基本面动量策略在 A 股实证
创建于 更新于
摘要
本文基于多元回归法和预测组合法,构建了基本面动量因子(FIR)并在A股进行了实证检验,结果显示自2016年下半年起基本面动量策略表现稳定,取得显著超额收益。多元回归法表现优于预测组合法,EPS因子表现最佳,FIR因子整体优于原始基本面因子,展示了基本面因子动量在量化选股中的应用价值 [page::2][page::3][page::4][page::6][page::7]
速读内容
基本面动量策略构建框架与方法 [page::2][page::3]
- 利用六个基本面因子(ROE、ROA、EPS、APE、CPA、GPA)及其过去不同期数(0、1、4、8期)加权平均,得到24个因子。
- 采用多元回归和预测组合法两种建模方式,分别估计基本面隐含收益率FIR。
多元回归法表现分析 [page::3][page::4]


- 2012年起FIR因子IC均值为0.018,2016年下半年后IC均值提升至0.044,表现稳健。
- 多空收益率显示FIR多头累积收益显著,2016年以来多头净值增长约39%。
- 多元回归FIR因子的超额收益显著优于绝大多数原始基本面因子。
基本面因子因子表现对比 [page::4][page::5]
| 因子 | 滞后期L | 因子多空净值 | IC平均值 |
|-------|---------|--------------|---------|
| ROE | 0 | 1.224 | 0.050 |
| ROE | 1 | 1.233 | 0.042 |
| ROE | 4 | 1.212 | 0.035 |
| ROE | 8 | 1.192 | 0.033 |
| ROA | 0 | 1.336 | 0.045 |
| ROA | 1 | 1.274 | 0.038 |
| ROA | 4 | 1.191 | 0.032 |
| ROA | 8 | 1.159 | 0.032 |
| EPS | 0 | 1.570 | 0.061 |
| EPS | 1 | 1.494 | 0.053 |
| EPS | 4 | 1.357 | 0.043 |
| EPS | 8 | 1.282 | 0.039 |
| APE | 0 | 0.685 | 0.041 |
| APE | 1 | 0.729 | 0.037 |
| APE | 4 | 0.837 | 0.034 |
| APE | 8 | 0.985 | 0.034 |
| CPA | 0 | 1.330 | 0.042 |
| CPA | 1 | 1.324 | 0.043 |
| CPA | 4 | 1.294 | 0.041 |
| CPA | 8 | 1.282 | 0.040 |
| GPA | 0 | 1.247 | 0.029 |
| GPA | 1 | 1.223 | 0.027 |
| GPA | 4 | 1.199 | 0.024 |
| GPA | 8 | 1.184 | 0.024 |
| FIR | NA | 1.387 | 0.044 |
- EPS因子表现最佳,滞后效应明显,当期因子优于历史因子。
- FIR因子的综合表现优于大多数单一基本面因子。
预测组合法表现分析 [page::6][page::7]


