基于五因素模型的A股市场交易策略

合集下载

我国股票市场超额收益影响因素研究——基于Fama-French五因子模型

我国股票市场超额收益影响因素研究——基于Fama-French五因子模型

我国股票市场超额收益影响因素研究——基于Fama-French五因子模型一、前言股票市场的超额收益一直是投资者和学术界关注的焦点。

在传统的资本资产定价模型(CAPM)中,股票市场的超额收益主要由市场风险因素决定。

然而,经过多年的实证研究,学者们发现,传统的单因素模型存在一定的局限性,无法完全解释股票市场超额收益的变动。

因此,学者们提出了更为复杂的多因素模型,以更全面地解释股票市场的超额收益。

本文将基于Fama-French五因子模型,研究我国股票市场的超额收益影响因素,并对研究结果进行分析和讨论。

二、方法和数据本文选取了2010年1月至2021年12月的中国A股市场数据作为研究样本。

首先,我们构建了Fama-French五因子模型,包括市场风险因子(Mkt-RF)、规模因子(SMB)、价值因子(HML)、投资因子(CMA)和动量因子(RMW)。

然后,通过回归分析,研究各因子对股票市场超额收益的影响。

三、模型分析(一)市场风险因子市场风险因子是CAPM模型中的关键因素,研究股票市场超额收益时不可忽视。

通过回归分析,我们发现,市场风险因子对我国股票市场的超额收益有较大的解释能力。

市场风险因子的系数为0.8,具有显著性。

(二)规模因子规模因子是衡量小市值股票相对于大市值股票的超额收益的一个重要指标。

通过回归分析,我们发现,规模因子对我国股票市场的超额收益有显著的贡献。

规模因子的系数为0.5,表明小市值股票相对于大市值股票存在超额收益。

(三)价值因子价值因子是衡量价值股票相对于成长股票的超额收益的一个重要指标。

通过回归分析,我们发现,价值因子对我国股票市场的超额收益有显著的贡献。

价值因子的系数为0.6,表明价值股票相对于成长股票存在超额收益。

(四)投资因子投资因子是衡量投资活跃度与股票市场超额收益之间关系的一个重要指标。

通过回归分析,我们发现,投资因子对我国股票市场的超额收益有显著的贡献。

投资因子的系数为0.4,表明投资行为与股票市场超额收益呈正相关关系。

中国股票市场流动性与动量效应——基于Fama-French五因子模型的进一步研究

中国股票市场流动性与动量效应——基于Fama-French五因子模型的进一步研究

中国股票市场流淌性与动量效应——基于Fama-French五因子模型的进一步探究一、引言股票市场的流淌性和动量效应是金融领域内备受关注的探究领域。

流淌性反映了市场中大量资金的进出程度,而动量效应则揭示了市场中资产价格趋势连续的现象。

本文旨在通过基于Fama-French五因子模型的进一步探究,探讨中国股票市场中流淌性与动量效应之间的干系,并提出相关政策建议。

二、文献综述Fama-French五因子模型是目前较为广泛使用的资本资产定价模型,由Eugene F. Fama和Kenneth R. French提出。

该模型引入了规模因子和价值因子,相对于传统的CAPM模型,Fama-French五因子模型具有更好的诠释力和猜测能力。

在股票市场流淌性与动量效应的探究中,文献普遍认为,流淌性与动量效应之间存在着密切的干系。

流淌性越高的市场,资产价格的持续性越强,即动量效应越明显。

同时,流淌性对于动量效应的形成也起到了重要的推动作用。

然而,对于中国股票市场中流淌性与动量效应的干系探究相对较少,为了更好地理解中国市场的特点,有必要进行更加深度的探究。

三、方法与数据本探究基于Fama-French五因子模型,将市场规模因子、市场价值因子、市场动量因子、市场流淌性因子和市场收益率作为诠释变量,构建回归模型,探究其对中国股票市场的影响。

为了实证分析中国股票市场的流淌性与动量效应,本文选取了2005年至2019年的日度数据。

样本遮盖了中国主要股票市场的A股市场,并思量了市场流淌性和股票价格的季节性因素。

四、实证结果与分析本文的实证结果显示,中国股票市场中存在明显的流淌性与动量效应。

起首,流淌性与动量效应呈现正相关干系。

即市场流淌性越高,动量效应越明显。

这表明资产价格在高流淌性市场中更容易出现趋势性的连续现象。

其次,市场规模和市场价值对动量效应的诠释力较弱,而市场动量因子和市场收益率对动量效应具有显著影响。

这表明市场的整体涨跌趋势和市场的历史收益率对于股票价格的趋势连续起到了重要推动作用。

基于五因子模型的中国资本市场定价异象—来自流通企业的经验证据

基于五因子模型的中国资本市场定价异象—来自流通企业的经验证据

随着资产定价领域研究的不断深入,股票市场定价规律和定价效率逐渐为人们所熟知。

传统上的资产定价基于理性模型,也就是风险定价模型,这一类模型假设竞争性的资本市场不存在信息不对称并且理性人只在乎风险和收益权衡。

既然如此,那么收益必然要通过承担(系统性)风险获得,没有人能够长期获取超额收益。

这一类模型曾经取得了巨大的成功,Fama(2015)提出的五因子模型解释了很多非理性定价因素。

本文感兴趣的是,中国的股票市场是如何定价的。

这包括了以下几个问题:中国市场的定价因子是什么?中国市场是否存在无法被理性模型解释的定价因子?中国市场定价效率随着时间如何变化?为了研究以上问题,本文选择以流通企业为例,一方面是由于流通业在我国国民经济中的地位愈发重要,根据2017年国家统计局数据显示,流通业占GDP 比重达到12.9%;另一方面,流通产业是连接市场上下游的桥梁,以流通企业为例研究资本市场的有效性不仅具有代表性,同时还可窥探资本上下游市场的有效性。

五因子模型重构(一)数据来源与预处理方法本文研究标的是上海证券交易所和深圳证券交易所2010到2017年底共11年的所有上市主板流通企业。

其中,剔除了创业板股票、ST 股票以及上市不满一年的股票。

Fama and French(2014)提出以下股利折现模型:谢永建(天津国土资源和房屋职业学院 天津 300270)中图分类号:F830 文献标识码:A从上式中,有如下三个相关推论:其他条件不变的情况下,公司市净率(M/B)越高,说明公司股息的贴现率越低,公司资本成本越低,则期望收益率(r)必然越低 ;公司期望盈利(EY)越高,说明公司未来股息越高,则期望收益率(r)必然越高;公司净资产增长率(dB/B)越高,则说明公司股利分配占比越低,则期望收益率(r)必然越低。

