负向信息在行业指数增强中的应用 [page::1][page::4]

• 采用负向剔除方式综合事件和因子维度信息，以负向个股剔除实现超额收益。

- 剔除负向个股可显著提升指数组合的超额收益和信息比，同时控制跟踪误差。

• 多样化负向事件包括业绩预告下滑、问询函、监管函、评级下调，因子包括交易异常的波动率和反转因子。

负向Alpha效果具体表现 [page::5][page::6][page::7][page::8][page::9][page::10][page::11]

• 业绩预告下滑负向组合表现优于行业基准，如金融行业在初级行业中超额收益达7.07%。

- 收到问询函、延期回复问询函、收到监管函、评级下调事件负向组合表现多数行业均优于基准。

• 交易异常（波动率及反转因子）负向组合表现普遍不及行业基准，反映高波动个股风险偏高。

精选行业指数构建方法与组合优化流程 [page::12]

• 通过剔除负向个股，保证全部行业存在性及风格平衡；基于组合优化最小化权重与基准差的平方和。

- 实现行业、风格、市值的约束条件（行业偏离±1%，市值偏离±0.2，价值偏离±0.3）。

• 优化权重使精选指数在稳健控制跟踪误差的基础上获得超额收益。

长江初级行业精选指数表现及剔除个股分析 [page::13][page::14]

| 行业 | 超额收益 | 信息比 | 跟踪误差 | 最大回撤 |
|--------------|------------|--------|----------|------------|
| 原材料 | 7.25% | 1.65 | 3.75% | -5.94% |
| 信息技术与硬件 | 8.15% | 1.66 | 4.05% | -8.41% |
| 金融 | 2.56% | 0.59 | 3.60% | -9.03% |

• 原材料行业精选指数净值稳定超越基准，剔除比例约40%，剔除个股数量稳定。

- 金融行业剔除个股较少，超额收益有限且波动较大，反映行业内股票池规模小和剔除个股比例低影响超额收益表现。

• 行业内个股剔除比例与超额收益高度正相关（相关系数87.35%），个股数量与信息比相关（77.44%）。

长江一级行业精选指数表现及剔除比例关系 [page::15][page::16][page::17]

| 行业 | 超额收益 | 信息比 | 跟踪误差 | 最大回撤 |
|--------------|------------|--------|----------|------------|
| 化学品 | 8.32% | 1.82 | 3.87% | -5.96% |
| 保险 | 0.39% | 0.17 | 2.29% | -5.42% |

• 化学品行业精选指数表现优异，剔除比例长期稳定约40%，超额收益持续且较高。

- 保险行业股票池规模有限，剔除比例较低，精选指数难以显著超越基准。

• 一级行业剔除比例与超额收益相关性为69.05%，个股数量与信息比相关性为72.58%。

结论总结 [page::18]

• 负向剔除个股的方法具有普适性，整合事件与因子信息可稳定获得行业超额收益。

- 组合优化体系控制风险暴露，显著提升精选行业指数的表现稳定性。

• 行业内个股数量和负向剔除比例为影响增强效果的关键因素，数量大和剔除比例高均有助于表现和稳定性提升。

组合优化体系下的负向剔除—精选行业指数构建报告详尽分析

---

1. 元数据与报告概览

标题：组合优化体系下的负向剔除——精选行业指数构建
分析师及联系方式：覃桃A（执业证书编号：S0490513030001）、郑起（执业证书编号：S0490520060001）
发布机构：长江证券研究所
报告日期：2021年8月25日
报告类型：金融工程专题报告
主题：通过负向信息（事件和因子）剔除个股，使用组合优化方法构建精选行业指数，实现风险控制下的超额收益增强。

核心论点与目标

本报告在前期负面Alpha系列研究基础上，进一步探讨如何结合多个负面信息维度，构建负向剔除机制，并利用组合优化方法优化权重以控制风格和风险偏离，从而获得精选行业指数。研究结论显示，剔除负向个股（包括业绩预告下滑、问询函、监管函、评级下调等事件，以及波动率和反转等因子刻画的交易异常）能够显著提升行业内组合的超额收益，同时通过优化权重控制跟踪误差，实现风险调整后的稳定收益提升。[page::0,1]

---

2. 逐节深度解读

2.1 负向Alpha研究背景与方法综述

报告回顾了既往系列研究，通过沪深300和中证500的案例验证了负向信息在宽基指数增强中的有效性，但传统的市值加权方法难以有效控制行业和风格偏离，导致跟踪误差较大。

