海通证券-“海量”专题(181)——外部环境、内生变量与Smart Beta ETF组合-200918

　　重要提示：《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号发布的观点和信息仅供海通证券的专业投资者参考，完整的投资观点应以海通证券研究所发布的完整报告为准。若您并非海通证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号中的任何信息。本订阅号难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本订阅号推送内容而视相关人员为客户;市场有风险，投资需谨慎。 2019年以来，我国Smart Beta ETF的数量和规模迅速增长。截止2020年8月底，市场共计运行31只Smart Beta ETF，这31只Smart Beta ETF共跟踪29只不同指数，标的数量较多。那么如何筛选Smart Beta ETF呢？本文尝试从外部环境和内生变量两个角度，对SmartBeta ETF的筛选以及组合构建进行初步探讨。 1 Smart Beta ETF的长期表现 1.1 Smart Beta ETF概况 截止2020年8月底，我国市场共计运行31只Smart Beta ETF，规模总计180.1亿元，在所有股票型ETF中占比2.7%。从今年以来的成交来看，Smart Beta ETF日均成交5.1亿元，占股票型ETF成交的2%。近两年，Smart Beta ETF无论是产品数量还是规模均呈迅速增长态势。在31只Smart Beta ETF中，成立日期最早、当前规模最大的是华泰柏瑞红利ETF，成立于2006年11月17日，截止8月底规模为47.6亿元。 从投资者结构来看，相比于其他股票型ETF，Smart Beta ETF的机构投资者占比较低。按照规模加总所有Smart Beta ETF的机构持有比例，为53.7%；而其他股票型ETF的该数值为67.0%。 从策略类型来看，Smart Beta ETF大致可分为红利、基本面、多因子、低波动、等权等7个类别，具体分类见下表。 在这7个类别中，红利类型易于被投资者接受，规模最大，当前（截止2020年8月底，下同）规模97.5亿元，占比54.1%。多因子策略逐步受到市场认可，产品规模合计48.5亿元，占比26.9%。 1.2 Smart Beta ETF的长期表现 由于大部分Smart Beta ETF都是在2019年以后上市，价格数据较少；因此我们以ETF的跟踪指数为研究对象，统计Smart Beta ETF的收益表现。绝大部分的Smart Beta ETF均跟踪不同的标的指数，市场现存的31只Smart Beta ETF共跟踪29只不同指数，其中有3只ETF跟踪标的相同，均为中证红利指数。下文主要以这29只跟踪指数为研究标的，考察Smart Beta ETF的收益表现。 长期来看，相比于沪深300指数，绝大部分的Smart Beta ETF都具有更高的风险调整收益（信息比）。如下图所示，横轴为Smart Beta ETF年化波动率与同期沪深300指数年化波动率之比，纵轴为年化收益之比，灰色直线表示与沪深300指数信息比相同的组合；处于直线之上，表示组合风险调整收益优于沪深300指数。从中可见，在29个标的指数中，有25个标的指数的信息比都优于沪深300指数，占比高达86.2%。（注：为反映分红再投资收益，本文所有指数的收益表现均基于全收益指数计算。） 如下表所示，月度再平衡，自2010年初至2020年8月底，所有Smart Beta ETF等权组合（下简称基准Smart Beta ETF组合）年化收益8.63%，而同期沪深300全收益指数年化收益4.96%，基准Smart Beta ETF组合相对于沪深300指数年化超额3.67%。从波动率角度来看，基准Smart Beta ETF等权组合年化波动率为21.67%，低于沪深300指数。 从时间序列角度来看，2013年至2017年上半年，Smart Beta ETF表现显著优于沪深300指数；但2018年以来，基准Smart Beta ETF组合相对于沪深300指数无正向超额收益。 将同类Smart Beta ETF按照等权方式加总，市场现存的7类Smart Beta ETF相对于沪深300指数的长期风险收益特征如图6所示。灰色直线表示与沪深300指数信息比相同的收益风险组合。如图所示，近10余年来，除等权重ETF表现较差外，其余6类Smart Beta的业绩表现均优于沪深300指数。从波动率角度来看，多因子、低波、红利、价值的波动率相对较低，低于沪深300指数。 