本文重新定义了因子的基础指标。

为了使研究具有时效性,采用季度数据来构造指标。

本文在4月初开始使用1季报或者年报数据,9月份开始使用中报,而11月份开始使用三季报数据,以减少前视偏差对研究结果带来的影响。

《沪深A股主板市场Fama-French五因子模型实证研究》范文

《沪深A股主板市场Fama-French五因子模型实证研究》范文

《沪深A股主板市场Fama-French五因子模型实证研究》篇一一、引言近年来,随着中国资本市场的不断发展和完善,越来越多的学者和投资者开始关注并研究股票市场的投资策略和风险评估。

Fama-French五因子模型作为现代金融学中重要的投资组合理论之一,其在中国沪深A股主板市场的应用研究具有重要的现实意义。

本文旨在通过实证研究方法,探讨Fama-French五因子模型在沪深A股主板市场的适用性及其实证结果。

二、文献综述Fama-French五因子模型是由尤金·法玛和肯尼斯·罗·弗兰奇提出的一种投资组合理论,该模型通过五个因子来解释股票市场的收益率差异。

这五个因子包括:BM(账面市值比)、SMB (规模因子)、HML(账面市值比与账面总资产比因子)、SMM(公司经营利润与总市值之比)和RM-RF(市场收益率减去无风险收益率)。

众多学者已经证实了该模型在美国等发达资本市场的有效性,但在中国的实证研究尚处于起步阶段。

三、研究方法本文以沪深A股主板市场为研究对象,采用Fama-French五因子模型进行实证研究。

首先,根据市场数据进行筛选和预处理,构建股票样本集。

然后,计算Fama-French五因子模型的五个因子值。

最后,运用统计软件进行回归分析,探讨五个因子对股票收益率的影响。

四、实证结果1. 描述性统计通过对沪深A股主板市场样本数据的描述性统计,我们发现五个因子均具有一定的波动性和差异。

其中,BM、SMB、HML 和SMM的波动幅度较大,说明这些因子的变化对股票收益率具有重要影响。

2. 回归分析通过回归分析,我们发现Fama-French五因子模型在沪深A 股主板市场具有一定的适用性。

具体而言,BM、SMB、HML和SMM等四个因子对股票收益率具有显著影响,而SMM因子的影响相对较小。

此外,我们还发现市场收益率减去无风险收益率(RM-RF)对股票收益率也有重要影响。

五、讨论与结论本研究表明,Fama-French五因子模型在沪深A股主板市场具有一定的适用性。

我国股市特质波动率之谜探究——基于Fama—French五因子模型

我国股市特质波动率之谜探究——基于Fama—French五因子模型


126 一
二 、文 献 综 述 国外 学 者 对 于 特 质 波 动 率 方 向 和 截 面 收 益 之 间 的 关 系 研究 取得 了丰富 的研究成 果 。不 同 的学 者从 不 同 的角度 对 特质 波动率进 行提取。一部分学者采 用定价模 型来 回归 ,具
体做法是 提取 残差 的序列 的标 准差来 定义 股票 的特 质波 动 率 。这种 方法的优点是在捕捉到市场 风格特 点变化 的 同时 , 计算 股票收益 中不 包含 在市 场风 险 中的特 质 的变动 。Tinic 和 West(1986)使 用 CAPM 模 型 来 提 取 特 质 波 动 率 。 Ang等 (2006,2009)使 用 Fama.French三因子模 型 ,其 中三 因子模 型 中包 含 的 变 量 为 市 场 风 险 溢 价 MKT,市 值 因 子 SMB,账 面 市 值 比因子 HML。Boehme(2009)使用 Carhart(1997)四因素模 型 ,在 三 因 子 的 基 础 上 加 入 动 量 因 子 。基 于 定 价 模 型 对 于 特 质波 动率 和股票预期 收益 关系 的研 究大多 默认 采用 滞后 一 期的特质波动率来作为预期特质 波动率 的代 理变量 ,而 这一 做法 ,暗含 的假设是特质波动率序 列符合一 个随 机游走 的过 程 。而 Fu对这一 隐含假 设进 行检验 ,发现 特质 波动 率并 不 服从 随机游走的过程 ,因此采用 EGARCH模 型进行预期特质 波动率的 回归估计 。Huan(2010)使用 ARIMA模型来对 预期 收 益 率 进 行 估 计 。
Miller(1977)基于异 质信 息 和卖空 限制 下 ,得 出特 质波 动率 和 股 票 的 截 面 收 益 负 相 关 的结 论 。而 Meton(1984)基 于 不 完 全 信息 并不存在卖空限制 的市场假 设 ,得 出特质 波动 率和股 票 的 截 面 收 益 正 相 关 的结 论 。 实 证 研 究 的 结 果 也 难 以一 致 , Ang等 (2006,2009)他们对 美 国的股票市 场和 国际股 票市场 数 据进 行研究 ,高特 质 波动 率 的股 票均 出现 了低 的预期 收 益 。学 术界称特质波 动率 和预期 股票 收 益之 间 的负相 关关 系为“特异波 动率 之谜”。而 ru(2009)使用 EGARCH模型去 估 计 的 特 质 波 动 率 和 预 期 收益 具 有 显 著 的 正 相 关 关 系 。

《沪深A股主板市场Fama-French五因子模型实证研究》范文

《沪深A股主板市场Fama-French五因子模型实证研究》范文

《沪深A股主板市场Fama-French五因子模型实证研究》篇一一、引言随着金融市场的快速发展和理论研究的深入,投资者对于投资回报和风险的认识越来越细致。

在众多投资理论中,Fama-French五因子模型被广泛接受,并在全球金融市场得到了广泛的应用。

本文以沪深A股主板市场为研究对象,对该模型进行实证研究,旨在分析五因子模型在中国的适用性及其实际效果。

二、文献综述Fama-French五因子模型是在Fama-French三因子模型的基础上,进一步扩展的模型。

该模型在股票回报的评估中考虑了五种主要因素:BM(账面市值比)、SMB(规模因子)、HML(账面市值比上年度消费情况因子)、RMW(市场激励收益)、CMA(盈利能力的差异)。

