A股市场股票收益率多因子策略实证研究

文/白思雨（上海大学）

一、引言

Markowitz (1952) 的多元化投资和有效组合投资理论首次以严谨的数学工具为手段，向人们展示了一个规避风险的投资者如何在众多风险资产中构建最优资产组合。然而，在20世纪50年代，即使有了新生的计算机的帮助，将马科维茨的理论应用到实践中仍然是一项烦琐而艰巨的任务。而套利定价理论（Arbitrage Pricing Theory）是CAPM模型的延伸。该理论认为，套利是现代有效市场（即市场均衡价格）形成的决定性因素。如果市场不平衡，市场就会有无风险的套利机会。而根据无套利原则，风险资产的均衡收益与多种因素之间存在（近似）线性关系。

以资本资产定价模型（CAPM）为伊始发展衍生而成的多因子模型改变了投资者们看待风险－收益的方式，指导着金融机构的市场实践，令以定量分析为主的量化投资方兴未艾。

多因子模型的成败在于寻找有效因子，作为传统金融学理论在投资实践中的代表模型之一，多因子模型在我国资本市场仍具有获取超额收益能力的普适性[1]。

二、多因子模型早已提出，其因子随时间变化不断增多，说服力增强的同时伴随着模型本身更加复杂

随着研究的深入，越来越多的因子得到理论界和实务界的讨论，可以预期多因子资本资产定价模型未来的可能发展方向是：其一，基于市场特征发现越来越多的解释因子，解释变量不断变多，会使模型的说服力不断加强。从最开始的CAPM 单市场因子发展到加入规模、价值、盈利、风格、动量的六因子模型，不难看出，随着市场的有效性加强，对资本收益的解释越来越困难，为了提高模型的说服效果，对应的影响因素也会不断增加。其二，合并缩减解释因子，去除模型中的冗杂部分，以使模型越来越简单高效。

随着人们对多因子模型研究的深入，解释因子越加越多，一个悖论出现了，即因子模型会被逐渐退化为长的因子列表，这些因子列表接近于人们可以想到的各种对资本收益率有影响的可能组合，换句话说，多因子模型构建会变成一个冗余因素删除测试[2]。

根据经典的有效市场理论，三因子模型中的超额收益阿尔法长期应该等于零的，因而过去阿尔法如果过低那么未来阿尔法应该会偏高，从而达到平均值为零。与有效市场理论不同的是在传统的技术分析领域和行为金融学中都有一种趋势理论，认为股票价格具有惯性，也即过去涨得好的股票未来还将涨得好。为了验证该理论的正确性，设计动量策略，即选择上一个周期超额收益阿尔法最高的15支股票进行测试，发现在同样的测试周期内该策略也具有正的超额收益。

动量策略和反转策略的出发点可以说是完全相反的，但是实际市场数据却说明这两个策略可以同时有效，其可能的原因是在市场中同时存在两类投资者：一类投资者偏好于选便宜股，而另一类投资者偏好追涨杀跌式的投资。前一类投资者造成了反转效应，后一类投资者造成了动量效应，而过去收益处于中间的股票因为过于平庸不能引起两类投资者的注意，因而保守投资策略的收益最低[3]。

三、实证分析

（一）实证模型构建

根据上文所述，我们首先选取了包括价值类因子、质量类因子在内的9项因子，其次选取中国A股市场中的股票建成股票集，以及其在2019年四季度的季收益率（Qtrret）作为因变量，对其流通股季换手率（QtrTrdTurnR），市盈率（PE），市净率（PB），市现率（PCF），市销率（PS），每股收益（EPS），净资产收益率（ROE），每股营业利润（OpPrfPS），每股经营活动现金流量净额（NCFfropePS）九项因子进行回归，最后根据多因子模型构建如下方程：

根据最小二乘法，βi为上述九项因子的相关系数，表示其对于季收益率的作用权重，ε为项目残差，β0为截距项，表示无风险利率。

（二）回归结果分析

根据方程（1），运用R进行OLS回归，其结果如表1所示：

表1 OLS回归

根据上表，我们可以看出，在QTTR一项中，该项β值为0.000226，这主要是因为前文描述性统计中提到，QTTR最小值即为1，而均值和中位数分别为115和66，而另一方面，Qtrret作为收益率，该值均值为6%，因此参数会较小，但是我们可以在回归结果中看出，其t值达到9.87，p值几乎为0，这说明其显著性水平比截距项还要高，在99.9%的显著性水平下无疑是显著的。这说明换手率这一项对于该只股票的正向作用十分明显，这主要是因为换手率如果越高，那么市场对于这只股票偏好越大，就越“抢手”，往往有较高的升值空间，从而带来较大的投资收益率。因此我们认为，换手率在短期选股策略中的作用还是十分明显的。