由表2可见，将7类Smart Beta ETF等权加总，所得组合年化收益7.20%，相对于沪深300指数年化超额2.24%；组合年化波动率22.01%，低于沪深300指数（23.63%）；相应地，Smart Beta ETF组合信息比为0.43，优于沪深300指数（0.32）。 总结来看，绝大部分Smart Beta ETF均具有优于沪深300指数的收益表现；从风险指标来看，红利、低波类Smart Beta ETF的波动率通常相对较低。月度再平衡，将所有SmartBeta ETF按照等权方式加总，所得组合业绩表现优于沪深300指数。 1.3 外部环境与内生变量 目前，市场上的Smart Beta ETF品种已相对较为丰富，那么在这些品种中筛选部分产品构建组合，会有什么样的表现呢？本文将从外部环境与内生变量两个角度出发，对Smart Beta ETF的筛选和组合构建进行初步探讨。 对于外部环境，主要根据前期外生变量与当期因子收益的关系，来选择ETF；下表列举了不同环境划分方式对应的参考指标。而内生变量，则主要通过Smart Beta ETF的涨跌幅和波动率来筛选标的。 2 外部环境与Smart Beta ETF表现 为比较不同时期Smart Beta ETF的表现，需选定比较基准；由于本文主要探讨从横截面角度如何在全部产品中选择合适的产品，因此对所有的Smart Beta ETF，我们均以相同的指数（沪深300全收益指数）作为比较基准，以此考察在不同外部环境下产品的收益表现。 2.1 外生变量与Smart Beta ETF表现 市场状态 基于Wind全A指数前1个月的涨跌状态，将样本划分为2个子样本，图7、图8分别统计了在上涨状态和下跌状态时，各Smart Beta ETF的信息比。 在市场处于上涨状态时，基本面、低波类Smart Beta ETF具有更好的表现；而市场处于下跌状态时，多因子类Smart Beta ETF的收益表现更优。 若考虑显著性，从具体的Smart Beta标的来看，在5%的显著性水平下，市场处于上涨状态时，深证F120、500成长估值相对沪深300指数的超额收益显著为正；而市场处于下跌状态时，红利潜力和创业蓝筹超额收益显著为正。 市场波动 计算Wind全A指数前1个月日收益率的对数波动率，并将其与过去1年的平均值进行比较，将样本划分为低波和高波两种状态。图9、图10分别统计了在高波和低波状态下，各Smart Beta ETF的信息比。 高波状态下，多因子以及低波类Smart Beta ETF的收益表现更优；而低波状态下，基本面、红利类Smart Beta ETF的收益表现更优。 若考虑显著性，从具体的Smart Beta ETF来看，高波时，创业蓝筹、红利潜力的超额收益显著为正；而低波时，Smart Beta ETF的收益稳定性较低，相对沪深300的超额收益不显著。 经济状态 根据PMI 对经济状态进行划分：若上月PMI大于过去1年的平均值，则称本月经济状态为“扩张”，反之则为“收缩”。 扩张状态下，基本面、估值类Smart Beta ETF的收益表现更优；收缩状态下，红利潜力、创业蓝筹、180价值等Smart Beta ETF的收益较优。 若考虑显著性，从具体的Smart Beta ETF来看，扩张状态下，红利潜力、深证F120、500成长估值、深证F60、MSCI中国A股质优价值100、国信价值的超额收益显著为正；而收缩状态下，Smart Beta ETF的收益稳定性较低，相对沪深300的超额收益不显著。 利率变化 比较当前利率与过去1年的平均利率，若当前利率高于历史平均，则称利率上行，反之则为利率下行。利率上行时，红利类Smart Beta ETF的收益表现更优；利率下行时，红利潜力、深证红利、创业蓝筹等Smart Beta ETF的收益较优。 若考虑显著性，从具体的Smart Beta ETF来看，利率上行时，股息龙头、红利潜力、MSCI中国A股质优价值100、MSCI中国A股国际低波的超额收益显著为正；利率下行时，Smart Beta ETF的收益稳定性较低，相对沪深300指数的超额收益不显著。 2.2 基于外部环境动态筛选Smart Beta ETF 前一节为从事后角度进行的全区间统计，但外部环境与Smart Beta ETF表现的关系并不如统计结果那般稳定。那么从实际投资角度来看，每个月基于当前所得的数据，动态筛选Smart Beta ETF并构建组合，能否获得优于基准Smart Beta ETF组合的收益表现呢？本节主要对该问题进行探讨，对基于外部环境动态筛选的Smart Beta ETF组合进行回测分析。 具体来看，每个月末，基于前5年的外部环境与滞后一期Smart Beta ETF收益的数据，选择与当前环境相同的月份中，收益表现最优的3只/5只Smart Beta ETF构建等权组合。