这一模型在国内外众多研究中均得到了验证,并在不同市场环境下表现出良好的解释力。

三、研究方法本文采用实证研究方法,以沪深A股主板市场的上市公司为研究对象,使用Fama-French五因子模型进行分析。

在数据处理上,采用描述性统计和多元回归分析等手段,通过STATA软件进行数据清洗、计算和处理。

四、数据描述与分析首先,我们详细描述了所使用的数据来源和数据处理方法。

接着,我们对沪深A股主板市场的五因子进行描述性统计分析,包括BM、SMB、HML、RMW和CMA等因子的分布情况、变化趋势等。

然后,我们使用多元回归分析方法,对五因子与股票回报之间的关系进行实证研究。

五、实证结果与讨论根据我们的实证研究结果,Fama-French五因子模型在沪深A 股主板市场表现出较好的解释力。

具体来说,BM(账面市值比)和SMB(规模因子)对股票回报具有显著影响。

此外,HML (账面市值比上年度消费情况因子)和RMW(市场激励收益)也对股票回报具有一定影响。

然而,CMA(盈利能力的差异)因子的影响在A股市场表现并不显著。

这一结果可能反映了中国市场独特的经济环境和投资者行为特征。

从市场角度看,尽管中国市场的监管政策和制度环境与西方成熟市场有所不同,但Fama-French五因子模型在沪深A股主板市场的适用性仍显示出其重要价值。

Fama-French五因子模型对我国A股市场的适用性的实证研究

Fama-French五因子模型对我国A股市场的适用性的实证研究

Fama-French五因子模型对我国A股市场的适用性的实证研究王㊀韫摘㊀要:本文基于Fama-French的五因子模型对中国A股市场的股票收益率进行了实证分析ꎬ旨在研究五因子模型对中国股市的适用性ꎮ实证结果表明五因子模型对中国股市的股票收益率的拟合优度较高ꎮ市场因子㊁规模因子㊁价值因子㊁盈利因子对股票收益率具有一定的解释力ꎬ但不同因子的解释力不同ꎮ这些因子中ꎬ市场因子的解释力最强ꎬ盈利因子的解释力最弱ꎮ投资因子对我国股票收益率基本不具有解释力ꎮ关键词:五因子模型ꎻA股市场ꎻ因子构建方式中图分类号:F832.5㊀㊀㊀㊀㊀㊀文献标识码:A㊀㊀㊀㊀㊀㊀文章编号:1008-4428(2019)02-0098-07一㊁文献综述Markowitz首先将风险划分为系统性风险和非系统性风险ꎬ并基于风险分散理论提出了投资组合的有效集ꎮSharpe等学者在此基础上创建了资本资产定价模型ꎬ阐明了市场风险溢酬对股票收益率的影响ꎬ并提出投资组合的风险由β决定ꎮFama和French对CAPM模型进行了扩充ꎬ通过对美国股票收益率的检验证明了除了市场因子ꎬ规模因子(SMB)和价值因子(HML)也会影响股票的收益率ꎮ随后Fama和French又进一步提出了五因子模型ꎬ阐明了盈利因子(RMW)和投资因子(CMA)对股票收益率的影响ꎮ不仅如此ꎬ他们还认为引入了这两个新的因子后ꎬ价值因子就变得多余了ꎬ且五因子模型不能解释那些股票收益率的表现ꎬ像高投资㊁低利润的公司的小规模公司的股票收益率ꎮ国内也有学者检验三因子模型和五因子模型对中国证券市场的适用性ꎮ熊明达利用2010~2014年沪深股市股票月度数据进行实证分析ꎬ提出三因子模型对收益率的拟合程度高于CAPM模型ꎮ杨晓明等通过对2003~2014年沪深A股月收益率的检验发现规模因子和价值因子对股票收益率有正的影响ꎬ其中规模效应显著而价值效应并不显著ꎮ周艳等利用五因子模型对2011年5月至2017年4月我国主板市场和创业板市场的股票月交易数据分别进行了实证研究ꎬ发现在不同市场上因子的解释能力是不同的:主板中市场因子㊁规模因子㊁价值因子以及盈利因子较为显著ꎬ而创业板中市场因子㊁规模因子㊁投资因子较为显著ꎮ二㊁数据的选取和模型的构建(一)数据的选取本文选取2010年1月至2018年12月中国A股市场的股票月交易数据为研究样本ꎬ包括股票的月收益率㊁市场因子㊁规模因子㊁价值因子㊁盈利因子㊁投资因子等ꎮ本文中的数据来自国泰安数据库和锐思数据库ꎮ其中因变量是对A股市场的股票按市值和账面市值比两个维度划分的25个投资组合的月平均收益率和三个月定期存款利率之差ꎻ而自变量是根据以2ˑ2㊁2ˑ3㊁2ˑ2ˑ2ˑ2的方式分别构建的投资组合计算的因子ꎮ其中2ˑ2构建方式是对股票按总市值的中位数和账面市值比㊁利润率㊁投资水平的中位数划分为3个2ˑ2的组合ꎻ2ˑ3构建方式是对股票按总市值的中位数和账面市值比㊁利润率㊁投资水平的30%和70%分位数划分为3个2ˑ3的组合ꎻ2ˑ2ˑ2ˑ2构建方式是对股票按总市值㊁账面市值比㊁利润率㊁投资水平的中位数划分为1个2ˑ2ˑ2ˑ2的组合ꎮ样本剔除金融类股票㊁账面市值比为负的股票和ST股ꎮ(二)模型构建本文参照Fama-French五因子模型ꎬ构建模型如下:Rit-Rft=ai+bi(Rmt-Rft)+siSMBt+hiHMLt+riRMWt+ciCMAt+eit89金融观察Һ㊀模型中Rit为投资组合i在t月的月平均收益率ꎻRft为t月的无风险利率ꎬ用三个月定期存款利率表示ꎻRmt是t月市场收益率ꎻSMBt为规模因子ꎬ是t月低市值股票和高市值股票的平均月收益率之差ꎬ其中市值为公司上一年末的总市值ꎻHMLt是价值因子ꎬ即t月高账面市值比股票和低账面市值比股票的平均月收益率之差ꎬ其中账面市值比是上一年末所有者权益总额与总市值之比ꎻRMWt盈利因子ꎬ是t月高利润率股票和低利润率股票的平均月收益率之差ꎬ其中利润率是公司上一年末的净利润与所有者权益之比ꎻCMAt是低投资水平公司股票和高投资水平公司股票的平均月收益率之差ꎬ其中投资水平是上一年末的总资产增长率ꎮ三㊁25个市值-B/M组合的实证分析(一)描述性分析由表1可知ꎬ规模效应和价值效应在我国A股市场中的表现与在美国股市中的表现不同ꎮ我国股市中存在规模效应ꎮ当账面市值比较低时ꎬ随着总市值的上升ꎬ股票的超额收益率下降ꎮ而当账面市值比较高时ꎬ随着总市值的上升ꎬ股票的超额收益率总体呈上升的趋势ꎬ但是存在明显的异常值:市值最大的投资组合的平均超额收益率高于市值第二大的组合的平均超额收益率ꎮ然而ꎬ我国股市中价值效应不甚明显ꎮ当市值规模不变时ꎬ随着账面市值比的上升ꎬ股票的超额收益率先上升后下降ꎮ尤其当市值较大时ꎬ投资组合的平均超额收益率随着账面市值比的上升上下波动得更剧烈且无规律可循ꎮ总体而言ꎬ我国A股市场规模效应比较显著而价值效应不明显ꎮ表1㊀2010.1~2018.12A股市场5ˑ5投资组合月平均超额收益率(Ri-Rf)低2345市值-B/M小0.0141740.0165110.0165350.0140650.01183520.0060210.0087510.0085240.0076320.00666130.0022210.0057020.0057080.0050530.00114240.0005230.0005250.0015700.000532-0.000059大-0.000250-0.000860-0.0018750.000821-0.001624㊀㊀(二)回归分析表2㊀2ˑ3模式下的回归结果B/M低234高低234高ap小0.0040940.0062270.0059580.0029460.0023130.13∗∗0.00660.00280.088∗0.21∗∗2-0.0025410.0011930ꎬ0005160.000415-0.0003720.10∗∗0.44∗∗0.74∗∗0.88∗∗0.85∗∗3-0.004407-0.0010020.000639-0.000350-0.0034730.01060.54∗∗0.72∗∗0.84∗∗0.073∗4-0.003777-0.004413-0.001840-0.002066-0.0020450.080∗0.02780.39∗∗0.26∗∗0.34∗∗大0.0022980.0001440.0004980.003771-0.0014430.19∗∗0.95∗∗0.80∗∗0.11∗∗0.34∗∗bp小0.9428280.9640290.9890901.0195050.9783400.00000.00000.00000.00000.000021.0486931.0225000.9784070.9898631.0031640.00000.00000.00000.00000.000030.9768521.0058591.0032540.9999921.0248570.00000.00000.00000.00000.000