因子轮动与因子投资：Smart Beta投资方法探讨——金融工程专题报告

分析师 /张青（执业证书编号：S0890516100001）
研究助理 / 余景辉

伴随资产配置理念的深入人心以及FOF类产品的不断创设，指数化投资日益流行，尤其是2018年，指数基金风靡一时，规模逆势大增。指数化投资凭借其低廉的成本、便捷的操作以及稳定的风格，正成为大类资产配置策略实施的重要工具。
目前市场指数众多，除各类宽基指数外，Smart Beta指数也在不断创设，如低波因子指数、红利因子指数、盈利质量指数等。那么如何对各类指数的投资机会进行把握，即如何研判各类指数的收益风险比，进而进行配置，是一个投资实践中很现实的问题。为此，我们有必要建立起一个对指数的统一评价及分析体系。
指数化投资的核心是获取Beta收益，而Beta收益的来源众多，既可能来自于市场基准收益，也可能来自于行业收益，还可能源自于如规模、估值、低波等各类市场风格幅度收益。以Barra为代表的风险归因模型将资产或组合的收益率拆解为了各类风险因子（涵盖国家因子、行业因子以及风格因子）的贡献。按照这一框架，某一指数实际上就可以看成是一系列公共的风险因子与其自身特质因子的组合，这样以来，不同指数间就具有了可比性，对指数投资机会的把握，相应也就转化成了对各类风险因子的未来投资回报的比较与把握——这是指数化投资的核心。
对各类风险因子投资机会的把握，本质上是一个因子择时或者说因子轮动问题。因子潜在回报率的高低取决于多种因素，要构建多因子框架才能实现对各类风险因子的回报预测，这就是“因子的因子”研究。风险因子的众多影响因素中，基本面因子无疑是最符合逻辑的，以低波因子为例，从逻辑上看该因子应与经济增长有密切关联，当经济处于下行周期时，投资者情绪趋于悲观，厌恶风险，而低波因子恰好可以迎合这类需求，故经济下行期低波因子的表现较上行期应会较好；成长因子也与经济增长在逻辑上相关性较强。经济上行期，投资者情绪乐观，更加重视上市公司的成长预期与成长空间，成长股受青睐，而经济下行期，防御为上，投资者追求的是安全边际，个股成长性的重要程度会有所下降，从而因子的效力也有所降低。
本文主要从基本面角度探讨市场主流风险因子的轮动规律，构建风险因子的多因子轮动模型，并尝试将因子轮动运用至Smart Beta投资中。

1. 风险因子构建
我们参照Barra框架，最终选取了9个风险因子，各风险因子及细分构成说明如下：

2. 宏观基本面指标对风险因子的影响逻辑测试
从逻辑上看，宏观经济运行的方向与趋势较之宏观数据本身，对风险因子未来绩效的影响更显著。因为经济运行的方向更能反映经济运行的景气变化。
我们着重考察五类宏观经济指标：第一类是表征经济运行的指标，涵盖工业增加值当月同比增速、发电量当月同比增速、PMI新订单指数；第二类是表征通胀形势的指标，涵盖CPI、PPI；第三类是表征货币流动性的指标，涵盖1年期国债收益率以及国债期限利差；第四类是表征实体经济流动性的指标，涵盖M2、M1-M2；最后一类是表征投资者情绪的指标，我们主要采用信用利差。
宏观经济指标对风险因子的影响，我们关注的重点是当指标处于上行还是下行期时，更利于该风险因子的表现，以成长因子为例，假定我们测试工业增加值指标对该因子的影响，那么需要确定的是该指标是顺周期还是逆周期特性，顺周期特性意味着成长因子在工业增加值上升阶段的表现好于下降阶段，逆周期特性则意味着成长因子在工业增加值的下降阶段表现好于上升阶段。
我们基于事前交易的视角，划分上述每个宏观指标的上升、下降波段。然后，分别测试上升、下降阶段各因子的回报率及交易胜率，并进行比较，据此确定宏观指标对各风险因子的影响方向。回测时间采用2008年6月~2018年12月。具体测试结果如下表。