- 预测组合法对因子取等权平均,解决共线性问题,但收益率表现相较多元回归法有所降低。
- 2016年后IC均值约0.042,略低于多元回归法,波动性更大,分组收益稳定性较差。
结论与讨论 [page::7][page::8]
- 基本面动量因子FIR从2016年下半年开始表现稳健,实现稳定超额收益。
- 多元回归法优于预测组合法。
- 因子时效性需要考虑,该方法适用于A股量化选股。
- 基本面动量与传统价格动量结合的双动量策略,在A股未能显著提升表现。
深度阅读
基本面动量策略在 A 股实证 —— 财通证券研究所详细分析报告
---
1. 元数据与报告概览
- 报告标题
基本面动量策略在 A 股实证
- 作者与联系
陶勤英,SAC证书编号 S0160517100002,财通证券研究所分析师
联系邮箱:taoqy@ctsec.com,电话:021-68592393
- 发布时间
2021年4月20日
- 报告主题
本文围绕A股市场,系统探讨并实证验证了基本面动量策略的有效性。主要内容是借鉴 Huang et al.(2019)在构建基本面动量策略上的方法设计,并结合多元回归法和预测组合法两种技术路线构造因子,针对6类主要基本面因子(ROE、ROA、EPS、APE、CPA、GPA)构建所谓的基本面隐含收益率因子(FIR),并对其进行绩效与稳定性检验。
- 核心论点与研究结论
- 基本面动量因子FIR从2016年下半年开始表现出显著且稳定的超额收益。
- 多元回归法构建的FIR在解释力(信息系数IC)和分组收益率表现优于预测组合法。
- 与原始24个静态基本面因子对比,FIR因子的表现更为优异。
- 虽然存在基本面因子滞后效应,但合理加权历史数据能够提升稳定性。
- 结合传统动量与基本面动量的“双动量”策略在A股中收益不显著,动量效应不稳定。
- 研究结果基于历史数据,未来效果存在风险。
整体而言,报告重点阐释了基于多期基本面因子趋势数据构建的动态因子FIR拥有较好解释未来收益的能力,适用于A股市场实证与实际量化投资策略开发。[page::0,2,3,4,7,8]
---
2. 深度章节解析
2.1 引言
报告首先介绍了基本面因子在传统多因子模型中的重要性及其不足,即以往的模型仅使用“当期静态值”(latest available value),忽视了因子动态演进的动量特性。Huang et al.(2019)提出了基本面动量的构造方法,强调利用因子的动态趋势预测未来收益。
报告借鉴其方法,重点探讨了如何在A股构建基本面动量因子,通过考察从2016年下半年开始的实证表现验证该因子的有效性。[page::0,2]
2.2 基本面动量的理论框架
提出股票未来收益的分解:
\[
E{t}[R{i,t+1}] = f{i,t} + \beta E{t}[F{i,t+1}]
\]
其中, \(f{i,t}\) 是当前基本面因子对应收益率, \(E{t}[F{i,t+1}]\) 是未来基本面因子的预期,\(\beta\)敏感系数。
未来基本面因子不可见,采用历史L期因子均值(MA)预测未来值:
\[
E{t}[F{i,t+1}] = MA{i,t,L} = \frac{1}{L} \sum{j=0}^{L-1} F{i,t-j}
\]
这里L分别取0(当期)、1(过去一个季度)、4(过去一年)、8(过去两年),涉及6类因子,即共24个基本面时间维度组合。
该方法体现了基本面因子的动态追踪与趋势推断,是构建基于历史滞后信息对未来收益预测的此次策略的基础。[page::2]
2.3 多元回归法构建FIR(基本面隐含收益率)
- 方法描述
对每月横截面上各股未来收益作多元线性回归:
\[
R{i,t} = \alphat + \sum{k=1}^K \sum{L=0,1,4,8} \beta{L,t}^k MA{i,t-1,L}^k + \varepsilon{i,t}
\]
- 利用回归系数预测下一月FIR:
\[
FIR{i,t} = \sum{k=1}^K \sum{L=0,1,4,8} E[\beta{L,t+1}^k] MA{i,t,L}^k
\]
其中假设回归系数稳定,取上一期系数作为下一期系数预测。省略 \(\alphat\)项因其与股票无关。
- 检验方法
通过因子信息系数(IC)和分组收益率测试因子有效性,数据覆盖2012年初至2021年3月底。
- 关键数据与解读
- 全周期(2012—2021)IC平均值约0.018,标准差0.095,表现有限。
- 2016年下半年开始,IC均值跃升至0.044,标准差0.093。
- 多空组合净值达到1.39,表现显著提升,显示基本面动量策略价值开始体现。
- 多头组相对市场超额收益约52%,空头组相对市场差额约-25%。
图1和图2展示了IC波动和分组收益的走势:IC分布近似正态,分组收益显著呈现多头明显优于空头的格局。
- 数据源与局限
WIND数据库,月度频率。存在假设系数稳定的局限,且未加入非线性或截距项,可能影响预测准确率。[page::3,4]
2.4 原始基本面因子与FIR比较
表1对比了24个原始基本面因子(6因子×4滞后期)及构造的FIR因子在2016年下半年后期的表现:
- EPS(每股收益)因子表现最优(多空净值最高1.57,IC最高0.061),反映盈利因子对股票收益的重要解释力。
- ROE、ROA、CPA等表现也较为稳定,滞后期较短时表现更佳(即“当期值”优于历史值)。
- FIR因子多空净值为1.387、IC为0.044,整体优于大部分单一因子,表明加权组合预测提升了效果。
这一部分验证了FIR作为动态综合因子的优越性,比单一基本面因子的表现更为稳健,支持基本面动量策略的实用价值。[page::4,5]
2.5 预测组合法构建FIR
- 方法介绍
解决多元回归中因子多重共线性问题,采用每个单因子的横截面回归,分别计算单因子FIR:
\[
R{i,t}^m = \alphat^m + \betat^m MA{i,t-1}^m + \varepsilon{i,t}^m
\]
预测下一期FIR为:
\[
FIR{i,t}^m = E[\alpha{t+1}^m] + E[\beta{t+1}^m] MA{i,t}^m
\]
再将所有因子的FIR取算术平均得最终FIR值:
\[
FIR{i,t} = \frac{1}{M} \sum{m=1}^M FIR{i,t}^m
\]
- 优劣对比
该方法本质是等权组合,能有效缓解共线性,但由于弱因子的存在,通常会降低组合整体表现。
- 实证结果
- 全周期IC平均0.019,波动明显较多元回归法(标准差0.114 vs 0.095)更大。
- 16年下半年后IC提升到0.042,分组收益也有明显改善,但仍略逊于多元回归法。
- 图5至图8展示了该法的详细IC和分组收益表现。
此方法虽操作简便且稳健处理因子相关性,但收益率和IC表现略低于多元回归法。[page::5,6,7]
2.6 总结与讨论
- 基本面因子动量效果显著,但存在时效性和滞后效应,因子加权能提升稳定性但也可能降低部分收益。
- 应用一致预期因子结合基本面动量可能进一步优化组合表现。
- 结合传统动量和基本面动量的“双动量”策略在A股未显示稳定超额收益,对动量策略的稳定性提出挑战。
- 研究中所有结果基于历史数据,存在未来失效风险。
总体看,FIR因子作为动态基本面因子在A股表现出良好的超额收益能力,具有实际指导意义。[page::7,8]
---
3. 图表深度解读
3.1 图 1:多元回归 FIR IC 检验