040.9751090.9744221.0533231.0615861.0621860.00000.00000.00000.00000.0000大0.9422380.9884081.0095991.0737531.0268020.00000.00000.00000.00000.0000sp小0.8444111.0620731.0088471.1533120.9934360.00000.00000.00000.00000.000020.8264850.7870950.8109680.6913470.6860950.00000.00000.00000.00000.000030.6885570.6930650.4779800.4495770.4094510.00000.00000.00000.00000.000099续表B/M低234高低234高40.6202840.5271170.3850770ꎬ1925380.0619820.00000.00000.00000.01270.48∗∗大-0.048857-0.038742-0.288519-0.442896-0.51175070.50∗∗0.70∗∗0.00070.00000.0000hp小-0.309478-0.119090-0.2341000.0826680.1116740.01230.24∗∗0.00890.28∗∗0.18∗∗2-0.293795-0.377226-0.215405-0.0644120.0744310.00010.00000.00330.42∗∗0.42∗∗3-0.390723-0.382917-0.399707-0.2336740.0277510.00000.00000.00000.00510.74∗∗4-0.557968-0.418358-0.220576-0.2576090.1742960.00000.00000.00860.00250.077∗大-1.052619-0.545813-0.334611-0.3324870.1477510.00000.00000.00030.00260.0341rp小-0.180154-0.142239-0.138386-0.176715-0.1528210.29∗∗0.31∗∗0.27∗∗0.10∗∗0.19∗∗2-0.059341-0.179216-0.161371-0.371200-0.2834190.54∗∗0.071∗0.11∗∗0.00150.03323-0.156898-0.235546-0.321434-0.376500-0.1592040.14∗∗0.02700.00630.00140.19∗∗4-0.115074-0.204216-0.269529-0.239983-0.4128570.39∗∗0.02060.02150.04190.0033大0.3408830.101117-0.125409-0.192361-0.0148250.00270.51∗∗0.32∗∗0.20∗∗0.85∗∗cp小0.5932400.1508960.3680420.1255690.0912530.00060.28∗∗0.00310.24∗∗0.42∗∗20.3206930.0423810.118323-0.010213-0.0413840.00000.66∗∗0.23∗∗0.92∗∗0.73∗∗30.043640-0.011904-0.0136460.0957650.1494700.68∗∗0.90∗∗0.90∗∗0.39∗∗0.21∗∗4-0.390938-0.194934-0.2067690.0601410.0498380.00410.24∗∗0.072∗0.60∗∗0.71∗∗大-0.263204-0.078563-0.0474020.1106180.3916340.01780.61∗∗0.70∗∗0.45∗∗0.0001表3㊀2ˑ2模式下的回归结果B/M低234高低234高ap小0.0050940.0061410.0066330.0034060.0028820.077∗0.00670.00110.04040.12∗∗2-0.0025470.0012080.0001960.000136-0.0001560.10∗∗0.42∗∗0.90∗∗0.94∗∗0.94∗∗3-0.004665-0.0016300.000006-0.000435-0.0032850.00580.34∗∗0.99∗∗0.80∗∗0.08884-0.005610-0.005213-0.002606-0.002766-0.0017690.01490.00810.15∗∗0.12∗∗0.42∗∗大0.000330-0.0006090.0010590.0036390.0022070.86∗∗0.79∗∗0.57∗∗0.13∗∗0.15∗∗bp小0.9335280.9502490.9749771.0110100.9704000.00000.00000.00000.00000.000021.0324090.9995230.9699290.9868840.9918340.00000.00000.00000.00000.000030.9506650.9923490.9895640.9912311.0307340.00000.00000.00000.00000.000040.9564350.9517211.0427121.0596481.0731580.00000.00000.00000.00000.0000大0.9145720.9709240.9935461.0786801.0407210.00000.00000.00000.00000.0000sp小0.8538391.0670921.0069931.1237490.9354360.00000.00000.00000.00000.000020.8537790.7843830.8645490.7296890.6428210.00000.00000.00000.00000.000030.6955310.7706580.5495260.4840100.4271690.00000.00000.00000.00000.000040.7659380.5752900.4260950.2855370.0640290.00000.00000.00000.00030.49∗∗大0.1332850.019589-0.341770-0.362276-0.5311580.11∗∗0.84∗∗0.00000.00070.0000hp小-0.214140-0.111132-0.1476310.2019920.1201380.20∗∗0.39∗∗0.20∗∗0.03960.27∗∗2-0.245432-0.478157-0.172065-0.0573160.0722660.00910.00000.071∗0.59∗∗0.54∗∗001金融观察Һ㊀续表B/M低234高低234高3-0.461338-0.366836-0.467585-0.2771340.0090910.00000.00040.00000.00970.93∗∗4-0.557317-0.535196-0.352563-0.2647900.2026940.00010.00000.00140.01460.12∗∗大-1.187400-0.784796-0.538878-0.3679330.2022310.00000.00000.00000.01190.0276rp小-0.389696-0.048294-0.329069-0.317763-0.1955890.13∗∗0.81∗∗0.067∗0.0430.24∗∗2-0.063681-0.2076615-0.076207-0.273808-0.3580340.65∗∗0.13∗∗0.59∗∗0.095∗0.050∗3-0.199135-0.193489-0.223346-0.369930-0.0101240.15∗∗0.21∗∗0.17∗∗0.02350.95∗∗40.078345-0.214522-0.063226-0.070972-0.4413270.70∗∗0.22∗∗0.69∗∗0.66∗∗0.0278大0.6042760.372631-0.327936-0.187202-0.0939860.00110.07880.05980.39∗∗0.49∗∗cp小0.5263160.4971080.2496