为此，本报告提出在组合优化框架下同时综合事件类负面信息和因子类负向Alpha，从而实现更细粒度、更有效的风险控制和超额收益提升。核心策略是负向剔除，即剔除在不同负向事件和因子中表现不佳的个股，无需对个股进行排序，仅使用尾部负向信息，减少模型复杂度和风险暴露。[page::4]

2.2 负向Alpha事件与因子的定义及效果

报告识别的主要负向事件包括：

• 业绩预告下滑（例如持续亏损、扭盈为亏等）[page::5]；

- 收到问询函（覆盖财报、风险事件、资产重组等相关公告）[page::6,7]；

• 延期回复问询函（超过规定时间未答复问询，有负面意味）[page::7,8]；

- 收到监管函（可能涉及违法违规行为，监管警告）[page::8,9]；

• 评级下调（分析师调低评级反映预期收益下降）[page::9,10]；

因子类负向信号：

• 波动率因子（交易异常，高波动通常对应风险累积）[page::10,11]；

- 反转因子（价格反转现象，可能预示趋势变化和局部风险）[page::10,11]。

各事件均基于过去90天内数据统计，负向组合通过剔除包含负向信息的个股构建，月度调仓。

2.3 负向信息事件实际表现解读

图表分析结果表明：

• 对于业绩预告下滑，在初级行业中只有金融行业负向组合表现优于基准，负向超额最大约7.07%（负向组合胜出）[page::5,6]。一级行业中部分行业（建筑产品、农产品等）也表现出类似负向超额效果。

- 收到问询函事件在初级行业内大部分行业基准表现优于负向组合，体现负向组合风险较高，一级行业仅纸类及包装、保险表现优于基准[page::6,7]。

• 延期回复问询函事件初级行业仅原材料表现优于基准，一级行业则是化学品和检测服务表现突出[page::7,8]。

- 收到监管函事件表明初级行业中只有能源行业负向组合表现较好，一级行业中油气石化及部分材料行业表现优异[page::8,9]。

• 评级下调负向组合中，初级行业仅通讯业务表现出超额收益，一级行业中包括电力新能源设备、汽车、传媒互联网等表现较好[page::9,10]。

- 波动率及反转因子刻画的交易异常整体上负向组合表现较弱，行业基准明显优于负向组合，说明这些因子的负向个股风险确实较高，应予剔除[page::10,11]。

该系列研究验证了不同类型负向事件和因子的剔除能够帮助筛选出风险较高的股票，提升整体组合风险调整后收益。[page::5-11]

2.4 精选行业指数构建方法

针对负向信息剔除后组合的风险风格偏离问题，报告提出采用多约束组合优化模型。具体步骤如下：

• 初步股票池为行业基准股票池；

- 剔除基于负向事件和因子识别的负向个股；

• 检查行业风格覆盖，若有行业缺失，则从被剔除的个股中恢复市值最大的个股；

- 按基准权重归一化调整组合权重，并根据行业、市值风格、价值风格分别设定容忍偏差（行业偏离±1%，市值偏离±0.2，价值偏离±0.3）；

• 目标函数为组合权重与基准权重差的平方和最小化，约束个股权重在0-1内，求解最优权重；

- 若无解则迭代调整缺失行业个股恢复，直至可解。

此方法有效兼顾收益增强和风险控制，提高了组合的稳定性和跟踪精度。[page::11,12]

---

3. 图表深度解读

3.1 负向事件组合收益对比图（图1至图14）

• 多个图表显示，负向组合（灰色柱形或折线）多数行业下收益表现低于行业基准（红色柱形或折线），验证剔除这些负向个股有助于提升组合表现。

- 个别行业如金融、原材料、能源等负向组合仍表现不俗，显示行业特征影响负向信息的实际有效性。

• 交易异常相关因子图表（图11-14）显示负向组合收益表现弱于行业基准，交易异常信号对短期风险提示有效。

3.2 精选行业指数净值与剔除个股情况（图16-25）

• 以原材料和金融行业案例展示精选指数（行业优化，灰线）相较基准（红线）及其比值（橙线）明显表现提升。

- 剔除比例趋势稳定，原材料剔除比例较高且稳定在约40%左右，对应超额收益显著且稳定。

• 金融行业个股数量较小，剔除比例较低，导致精选指数超额收益受限且波动较大。

- 一级行业的化学品与保险对比亦显示类似关系，化学品行业剔除比例高且收益稳定，保险行业因剔除比例低，精选指数表现接近行业基准[page::13-16]