需要说明的是，由于规模因子的变动远比其他因子剧烈，此外，我们之前专门构建了大小盘轮动模型（该模型除考虑基本面因子外，还涵盖了动量因子、大小盘成分股景气度因子，模型更全面），我们考虑将该模型整合至风险因子的整体轮动模型，此处不再对小盘因子进行测试。

3. 多维度宏观指标与因子轮动模型构建
以上部分分别展示了各宏观指标对不同风险格因子的影响方向，接下来我们尝试进一步构建风险因子的轮动及配置模型。
由于规模因子的波动较大，我们首先考虑不包含规模因子时的因子轮动模型，然后再融入我们之前构建的大小盘轮动模型，构建包含规模因子的因子轮动模型。

3.1. 不包含规模因子的风险因子轮动模型
因子轮动的模型的核心是每期挑选预期回报率较高的因子进行配置。对于因子回报率的预测，我们采用上文测试的10个宏观指标，进行多维度综合排序打分——这其实就是多因子选股的思路在因子轮动方面的应用。
如何构建因子轮动模型？首先需要确立各个宏观指标在上行或下行状态下的风险因子排序，然后在单个宏观指标上对各个风险因子赋予分值，接下来将风险因子在各个宏观指标上的得分进行综合加权，即为风险因子的最终得分，最后根据分值筛选出排名较高的风险因子进行配置即可。
以PMI新订单指标为例，该宏观指标具有上行与下行两个状态。我们依次计算不同状态下8个风险因子的绩效，计算过程主要涵盖两个步骤：首先，根据上一节中我们确立的8个风险因子的宏观交易逻辑分成两组，即顺周期因子（因子方向为1）与逆周期因子（因子方向为-1），在该宏观指标的上行状态下，顺周期因子整体排名位于逆周期因子之上，在下行状态下，顺周期因子整体排名位于逆周期因子之下。其次，对于同一组内的风险因子，如顺周期因子组，我们结合因子上行状态的累计收益率及交易胜率等指标，对因子绩效做进一步测评，并根据测评结果进行因子组内的排序。最终我们确立了任一宏观指标不同状态下的8个风险因子的排序结果。下表列出了PMI新订单指数的上行、下行状态因子排序，其他宏观指标不同状态下的风险因子排序均采用这一方法，篇幅有限，我们不再列出排序结果。

确立了风险因子在不同经济指标的不同状态下排序结果及分值后，我们需要将10个宏观指标的打分结果进行综合加权。如期所述，待测试的10个宏观指标我们根据经济属性划分成了5类，即经济增长、通货膨胀、货币流动性、实体流动性以及风险溢价。这5类指标我们按照等权配置，同一类指标内部的细分指标则采用等权配置。根据加权打分，我们就确立了各期风险因子的最终排序。
我们将8个风险因子的等权配置作为比较基准，而因子轮动模型对8个因子的权重配置，则在等权配置上进行偏离，为避免过度拟合，我们将8个风险因子的排序结果划分为3档，涵盖的因子数量依次为3、2、3个，其中第二档的两个因子合计占1/3的权重，第一档与第三档的配置则采用8:2 配置，即第一档内的因子权重和为（2/3）*（8/10），第三档内因子的权重和相应设定为（2/3）*（2/10），每档内的因子按照等权配置。
下图列出了2018年12月8个风险因子的配置权重。从配置结果看，我们超配了估值、盈利等因子，低配了杠杆、波动率等因子。

我们按月进行换仓，测试因子轮动模型绩效，测试时间设定为2011年1月~2018年12月（之所以设定为2011年1月，主要是因为我们构建的大小盘轮动模型是从2011年开始的，为便于与加入大小盘轮动模型后的测试结果比较，我们将回测时间统一设定为2011年1月）