400.0563350.1732250.01660.00390.097∗0.65∗∗0.22∗∗20.5543750.1743140.3275950.3394880.2983990.00000.13∗∗0.00810.01450.052∗30.2640000.1252330.3113580.3698650.3783060.03760.33∗∗0.02560.00730.01044-0.2880930.2071920.2061720.4207920.2317240.096∗0.15∗∗0.13∗∗0.00270.16∗∗大-0.3475620.201516-0.2186830.0974320.4458870.02290.25∗∗0.13∗∗0.59∗∗0.0002表4㊀2ˑ2ˑ2ˑ2模式下的回归结果B/M低234高低234高ap小0.0034150.0047130.0057990.0023990.0020950.25∗∗0.073∗0.01480.25∗∗0.34∗∗2-0.0028820.0007290.000550-0.0003130.0000090.10∗∗0.68∗∗0.77∗∗0.88∗∗0.97∗∗3-0.003230-0.0022300.000201-0.000833-0.0036750.088∗0.25∗∗0.92∗∗0.69∗∗0.081∗4-0.004071-0.003166-0.001723-0.002381-0.0028760.10∗∗0.16∗∗0.40∗∗0.25∗∗0.19∗∗大0.0012670.0013930.0009820.0039850.0023460.59∗∗0.59∗∗0.64∗∗0.11∗∗0.12∗∗bp小0.9995540.9973001.0100601.0211270.9803860.00000.00000.00000.00000.000021.0898221.0475481.0191851.0168451.0070300.00000.00000.00000.00000.000030.9995831.0453171.0459731.0233191ꎬ0467910.00000.00000.00000.00000.000040.9879540.9873401.0657821.0893631.0747610.00000.00000.00000.00000.0000大0.9613060.9994711.0075851.0885651.0270560.00000.00000.00000.00000.0000sp小1.0305201.2090071.0716211.1903240.9923890.00000.00000.00000.00000.000020.8932460.8400020.9284800.7884200.6494390.00000.00000.00000.00000.000030.5847480.8363740.5619210.5485880.4566420.00000.00000.00000.00000.000040.5919820.4082720.3697190.2753190.1994900.00000.00010.00010.00350.0426大0.030307-0.159123-0.292917-0.352204-0.5054100.77∗∗0.16∗∗0.00220.00220.0000hp小-0.340225-0.163479-0.2798370.1146580.0942160.10∗∗0.37∗∗0.00000.44∗∗0.54∗∗2-0.544132-0.6581120.399475-0.1292060.0287350.00000.00000.00380.39∗∗0.86∗∗3-0.911530-0.613708-0.731710-0.2366590.0167720.00000.00000.00000.11∗∗0.91∗∗4-1.059776-0.897998-0.474737-0.3106800.5108490.00000.00000.00170.03810.0015大-1.388790-0.918415-0.329804-0.1517030.5029820.00000.00000.02990.40∗∗0.0000rp小-0.525087-0.409031-0.723666-0.736594-0.6155520.003080.04630.00010.00000.00052-0.321393-0.482951-0.283510-0.551489-0.6773100.02100.00080.057∗0.00130.0004101续表B/M低234高低234高3-0.489278-0.319200-0.354479-0.644526-0.2617380.00110.03600.02750.00010.11∗∗4-0.254358-0.626206-0.377302-0.290686-0.4515390.18∗∗0.00060.02110.075∗0.0096大0.4460760.027023-0.221341-0.177111-0.0480050.01870.89∗∗0.18∗∗0.37∗∗0.68∗∗cp小0.9043790.3249500.4078370.0413740.0484520.00050.14∗∗0.04080.81∗∗0.79∗∗20.6148830.2578100.4230160.2926920.2308650.00010.089∗0.00940.10∗∗0.25∗∗30.2238890.2734900.4339000.4527170.3417740.15∗∗0.095∗0.01290.01150.054∗4-0.3690570.045774-0.0754130.3149520.3261670.078∗0.81∗∗0.66∗∗0.075∗0.080∗大-0.575466-0.156740-0.0422700.1005660.3614980.00530.47∗∗0.81∗∗0.63∗∗0.0059㊀㊀表2至表4分别为以2ˑ3㊁2ˑ2㊁2ˑ2ˑ2ˑ2的方式构建因子作为自变量的五因子模型回归结果ꎬ左边五列是各因子的回归系数ꎬ右边五列是各因子的p统计量ꎬ∗∗和∗分别表示系数在10%的显著性水平下不显著㊁在5%的显著性水平下不显著但在10%的显著性水平下显著ꎮ其中ꎬb为市场因子RM-RF系数ꎻs为规模因子SMB系数ꎻh为账面市值比因子HML系数ꎻr为盈利因子RMW系数ꎻc为投资因子CMA系数ꎮ表5㊀不同构建方式下的R2R2市值-B/M低234高2ˑ3小0.9363160.9561620.9685530.9751900.96575220.9784980.9783570.9747580.9656590.95109430.9709460.9737290.9648900.9628090.94980240.9539820.9582000.9603170.9564960.932585大0.9521500.9013840.9285150.9120770.9591962ˑ2小0.9270450.9562780.9671290.9767600.96420820.9774870.9791650.9737990.9649310.95332830.9716750.9714700.9643870.9633180.94930940.9472160.9593870.9600540.9573060.929866大0.9372990.9106120.9343030.9068770.9580052ˑ2ˑ2ˑ2市值-B/M低234高小0.9269070.9440810.9570520.9650650.95329520.9734660.9728360.9657460.9537980.93839730.9661040.9663370.9583210.9531590.94391740.9417930.9481760.9516600.9472380.934413大0.9150400.8965130.9251750.9059060.961311㊀㊀从表5可以看出ꎬ无论选用什么因子构建方式ꎬ五因子模型的拟合优度都较高ꎬR2基本都在90%以上ꎬ只有极个别投资组合的回归结果的R2低于90%ꎮ不仅如此ꎬ不同的因子构建方式对模型的拟合优度的影响并不大ꎮ但总体而言ꎬ以2ˑ3方