单因子测试框架分享

单因子分析对于很多读者来说，看似熟悉，但是没有自己上手做一遍，还是会产生很多问题。本篇报告中我们将给出一些基本面因子的具体测试结果，我们借鉴了光大证券的《单因子分析体系》，这也是行业内较为认可的一套测试流程，以BP和ROE_TTM因子为例，测试了预测性、稳定性、单调性和相关性等等指标。为下一步的多因子组合的构建打下基础。

 

未经授权，严禁转载。

 

 

多因子模型理论背景

 

根据现代金融理论的定义，投资组合获取的收益均可以分为两个部分，一部分是来自市场的收益，也就是Beta，另一部分则是超出市场的收益，也就是我们常说的Alpha。如何准确的定义和寻找股票市场中的Alpha一直是学术界和业界不断探索的问题，已有的模型包括资本资产定价模型CAPM和Fama-French三因素模型等，而多因子模型正是基于套利定价理论（APT）而建立的更为完善的定价模型。

 

从模型的构建目标上看，我们可以将多因子模型分为Alpha模型和风险模型。以Barra为代表的风险模型更多的用于投资组合的业绩归因，而在这篇报告中我们将首先讨论的是用于预测股票未来收益的Alpha模型，并将对Alpha模型中最关键的因子测试部分做详细介绍。

 

 

多因子模型构建流程

 

多因子模型是个较为复杂的体系，模型的构建流程往往包括以下几个方面：

 

首先是样本的选取，为了使得模型测试的结果更加符合实际的投资情况，我们需要对ST，PT股票以及停牌等无法买入的股票做剔除；

 

其次是数据的清洗，数据清洗的过程很容易被轻视或忽略，但异常值和缺失值对模型的影响往往是很显著的，在数据清洗的步骤我们需要格外的小心。

 

                                                                     图1 多因子模型构建流程图

 

本文我们将展示单因子测试的框架流程。

 

 

单因子测试具体步骤

 

>>>  样本筛选

 

测试样本范围：中证800指数成份股
测试样本期间：2012-01-01至2019-01-13

 

为了使测试结果更符合投资逻辑，我们设定了三条样本筛选规则：

（1） 剔除选股日ST/PT的股票；
（2） 剔除上市不满一年的股票；
（3） 剔除选股日由于停牌等原因而无法买入的股票。

 

>>>  数据清洗

 

我们本次采用研究中最常用的 winsorize 缩尾处理，取置信区间为95%，超出区间的定义为异常值。对于异常值，把数值改为95%置信区间的边界。

 

>>>  因子标准化

 

我们采用研究中常用的Rank标准化处理因子数据。达到的效果是，讲因子值转换为排序值，因子值越小，排序值越大，一定程度上降低了噪音的影响。

 

>>>  因子测试模型

 

我们采取截面回归测试的方法