等中观逻辑 进行投资。 根据近年实证资产定价理论和指数投资的发展，包括各类行业、风格、策略 Beta 的收益都可以通过一定的指数化技术进行相应的捕捉。 2022 年 07 月 28 日 P.7 请仔细阅读本报告末页声明 图表 9： 组合收益来源及其指数化捕捉 资料来源： MSCI， 国盛证券研究所 目前 所有主流宽基、大部分行业与风格都已有 ETF 产品覆盖。 从配置角度来说工具箱已较为 完备， 有利于配置型投资者进行更为精准的 Beta 捕捉。 当然相对海外市场也还存在继续开发的空间，如：全市场剔除金融、动量、 动态 市值、均线策略等指数产品 。 图表 10： 指数类型及已有 ETF 对应情况 资料来源： Wind， 国盛证券研究所 指数类型 细分类别 是否已有E T F 指数类型 细分类别 是否已有E T F宽基 叠加 - 基本面 大类 - 科技：电子 跨行业主题 大类 - 科技：计算机 全市场剔除金融大类 - 科技：通信 市值 大类 - 科技：传媒 成长 大类 - 科技：电新 价值 大类 - 科技：军工 红利 大类 - 消费：食品饮料 低波 大类 - 消费：家电 质量 大类 - 消费：医药 基本面 大类 - 消费：农林牧渔 ESG 大类 - 消费：社服 地区 大类 - 金融：银行 动量大类 - 金融：券商保险 动态市值大类 - 金融：地产 均线策略大类 - 周期：煤炭 机构行为大类 - 周期：有色 公司行为大类 - 周期：钢铁 政策主题大类 - 周期：化工 事件主题大类 - 周期：石油石化 技术特征大类 - 制造 业绩特征大类 - 公用事业 产业链细分叠加 - 龙头 券商金股行业风格概念 2022 年 07 月 28 日 P.8 请仔细阅读本报告末页声明 1.2. 指数投资 VS 主动投资 1.2.1. 相似的 特质 风险水平 主动基金的 主动管理 行为 并没有将非系统性 风险 显著 降到更低水平。 公募主动股基同样也分散了非系统性风险。一般我们认为基金经理主 观对风险的把控和防御能够进一步降低风险。 但 经过我们的计算， 主动股基的 月度特质收益平均标准差为 3.4%， 与指数基本一致 。 因而 从 股票 特质风险角度来看，指数投资和主动投资没有显著区别。 图表 11： 主动 股基 月频特质收益分布 图表 12： 指数月频特质收益分布 资料来源： Wind， 国盛证券研究所 资料来源： Wind， 国盛证券研究所 从 Beta 风险的角度来说， 指数的 Beta 暴露更为明确和稳定， 而主动的 Beta 暴露更为综合与灵活。在需要高度暴露某一 Beta 的情况下适合选择指数投资，而面对不确定性 时适合 选择 主动投资。 1.2.2. 更全面 的机会集 我们计算了 被动 指数和主动股基 的平均 Barra 风格暴露时间序列，其 异同在于： 图表 13： 被动指数与主动股基在 Barra 风格因子上的 平均 暴露特征 被动指数 主动股基 市值 中市值 阶段性偏离 Beta 近年较低 近年较高 动量 长期为正 不稳定 成长 负 正 波动 正 正 流动性 正 正 价值 负 负 盈利 负 负 杠杆 负 负 资料来源： Wind， 国盛证券研究所 2022 年 07 月 28 日 P.9 请仔细阅读本报告末页声明 主动股基由于基金经理作为人的趋同效应以及 相同的激励规则，风格具有系统性的偏离。比如在 2014-2017 偏中小市值， 2018 年以来偏大市值，在动量和成长上长期高暴露。而被动指数 没有主观成分，因而反映的是全市场各细分板块的平均水平 ，其 包含的标的范围和风格 跨度 更广 ，对于主动股基阶段性 低配 的 冷门 板块，指数可以作为很好的补充 。 图表 14： 主动股基 平均风格因子暴露 图表 15： 指数平均风格因子暴露 资料来源： Wind， 国盛证券研究所 资料来源： Wind， 国盛证券研究所 1.2.3. 更强的收益延续性 被动指数与主动股基都是 个股的动态组合，因而可以采用同一套框架进行收益的分解。我们采用报告基金 ALPHA 进化史：公募基金究竟赚的是什么钱？中的收益分解方法对被动指数和主动股基进行同样的分解 ，即将收益完全分解为 ：市场、风格配置、行业配置、已知 Alpha、未知 Alpha、动态 这几项 ，其中已知 Alpha 和未知 Alpha 加总即 为总体 特质收益 。 图表 16： 被动指数与主动股基收益完全分解 资料来源：国盛证券研究所 其中的区别在于 指数具有更高频率的持仓披露 ， 从而分解更为准确，同时指数持仓在披露期基本保持不变，几乎不会有基金的动态 调仓带来的 收益项。 