式构建自变量因子的模型的拟合优度最高ꎮ如果五因子模型能完全解释股票收益率的变动ꎬ那截距项a应显著为零ꎮ由表2㊁表3㊁表4可知ꎬ截距项a的p值检验基本都不显著ꎮ这意味着a不显著异于0ꎬ五因子模型对股票收益率的决定有较好的解释能力ꎮ不仅如此ꎬ比较三种因子构建方式的回归结果不难发现ꎬ在2ˑ3和2ˑ2构建方式下ꎬ有4~6个a值显著异于0ꎻ而在2ˑ2ˑ2ˑ2构建方式下仅有1个a值显著异于0ꎮ这说明通过2ˑ2ˑ2ˑ2的方式构建出的自变量因子对股票收益率的解释能力更强ꎮ由表中的数据可知ꎬ市场因子系数b的p值检验结果都是0ꎬ易知市场因子系数的显著程度最高ꎮ因此市场收益对股票的收益影响最显著ꎮ并且ꎬ市场因子系数都保持在1左右ꎮ这意味着这些投资组合的风险分散效果较好ꎬ投资组合基本只受系统性风险的影响ꎮ同时ꎬ由于市场因子的系数代表投资组合的系统性风险ꎬ表中的数据表明公司规模大㊁账面市值比高的投资组合面临着更高的系统性风险ꎮ总体而言ꎬ规模因子的p值检验结果是显著的ꎮ因此公司的规模对投资组合的收益率有着显著影响ꎮ公司的规模越小ꎬ投资组合的规模因子系数越大ꎬ收益率对规模因子的变动越敏感ꎬ一般而言股票收益率也越高ꎮ并且ꎬ对同等规模公司的股票而言ꎬ除了公司规模最小的5个投资组合ꎬ随着账面市值比的上升ꎬ规模因子系数都呈下降的趋势ꎮ并且201金融观察Һ㊀当公司规模最大时ꎬ投资组合的规模因子系数都为负ꎮ因此ꎬ当公司的规模居中时ꎬ账面市值比越低ꎬ股票收益率对规模因子的变动越敏感ꎻ而当公司规模特别大或特别小时ꎬ不存在这条规律ꎮ值得注意的是ꎬ在三种因子构建方式下ꎬ都存在2~3个规模因子系数不显著异于0ꎻ且在这三种不同的构建方式下ꎬ这些系数对应的投资组合是相同的ꎮ这可能是由个别公司的异常数据引起的ꎮ价值因子具有一定的解释力ꎻ但相较于规模因子ꎬ价值因子的解释力较弱ꎮ每种因子构建方式下都有8~9个价值因子系数h的p值检验结果不显著ꎮ但总体上我国股市存在价值效应ꎮ当公司规模不变时ꎬ随着账面市值比的上升ꎬ价值因子系数上升ꎮ且公司规模越大ꎬ高账面市值比公司与低账面市值比公司的价值因子系数差距越大ꎬ价值效应越明显ꎮ同时ꎬ前四列的价值因子系数几乎都为负ꎮ当账面市值比不高时ꎬ公司规模越大ꎬ价值因子系数为负且越小ꎬ股票收益率对价值因子的变动也就越敏感且二者呈反向变动ꎮ只有当账面市值比很高时ꎬ价值因子系数才会为正ꎬ且随着公司规模增大而上升ꎮ不难从表中的p值看出ꎬ价值因子对那些公司规模大㊁账面市值比低的投资组合的收益率的影响更显著ꎬ解释力也更强ꎮ盈利因子对投资组合收益率的解释力比价值因子更弱ꎮ在2ˑ3和2ˑ2构建方式下ꎬ取5%的显著性水平ꎬ大约有15~19个盈利因子系数r的p值检验结果不显著ꎮ而在2ˑ2ˑ2ˑ2构建方式下ꎬ取5%的显著性水平ꎬ仅有8个盈利因子系数的p值检验结果不显著ꎻ取10%的显著性水平ꎬ仅有6个盈利因子系数的p值检验结果不显著ꎮ这是因为2ˑ2ˑ2ˑ2的构建方式分离了每个因子对投资组合收益率的独立影响ꎮ因此2ˑ2ˑ2ˑ2的构建方式下的回归结果可信度较高ꎮ由表4中的数据可知ꎬ随着公司规模的增大ꎬ盈利因子系数上升ꎻ随着公司账面市值比的上升ꎬ盈利因子系数降低ꎮ这表明在中国大公司的盈利性较强ꎬ高账面市值比的公司盈利性较差ꎮ除此之外ꎬ除了规模最大㊁账面市值比最低和第二低的两个投资组合ꎬ其余投资组合的盈利因子系数均为负数ꎮ这表明总体上我国公司的盈利水平不高ꎮ投资因子对投资组合收益率的解释力是五个因子中最弱的ꎮ在三种自变量因子构建方式下ꎬ若取5%的显著性水平ꎬ有13~19个投资因子系数c的p值检验结果不显著ꎻ若取10%的显著性水平ꎬ则有10~18个投资因子系数c的p值检验结果不显著ꎮ总的来说ꎬ投资因子系数不显著异于零ꎮ因此投资因子对投资组合收益率的影响不甚明显ꎮ由于每个因子的系数均代表投资组合的风险:市场因子系数代表投资组合的系统性风险ꎬ规模因子系数代表投资组合的规模风险ꎬ价值因子系数代表投资组合的价值风险ꎬ盈利因子系数代表投资组合的盈利能力风险ꎬ因此从表4的回归系数来看ꎬ投资组合无疑受系统性风险的影响最大ꎮ四㊁结论本文利用中国A股市场2010年1月至2018年12月的数据对五因子模型在中国股票市场的适用性进行了实证分析ꎮ总体而言ꎬ五因子模型对中国A股市场的股票收益率的拟合优度较高ꎬ但并没有在三因子模型的基础上提高很多ꎮ并且ꎬ五因子模型基本能完全解释股票收益率的决定ꎮ从具体因子的解释力来看ꎬ市场因子㊁规模因子㊁价值因子㊁盈利因子对股票收益率都有一定的解释力ꎮ在这些因子中ꎬ市场因子的解释力最强ꎬ规模因子次之ꎬ价值因子弱于规模因子但强于盈利因子ꎬ盈利因子的解释力最弱ꎮ投资因子对我国股票收益率几乎没有解释力ꎮ就各因子的回归系数而言ꎬ总体上系统性风险对投资组合的影响大于其他风险ꎮ参考文献:[1]FamaEFꎬFrenchKR.Commonriskfactorsinthereturnsonstocksandbonds[J].JournalofFinancialEconomicsꎬ1993ꎬ33(1):3-56.[2]FamaEFꎬFrenchKR.Thecross-sectionofexpectedstockreturns[J].JournalofFinanceꎬ1992(47):427-465. [3]FamaEFꎬFrenchKR.Afive-factorassetpricingmodel[J].JournalofFinancialEconomicsꎬ2015ꎬ116(1):1-22.301[4]赵胜民ꎬ闫红蕾ꎬ张凯.Fama-French五因子模型比三因子模型更胜一筹吗 来自中国A股市场的经验证据[J].南开经济研究ꎬ2016(2):41-59.[5]熊明达.Fama-French三因素模型在中国股市的应用 基于A股市场的实证检验[J].理论探索ꎬ2015(26):10-131. [6]杨晓明ꎬ涂序平ꎬ郑朱婷ꎬ等.Fama-French三因素模型的实证研究 来自中国A股市场的经验证据[J].现代商业ꎬ2015(8):152-153.[7]周艳ꎬ唐雨桐.我国主板与创业板市场资产定价因素比较研究 基于Fama-French五因素模型[J].资本观察ꎬ2019(3):44-53.作者简介:王韫ꎬ苏州大学ꎮ(上接第87页)收入-(应交税金+目标利润)ꎮ(二)目标成本管理在企业经济管理中的完善措施1.增强成本控制意识在这个竞争激烈的市场中ꎬ企业想要将主动权掌握在手中ꎬ必须合理地控制成本ꎮ成本管理的工作需要全体员工参与其中ꎬ对员工成本管理的意识进行提升ꎬ只有这样企业成本管理的效果才可以得到进一步保证ꎮ针对企业的高层来说ꎬ需要对成本管理工作加大重视ꎬ不断地传达成本的管理意识ꎬ以此让企业经营活动参与者对成本控制的认识得到提升ꎮ2.建立健全成本控制制度企业实际进行管理工作时ꎬ为了让目标成本控制的质量更好地提升ꎬ需要建立健全成本管理制度ꎬ在企业生产经营的每个环节中进行贯穿ꎮ数据的收集也要重视ꎬ因为企业要全面地了解整个市场ꎬ同时也需要分析市场价格与客户的需求ꎬ通过此方式让管理的合理性得到提高ꎮ另外也要不断创新管理制度ꎬ利用科学的方法提升管理效率ꎬ让信息管理更加科学的同时ꎬ使成本管理的规范性变得更强ꎮ六㊁结束语在企业的经济管理中ꎬ目标成本管理是十分重要的组成部分ꎬ企业的发展和生存必定受其影响ꎮ特别是在如今这个竞争激烈的市场中ꎬ有效地控制成本可以让企业经营管理的质量和效率得到有效提高ꎬ从而增强企业在市场中的竞争力ꎮ所以ꎬ目标成本管理的重要性需要得到企业和企业经营管理者的充分认同ꎬ严格控制生产经营的每个环节ꎬ以此让目标成本管理的目的得到有效实现ꎬ使企业能够健康㊁稳定㊁长久地经营发展ꎮ参考文献:[1]吴云英.目标成本管理在企业经济管理中的应用[J].中小企业管理与科技(上旬刊)ꎬ2013(9):40.[2]李源.目标成本管理在企业经济管理中的应用研究[J].商场现代化ꎬ2018(10):66-67.[3]高畅.浅谈目标成本管理在企业经济管理中的应用[J].现代经济信息ꎬ2018(20):196.[4]刘安方.企业经济管理中目标成本管理的应用研究[J].物流工程与管理ꎬ2017ꎬ39(10):126-128.[5]张艳君.目标成本管理在企业经济管理中的应用关键要素探究[J].纳税ꎬ2018ꎬ12(33):229.[6]董怡.目标成本管理在企业经济管理中的应用研究[J].中外企业家ꎬ2018(24):52.作者简介:邵娜ꎬ女ꎬ苏州华源控股股份有限公司副总经理ꎬ研究方向:经济管理学ꎮ401。