以市场状态为例，若t月市场下跌，则以过去5年市场下跌的月份为参考样本，统计每只Smart Beta ETF在这些下跌月份后一个月的平均收益和信息比，选择其中收益表现最优的3只/5只Smart Beta ETF作为t+1月的持有标的。 基于单个外生变量动态筛选Smart Beta ETF并构建等权组合，相对于基准SmartBeta ETF组合的超额收益如下表所示。从中可见，基于市场状态（上涨/下跌）、市场波动（高/低）来动态筛选Smart Beta ETF，相对于基准组合能够获得年化5%以上的超额收益。但基于外部环境构建的ETF组合时间序列稳定性较差，在部分年份明显不如基准组合。 对于前述4个外部环境指标，除了通过单变量来划分环境外，也可选择其中任意两个将外部环境划分为2*2=4种状态；或选择其中3个指标将外部环境划分为2*2*2=8种状态。我们对不同的情景进行了测试，收益表现相对较优的为如下两种划分方法：市场状态*市场波动、市场波动*利率变化。选择3个或更多的指标来划分环境，则会由于每种状态下样本数较少，统计偏误较大，最终的收益表现反而不如仅根据2个指标来划分的情况。 如下表所示，若基于市场波动*利率变化将外部环境划分为4种状态，并动态筛选3只Smart Beta ETF构建等权组合，则2013年初至2020年8月，组合年化收益23.6%，相对于基准Smart Beta ETF组合年化超额8.36%；分年度来看，组合在2014、2018、2019年表现较差，相对基准组合超额收益为负。若选择5只Smart Beta ETF，则组合收益略有下降，年化收益21.25%，年化超额6.01%。 总结来看，外部环境与Smart Beta ETF表现存在一定相关性，基于外部环境动态筛选Smart Beta ETF，相比于基准组合可获得正向超额收益。但两者的相关性并不十分稳定，在部分年份，根据市场环境选择历史表现较优的Smart Beta ETF构建组合，并未跑赢等权配置所有Smart Beta ETF的策略。 3 内生变量与Smart Beta ETF表现 本节主要从Smart Beta ETF本身的收益特征出发，来考察其历史表现与未来收益的关系，相关因子包括动量因子和波动率因子。 3.1 动量因子 动量因子即前期累计收益率，例如前1个月的收益、前3个月的累计收益等。图15为基于月度动量（前1个月的累计收益率）将Smart BetaETF等分为5组，每组ETF等权组合相对于基准Smart BetaETF组合的年化超额。其中，年化超额的计算方式为单利形式，即月均收益*12。 整体来看，Smart Beta ETF呈现较为明显的动量效应，在不同观察期下，前期涨幅较高的ETF，未来收益表现更优。相较而言，1个月动量因子表现最优。1个月动量因子多头组合相对于基准组合年化超额3.17%，空头组合年化超额-2.19%，多空收益5.36%。 但动量效应波动较大，多头组合优于空头组合的月胜率仅为53%，统计不显著。从时间序列角度来看，2016年以来，动量效应的稳定性优于之前年份。 观察动量因子多空收益的时间序列走势我们发现，动量效应是否有效与市场状态有一定关联。当市场处于下跌状态时，市场通常呈现轮动特征，前期跌得多的，未来继续大幅下跌的可能性较低，动量效应有效性降低。 我们将前1个月跌幅超过10%、或前1年跌幅超过20%的月份，定义为下跌状态，统计下跌状态与其他时段，动量因子的收益表现。结果显示，在下跌状态时，动量因子的多空收益出现反向，年化收益为-7.87%，即前1个月涨幅最高的1/5 Smart Beta ETF未来收益表现不如前1个月涨幅最低的1/5 Smart Beta ETF。 利用市场状态对动量因子择时，即在下跌状态时将动量因子乘以-1变为反转因子，则因子收益有所提升。多头收益由年化3.17%增加至4.53%；多空收益由5.36%提升至8.06%。 3.2 剔除市场和风格后的动量 不同Smart Beta ETF的选股范围可能存在差异，因此除了Smart Beta因子本身外，市场和风格也有可能对产品收益产生影响。将Smart Beta以外的因素剔除后，剩余的属于Smart Beta本身的收益延续性如何呢？本节将对该指标的Smart Beta ETF选择效果进行回测分析。 类似于Jensen’s alpha，将每只Smart Beta ETF的收益率对市场（和风格）进行时间序列回归，得到的截距项即为剔除市场（和风格）后的动量因子。 整体来看，剔除市场（和风格）后的动量因子收益表现较优，在大部分的观察期下，都存在显著的多空收益。且观察期越长，收益表现越优，表明剔除市场和风格的影响后，Smart Beta ETF存在较为明显的长期动量。 相较而言，剔除市场和风格后的动量因子稳定性优于仅剔除市场的动量因子。以观察期为6个月为例，仅剔除市场的动量因子多头收益为5.03%，多空收益为9.23%，t值为1.96；而剔除市场和风格后的动量因子多头收益为5.95%，多空收益为9.89%，t值为2.58，统计显著。 