来源：华宝财富魔方
分析师：张青（执业证书编号：S0890516100001）
研究助理：贾依廷
前期外发的报告《因子轮动与因子投资：SmartBeta投资方法探讨》一文中，我们详细探讨了经济周期与风险因子的关系，并挑选出几类宏观因子构建了风险因子的多因子轮动模型。整体看，该模型表现尚可，对大的因子轮动趋势基本可以做到把握。
本期报告中，我们考虑在前期研究的基础上，对因子轮动模型做迭代完善，以进一步提升模型的实战指导价值。上期报告中，我们主要是从经济周期、货币周期等宏观视角考察因子的；本期报告中，我们另辟蹊径，考虑从因子本身的动量、估值、偏离度等相对微观的视角构建因子轮动模型。
1. 微观视角下的风险因子轮动：单因子测试
对于风险因子的构建，与我们前期报告保持一致，共选取9个风险因子：Growth(高成长)、Earning(高盈利)、Value(低估值)、Liquidity(低流动性)、Size(小盘)、Leverage(高财务杠杆)、Momentum(反转)、Beta(高贝塔)、Volatility(低波动)，具体的因子描述可参照报告《因子轮动与因子投资：Smart Beta 投资方法探讨》。各风险因子累计收益率表现如下：
基于微观视角，我们重点考察3个在逻辑上对因子轮动有潜在影响的因素：一是因子动量效应，动量效应无处不在，被广泛运用至资产择时、行业与风格配置中，逻辑在于顺势而为，趋势跟踪；二是因子估值效应，长期看，价格不可能长期偏离其内在价值，资产价格具有均值回复特征，这即为估值效应；三是因子的离散效应，构建因子的成分股暴露度差异越大，意味着个股未来的走势可能差异就越明显，此时更容易区分好股票和坏股票，那么因子收益率逻辑上也就越高，这即为因子的离散度效应。
从微观层面利用成分股测度时，成分股的选择比例可能会对结果产生影响，由于都是在全市场股票中按照因子排序进行选择，如果比例过低可能无法准确描述因子，如果比例过高可能会掺杂其他因子的影响，这些因素都会影响结果的稳定性。因此在回测中，我们对10%与20%的筛选比例都进行了测试。
回测时间统一设定为2012年1月到2019年6月，按月进行回测。
1.1. 因子动量效应
对于因子动量，我们直接用各风险因子的区间收益率构建指标。区间参数分别选取相对偏中长期的时间区间，依次对6个月，12个月，18个月和24个月。
我们主要采用以下几个指标表征策略的回测绩效。avgIc：IC均值，因子暴露度与下期收益的相关系数构成IC值，历史各期IC均值衡量因子预测效力；positiveIcRatio：IC为正的比例，用于表明预测收益与实际收益是否方向一致，当这一比例较高时说明因子长期运行方向为正；IR：IC均值/IC标准差，衡量因子预测水平与稳定性；gradingRankIC：分档累计收益率秩IC，分档后的每档累计收益排序与每档指标排序的相关性；avgTurnOverRate：第一档组合的平均换手率；factorCumReturn：第一档组合的累计收益率。
回测结果如下列图表所示，不同期限的动量都能通过检验，其中回看18个月和24个月的指标效果最好，但是结合不同期限下的多空组合累计收益率来看，2017年以后，参数为18个月和24个月两种情况下多空组合累计收益率曲线出现反转或走平，也就是说在这几年里面，动量基本没有任何贡献，前期高收益主要来源于长期选择了Growth因子，当2017年风格变换后，基于动量效应无法实现因子轮动的及时切换。而12个月回看期的动量在2015年前后反转过大。综合因子有效性与可持续性，我们认为6个月回看周期下的因子动量效应较好。
1.2. 因子估值效应
基于因子估值效应的轮动，本质是左侧交易，收益来源于因子长期偏离后的均值回复。因子的估值该如何定义？我们参考已有文献，考虑从因子成分股角度构建因子的估值。