五因子资产定价模型及其在证券市场的应用

五因子资产定价模型及其在证券市场的应用

01
02
账面市值比因子
衡量公司的账面价值与市值之间的比 率,高账面市值比公司通常被认为具 有更高的未来回报。
03
盈利能力因子
体现公司的盈利能力对股票价格的影 响,高盈利能力公司通常具有更高的 股票价格。
05
04
投资模式因子
反映公司的投资模式对股票价格的影 响,低投资模式公司通常具有更高的 股票收益。
五因子资产定价模型 及其在证券市场的应 用
2023-11-11
目录
• 五因子资产定价模型理论概述 • 五因子资产定价模型的构建与实现 • 五因子资产定价模型在证券市场中的应用 • 五因子资产定价模型的实证研究与效果评估 • 案例分析与操作实务
01
五因子资产定价模型理 论概述
模型背景与意义
背景
资产定价模型是金融学研究领域的一个重要组成部分,用于解释和预测资产的 回报。在众多资产定价模型中,五因子资产定计算 资产的预期收益率。
模型检验与评估
通过实证分析,检验模型的定价效果 ,评估模型在解释资产收益变化方面 的准确性和可靠性。
03
五因子资产定价模型在 证券市场中的应用
股票估值与选股策略
01 02
估值参考
五因子资产定价模型可以为股票市场提供相对准确的估值参考。通过比 较模型的预测价格与市场实际价格,投资者可以判断股票是否被低估或 高估,从而指导选股策略。
绩效评估与投资组合调整
绩效评估体系
结合五因子模型,投资者可以建立绩效评估体系,定期评估投资组合的表现。通过比较投 资组合的实际收益与模型的预测收益,判断投资策略的有效性。
投资组合调整
根据绩效评估结果,投资者可以对投资组合进行调整。例如,剔除表现不佳的股票,增加 表现优异的股票,以实现投资组合的持续优化。
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

基于五因素模型的A股市场交易策略[提要] 本文以Fama-French五因素模型为研究基础,结合基本面分析和技术分析,挖掘具有价值投资的一类公司作为投资组合。

研究发现:选出的投资组合的收益超过大盘指数和大多数主动管理型基金的收益,这说明基于五因素模型的选股策略是一种有效的选股策略。

关键词:资产定价;Fama-French五因素模型;交易策略基金项目:2016年度嘉兴学院大学生科研训练计划(SRT)重点项目(项目编号:851716013)中图分类号:F83 文献标识码:A收录日期:2017年4月5日一、文献综述在股票市场,广大投资者都在思考如何发掘有较高回报的公司,以及使用怎样的投资方式、交易策略来获取更高收益。

而资产定价模型历来就对于投资决策具有重要意义。

从20世纪60年代开始,Sharpe(1964)、Lintner(1965)和Black (1972)提出了著名的资本资产定价模型(CAPM);Ross (1976)提出了套利定价理论(APT),即假设在竞争性和无摩擦的市场上,股票收益率与未知数量的未知因素相关;Fama和French(1992、1993、1996)提出三因素模型发现市场风险、总市值、账面市值比因素可较好地解释股票收益率的变化;Fama和French(2013)提出五因素模型,因发现三因素模型无法解释盈利能力和投资模式对股价的影响,于是结合前人研究成果,在三因素模型的基础上引入盈利能力和投资模式因素,并通?^美国50余年的市场数据进行检验。

在国内,曾佳辉(2014)运用Fama-French三因子模型及其优化模型,发现小规模上市公司的整体回报较高,而大规模公司承担的系统性风险相对较高,并且发现基于三因子模型所设计的交易策略是一种收益稳定、风险不高的优质交易策略。

张利平(2014)在对25个因子进行实证后,选择了盈利收益率、账面市值比、现金收益率、ROA变动、PEG、换手率变动这六个因子构建了多因子选股模型,得到了较为理想的收益率。

但国内学者对Fama-French五因素模型在我国实际交易策略上的直接研究较少。

因此,本文将结合Fama-French五因素模型对中国A股市场上的股票进行选股,同时结合基本面分析和技术分析,从中挖掘出具有投资价值的公司,设计出科学有效的交易策略。

二、数据来源与样本选择本文以深圳和上海股票交易所的所有A股股票为研究样本,以Fama-French五因素模型为研究基础,其中规模因素用股票的流通市值衡量;账面市值比因素用市净率的倒数衡量;盈利能力因素用净资产收益率(ROE)衡量;投资水平因素用总资产收益率衡量。

