【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三

摘要

历史分位数因子具有明确的经济学意义，其中包含选股效果稳定的因子
历史分位数计算的是某个指标当前取值在一段历史区间中所处的分位数点，是常用的时间序列分析方法，反映了相应指标的变化趋势，具有明确的经济学意义，适合针对估值、财务质量因子构造新的因子(本文中历史分位数因子的表达式为：ts_rank(F, n)，即因子F在过去n个季度里的分位数)。本文系统测试了89个相关因子，其中估值类、盈利能力类、收益质量类、营运能力类历史分位数因子选股效果较好，现金流量类、资本结构类、偿债能力类历史分位数因子选股效果较差。

估值类历史分位数因子中，EP、SP历史分位数因子表现较好
估值历史分位数反映了个股当前估值在一段历史区间中的高低程度，能刻画出个股的估值在一段历史区间中是否“便宜”。本文构造了EP、BP、SP、NCFP、OCFP的历史分位数因子，这些因子间的相关性较高。估值类历史分位数因子的计算逻辑与反转因子有一定相似性，在剔除了行业、市值、反转和对应原始因子(例如：ts_rank(EP, 2)的对应原始因子为EP)的影响后，EP、SP历史分位数因子表现较好。2007年4月以来，ts_rank(EP, 2)因子在沪深300、中证500、全A股的RankIC均值分别为5.14%、6.13%、6.21%，分五层测试中多空组合夏普比率分别为0.77、1.88、2.46。

财务质量类历史分位数因子中，盈利能力类历史分位数因子表现最好

财务质量历史分位数能刻画出个股财务指标在历史区间中的变化趋势。本文构造了六大类财务质量类历史分位数因子，其计算逻辑和成长类因子有相似之处，在剔除了行业、市值、成长和对应原始因子的影响后，盈利能力类历史分位数因子选股效果最好，收益质量、营运能力类历史分位数因子次之，现金流量、资本结构、偿债能力类历史分位数因子选股效果较差。2007年4月以来，ts_rank(qfa_roa, 6)因子在沪深300、中证500、全A股的RankIC均值分别为6.50%、5.68%、6.89%，分五层测试中多空组合夏普比率分别为0.75、0.76、1.97。

部分因子的选股效果随着回看期数的增加大致呈现出逐渐减弱的趋势

在本文的单因子测试中，表现较好的因子选股效果随着回看期数的增加大致呈现出逐渐减弱的趋势。例如ts_rank(qfa_grossprofitmargin, n)因子中n的取值分别为6、8、12时，因子在全A股的因子收益率均值为分别为0.88%、0.85%、0.73%，RankIC均值分别为5.63%、5.37%、4.69%，多空组合夏普比率分别为2.01、1.82、1.52。三个选股指标的取值都随着n的增大逐渐减小。我们推测其背后的原因是回看期数越小，因子值的变化越及时，能较快反映出个股基本面的变化趋势。

风险提示：单因子测试结果是历史经验的总结，如果市场规律改变，存在失效的可能。历史分位数因子的选股效果具有参数敏感性，请谨慎使用。

历史分位数因子的选取及测试框架

历史分位数因子的选取

本文是华泰多因子系列研究第十二篇，是单因子测试系列的第十篇。在多因子系列首篇报告中，我们系统地阐述了多因子模型的基本理论，详细描述了多因子模型构建的流程，在多因子系列第二篇到第十一篇报告中，我们分别对估值、成长、动量反转、换手率、波动率、资金流向、财务质量、一致预期、101技术因子单独进行详细的研究和检验，通过综合对比评价，筛选出能持续获得稳健收益的优质因子，这正是构建多因子选股模型的关键一步。本报告中，我们将基于估值和财务质量因子，构建其历史分位数因子，并通过回归法、IC 值分析、分层测试法等方法检验各因子的有效性。

历史分位数计算的是某个指标当前的取值在一段历史区间中所处的分位数点，是常用的时间序列分析方法，具有明确的经济学意义。图表1展示了万科A(000002.SZ)的PE和PE历史分位数(过去3年)。可以看出，PE历史分位数反映了个股当前PE估值在一段历史区间中的高低程度，能定量刻画出个股的PE估值在一段历史区间中是否“便宜”。在同一时间截面上，可以构建PE历史分位数因子，该因子或许能提供预测股票收益的信息。

图表2展示了万科A(000002.SZ)的单季度销售毛利率(qfa_grossprofitmargin)及其历史分位数(过去3年)。可以看出，该历史分位数描述了个股当前的单季度销售毛利率在一段历史区间中的高低程度，能定量刻画出个股的盈利能力在历史区间中的变化趋势。在同一时间截面上，可以构建单季度销售毛利率历史分位数因子，该因子或许能提供预测股票收益的信息。

历史分位数使用了数据在时间序列上的信息，具有明确的经济学意义，适合针对基本面因子构造新的因子。近期在学术界也有相关的研究，Dashan Huang等人在其论文《Twin Momentum: Fundamental Trends Matter》(2019)中指出，传统基本面因子表现不如价格动量等技术因子，主要是因为它们未充分利用已知的全部基本面信息。传统基本面因子通常只利用了最近的信息，没有考虑基本面数据的变化趋势。因此Dashan Huang等人针对性地构建了基本面动量因子。通过将基本面趋势纳入考量，基本面动量因子能获得相当不错的表现。

本文中，我们将基于前期报告中的估值和财务质量因子来构造历史分位数因子。图表3展示了构造历史分位数因子所用到的基础因子，主要包含估值和财务质量两大类因子，财务质量因子中，又包含6类细分因子。

图表4中列出了本报告要测试的所有历史分位数因子，其中函数ts_rank(F, n)计算的是因子F在过去n个季度里的分位数(特殊情况：设因子F历史可用数据长度为m，若m