A股市场多因素模型实证

《A股市场多因素模型实证》由会员分享，可在线阅读，更多相关《A股市场多因素模型实证（5页珍藏版）》请在金锄头文库上搜索。

1、A股市场多因素模型实证一、因变量复权股价对数收益率二、自变量序号 分类 因素 计算方法1 HISTORICAL BETA(每月) CAMP 的 BETA(每月，期间:36 个月)2 Beta HISTORICAL BETA(每周) CAMP 的 BETA(每月，期间:52 个月)3 现价总额(对数值) 现价总额(总股数* 股价)的对数值4 流通现价总额(对数值) 流通现价总额(流通股数* 股价)对数值5企业规模 总资产(对数值) 总资产的对数值6 营业利益回报 前期营业利益/现价总额7 销售额(业务收入)回报 前期业务收入/现价总额8相对低估性 B/P 前期所有者权益/现价总额9 买卖循环率(

2、一个月) 前期自己资本/现价总额10 每日交易额的变动性 过去 120 天的日交易额的标准偏差11 买卖资金的变化(25 日/6个月) 过去 25 天的日平均买卖资金/ 过去 6 个月的日平均买卖资金12流动性买卖资金的变化(75 日/12个月)过去 75 天的日平均买卖资金过去 12 个月的日平均买卖资金13 股价变动的平均偏离(25日) (25 日变动平均股价- 前一天股价)/25 天变动平均股价14 股价变动的平均偏离(75日) (75 日变动平均股价- 前一天股价)/75 天变动平均股价15 Historical Alpha（月） 每支股票的 return 和股价指数的回归切片（周，期

3、间：36 个月）16 Historical Alpha（周） 每支股票的 return 和股价指数的回归切片（周，期间：52 周）17 Specific RETURN(1 个月) Cross-section 回归分析 (Beta、size、value) 的残差差 return(1 个月)18 Total risk(月) 每支股票的 RETIJRN 的标准偏差(其间:36 个月)19 Total Risk(周) 每支股票的 RETURN 的标准偏差 (其间:52 周)20 Residual Risk(月) 每支股票的 RETURN 和股价指数的回归分析的残差项的标准偏差(月、期间:36 个月)2

4、1投资成果Residual Risk(周) 每支股票的 RETURN 和股价指数的回归分析的残差项的标准偏差(周、期间:52 周)22 负债比率(账面价值) 负债/自己资本23 杠杆性 负债比率(盯市价值) 负债/现价总额24 销售额(业务收入)增长度 对与过去 5 期的业务收入的时间的回归分析的回归系数/过去 5 期的平均业务资产25成长性总资产的增长度 对与过去 5 期的业务收入的时间的回归分析的回归系数/过去 5 期的平均总资产26 销售额(业务收入)营业利益率 营业利益业务收入27 销售额(业务收入)营业利润 Trend 对营业利益/业务收入的过去 5 期的回归分析的回归系数28 总资

5、产营业利益率 营业利益/总资产29 总资产营业利益率 Trend 对营业利益/总资产的过去 5 期的回归分析的回归系数数三、数据采集 行情数据： 总股本（日数据）、流通股本（日数据）、日成交额、日收盘价、周收盘价、月收盘价、上证综指（日数据、周数据、月数据） 时间周期：2009 年 4 月至 2012 年 9 月财务数据： 总资产、总负债、所有者权益、营业收入、营业利润，以上皆为季度数据时间周期：1999年12月至2012年6月股票样本：上证50成分股四、极值与标准化1) 变量极植的处理。极植很容易严重扭曲分析结果，因此去极植的处理步骤是必要的。使用“中位数去极植法(the Skiped Hu

6、ber Method)”，以数学式描述该方法如下:Di,upperDm5.2DMAD, if DiDm5.2D MADDi, lowerDm5.2DMAD, if DiDm5.2D MAD其中Di记做描述性变量的第i个观察值:，Dm记做每一个描述性变量的中位数，Di , AD记作描述性变量中每一个观察值与中位数的绝对偏离，即Di ,AD|DiDm|，D MAD记作所有绝对偏离D i, AD的中位数，Di,upper和Di, lower分别记作经中位数去极值后描述性变量的上下限。2) 描述性变量的标准化。在将描述性变量组合成风险指数前，必须标准化每一个描述性变量，否则所有组合将无意义，因为每一描