综上所述，剔除市场（和风格）后的动量因子具有较为明显的选择收益。且观察期越长，动量效应越明显，表明剔除市场和风格的影响后，Smart Beta ETF存在较为明显的长期动量现象。 3.3 波动率因子 除了价格动量外，Smart Beta ETF也呈现一定的波动率动量现象，即前期波动率比较大的、受市场关注度比较高的Smart Beta，后期收益表现更优。观察期对波动率因子的收益表现影响较小，不同观察期下，波动率因子的多头收益均在4%左右。 3.4 内生变量复合因子 如前所述，在Smart Beta ETF中，动量因子、剔除市场和风格后的动量、波动率因子都存在较为明显的选择收益，我们按照等权、IC加权、以及ICIR加权的方式构建复合因子，考察复合因子的收益表现，结果如下表所示。其中，动量因子和波动率因子均采用1个月的观察期，剔除市场和风格后的动量则以24个月作为观察期。 不同加权方式下，复合因子均具有显著的多空收益。相较而言，等权加权的稳定性最高，波动率最低、月胜率最高；而ICIR加权的收益最高，多头收益为9.22%，多空收益为13.58%。 选择复合因子得分最高的3/5只ETF构建等权组合，相对于基准Smart Beta ETF组合各年度的超额收益如下表所示。与前文统计结果一致，在3种加权方式中，时间序列稳定性最高的为等权加权。等权复合因子得分最高的3只ETF等权组合，除2011年略微跑输基准组合外，其余年份相对于基准组合都存在正超额收益。 单边扣除千2交易费用，构建Smart Beta ETF组合，并将其业绩表现与市场主要宽基指数进行比较，结果如下表所示。其中，组合1是指采用等权方式构建复合因子，并选择复合因子得分最高的3只ETF构建等权组合，组合2和组合3则分别采用IC加权和ICIR加权方式构建复合因子。 扣费后，自2010年下半年至2020年8月底，3个组合均可获年化20%以上的收益率，明显优于主要宽基指数沪深300、中证500和创业板指。 从风险角度来看，Smart Beta ETF组合在主要宽基指数中处于中等偏低水平。Smart Beta ETF组合的波动率与中证500指数类似，高于沪深300指数，低于创业板指；从最大回撤来看，Smart Beta ETF组合与沪深300指数类似，低于中证500指数和创业板指。 从风险调整收益来看，Smart Beta ETF组合的信息比和收益回撤比均明显优于沪深300、中证500和创业板指。 4 Smart Beta ETF组合在绝对收益策略中的应用 我们在前期报告《通往绝对收益之路（一）——股债混合配置与衍生品对冲》中探讨了构建绝对收益策略的两种思路——股债混合配置与衍生品对冲。在本节中，我们将前文中基于内生变量构建的SmartBeta ETF组合（组合1）应用在这两种策略中，以获取绝对收益。 4.1 股债混合策略 股债再平衡策略 我们首先构建加入择时观点的股债定期再平衡策略，其中择时观点使用《通往绝对收益之路（一）——股债混合配置与衍生品对冲》报告中构建的宏观动量月度择时模型生成。具体来看，根据股票择时观点调整仓位，若模型观点中性，则股债配比为20%和80%；若模型看多股票，则股债配比调整为30%和70%；若模型看空股票，则股债配比调整为10%和90%。其中，股票资产为Smart Beta ETF组合（组合1），债券资产为中债总财富指数，月度再平衡。 加入择时观点的股债20/80 再平衡策略年化收益率为13.39%，夏普比率和calmar比率分别为2.11和1.43。 股债风险平价策略 我们使用过去242 个交易日的数据估计Smart Beta ETF组合与中债总财富指数的协方差矩阵，构建月度调仓的股债风险平价策略。同时按照如下方式将择时观点加入股债风险平价策略中：令初始股债风险预算为1:1，定义风险预算调整系数？？，若股票择时信号为正向，则股债风险预算调整为(1/2)^(1/？？):1-(1/2)^(1/？？)；若股票择时信号为负向，则股债风险预算调整为(1/2)^？？:1-(1/2)^？？；若股票择时信号为中性，则股债风险预算维持1:1不变。 当？？=3 时，策略的年化收益率为8.28%，夏普比率和calmar 比率分别为2.66 和2.06。 4.2 对冲策略 由上文可知，Smart Beta ETF组合相对于宽基指数具有一定的超额收益，因此我们可以对冲股指期货以获得绝对收益，回测参数设置如下。 1. 股票仓位固定为70%，股指期货空头合约面值与Smart Beta ETF组合市值相等。 2. 月初调仓，并再平衡股票多头和股指期货空头仓位。 3. 使用股指期货当月合约对冲，交割日前一天以当日成交均价展期，交易成本为双边万分之六。 股指期货在2015 年6-9 月的股市异常波动中，负基差极度扩大，对冲成本上升，绝大多数公募量化对冲产品大幅降低股票仓位，将大部分仓位配置于现金和债券，2017年年初负基差方才有所缓解。