在此分解下我们测试了各项收益来源的延续性。具体的，我们根据 各项 收益来源 过去 1个月、 12 个月的收益动量预测下 1 个月的收益，计算截面 IC 均值 与 ICIR。可以得到两个显著的结论： 2022 年 07 月 28 日 P.10 请仔细阅读本报告末页声明 - 12 个月动量的延续性高于 1 个月 ； - 指数各项收益的 动量 延续性高于基金 。 图表 17： 被动指数与主动股基各项收益延续性 资料来源： Wind， 国盛证券研究所 对于第一个结论，最为显著的是 主动基金的特质收益和动态收益。 其 1 个月收益 基本呈现反转特征，而 12 个月 收益的 动量延续性大幅提升 。 对于第二个结论， 风格收益、行业收益和特质收益都十分显著。 从更 直接 的 角度表述 ，一般我们认为基金的各项收益延续性是来自能力的延续性，也就是说基金经理因为具有风格配置能力、行业配置能力、选股能力、动态交易能力，从而各项收益 过去 较高的基金未来 收益 大概率 也 高。但上述测试表明， 过去较强的指数风格 、行业、选股 延续性 都要 高于主动基金 。 也就是说， 市场中 （被动指数池中） 动量天然就无处不在，而基金经理的收益延续性很大程度上 也 可能 与 这种 异象 有关 。 图表 18： 各收益来源 12 个月动量对未来 1 个月收益 预测 累计 IC 资料来源： Wind， 国盛证券研究所 1.2.4. 更强的潜在超额收益 另一个例子同样可以说明指数具有潜在较强 Alpha。 我们在 2021 年撰写了报告 基思广益：跑赢赛道 ETF 容易吗？ 。 其中我们 通过用主动基金净值与赛道指数的回归剥离发现， 主动基金 2019 年 -2021 年 相对其配置的 各个 赛道平均而言 具有明显超额收益。 I C I R _ 风格_ 1 m I C I R _ 风格_ 1 2 m I C I R _ 行业_ 1 m I C I R _ 行业_ 1 2 m指数 0.75 1.41 0.53 1.47基金 0.60 1.01 0.23 0.98I C I R _ 特质_ 1 m I C I R _ 特质_ 1 2 m I C I R _ 动态_ 1 m I C I R _ 动态_ 1 2 m指数 0.15 1.95 - -基金 -0.70 1.03 -0.06 0.89 2022 年 07 月 28 日 P.11 请仔细阅读本报告末页声明 图表 19： 主动基金剥离赛道指数收益后的平均 ALPHA 资料来源： Wind， 国盛证券研究所 但 由于主动基金配置一般较为均衡， 当我们想要获取某个细分 Beta 收益时，可能找不到相匹配的主动基金。 举例来说， 2020 年下半年到 2021 年上半年 医药中的细分赛道：医疗服务行业表现突出。从配置角度来说，如果以主动股基产品为标的，可以看到很难获得同样的弹性。 平均规模大于 5 亿的 38 只主动医药主题基金区间收益分布于 -1%到23%之间， 平均 11%， 远小于 医疗服务 指数的 50%。 究其原因在于主动股基很难高仓位的重仓单一赛道，一般会采取均衡配置，从而难以捕捉到 某些 更为细化 的 Beta 收益。 图表 20： 医疗服务 指数与 医药主题 偏股基金（规模平均 5 亿以上） 2020 年 8 月 -2021 年 7 月 表现 资料来源： Wind， 国盛证券研究所 因而 ，当我们有明确配置目标 的时候，主动基金并不一定为最优选择，进行指数投资或为更优选择 ，指数投资具有广阔空间 。 然而指数投资 所需的明确配置观点需要 更为坚实的 指数 投研框架和更为细致的指数评价体系。 本报告将尝试对其进行探索，以获得 指标简洁、逻辑清晰、效果显著 的一般化指数投资模式。 2022 年 07 月 28 日 P.12 请仔细阅读本报告末页声明 2. 系统化指数投资： 从完善异象捕捉 出发 2.1. 从个股异象到指数异象 通过上一节分析我们发现 ，指数具有较强 的截面动量效应。 因此一个自然而然的问题是 ：类似 动量， 个股 的各类 异象 在指数 配置 上 是否 都 同样 有效 ，还是变得无效 ？ 个股异象 的研究汗牛充栋， 在 Hou, Xue, Zhang 的经典论文“ Replicating Anomalies”当中搜集 了 447 个 异象及其 代表 因子 ， 并进行了系统性的测试。 