7、述性变量所衡量的单位均为不同。通常以均值取零，标准差取1的正态标准化处理之，其公式为:标准化后向量=(原向量- 均值)/标准差取固定时间窗口（36个月或12个季度），用时间窗口长度的数据向后滚动作标准化。五、报表数据的使用 采用年报或一季报数据（4月底出）代表5，6，7，8月数据 采用中报数据（8月底出）代表9，10月数据 采用三季报数据（10月底出）代表11，12月，下年1，2，3，4月数据六、等权复合因子的构造1 1、 BETA因子 HISTORICAL BETA（每周）：依据CAPM模型，使用52周收盘价收益率序列对相应上证综指收益率序列作回归，计算得出周BETA。并将所得出周BETA根

8、据其对应时间取平均，合并成月数据。 HISTORICAL BETA（每月）：依据CAPM模型，使用36个月收盘价对相应上证综指收益率序列作回归，计算得出月BETA。 合成BETA因子： 对HISTORICAL BETA（每周）月数据与HISTORICAL BETA（每月）数据用36个月数据长度分别进行标准化，等权重加权合成BETA因子。 2、 企业规模因子 总市值（对数值）：用对应日收盘价*日总股本相乘得到日总市值，并将所得日数据依据其对应时间合取平均并成月数据，取对数值。 流通市值（对数值）：用对应日收盘价*日流通股本相乘得到日流通市值，并将所得日数据依据其对应时间取平均合并成月数据，取对数

9、值。 总资产（对数值）：将总资产数据由季度数据扩充成月数据，取对数值。 合并成企业规模因子： 对总市值（对数值）、流通现价市值（对数值）和总资产（对数值）月数据用36个月数据长度分别进行标准化，等权重合成企业规模因子。 3、 相对低估性因子 营业利润回报：将营业利润扩充成月数据，前期营业利润/总市值。 营业收入回报：将营业收入扩充成月数据，前期营业收入/总市值。 B/P：将所有者权益扩充成月数据，前期所有者权益/总市值。 合并成相对低估性因子： 对营业利润回报、营业收入回报和B/P月数据用36个月数据长度分别进行标准化，等权重合成相对低估性因子。 4、 流动性因子 买卖循环率（一个月）：日交易

10、额/日流通市值，根据对应时间取平均并成月数据。 每日交易额的变动性：过去120天日交易额的标准偏差，将日数据根据相应时间取平均合并成月数据。 买卖资金的变化（25日/120日）：过去25天的日平均交易额/ 过去120天的日平均交易额，将日数据根据相应时间取平均合并成月数据。 买卖资金的变化（75日/250日）：过去75天的日平均交易额/ 过去250天的日平均交易额，将日数据根据相应时间取平均合并成月数据。 合并成流动性因子： 对买卖循环率（一个月）、每日交易额的变动性、买卖资金的变化（25日/120日）、买卖资金的变化（75日/250日）月数据用36个月数据长度分别进行标准化，等权重合成流动性

11、因子。 5、 投资成果因子 股价变动的平均偏离（25日）：（25日变动平均股价-前一天股价） /25日变动平均股价，将日数据根据相应时间取平均合并成月数据。 股价变动的平均偏离（75日）：（75日变动平均股价-前一天股价） /75日变动平均股价，将日数据根据相应时间取平均合并成月数据。 Historical Alpha（周）：用每支股票月收益率序列与上证综指收益率序列回归分析切片（周，期间：52周），将周数根据相应时间取平均合并成月数据。 Historical Alpha（月）：用每支股票月收益率序列与上证综指收益率序列回归分析切片（月，期间：36个月）。 合并成投资成果因子： 对股价变动的平