因此，我们在2015.07.01-2016.12.31期间平掉股票仓位，将全部资金投资于货币基金（H11025.CSI）。 剔除股指期货深度贴水时期之后，Smart Beta ETF组合对冲IF策略的年化收益率为15.46%，夏普比率和calmar比率分别为1.37和1.21，每个年份均能取得正收益。对冲IC策略的年化收益率为10.44%，夏普比率和calmar比率分别为1.16和1.11，除2015年外，其余年份均能取得正收益。 5 总结 2019年以来，我国Smart Beta ETF的数量和规模迅速增长。截止2020年8月底，市场共计运行31只Smart Beta ETF，规模总计180.1亿元，在所有股票型ETF中占比2.7%。这31只Smart Beta ETF共跟踪29只不同指数，标的数量较多，本文尝试从外部环境和内生变量两个角度对Smart Beta ETF的筛选进行初步探讨。 月度再平衡，自2010年初至2020年8月底，所有Smart Beta ETF等权组合年化收益8.63%，信息比0.43，明显优于沪深300指数。 外部环境与Smart Beta ETF的表现存在一定相关性。市场处于上涨状态时，基本面、低波类Smart Beta ETF具有更好的表现；而下跌状态时，多因子以及价值类Smart Beta ETF的收益表现更优。高波状态下，多因子以及低波类Smart Beta ETF的收益表现更优；低波状态下，基本面、红利类Smart Beta ETF的收益表现更优。扩张状态下，基本面、估值类Smart Beta ETF的收益表现更优；收缩状态下，红利潜力、创业蓝筹、180价值等Smart Beta ETF的收益较优。利率上行时，红利类Smart Beta ETF的收益表现更优；利率下行时，红利潜力、深证红利、创业蓝筹等Smart Beta ETF的收益表现更优。 基于外部环境动态筛选Smart Beta ETF可获得正向超额收益。基于市场状态和市场波动情况，动态筛选相同环境下历史收益表现最优的3只ETF构建等权组合，相对于Smart Beta ETF等权组合年化超额5.70%；基于市场波动和利率变化动态筛选ETF构建等权组合，相对于基准Smart Beta ETF组合年化超额8.36%。但外部环境与ETF表现的相关性并不十分稳定，在部分年份，根据市场环境选择历史表现较优的Smart Beta ETF构建组合，不如等权配置所有Smart Beta ETF的策略。 从内生变量来看，Smart Beta ETF存在较为明显的横截面收益动量和波动率动量现象。前期累计收益率高、波动率较高的Smart Beta ETF，后期收益表现相对较优。从因子构建角度来看，动量因子、剔除市场和风格后的动量、波动率因子都存在明显的选择收益。 利用内生变量构建复合因子，选择复合因子得分最高的3只Smart Beta ETF构建等权组合，相比于基准Smart Beta ETF组合可获年化13%以上的超额收益。而且，相比于市场主要宽基指数，Smart Beta ETF组合具有更高的风险调整收益。 将基于内生变量构建的Smart Beta ETF 组合作为权益资产，构建根据择时观点进行动态调整的股债再平衡策略，2013 年1 月至2020年8月，策略年化收益率为13.39%，夏普比率和calmar比率分别为2.11和1.43。加入择时观点的股债风险平价策略，年化收益率为8.28%，夏普比率和calmar 比率分别为2.66 和2.06。 持有Smart Beta ETF 组合作为多头资产，选择沪深300期货进行对冲，策略的年化收益率为15.46%，夏普比率和calmar比率分别为1.37和1.21（剔除2015 年7 月至2016年股指期货深度贴水时段），每年均能取得正收益。选择中证500期货进行对冲，策略的年化收益率为10.44%，夏普比率和calmar比率分别为1.16和1.11，除2015年外，其余年份均能取得正收益。 6 风险提示 流动性风险、历史统计规律失效风险。 联系人：罗蕾 021-23219984 “海量”专题回顾 【点击标题可链接至报告原文】 【海通金工量化策略回顾】 48、“海量”专题（48）——海通金工2017年量化策略回顾 104、“海量”专题（104）——行稳致远：海通金工2018量化策略回顾 【宏观量化与资产配置】 7、“海量”专题（7）——大类资产配置之风险预算模型 20、“海量”专题（20）——长期投资者如何进行战略资产配置 23、“海量”专题（23）——中国版全天候策略 27、“海量”专题（27）——2017，全球对冲基金的新纪元？ 