从回测结果看，因子轮动模型显著跑赢了因子等权组合，年化收益率提升了近1.5个百分点，且最大回撤幅度较因子等权组合也有所收窄，最终风险调整后的收益，即Calmar比率得以显著提升，这说明因子轮动模型是十分有效的。

3.2. 包含规模因子的风险因子轮动模型
在包含规模因子的情况下，我们将利用大小盘轮动模型对规模因子进行监控，在这里我们只考虑规模因子指向小盘的情况，也就是认为规模因子长期是倾向于小盘的，因此当风格轮动模型指向小盘时，我们在上一节对风格因子排序归档的时候，将规模因子放到第一档，当轮动模型指向均衡的时候，将规模因子放到第二档，当轮动模型指向大盘的时候，将规模因子放到第三档。其他部分都和上一部分的不包含规模因子的做法一样。

从回测结果看，因子轮动模型显著跑赢了因子等权组合，年化收益率提升了近1.5个百分点，且最大回撤幅度较因子等权组合也有所收窄，最终风险调整后的收益，即Calmar比率得以显著提升。此外，与部加入规模因子的因子轮动模型相比，加入规模因子后，因子轮动模型的收益率也有所提升，提升了0.17个百分点，最大回撤幅度也从-0.89%改善至-0.55%，这主要是利用的因子间的低相关性的结果。

4. 因子轮动模型在Smart Beta投资中的应用
在该部分中，我们将通过以上的因子轮动模型应用于Smart Beta指数化投资，这个是对前期报告《风险因子、业绩归因与指数化投资》的延伸补充。在前期报告中我们通过业绩归因模型对Smart Beta指数进行了归因分析以及在各风格因子上的暴露度，但我们并未就各因子的未来回报率潜力进行研判，故尚未建立起完整的Smart Beta投资框架与模型。
我们梳理了目前市场上存续的主流Smart Beta指数基金，选取那些其所跟踪的指数标的作上市时间较早，同时具有可追溯的历史成分股信息的标的指数作为研究对象。由于Smart Beta指数基金刚刚兴起不久，能追溯的历史标的不多，我们将回测时间前推至2014年1月，截止时间依旧设定为2018年12月，选取300等权、500等权、50等权、800等权、上证龙头指数、创业成长、沪深300价值、深圳成长、等权90以及中证红利指数共计10个标的进行研究。
我们按照以下步骤构建投资模型：首先，我们按月计算上述10个指数在9个风险因子上的暴露度，以2018年12月为例，暴露度分布如下：

其次，我们将各指数在各风险因子上的暴露度，按照风险因子每期分配的权重进行加权，并进行排序。（根据Barra业绩归因模型，此时各风险因子分配的权重，可看做是对该风险因子下期回报的一个预期值，故将暴露度加权计算后的结果相当于该Smart Beta指数的预期收益）
最后，我们每期选取排序靠前的3个Smart Beta指数进行等权配置。

从回测结果可以看出，Smart Beta轮动组合除了在2015年跑输等权组合外，其他年份均跑赢了等权组合，而2015年之所以跑输也是因为当时小盘因子过于强劲，其所贡献的收益远超其他因子，但小盘因子的波动较大，且对该因子的有效把握，又有赖于大小盘模型是否有效，为提升Smart Beta组合的长期稳定性，我们并未特意加大小盘因子的配置权重，故2015年跑输了等权组合。但长期看，Smart Beta轮动组合是有效的。
总之，本文尝试了如何从宏观视角构建风险因子的轮动模型，并将其运用至了Smart Beta投资中，初步建立起了一个Smart Beta的投资框架。不过该框架仍有待完善，主要是目前对各类风险因子潜在回报的预测，采用的指标仅限于宏观指标，但实际上可利用的指标还可以拓展至市场层面，如因子的动量与反转效应，因子估值及因子拥挤度等指标，后续我们将考虑对这些指标进行回测，并尝试将其整合至宏观指标中，以构建更加完备的Smart Beta投资框架。

因子轮动与因子投资：Smart Beta投资方法探讨——金融工程专题报告

浏览过的版块