Ricequant米筐金工——因子分析

本文深入探讨了Ricequant平台上的估值因子,如PE、PB、PCF、PS和PEG,分析了它们在不同行业和市值区间的分布、相关性和稳定性。研究发现,这些因子在通信和医药生物行业的暴露度较高,与市值呈轻微负相关,且PE因子负相关性明显。此外,PEG因子表现出一定的趋势性和状态切换特性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Ricequant米筐金工——因子分析

阅读原文请点击链接:https://www.ricequant.com/community/topic/3791/?utm_source=优快云

作者:戴宇、小湖

 

 

上一篇介绍了单因子检验是因子分析前重要的一个步骤,是构建因子库、建立因子模型的基础,这篇报告首先对常见估值因子进行初步的检验。

 

第一篇.估值因子的分析

估值因子是一类具有特色的风格因子,本报告选取了PE,PB,PCF,PS,PEG五个常见的估值因子进行因子分析,测试区间是2014年1月1日~2017年8月1日,测试数据是全市场股票的月数据,主要从有效性稳定性两个角度分析因子。

 

通过此次报告可以初步得出以下结论:

1、  此次选择的五个估值类因子的行业分布存在一定相似性,在银行、钢铁行业的暴露度普遍偏低,在通信行业、医药生物行业的估值因子的暴露度较高。

2、  通过观察因子暴露度在不同市值区间的分布差异,估值类因子与市值有轻微的递减关系,说明因子暴露度与市值存在一定关联。

3、  IC和RANK-IC两种计算因子暴露度与收益率相关系数的方式有差异,RANK-IC的显著性水平较低(p值较低),RANK-IC的绝对值较大,在时间序列上波动性较大。

4、  PE因子暴露度与收益率的负相关性的关系较明显,并且这种趋势持续时间较长,peg因子显著的状态切换比例和同向比例均较大,说明大部分情况下peg因子的相关系数较显著,但是难以判断peg因子与收益率关系的方向。

5、  所选估值因子中PE、PCF、PEG的同向显著比例普遍比状态切换显著比例大,说明在这三个因子最近一年存在趋势性。

6、  所选估值因子的负相关显著比例比正相关显著比例高,在最近一年的IC和RANK-IC的6月移动平均值都小于零,并且在负半轴上的绝对值有增大的趋势,说明在最近一年估值因子暴露度与因子收益率的大部分时间可能存在负相关关系。

7、  PB、PEG因子的IC分布直方图处于小于零的部分大于大于零的部分。

 


 

 

常见估值因子及其描述

表1

大类因子

具体因子

因子描述

估值因子

PB

市净率,每股股价与每股净资产的比率

PE

市盈率,公司当时股价与每股盈利的比率,股价一般以最新收盘价

PEG

市盈率相对盈利增长比率

PS

市销率,指股票价格与每股销售收入之比

PCF

市现率,股票价格与每股现金流量的比率

 


 

一、因子暴露度在不同行业的分布差异:

因子在行业之间的平均暴露度存在差距,以2017年8月1日为例。

图1到5展示了因子暴露度在不同行业的分布差异

通过对比各个因子暴露度的行业分布差异,银行行业平均暴露度最小的因子有PCF,PE,PB。各个因子在钢铁行业的平均暴露度均较小,在通信行业的平均暴露度都比较大。

图1展示了PB因子在食品饮料行业的平均暴露度最大,在钢铁、银行行业的平均暴露度最小。

图2展示了PE因子在通信行业的平均暴露度最大,在银行行业的平均暴露度最小

图3展示了PEG因子在一些综合性的股票中平均暴露度较大,在电气设备行业的平均暴露度最大,在钢铁行业的平均暴露度最小。

图4展示了PS因子在休闲服务行业的平均暴露度最大,在钢铁行业的平均暴露度最小。

图5展示了PCF因子在通信行业的平均暴露度最大,在银行行业的平均暴露度最小。


图1   PB行业分布差异


图2   PE行业分布差异


图3   PEG行业分布差异


图4  PS行业分布差异


图5   PCF行业分布差异


 

二、因子暴露度在不同市值区间的分布差异

图6到图10展示了因子暴露度在不同市值区间的分布差异

因子暴露度在横截面时间序列上均存在差异,即不同时间的同一个因子的暴露度存在差异,不同市值区间的因子暴露度也存在不同,此次报告中的5个因子都在某一时间段与市值有递减关系

图6展示了PB因子在2015年的普遍暴露度较高,并且可以看出一般低市值股票具有较高的PB暴露度。

图7展示了PCF因子在2015年和2016年的暴露度较高,在2014年和2017年,一般低市值股票具有较高的PCF暴露度。

图8展示了PE因子在2015年和2016年的暴露度较高,在2014年和2017年的有明显的市值区分,与市值有递减的关系

图9展示了PEG因子在2015年和2016年的暴露度较高,在2017年与市值有递减的关系。

图10展示了PS因子在2014年暴露度较低,在2014年和2015年市值区间之间没有显著的差异,在2016年和2017年与市值有稍微的递减关系


图6   PB市值分布差异

### RiceQuant)平台上的因子相关性检验方法 在量化投资领域,因子的相关性分析是一个重要的环节。通过计算不同因子之间的相关系数矩阵,可以评估这些因子之间是否存在高度线性关系,从而帮助构建更加稳健的投资组合。 #### 使用RiceQuant)进行因子相关性检验的方法 可以通过 Python 编写脚本,在 RiceQuant 平台上实现因子相关性的计算。以下是具体的操作方式: 1. **获取数据** 首先需要从 RiceQuant 的 API 中提取股票的历史价格或其他财务指标作为输入数据源[^1]。 2. **定义因子** 定义多个待测因子并将其标准化处理以便后续比较。例如,常见的因子可能包括市盈率 (PE)、市值 (Market Cap) 或动量 (Momentum)。 3. **计算协方差与相关系数矩阵** 利用 NumPy 库中的 `numpy.corrcoef` 函数来快速生成各因子间的皮尔逊相关系数矩阵。 下面提供了一个简单的代码示例用于展示如何执行上述过程: ```python import numpy as np from rqdatac import init, get_price # 初始化 RQData 连接 init() def fetch_factors(stocks, start_date, end_date): """ 获取指定时间段内的某些因子 """ pe_ratios = [] market_caps = [] for stock in stocks: df = get_price(stock, start_date=start_date, end_date=end_date, fields=["pe_ratio", "market_cap"]) pe_ratios.append(df['pe_ratio'].mean()) market_caps.append(df['market_cap'].mean()) return {"PE_Ratio": pe_ratios, "Market_Capitalization": market_caps} stocks_list = ["000001.XSHE", "600519.XSHG"] # 假设选取两支个股 start_dt = '2023-01-01' end_dt = '2023-12-31' factors_data = fetch_factors(stocks_list, start_dt, end_dt) # 转换为数组形式方便运算 factor_matrix = np.array(list(factors_data.values())) # 计算相关系数矩阵 correlation_matrix = np.corrcoef(factor_matrix) print("Factor Correlation Matrix:") print(correlation_matrix) ``` 此段程序展示了如何基于 PE Ratio 和 Market Capitalization 来创建两个向量,并进一步求得它们彼此间以及各自内部成员的关系强度。 #### 结果解释 输出的结果将是二维数组表示的 Pearson 相关系数表。如果某个位置接近于 ±1,则表明对应的两个变量存在强正/负关联;而当数值趋近零时表示几乎没有直线型依赖程度可言。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值