12、均偏离（25日）、股价变动的平均偏离（75日）、Historical Alpha （周）和Historical Alpha（月）月数据用 36个月数据长度分别进行标准化，等权重合成投资成果因子。 6、 波动性因子 Total Risk（周）：每支股票收益率的标准差（期间：52周），将周数据根据相应时间取平均合并成月数据。 Total Risk（月）：每支股票收益率的标准差（期间：36个月）。 Residual Risk（周）：每支股票收益率与上证综指收益率序列作回归分析的残差项的标准差（期间：52周），将周数据根据相应时间取平均合并成月数据。 Residual Risk（月）：每支股票收益率与

13、上证综指收益率序列作回归分析的残差项的标准差（期间：36月）。 合并成波动性因子： 对Total Risk（周）、Total Risk（月）、Residual Risk （周）和 Residual Risk（月）月数据用36个月数据长度分别进行标准化，等权重合成波动性因子。 7、 杠杆性因子 负债比率（账面价值）：将总负债扩充成月数据，总负债/所有者权益。 负债比率（盯市价值）：将总负债扩充成月数据，总负债/总市值。 合成杠杆性因子： 对负债比率（账面价值）和负债比率（盯市价值）月数据用36个月数据长度分别进行标准化，等权重合成杠杆性因子。 8、 成长性因子 营业收入增长速度：对与过去12个季

14、度的营业收入的时间的回归分析的系数/过去12个季度的平均营业收入。 总资产增长速度：对与过去12个季度的总资产的时间的回归分析的系数/过去12个季度的平均总资产。 营业收入营业利润率：营业收入/营业利润。 营业收入营业利润率TREND：对营业收入/营业利润的过去12个季度的回归分析的回归系数。 总资产营业利润率：营业利润/总资产。 总资产营业利润率TREND：对营业利润/总资产的过去12个季度的回归分析的回归系数。 合并成成长性因子： 对营业收入增长速度、总资产增长速度、营业收入营业利润率、营业收入营业利润率TREND 、总资产营业利润率和总资产营业利润率TREND季度数据用12 个季度数据长

15、度分别进行标准化，根据对应时间将季度数据扩充成月数据，等权重合成成长性因子。七、多因素模型实证流程 1) 决定与计算描述性变量。这些描述性变量必须是可用来预测风险的、及时的、正确的与可取得的。本研究采用了29个变量，如表1所示。 2) 变量极植的处理。 3) 描述性变量的标准化。 4) 风险指数的形成与因子暴露的取得。为了消除共线性以及使得模型更具有逻辑性，利用将几个描述性变量合成一个风险指数的方法来构造风险指数。例如，财务杠杆比率由负债比率(时价)与负债比率(账本价)所形成，可表示为:财务杠杆比率=权重*负债比率(时价)+权重*负债比率(账本价)。所以，建构多因素模型最困难的部分即在于想出正

16、确的因子组合与与如何确定相对重要的权重。根据相关文献的结论，利用简单算术平均法计算合成因子能取得不亚于其他方法的效果，因此采用简单平均来形成和计算因子暴露。 5) 风险因子的选择。即对因子进行降维处理，有三种可选的降维方法，即等权复合因子降维、逐步回归降维和主成分分析降维。逐步回归直接剔除不显著的因子，主成分分析则是对原来的因子进行组合成少数的几个新因子，而新因子可以解释因变量的大部分波动情况。 6) 以选出的显著指标和股票收益作回归分析，估计因子报酬，将因子报酬代入下一期的回归式子中，做出下一期股票收益的预测。利用横截面回归模型估计因子报酬时，必须注意，每项资产的特殊回报的方差一般说来并不相同，这就产生了异质性问题。为了解决这个问题，有效估计因子报酬，通常采用广义最小二乘法(generalized leastsquares)。然而，根据Grinold and kahn与BARRA公司的一些研究显示，以市值平方根为对角元的对角阵的逆矩阵作为特有报酬的逆矩阵的替代是适当的。因此广义最小二乘法回归可以转化为加