计算方法如下所示（以某一因子x为例）：
1． 采用月频数据，选择该日期下x因子排名靠前的10%（20%）的股票，计算它们的估值均值PE1；选择x因子排名靠后的股票，计算它们的估值均值PE2;
2． 由于我们针对的是因子收益率(多空组合)配置，因此计算因子x的估值时， PE=PE1-PE2；
3． 计算因子估值过去五年的分位数，使不同因子之间具有可比性。
根据上述方法测试，由于因子数据从2009年开始，且需要五年数据做分位数，因此回测时间后推至2013年9月到2019年6月。需要说明的是，由于因子暴露度我们是按照月度计算的，5年分位数也仅涵盖60个点，因而可能会出现几个因子分位数完全相同的情况。在此情形下，我们根据因子动量效应对估值分位数相同的因子进行再度排序。
首先按照常规的月度频率，测试估值效应下的因子轮动效果。从回测结果我们发现，月频下估值效应并不能很好把握因子轮动的机会，回测绩效较差，平均IC为负数，IC为正的比例也较低。
为什么月频效果不好？我们认为，这可能是因为因子估值的均值回复不是一蹴而就的，因而估值效应有效必须要基于相对长一点的时间框架。鉴于此，我们考虑把策略的换仓频率由月频降至季频以下。此外，由于估值指标的计算要用到成分股的财报信息，为了确保换仓时可以根据最新披露的财务信息计算出估值指标，我们最终确定换仓时点为每年的4月底，8月底及10月底，这三个时间点分别对应了年报与1季报、中报、3季报的最后披露时间。
为避免由于计算估值效应时，成分股样本的不同对策略造成干扰，我们同时检测了成分股选取前后10%与前后20%两种情形下的回测效果。我们发现，调仓时间拉长后，策略的绩效有较明显的提升。两种成分股选取方法下，平均IC均取得正值，多空组合也均为正收益，虽然20%成分股时IC为正的比例低于50%，但其他测评指标较好，尤其是累计收益的秩IC为100%。
再结合因子多空累计收益历史走势，可以发现策略在14年底和17年收益有快速上升，在这两个时期，有多个因子的估值指标达到历史较低分位，因子收益向均值回归的内生性动力较强，从而该策略表现较好。2014年底，策略主要配置在了成长，杠杆和贝塔因子上，而2017年则主要配置在了盈利与流动性因子上。
1.3. 因子离散度效应
因子离散度在学术文献中也曾提及。因子离散度衡量的是构建某因子的样本股票在该因子上暴露度值的离散程度。当因子的离散度较低时，意味着在该因子上个股暴露度的区别不大，个股趋向于同质化，从而因子的绩效可能会下降，因为该因子可能无法区分未来表现较好或较差的股票。相反，当因子离散度较高时，则意味着成分股在该因子上的暴露度差别加大，个股未来的走势差异也可能加大，此时因子就更容易区别出好股票和坏股票，从而因子收益提升。
我们按照下述方法流程（以某一因子x为例）构建因子的离散度指标，并进行回测。
1． 按照月度频率，选择该日期下x因子排名靠前的10%（20%）的股票，计算这些股票的x因子均值x1；选择x因子排名靠后的股票，计算它们的x因子均值x2；
2． 采用两个均值的差值绝对值，即x’=abs(x1-x2)作为因子离散度指标；
3． 计算x’过去五年的分位数，使不同因子之间具有可比性。
由于同样使用了过去五年分位数消除因子间的不可比，故回测时间设定为2013年9月到2019年6月，从用10%成分股的回测结果来看，与因子离散度越大收益越高的理论是相悖的，结果中IC为正的比例仅为35.7%，且第一档收益率也明显弱于基准，多空组合累计收益率更是长期向下。20%的成分股设定方法下，回测结果与10%的情形基本一致，绩效也较差。