33、“海量”专题（33）——Black-Litterman模型的直观理解 36、“海量”专题（36）——积极的风险均衡（Active Risk Parity）策略 46、“海量”专题（46）——Faber的战术资产配置策略在中国市场上的应用 56、“海量”专题（56）——从周期调整市盈率（CAPE）看中美股市当前的估值水平 59、“海量”专题（59）——宏观动量策略在全球股票市场中的应用 66、“海量”专题（66）——宏观动量策略在债券市场中的应用 67、“海量”专题（67）——宏观预期数据的选择与应用 101、“海量”专题（101）——美股的均值回归特征和收益率预测 105、“海量”专题（105）——全球股市轮动策略兼论从全球视角看A股投资价值 112、“海量”专题（112）——MOM投资框架 117、“海量”专题（117）——美国MOM数据分析 119、“海量”专题（119）——负债驱动投资（LDI）简介 124、“海量”专题（124）——主权财富基金资产配置的共性与差异 139、“海量”专题（139）——行业的长期价值与CAPE的应用 【因子投资与Smart Beta】 9、“海量”专题（9）——高相关资产配置中的因子维与组合优化 10、“海量”专题（10）——高相关资产配置中的因子预算 14、“海量”专题（14）——大类资产中的风格因子与Smart Beta 41、“海量”专题（41）——风险加权指数 118、“海量”专题（118）——“单因子多组合”还是“多因子单组合” 122、“海量”专题（122）——反向剔除的因子组合 133、“海量”专题（133）——个股加权方式对比 【行业轮动】 16、“海量”专题（16）——动量策略及收益率高阶矩在行业轮动下的应用 49、“海量”专题（49）——行业一致预期数据的应用分析 52、“海量”专题（52）——“基本面+价格”选出好行业 65、“海量”专题（65）——龙头股效应在行业轮动上的应用 68、“海量”专题（68）——行业间动量和趋势因子的应用分析 70、“海量”专题（70）——预期情绪数据在行业轮动中的应用 72、“海量”专题（72）——宏观经济数据应用于行业轮动的探索 73、“海量”专题（73）——周期、非周期板块内的行业轮动 102、“海量”专题（102）——基于行业Alpha收益的行业轮动模型 103、“海量”专题（103）——行业微观因子的轮动效果 126、“海量”专题（126）——基于BL模型的行业配置策略 136、“海量”专题（136）——基金行业配置观点的分析 155、“海量”专题（155）——公募基金重仓股的行业行为 159、“海量”专题（159）——大单因子的行业有效性分析 168、“海量”专题（168）——主动买入因子的行业有效性分析 【因子择时与风格轮动】 4、“海量”专题（4）——多因子择时初探 19、“海量”专题（19）——基于条件期望的因子择时框架 47、“海量”专题（47）——探寻风格轮动的先行指标 57、“海量“专题（57）——大小盘轮动研究（创业板50 vs 上证50） 75、“海量”专题（75）——指数轮动：沪深300 VS 中证500 90、“海量”专题（90）——宏观数据在板块轮动中的应用 95、“海量”专题（95）——因子失效预警：因子拥挤 108、“海量”专题（108）——因子拥挤度的改进 109、“海量”专题（109）——因子拥挤度的扩展 134、“海量”专题（134）——基于回归树的因子择时模型 【量化多因子选股】 1、“海量”专题（1）——市值因子的非线性特征 2、“海量”专题（2）——选股因子的正交 3、“海量”专题（3）——从最大化复合因子单期IC角度看因子权重 11、“海量”专题（11）——业绩反转之绝对收益 13、“海量”专题（13）——因子视角下的事件驱动策略 15、“海量”专题（15）——因子视角下的事件驱动策略收益 17、“海量”专题（17）——高频因子之收益分布特征 21、“海量”专题（21）——分析师主要要素变动共振事件 22、“海量”专题（22）——价值投资系列之便宜是否值得买 24、“海量”专题（24）——分析师一致预期相关因子 26、“海量”专题（26）——关注盈利是短期风格还是长期趋势 29、“海量”专题（29）——历史财务信息对股票收益的预测能力 30、“海量”专题（30）——历史盈利在预测股票收益时的作用 34、“海量”专题（34）——高频因子之已实现波动率分解 35、“海量”专题（35）——因子加权、正交和择时的若干性质 37、“海量”专题（37）——分位数回归在多因子选股中的应用 38、“海量”专题（38）——因子降维1：底层因子降维方法对比 39、“海量”专题（39）——分析师荐股是否存在超额收益 40、“海量”专题（40）——一致预期数据的质量分析 43、“海量”专题（43）——学术研究中的财务异象之盈利能力 44、“海量”专题（44）——学术研究中的财务异象之盈利质量 51、“海量”专题（51）——A股因子的适用环境分析 55、“海量”专题（55）——学术研究中的财务异象之应计量的分解 58、“海量”专题（58）——业绩超预期股票收益特征分析 60、“海量”专题（60）——哪种分析师推荐报告最值得关注？ 