其将各种论文提出的异象主要划分为 6 类： Momentum、 Value-vs-growth、 Investment、 Profitability、 Intangibles、Trading frictions。 个股异象在指数上的复刻可能会遇到如下问题： 1、 很多个股上的异象 要进行风格中性或者行业中性 后才 有效，那这样的异象在指数上就大概率 无效； 2、 指数的特质收益波动被平滑 削弱 ，那么个股的一些如 短期 反转 异象 可能无效 ，上一节测试中也可看到 指数 1 个月特质收益既没有明显反转也没有明显动量效应 ； 3、 单个的异象在个股上就有失效风险， e.g.动量崩溃、价值陷阱 等 。因此 在指数上应用之前， 传统异象的捕捉 还 需要进一步完善。 Lucy F. Ackert和 Richard Deaves所著 Behavioral Finance: Psychology, Decision-making, And Markets总结了完善传统异象捕捉的一些方法： - 用交易量完善动量投资 “动量生命周期” - 用会计指标完善价值投资 “质量 -价值” 除此之外 近 10 年 A 股收益较强的主要异象因子为 SUE、残差波动率、残差动量等，其他的诸多 有效 因子也 原理相近 ，其异象收益来源大致相同 。 图表 21： 近 10 年 A 股 收益较强的 主要 异象因子 资料来源： Wind， 国盛证券研究所 本报告作为系列开篇，将首先重点关注三类 主要 异象： 动量、价值、 PEAD。 2022 年 07 月 28 日 P.13 请仔细阅读本报告末页声明 2.2. 回测 指数池 选取 为了扩大机会集以及考虑到 指数的可交易性 ，我们选取如下三类指数： ETF 跟踪指数、中信行业 指数、 Wind 概念指数，剔除不可投资及成分过少的，剩余共 1142 个。 图表 22：回测指数池 资料来源： Wind， 国盛证券研究所 指数的基日和成分数据起始日各有不同， 有些指数虽然量价数据较全，但成分股数据早年会有所 缺失 ， 因而量价信息 （自基日起） 和持仓信息 （自成分股起始日起） 的样本长度有一定区别。 所有的指数我们都按照其数据 （量价 /持仓） 可得时间开始加入指数池。其中中信行业指数的基日和成分数据起始日期基本都在 2004 年，因此 在我们后文进行回测 采用 的 2010 年 -2022 年 区间 ， 指数池总能将全 A 进行覆盖 。 只是随着时间推移，会有更多的细分指数和另类维度指数加入到 指数 池 中 。 图表 23：指数池基日分布 图表 24：指数池成分数据起始日期分布 资料来源： Wind， 国盛证券研究所 资料来源： Wind， 国盛证券研究所 2022 年 07 月 28 日 P.14 请仔细阅读本报告末页声明 2.3. 指数投资 模式一：动量生命周期 在解释“动量生命周期”假说之前，我们首先 回顾 行业动量 的概念 。 Moskowitz & Grinblatt在 1998 年的“ Do Industries Explain Momentum？”一文中发现个股动量策略在控制了行业动量后收益锐减， 而 行业动量在控制了市值、 BP、个股动量等因素下依然具有显著的超额收益。 个股动量大多来源于行业动量。 图表 25： 个股动量收益分解 资料来源： Moskowitz & Grinblatt(1998)， 国盛证券研究所 MSCI 同样统计过行业动量因子在不同地区 市场中的收益表现 ， 都为长期显著 。 特别是2020年的 2 月 -4月，表现突出。 新一代中国市场 Barra模型中同样添加了行业动量因子。 图表 26： 行业动量因子在各地区市场中的表现 资料来源： MSCI， 国盛证券研究所 2022 年 07 月 28 日 P.15 请仔细阅读本报告末页声明 可见行业 /板块动量可能是比较容易捕获的指数收益 之一 。 接下来我们解释“动量生命周期”假说。 Lee & Swaminathan 在 1998 年的“ Price Momentum and Trading Volume”一文中对行为金融学中的“动量生命周期 (Momentum Life Circle)”假说进行了实证，发现股票的动量异象受到成交量的影响。 早期状态“低成交 -高动量” 相比 晚期状态“高成交 -低动量” 具有显著的超额收益。 