为了进一步考察因子离散度效应是否有用，我们还引入一个对比组。对比组是将部分因子的离散度正向排序，部分因子的离散度反向排序（反向因子，如规模，动量等），回测结果与全部因子离散度反向排序相差无几，表明如此利用成分股计算因子离散度进行因子轮动受到很大的干扰。虽然说因子存在差异是因子未来能够区分股票收益的必要条件，但不同因子是有差异的，并非所有因子都满足差异越大，未来因子收益率越高的规律。当然，也存在因子方向出现问题的可能。
综合上述测试结果，由于离散度因子的方向以及作用周期都比较难把握，因此在微观层面，我们主要参考动量和估值两个维度构建因子轮动模型。
2. 微观视角下的因子轮动模型构建
根据前文单因子回测结果 ，我们考虑将上述几个因子融合在一起，构建一个微观视角下的因子轮动模型。由于离散度指标回测效果不佳，我们仅采用因子动量、因子估值两个指标构建模型。
在融合时我们对两个指标采用等权配置，如果综合打分有相同的情况，则再按照动量进行排序。
回测时，将9个风险因子的等权配置作为比较基准，而因子轮动模型则在等权配置的基础上进行偏离，偏离方法与宏观指标构建的因子轮动模型相同，即按照构建的打分模型将9个风险因子划分为三档，每档包含三个风险因子，其中第二档的权重不变，始终为1/3，第一档则适度提升权重，第三档适度降低权重，以8：2的比例配置，即第一档因子权重和为(2/3)*(8/10)，第三档因子权重和为(2/3)*(2/10)，每档内的三个风险因子采用等权配置。
由于利用因子的估值效应指标只能追溯到2013年9月，故回测时间设定为2013年9月到2019年6月，按月进行换仓。
从整体回测结果来看，相比于基准，因子轮动模型收益更高，虽然回撤有所增大，但是考虑到我们是针对风险因子收益率进行配置的，因子收益率基本都是长期向上的，我们的目的只是挑选涨幅更高的因子，所以更关注的是收益而非回撤。从历年收益来看，只有2018年未跑赢基准，其余年份收益均明显高于基准。
下图所列为2019年6月对9个风险因子的配置权重，可以看到我们超配了反转因子、规模因子和波动率因子；同时低配了成长因子、流动性因子和估值因子。
3. 因子轮动模型在SmartBeta投资中的应用
对于上文中构建的因子轮动模型，我们希望能将其应用于市场中，然而当前市场可用的Smart Beta指数所覆盖风险因子不够全面且成分信息可追溯时间短，因此我们仍然利用《因子轮动与因子投资：Smart Beta 投资方法探讨》一文中所述的应用方法，选择可回溯成分股时间较长的指数作为研究对象，在回测时首先对所选10个指数在9个风险因子上的暴露度进行计算，得到如下图所示，月度频率的每个指数的因子暴露度；然后按照前文因子轮动模型得到的风险因子权重（第一档8/15，第二档1/3，第三挡2/15，每档内因子等权配置）对各指数在每个因子上的风险暴露进行加权；最后选择排序靠前的三个指数作为当期的配置标的。
由于指数的持仓数据限制，回测时间设定为2014年1月到2019年6月，按照月度频率换仓，将10个指数等权加权作为业绩比较基准。
从回测结果来看，引入因子轮动后的Smart Beta组合明显跑赢基准组合，年化收益由6.9%提升至11.1%，同时最大回撤由52.9%收敛至44.2%。历年收益率方面，除2015年外均跑赢等权基准。这一回测结果与前期外发报告中我们从宏观视角构建的因子轮动模型结果相似，都是由于2015年的小盘因子过于强劲导致收益不及基准。
综上，本文尝试了从微观视角构建风险因子的轮动模型，并将其运用到了Smart Beta的投资中。整体看，回测结果是有效的，微观层面构建的因子动量与因子估值，在指导我们做因子轮动、因子配置方面可以起到一定参考意义。可以将其作为从宏观层面构建因子轮动模型的一个补充。后续我们也会尝试将宏观与微观两个视角下的因子轮动模型做进一步的融合。