63、“海量”专题（63）——A股市场存在龙头股效应吗？ 64、“海量”专题（64）——龙头股效应在一致预期数据上的应用 71、“海量”专题（71）——被机构调研的上市公司有超额收益吗？ 76、“海量”专题（76）——宏观经济数据可以用来选股吗 77、“海量”专题（77）——宏观经济的不确定性在A股市场被定价了吗？ 79、“海量”专题（79）——解禁、融资融券、陆股通和质押的超额收益机会分析 80、“海量”专题（80）——分析师覆盖度与股票预期收益 82、“海量”专题（82）——原油价格对行业和股票影响的量化分析 84、“海量”专题（84）——哪些宏观经济指标可以选股？ 85、“海量”专题（85）——A股是否存在异质动量现象？ 89、“海量”专题（89）——哪些事件驱动策略可以因子化？ 91、“海量”专题（91）——如何计算盈利指标的趋势？ 91、“海量”专题（92）——因子敞口上限对优化组合的影响 93、“海量”专题（93）——放松组合构建中的行业中性约束 94、“海量”专题（94）——高频量价因子在股票与期货中的表现 96、“海量”专题（96）——医药行业因子选股研究 97、“海量”专题（97）——预期因子的底层数据处理 100、“海量”专题（100）——行业、概念板块的动量溢出效应 111、“海量”专题（111）——质量因子 113、“海量”专题（113）——近期指数增强策略回撤原因分析 115、“海量”专题（115）——预期调整类因子的收益特征 121、“海量”专题（121）——日内分时成交中的玄机 123、“海量”专题（123）——捕捉投资者的交易意愿 125、“海量”专题（125）——探索A股的五因子模型 127、“海量”专题（127）——当下跌遇到托底 128、“海量”专题（128）——股票的“共性”与“个性” 132、“海量”专题（132）——消费板块的因子组合 137、“海量”专题（137）——上市公司关系网因子 140、“海量”专题（140）——资产增长稳定性与资本结构变化 142、“海量”专题（142）——价量波动幅度 146、“海量”专题（146）——买卖单数据中的Alpha 148、“海量”专题（148）——高频因子在不同周期和域下的表现及影响因素分析 153、“海量”专题（153）——2020，基本面量化元年？指数增强策略的反思与改进方向 154、“海量”专题（154）——基于主动买入行为的选股因子 157、“海量”专题（157）——知情交易与主买主买 158、“海量”专题（158）——基于逐笔成交数据的高频因子梳理 160、“海量”专题（160）——如何利用高频因子的空头效应 163、“海量”专题（163）——从加权IC到机器学习：高频因子多头失效的修正 165、“海量”专题（165）——被动产品的规模扩张对alpha策略的影响分析——从美国到中国的证据 166、“海量”专题（166）——剔除高频多因子空头组合后的沪深300指数增强策略 167、“海量”专题（167）——基于直观逻辑和机器学习的高频数据低频化应用 171、“海量”专题（171）——剔除高频因子空头组合后的中证500指数增强策略 174、“海量”专题（174）——寻找逐笔交易中的有效信息 175、“海量”专题（175）——短周期高频因子与组合调仓收益增强 176、“海量”专题（176）——基金重仓超配因子及其对指数增强组合的影响 177、“海量”专题（177）——高频因子的现实与幻想 178、“海量”专题（178）——结合多因子模型的基金重仓超配组合分析 180、“海量”专题（180）——日内市场微观结构与高频因子选股能力 【衍生品和CTA策略】 5、“海量”专题（5）——CTA策略介绍及配置价值（上） 6、“海量”专题（6）——CTA策略介绍及配置价值（下） 8、“海量”专题（8）——豆粕/白糖商品期权指南 12、“海量”专题（12）——基于动量和期限结构的商品期货策略 18、“海量"专题（18）——多品种期货策略中的权重分配 31、“海量"专题（31）——商品期货因子挖掘与组合构建再探究（上） 32、“海量"专题（32）——商品期货因子挖掘与组合构建再探究（下） 42、“海量”专题（42）——CTA多品种趋势策略中的仓位管理方法 53、“海量专题”（53）——基于海内外期货持仓报告的CTA策略 61、“海量”专题（61）——原油期货指南 83、“海量”专题（83）——2年期国债期货指南 87、“海量”专题（87）——揭开“逆周期因子”的神秘面纱 110、“海量”专题（110）——2018 年期货市场及CTA策略回顾 