3.3 不同初级及一级行业精选指数表现关系图（图20、21、26、27）

• 行业内个股剔除百分比与超额收益呈强相关（初级行业87.35%，一级行业69.05%），表明负向剔除的规模影响超额收益大小。

- 行业内个股数量与信息比呈明显正相关（初级行业77.44%，一级行业72.58%），信息比反映超额收益的稳定性，股票池越大，负向剔除的边际贡献越稳定。

• 这两张关系图确认了行业内样本规模和剔除强度对精选指数表现效能的决定性作用。[page::14,17]

3.4 组合优化流程图（图15）

• 直观展现了负向剔除到多重风格偏离控制再到权重优化的流程，体现体系的系统性和严谨性。

---

4. 估值分析（若适用）

本报告主要集中在金融工程和组合构建方法，未涉及传统意义上的个股估值模型，如DCF、市盈率等。重点在于组合优化模型，目标函数为权重最小平方差，约束条件包括行业风格、市值风格、价值风格的偏离范围。

---

5. 风险因素评估

报告指出主要风险包括：

• 模型失效风险：基于历史数据，未来无法保证模型持续有效；

- 负向剔除依赖历史负向信息的及时和准确性，事件披露延迟或信息不全可能影响模型效果；

• 行业样本规模的限制，部分行业样本量较少，剔除不足，限制超额收益拓展；

- 组合优化求解可能无解，报告通过迭代补充缺失行业个股等方法缓解。

此外，组合偏离基准的风险通过行业、市值、价值偏离约束得到控制，最大程度减少异动风险。[page::1,4,18]

---

6. 批判性视角与细微差别

• 报告基于历史事件和因子统计结果，叙述较为客观，但强调“负向剔除”方法普适性，仍需警惕负向事件识别的时效性和准确性在未来市况可能体现不佳，该风险在说明中已有提示。

- 负向信息在不同行业的表现差异较大（如金融行业普遍超额收益较低），显示方法的行业适用性差异，定制化调优仍需加强。

• 波动率和反转因子负向信息被市场普遍理解和应用较多，其负向Alpha在行业层面表现明显弱势，实际操作中需综合考虑其他另类信号，以免过度剔除导致机会损失。

- 组合优化模型约束较为严格，可能限制了部分潜在超额收益空间，但保障了跟踪误差和风险容忍度，符合稳健投资理念。

• 报告未涉及费用、交易成本及市值波动对优化的影响，实际落地可能受限。

---

7. 结论性综合

本报告系统地探讨了如何在行业指数构建中利用负向事件和因子，结合负向剔除和组合优化体系，提升组合相对基准的风险调整后收益。通过对业绩预告、问询函、监管函、评级下调等多类负面事件，以及波动率、反转等交易异常因子的深度分析，确认负向剔除是一种有效且普适的方法。

组合优化流程在控制行业风格、市值风格和价值风格偏离的同时，最小化权重差平方和，实现了精选行业指数的构建。实证结果显示：

• 所有行业（初级及一级）精选指数均获得正向超额收益，年化超额收益多数在3%-8%区间，且跟踪误差均控制在合理范围内（初级行业多系≤5%，一级行业多系≤6%）；

- 行业内股票池规模和剔除个股比例是超额收益和稳定性的关键驱动，股票池越大剔除越充分，精选指数表现更佳稳定；

• 个别行业如金融和保险因样本限制或负向剔除比例低，超额提升较有限；

- 图表显示精选指数净值优于基准，剔除比例波动与超额收益时间段变化高度匹配，合逻辑支持结论。

综上所述，本报告提出的基于负向剔除与组合优化的精选行业指数构建方法，有效地综合了事件与因子负向信息，兼顾风险和收益，是行业量化投资和指数增强的重要方法论。

---

参考主要图表示例

• 图1 & 图2：初级和一级行业业绩预告负向信息收益对比，展示部分行业负向组合表现优异，是负向剔除的依据之一。

- 图15：组合优化过程示意，阐明了从负向剔除到权重优化的核心步骤。

• 图16 & 图18：原材料和金融精选指数净值对比，体现精选指数净值优于基准且剔除个股比例动态变化。

- 图20 & 图26：精选指数超额收益与剔除个股比例高度相关，强调了剔除力度的重要性。

• 图21 & 图27：信息比与行业个股数量的正相关，说明股票池规模影响超额收益的稳定性。

---

结语

综上，负向剔除结合组合优化被验证为一有效的行业精选策略。通过科学定义负面事件和因子，系统剔除表现风险较高个股，并控制组合风格偏离，精选行业指数在中国市场表现出稳健且可观的超额收益潜力。投资者和指数策略设计者可据此理论与方法，定制化调整实现风险收益兼顾的行业增强。

---

[page::0,1,2,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18]

报告