图表 27： 动量生命周期假说 图表 28： 动量生命周期选股回测效果 （早期相对晚期收益显著） 资料来源： Lee & Swaminathan(1998)， 国盛证券研究所 资料来源： Lee & Swaminathan(1998)， 国盛证券研究所 Frank Weikai Li & K.C. John Wei 在 2016 年的“ Momentum Life Cycle around the World and Beyond”一文中对 21 个发达国家 /地区和 15 个发展中国家 /地区进行了测试，包括采用美国市场 ETF，模型 在 绝大多数 市场中 都具有有效性。 全球综合来看， 1988-2013平均月度超额收益 （早期 -晚期 股票组合 ） 0.91%，显著性 t 值达到 3.79。 图表 29： 1988-2013 动量生命周期全球综合表现（月频调仓，国家间采用市值加权） 资料来源： Frank Weikai Li & K.C. John Wei(2016)， 国盛证券研究所 2022 年 07 月 28 日 P.16 请仔细阅读本报告末页声明 我们在所有指数剔除 ETF 宽基指数中进行“动量生命周期”的回测。 指标 使用 12 个月动量 和 1 个月换手 对所有指数进行 月度 分组，并统计不同分组下 2011.01-2022.05 的年化收益率。从结果来看， 指数未来的收益率与当下动量排名、换手排名都有着明显的单调关系。 低成交 -高动量组合未来都具有最高的年化收益，高成交 -低动量组合未来都具有较差的年化收益。动量生命周期在 A 股指数上同样有效，且最优区间相对其他区间超额显著。 图表 30：不同动量生命周期指数近 10 年年化收益率 资料来源： Wind， 国盛证券研究所 以上回测结果采用的是对动量和换手率同时分组 取交集 的方式构建。对双 变量分组 可以有三类方式 ，各有优劣 ： 先后分组： 比如先选取动量最高组，再选取其中的换手最低组，好处是总能取到 标的 ，但局部换手最低组未必为全局换手最低组 ，若因子收益线性程度不高，会降低效果 ； 同时分组： 比如同时采用动量和换手对样本分三类，取高动量和低换手的交集，好处是要求较为严格，可能的问题是没有标的满足要求； 双重排序： 采用两个指标分别排序再将排序等权加总再排序，可综合考虑两个变量，问题是除了最优组和最劣组 ， 中间的无法区分。 图表 31： 双变量分组方式 资料来源：国盛证券研究所 2022 年 07 月 28 日 P.17 请仔细阅读本报告末页声明 对于“动量生命周期”来说，同时分组 和双重排序效果相似 ，但最优组的表现特征并不完全 相同，具有一定的互补作用。 图表 32： 同时分组下“动量生命周期”策略最优组最劣组表现 图表 33： 双重排序下“动量生命周期”策略最优组最劣组表现 资料来源： Wind， 国盛证券研究所 资料来源： Wind， 国盛证券研究所 最终我们 可 选择两种分组方式的并集作为“动量生命周期” 下 的最优组合。 - 年化收益率 ： 22.3% - 年化换手率 ： 648.1% - 相对 Wind 全 A 指数信息比率 ： 1.03 图表 34： “动量生命周期”最优组合表现 资料来源： Wind， 国盛证券研究所 从分年表现上来看， “动量生命周期”最优组合年胜率 73%，相对 Wind 全 A 回撤最大的年份为 2014年，回撤 -10.5%，相对 Wind全 A超额最高的年份为 2020年，超额 50.0%，相对 Wind 全 A 的年胜率也在 73%。 2022 年 07 月 28 日 P.18 请仔细阅读本报告末页声明 图表 35： “动量生命周期”最优组合分年表现 资料来源： Wind， 国盛证券研究所 2.4. 指数投资 模式二：质量 - 价值 第二类投资模式我们重点关注价值异象。 价值因子通常按照估值指标高低选股，无论对于 A 股还是美股长期来说便宜的股票确实比贵的股票预期收益高，但 便宜只是价值的必要条件而非充分条件 。 便宜的股票有可能本来就不值钱，也即所谓的“价值陷阱”。 Piotroski 在 2000 年 的论文“ Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers” 提出了 Fscore 来改进价值因子选股的效果。 在美股市场 1976 年到 1996 年的测试集中， Fscore 能够对高 BP 的股票组合有年化7.5%的增强，而 Fscore 多空组合年化收益甚至达到 23%，证明了健壮的财务报表能够对价值 因子 投资有所增益 。 