135、“海量”专题（135）——CTA因子适用性分析及品种动态筛选策略 147、“海量”专题（147）——沪深300期权介绍与展望 150、“海量”专题（150）—— CTA多因子策略反思与改进方向——从三季度大幅回撤说起 164、“海量”专题（164）—— 黄金市场概况及多维度择时策略 179、“海量”专题（164）——周内效应与日内效应相结合的股指期货CTA策略 【FOF与基金研究】 25、“海量”专题（25）——债券基金的风格归因与因子剥离初探 28、“海量”专题（28）——债券基金风格归因模型2.0之七因子剥离体系 45、“海量”专题（45）——因子剥离体系下的债券基金久期估测构想 69、“海量”专题（69）——A股市场的基金经理是否具备择时能力？ 78、“海量”专题（78）——基金业绩持续性的影响因素分析 81、“海量”专题（81）——FoF投资中，如何对主动权益基金进行因子剥离 98、“海量”专题（98）——基金风格稳定性评估及功能性权益基金挖掘 106、“海量”专题（106）——利用因子暴露监控公募基金仓位和投资风格的变化 114、“海量”专题（114）——国内公募权益类基金有Alpha吗？ 129、“海量”专题（129）——Alpha是来自于运气还是实力？ 130、“海量”专题（130）——基金业绩归因方法论综述 138、“海量”专题（138）——债券型基金的工具化分类探究 141、“海量”专题（141）——如何评估债基的股债配置能力 143、“海量”专题（143）——偏股类公募基金的隐含基准探究 144、“海量”专题（144）——基金经理的偏好圈与能力圈 162、“海量”专题（162）——债基久期的净值估测效果影响因素分析 【创新产品研究】 50、“海量”专题（50）——新理念、新趋势：ESG投资概述 62、“海量”专题（62）——目标日期基金的下滑轨道设计 120、“海量”专题（120）——ESG评级在因子组合构建中的应用 【高频交易策略】 131、“海量”专题（131）——基于集合竞价分时走势的A股T+0策略 152、“海量”专题（152）——基于日内收益分布特征的股指期货交易策略 156、“海量”专题（156）——日内价格异动个股的短期收益表现 161、“海量”专题（161）——基于周内效应和市场状态的A股择时策略 【基本面量化】 145、“海量”专题（145）——基本面量化与另类数据应用的实践 149、“海量”专题（149）——华为产业链解析 151、“海量”专题（151）——特斯拉产业链解析 【量化市场观察】 54、“海量”专题（54）——亏损这么多，我该拿你怎么办？ 74、“海量”专题（74）——战略配售基金投资标的基本面及收益率分析 86、“海量”专题（86）——股市极值及收益率预测模型的周度择时研究 88、“海量”专题（88）——中国企业的税收负担及其对上市公司投资价值的影响 99、“海量”专题（99）——行业收益结构变化带来的机遇 107、“海量”专题（107）——中美股票市场指数的季节效应 【绝对收益策略】 170、“海量”专题（170）——通往绝对收益之路（一）：股债混合配置与衍生品对冲 172、“海量”专题（172）——通往绝对收益之路（二）：通过ETF轮动的绝对收益策略 【债券量化策略】 173、“海量”专题（173）——企业债多因子体系初探 法律声明： 本公众订阅号（微信号：海通量化团队）为海通证券研究所金融工程运营的唯一官方订阅号，本订阅号所载内容仅供海通证券的专业投资者参考使用，仅供在新媒体背景下的研究观点交流；普通个人投资者由于缺乏对研究观点或报告的解读能力，使用订阅号相关信息或造成投资损失，请务必取消订阅本订阅号，海通证券不会因任何接收人收到本订阅号内容而视其为客户。 本订阅号不是海通研究报告的发布平台，客户仍需以海通研究所通过研究报告发布平台正式发布的完整报告为准。 市场有风险，投资需谨慎。在任何情况下，本订阅号所载信息或所表述的意见并不构成对任何人的投资建议，对任何因直接或间接使用本订阅号刊载的信息和内容或者据此进行投资所造成的一切后果或损失，海通证券不承担任何法律责任。 本订阅号所载的资料、意见及推测有可能因发布日后的各种因素变化而不再准确或失效，海通证券不承担更新不准确或过时的资料、意见及推测的义务，在对相关信息进行更新时亦不会另行通知。 本订阅号的版权归海通证券研究所拥有，任何订阅人如预引用或转载本订阅号所载内容，务必联络海通证券研究所并获得许可，并必注明出处为海通证券研究所，且不得对内容进行有悖原意的引用和删改。 海通证券研究所金融工程对本订阅号（微信号：海通量化团队）保留一切法律权利。其它机构或个人在微信平台以海通证券研究所金融工程名义注册的、或含有“海通证券研究所金融工程团队或小组”及相关信息的其它订阅号均不是海通证券研究所金融工程官方订阅号。