- 内容描述
- 上图为FIR因子月度1期未来收益信息系数(IC)时间序列和1个月移动均值。
- 中左为IC的频率分布直方图,显示IC集中在0附近。
- 中右为IC的正态分布Q-Q图,验证IC分布近似正态。
- 底部热力图显示不同年份和月份的IC均值。
- 解读
- IC整体均值较低(0.018),波动较大。
- 2016年下半年以后,IC缓慢回升。
- 表明多元回归方法对基本面因子动量的解释力有提升趋势。
- IC正态性验证增强统计推断的可信度。
- 文本关系
本图支持了“FIR因子性能有限,但自2016年后显著改善且稳定”的结论。[page::3]
3.2 图 2:多元回归 FIR 分组收益率

- 内容描述
- 顶部为FIR因子5个分组的平均未来收益箱线图,显示收益分布形态。
- 中部为分组累计收益对比曲线,支撑收益分层显著性。
- 底部为多空(顶组与底组)差额收益的时间序列及其移动平均。
- 解读
- 最高分组收益显著高于最低分组,形成明显的正向收益梯度,分组收益单调性良好。
- 多空组合呈现显著正收益,且在2016年后增长加速。
- 说明FIR因子有效捕获股票预期收益差异。
- 支持文本
图中刻画的多空收益净值1.39及各级别收益差异,验证了FIR因子稳定带来超额收益的有效性。[page::3,4]
3.3 图 3 & 4:多元回归FIR 2016年后IC与收益率


- 解读
- 2016年下半年至今,IC均值提升至0.044,多空组合净值显著攀升。
- 分组收益显示极为明显的收益分层,顶组表现远超市场,底组表现弱。
- 图表中的热力图和Q-Q图均支持IC数据的统计稳定性。
- 这是FIR因子性能临界点的历史见证。
- 表1数据结合该结果,说明FIR因子在动态加权整合后,综合指标优于多数单个基础因子。
3.4 图 5 & 6:预测组合FIR全周期IC与收益率


- 差异点
预测组合法的IC平均值0.019略高于多元回归法(0.018),但IC标准差为0.114明显更高,因子稳定性较差。
分组收益率和多空收益的波动较大且略逊于多元回归法。
- 意义
尽管能缓解共线性带来的歧义,但等权平均削弱了策略整体收益表现,弱化了高表现因子的影响。
3.5 图 7 & 8:预测组合FIR 2016年后IC与收益率