在EPS一项，我们看到其β值为0.0199，t值达到2.88，p值为0.004，可以看出相比上述几项，其显著性水平要好很多，在99%的置信水平下是显著的，同时其β值大于0，这说明每股收益对于股票收益率有正向的影响，这很好理解，一只股票拥有较高的每股收益说明企业的盈利能力很强，因此对于投资者来说这必然就是一只收益率高的股票。因此每股收益对于季度选股策略来说是较为有效的指标。

在ROE一项中，其β值为0.0000943，该项数值远低于EPS一项，这说明ROE的影响力相对于EPS要小得多，其t值为2.04，p值为0.042，相对于EPS来说较差。但是在95%的置信水平下，该项参数是显著的，这表示权益回报率对于股票的收益率也是有一定显著的影响，不过相比前文提到的QTTR，EPS而言相对较弱，这主要是由于权益回报率作为股东权益所获得的收益率，往往代表投资人真实的投资回报，这一项越高，股东收益越高，这样的股票往往会带来可观的收益。

综上所述，从方程（1）中所选出的9项指标在经过OLS回归后只有3项指标是较为显著的，因此我们初步得出结论，即流通股季换手率、每股收益率、净资产收益率三项指标对于季收益率有显著影响。

（三）回归结果检验

根据上述回归结果，我们得出QTTR、EPS、ROE三项对于股票季收益率有显著性影响，接下来，本文将对其进行方差分析，即F检验。首先，我们根据上述所挑选出的三项数据另立一个OLS回归方程：

其中自变量仅剩下β1、β6、β7三项，其余与方程（1）一致。

根据方程（2），运用R软件进行回归，其结果如表2所示：

表2 OLS回归

根据上述结果，我们发现方程（2）相比于方程（1）的QTTR、EPS、ROE三项变得显著性水平更高，其主要表现为t统计量的增加，在此基础之上，本文对上述方程（1）和方程（2）运用R软件进行ANOVA分析，即方差分析，所得结果如表3所示。

表3 ANOVA分析

根 据 表3 ANOVA分 析，RSS(H0)一项代表原方程，即方程（1）的方差，RSS(H0)一项代表方程（2）的方差。根据结果，我们可以看出，RSS(H0)为81.6，RSS(H1)为81.5，两者差距仅在0.1%左右，可以说差距微乎其微。这说明剔除剩余6项因变量对于回归方程的影响是微乎其微的，进而我们可以得出，方程（2）的结果可以反映方程（1），QTTR、EPS、ROE三 项确实为导致季度收益率变动的重要原因。

四、结语

根据上述实证分析，本文得出结论，首先流通股季换手率、每股收益率、净资产收益率，这三项因子，对于反映因变量——季收益率都具有显著影响，同时这三项无一例外都有着正向的影响，这三项质量类因子被证明即使在季度这一时间跨度上也对选取收益率较高的股票具有指导意义。

然而，同属于质量类因子的每股营业利润以及每股经营活动现金流量净额两项，由于其自身更加侧重于经营方面，而忽视了投资融资等方面，显得有些片面，因而解释力度较小，不具备参考意义。此外包括PE、PB、PCF以及PS四项在内的价值类因子，由于其更加偏向于较长周期，在中短期尤其是季度数据来看，其作用并不明显，同时价值类因子更加偏向于相对数据，对于同一行业内的各只股票更具有指导意义，而对于本文中的全行业横向对比意义不大，虽然实证分析结果显示起作用并不明显，但是仍存在一定作用。

总体来看，在量化选股时，运用质量类因子，诸如流通股换手率、每股收益率、净资产收益率，一般情况下可以获得可观的收益，因此建议将量化选股的依据设定为流通股换手率、每股收益率、净资产收益率等质量类因子。而对于PE、PB、PCF以及PS等价值类因子，单纯将其设定为选股依据显然是不明智的，其作用更多可以运用在判断股票是否确实值得投资，可以将其与所在行业且处于类似发展阶段的公司进行横向对比，或者与行业均值进行对比，从而作为量化选股后的再判断而存在，这样或可发挥其最大作用。