本项目是量化团队和元心资本在基本面投资方面沟通交流的前期成果。 ## 一、行业分类 从申万三级行业分类标准出发，重新梳理各行业的业务流程，构建新的行业分类标准。我们构建的行业分类标准如下（截取）： ![行业分类.PNG][1] ## 二、评价维度 财务报表数据是进行基本面分析的过程中最容易获取到的数据，同时也是评价企业质地最直接的参考依据。但是，因为不同行业有不同的业务逻辑和业务特点，所以针对不同行业我们应该重点关注的指标也应做相应的调整。根据多方面收集的资料以及我们自己对行业特点的判断，我们从盈利能力、运营能力、业绩成长、财务风险、收益质量、估值分析、公司规模等7个维度对不同行业的财务指标都进行了梳理，梳理的结果如下表所示（截取）： ![评价因子.PNG][2] ## 三、因子打分 对基本面因子的打分主要有两种研究思路：第一种研究思路是从上至下，通过分析行业的经营逻辑和业务逻辑，主动给行业内的基本面指标一个方向和权重，比如，净资产收益率指标在每个行业都应该是一个重要的正向指标，那么我们就主动给净资产收益率一个正向的，较大的权重。这种研究思路的优点是具有业务逻辑、易于被投资者接受。缺点是工作量大、需要丰富的行业研究经验。第二种研究思路是从下至上，从历史数据出发，通过机器学习的方式自动寻找重要的指标并厘定参数。比如，历史统计发现，市值在大部分行业是负向指标，但是在某些行业如银行业是正向指标，那么我们就给大部分行业的市值一个逆向的权重，但是给银行业的市值一个正向的权重。这种研究思路的优点是简单直接、不需要行业研究经验即可在各行业各指标上进行复用。缺点是缺乏业务逻辑，容易出现过度拟合的问题。在本项目中，我们采取的是第二种研究思路，自下而上厘定因子权重。 1. 确定建模周期：2010年5月1日到2018年6月1日，按照每年四个季度划分成32段； 2. 假设现在要厘定某行业第T段时间内的因子权重，首先，获取建模区间内股票的财务打分因子，其次，获取区间段内股票的收益率，再次，根据股票收益率的高低排序分成五组，计算每组的平均收益率形成一个向量$Y$，作为模型优化的目标向量，然后，对每个指标按照大小排序分成五组，计算每组的收益率形成向量$X$，最后，计算向量$Y$和向量$X$的相关系数乘以向量$X$的标准差作为当期的因子权重； 3. 按照上一步中的步骤对每个行业每个指标每个时间段都计算一遍权重； 4. 用32个时间段内权重的均值除以32个时间段内权重的标准差作为基本面因子最终的权重； 5. 做归一化处理，取权重的符号作为方向，然后对权重的绝对值做归一化处理。 最终构建的权重表如下所示（截取）: ![指标权重.PNG][3] ## 四、因子选股 构建了因子权重之后，我构建了如下因子打分选股逻辑： 1. 获取任意时间节点的财务指标； 2. 获取股票各项评价指标的排序序列； 3. 如果是正向指标则获取正向序列； 4. 如果是逆向指标则获取逆向序列； 5. 用序列乘以权重并求和获得最终得分； 6. 按照得分从大到小的顺序进行排列； 6. 每个行业都筛选前20%的股票进入股票池。 ## 五、策略回测 根据四中的选股逻辑，构建一个简单的投资策略如下： 1. 回测时间：2010年1月1日至今； 2. 初始资金：100万； 3. 股票池更新周期：20个交易日； 4. 股票池一：每个行业得分排名第一的股票； 5. 股票池二：每个行业排名前20%的股票； 6. 初始化：等权重买入股票池一种的所有股票； 7. 卖出条件：如果某持仓股票不在股票池二中则卖出； 8. 买入条件：卖出的同时买入，买入在股票池一中且不在持仓列表中的股票。 回测结果如下： ![基本面打分best.PNG][4] 同时我也对打分最低的股票池进行了回测，回测逻辑和上述回测逻辑是类似的，结果如下： ![基本面打分worst.PNG][5] ## 六、总结 当前的因子打分模型能够通过对历史数据的挖掘，找到那些起作用的指标和指标的权重。简单回测的结果也显示，通过我们模型打分较高股票的走势明显好于打分较低股票的走势。但是当前模型还有可以改进的地方： 1. 因子扩充：当前选取的因子全部是财务因子，一些特殊的因子也应该纳入到评价体系中来； 2. 因子打分：当前因子打分方法只考虑了因子对收益率的解释能力，未来还应该考虑因子的预测能力； 3. 投资策略：因子打分只是量化投资策略中的一小步，从选出股票到构建策略还有很长的路要走。 [1]: https://quant.gtja.com/img/2911022a2f31aa4cf93a17ddab5a549e [2]: https://quant.gtja.com/img/ed598a20282cda76713ffa3557ac41af [3]: https://quant.gtja.com/img/822eb7f46cbd8a22b6974483a3580ace [4]: https://quant.gtja.com/img/42d2e76bdda38cc3fc9546a2a0f50afb [5]: https://quant.gtja.com/img/39edc13780a969356a20c1a0fb77ddd8