- 解读
该阶段的IC均值为0.042,较全周期显著提升,但依旧低于多元回归法。
分组收益显示顶组超过市场收益,底组持续低迷,但整体表现略为逊色。
显示预测组合法虽有提升但未能超越多元回归构建FIR的效果。
---
4. 估值分析
报告核心为策略构建和因子实证,未涉及传统意义上的公司估值分析或目标价格。因此缺少DCF、P/E等常见估值模型应用分析。
---
5. 风险因素评估
报告提及以下主要风险:
- 模型稳定性风险:所有结果均基于历史数据,不保证未来依旧有效。动量效应本质脆弱,易于崩塌。
- 因子时效性与滞后风险:基本面因子存在范围和时间窗口依赖,滞后表现可能导致组合收益衰减。
- 数据和模型假设风险:假设回归系数稳定,忽略截距项等均为简化处理,可能低估模型误差。
- 动量策略在A股不稳定:双动量组合在A股验证未获得显著收益,暗示市场异质性和制度差异带来的策略局限性。
报告未进一步细分风险缓释措施,主要通过多种方法(多元回归与预测组合)探寻稳健因子构造,但风险仍需警惕。[page::0,8]
---
6. 审慎视角与细节洞察
- 偏倚风险
研究强调从2016年下半年开始才体现稳健超额收益,期间IC及策略表现闪烁,存在“后视偏差”可能。
- 数据与模型简化
对系数期望值假设稳定,剔除截距项,可能忽略系统风险补偿与异常收益,模型简化略显激进。
- 双动量策略测试范围有限
仅测试A股且未跨品种、多市场对比,若考虑宏观经济、政策变动等因素,动量表现或有进一步解释空间。
- 缺少交易成本与执行风险分析
报告未讨论策略在现实交易中的摩擦成本、流动性风险,对实际可行性有所遗漏。
- 结论的时间窗口依赖明显
多数超额表现集中于后期时间段,该时段市场环境和风格偏好可能异于全市场历史,需谨慎推广。
总体上,研究方法严谨,数据支撑充分,但对模型假设的解释不够全面,且现实应用的一些实务风险未覆盖,这些点值得后续研判。[page::3,4,7,8]
---
7. 结论性综合
本报告系统构建并实证检验了基于基本面因子的动量策略在中国A股市场的表现,采用多元回归法和预测组合法两种技术路径构造了基本面隐含收益率(FIR)因子。通过详实的统计检验和分组收益分析,确认FIR因子在2016年下半年起表现持续改善,IC值和多空组合收益均显著升高,体现出稳定的超额收益能力。
具体而言:
- 多元回归法构造的FIR因子相对于预测组合法表现更优,在信息系数稳定性和分组收益的阶段表现均更突出。
- 以EPS等盈利因子为核心的基本面动量因素在收益解释上作用显著,且当前(当期)因子优于滞后因子。
- FIR因子综合了多个滞后期的基本面信息,实现了对未来收益的更有效预测。
- 双动量(基本面动量+传统动量)策略在A股市场表现疲软表明市场特征与国际成熟市场差异明显,策略本地化调整必要性显著。
图表数据充分展示了因子IC的时序波动、收益梯度及分组效果,从视觉和统计学层面都支持了基本面动量策略的趣味性和实用价值。
该报告整体立场谨慎而积极,体现了对基本面因子动量机制的认可及对历史数据依赖的警惕,兼顾了理论创新与实证检验的平衡,是A股量化投资领域中具参考价值的研究大作。[page::3,4,6,7]
---
附录:关键图表索引
- 图1~4 多元回归法FIR的IC与分组表现
- 图5~8 预测组合法FIR的IC与分组表现
- 表1 基本面因子滞后期与多空净值及IC对比
---
总结
本报告成功验证了基本面动量策略在中国A股市场的长期有效性,尤其是结合多期基本面因子趋势信息构建的FIR因子于2016年后显示出良好超额收益,为国内寻求稳健因子投资策略的机构投资者提供了新的有力工具和研究思路。未来研究可以进一步纳入市场微观结构、交易成本、宏观经济及预期修正因素,并强化策略实盘测试以验证实际应用可行性。