图表 36： Fscore 由三维度九个指标构成 资料来源： 因子投资：方法与实践 ， 国盛证券研究所 “动量生命周期”最优组合W i n d 全A 超额收益2011 11.5% -20.8% 32.3%2012 -1.7% 4.7% -6.4%2013 19.6% 5.4% 14.1%2014 42.0% 52.4% -10.5%2015 65.9% 38.5% 27.4%2016 -15.2% -12.9% -2.3%2017 47.8% 4.9% 42.8%2018 -1.8% -28.3% 26.4%2019 37.4% 33.0% 4.3%2020 75.6% 25.6% 50.0%2021 33.6% 9.2% 24.4%2022.05 -19.7% -17.5% -2.2% 2022 年 07 月 28 日 P.19 请仔细阅读本报告末页声明 Fscore 由 盈利能力、偿债能力、运营效率三大维度的 九个指标构成。 每个指标都从财务质量角度给公司打分 0 或 1，最终 Fscore 将在 0-9 的区间取值。 图表 37： A 股 Fscore 截面分布 （ 0 分包括数据缺失股票， 图表 中 未 展示） 资料来源： Wind， 国盛证券研究所 指数的 Fscore 通过个股的 Fscore 根据其在指数当中的权重进行加权 ，最终的分布主要在 2-7 分间，集中分布于 4-5 分。 指数 Fscore 与个股 Fscore 的区别在于指数 Fscore 分布更为连续，区分度 相比离散的分数更高。 图表 38： 指数 Fscore 分布 资料来源： Wind， 国盛证券研究所 我们首先按照 Fscore 对指数进行单独分组。从分三组的情况下来看，确实 Fscore 越高指数表现越好，但是随着分组的变多可以发现 Fscore 分组并非完全线性，而是有明显的非线性特征。 采用 Fscore 进行股票 的 分组存在同样的现象 。 因而 Fscore 对指数进行 质量维度的 分组 只能做到“模糊的正确”，仅分 3 组即可 。 2022 年 07 月 28 日 P.20 请仔细阅读本报告末页声明 图表 39： 指数 Fscore 单维度分组策略结果 资料来源： Wind， 国盛证券研究所 价值的刻画 角度， 我们 分别 采用 PB、 PB-ROE、 PE-g 三个 价值 类 因子对 Fscore 三分组进行再分类。 回测 2010.01-2022.05 的策略年化收益率，可以得到如下结论： PB 分组： 高估值 -高 Fscore 表现最好，而 低估值 -高 Fscore 表现一般 ，这与 “质量 价值”逻辑相悖 。 其主要原因为 A 股近年价值因子失效， 与 低 PB 策略本就 表现较弱 有关 ，再怎么强调质量因素也无效果 。因而 PB 不适宜作为 指数价值投资的代表指标。 图表 40： PB x Fscore 双分组策略近 10 年年化收益率 资料来源： Wind， 国盛证券研究所 PB-ROE 分组： PB-ROE 对 Fscore 并无进一步区分作用 ，因而不适合作为指数价值投资模式的代理变量 。 2022 年 07 月 28 日 P.21 请仔细阅读本报告末页声明 图表 41： PBROE x Fscore 双分组策略近 10 年年化收益率 资料来源： Wind， 国盛证券研究所 PE-g 分组： PE-g 对 Fscore 有进一步区分作用 ，且 低估值 -高 Fscore 组最优，高估值 -低 Fscore 组最劣， 与“质量 价值” 的逻辑 一致。 PE-g 适宜作为指数价值投资的代理指标。 图表 42： PE-g x Fscore 双分组策略近 10 年年化收益率 资料来源： Wind， 国盛证券研究所 我们选择 PE-g x Fscore 的低估值高质量组作为“质量 价值”最优组合。 - 年化收益率 ： 13.3% - 年化换手率 ： 362.1% - 相对 PE-g x Fscore 中最劣组的信息比率： 0.80 - 相对 Wind 全 A 指数信息比率： 0.82。 2022 年 07 月 28 日 P.22 请仔细阅读本报告末页声明 图表 43： 先后分组下“ 质量 价值 ”策略最优组最劣组表现 图表 44： 先后分组下“质量 价值”策略最优组与 Wind 全 A 表现 资料来源： Wind， 国盛证券研究所 资料来源： Wind， 国盛证券研究所 从分年度表现来看，“质量 价值”最优组合相对最劣组合年胜率为 91%，相对 Wind全 A 年胜率为 73%。组合相对 Wind 全 A 最大回撤年份为 2011 年，回撤 -2.70%，相对Wind 全 A 超额最高年份为 2010 年，超额 38.86%。