所有数据均来自深圳国泰安信息技术有限公司提供的CSMAR公司财务报表数据库。

样本数据选取时间为2016年7月1日至9月30日,结合实际情况选股策略所选取的交易时间段为2016年7月4日至2016年9月26日,建仓时机选定为每个星期一,每只股票持仓时间为4个星期。

三、基于Fama-French五因素模型的交易策略(一)股票池及交易时机的选择。

首先我们应用基本面分析方法来构建股票池。

因为基本分析法的优势主要是能够比较全面地把握股票价格的基本走势,但是它对股票的预测时间跨度相对较长,对短线投资者来说有效性较差。

在基本面分析这方面,国内已经具备了相当的规模和水平了,因此本文最终采用了券商国泰君安证券分析师给出“买入”或者“推荐”评级的股票作为基本面良好的股票。

这些股票形成备选的股票池为接下来进一步选股打下基础。

股票市场存在规模效应、价值溢价效应、盈利能力效应和反转的投资模式效应。

小股票往往具有比大股票更高的市场贝塔,小盘股与超额市场回报是正相关的,所以在进行选择时,同等的条件下,应该优先考虑中小盘股。

同时,盈利能力高的公司有较高的股票平均收益率;投资水平高的公司拥有较高的股票收益率。

所以,投资者应该密切关注账面市值比高、盈利能力强且固定资产增长快的小盘股和收入或盈利展现出持续性或加速增长态势的上市公司。

在结合基本面分析和五因素模型挖掘出历史收益较高的股票作为投资组合后,本文综合考虑股票的价格、成交量、时间和空间作为买入的依据,参考股票的K线图走势和均线的走势判断股票的未来走势。

具体来讲,本文是参考平滑异同平均线(MACD)来判断买卖点。

指数平滑异同移动平均线是以快速移动平均线与慢速移动平均线相对距离的变化提示买卖时机的指标。

MACD中的离差值DIF是快速线和慢速线之差,而DEA则是一定时期内快慢线之间的平均距离。

本文判断的买入点是DIF和DEA均为正值的时候且DIF向上突破DEA的时候,而DIF向下突破DEA的时候则为卖出信号。

(二)交易策略设计。

本文借鉴曾佳辉(2014)基于三因素模型交易策略设计的方法,结合实际情况与Fama-French五因素模型来设计交易策略。

首先在设计投资组合时,为了能够对冲掉大部分非系统性风险,本文将投资股票的数量定为4只,每只股票的权重相等,也就是说每只股票的仓位均为25%。

基于此,本文将股票的持有时间设为四周,每周进行一次买卖交易(当持股数量少于4只时,建仓期间,仅仅买入,不卖出)。

最后得出的交易策略是:第一周建仓25%,第二周仓位提高到50%,第三周提高到75%,第四周提高到l00%。

第五周卖出第一周买入股票,同时买入新的股票,如此循环往复。

Fama-French五因素模型选股策略所选取的交易时间段为2016年7月4日至2016年9月26日,建仓时机选定为每个星期一,每只股票的持仓时间为4星期,如2016年7月4日(星期一)开盘买进600984,则2016年8月1日(星期一)开盘卖出600984。

第一次建仓时机为7月4日,在股票选择中,本文选取国泰君安在建仓前一周的给出“买入”评级的股票作为备选股票,建仓的备选股票有:603896、300444、603718、300200、300017、002206、000568、002444、600984、000601、600500等11只股票,根据Fama-French五因素模型,将流通市值100亿元以上的列为大规模上市公司,总市值在40亿元~100亿元的为中等规模公司,40亿元以下的为小公司。

这11只股票中,600984、002206、000601为小公司,由于小公司的历史年化收益明显高于其他类型公司,我们将在这三家公司中选取买入的股票。

再根据五因素模型,我们选择了盈利能力和投资水平相对较高的600984买入,仓位约25%。

第二次建?}时机为7月11日,同样选择国泰君安给出“买入”评级的股票,建仓前一星期国泰君安给出“买入”评级的股票有:002688、603885、000429、600790、300121、300017、000733、300496、601601、600217、002321、002062、000782等13只股票。

在以上13只股票中,300121和002321两只股票为小盘股。

由于这两只证券均获得“买入”评级且历史收益较高,且短期内股票未出现异常波动,所以应该在300121和002321之间选择。

同时结合Fama-French五因素模型,考虑到002321的盈利水平高于300121,选择在7月11日开盘买入002321,仓位25%左右。

之后的两次建仓时机别为7月18日和7月25日,基本的选股操作与前两次类似。

第五次建仓时机为8月1日,此时立刻卖出600984。

同样选择国泰君安给出“买入”评级的股票作为备选股票。

建仓前一星期国泰君安给出“买入”评级的股票有:002196、002062、600236、601668、000415、600640等6只股票,其中002062为小规模上市公司,因此选择002062建仓,仓位为25%左右。

后续的建仓和清仓时间和方式与前面5次类似,依次循环往复,最后得到整个投资组合的买入和卖出过程见表1。

(三)五因素选股策略收益超额性分析。

本文所设计的“基于五因素模型的交易策略”按照基本面分析,构建股票池,然后进行技术分析,最后再根据五因素模型设计交易策略。

表1的交易策略,在不考虑交易费用和闲置资金的额外收益的情况下,总体投资回报率为4.08%。

同期的上证指数上涨3.55%,深证成指上涨2.11%,创业板指数下跌1.88%,基于五因素模型的选股策略超越了各主要指数的收益。

与现在市场上主动管理型基金的同期收益进行对比时,本文采取抽样的方式,选取5只主动管理型股票基金与五因素模型交易策略的收益情况做比较。

这5只基金分别是易方达平稳增长证券投资基金(110001)、工银新蓝筹股票基金(001651)、南方国策动力基金(001692)、招商行业精选股票(000746)、嘉实先进制造股票型基金(001039)。

从2016年7月4日至2016年9月26日,以上5只股票型基金的收益分别为-2.47%、-0.38%、-1.20%、-8.08%、4.12%。

而同期基于五因素模型的交易策略的收益率为4.08%。

基于五因素模型交易策略的收益明显高于大部分的主动管理型基金的收益。

综合来看,五因素模型交易策略的收益跑赢了大盘指数和大多数的主动管理型基金的收益,这证明五因素选股策略的优势明显,是一种有效的选股策略。

四、结论本文在了解市场基本面分析和股票近期综合表现的前提下,结合五个因素:市场溢价因素、规模因素、账面市值比因素、盈利能力因素和投资模式因素等进行股票的筛选,最终形成一个完整的投资组合。

我们对这个投资组合进行市场表现分析,可以发现其收益超越了同期A股市场的收益及大部分主动管理型基金的收益。

这说明在我国现有的市场条件下,我们设计的基于五因素模型的选股策略是有效的。

总体而言,基于Fama-French五因素模型的交易策略,无论对个人投资者还是机构投资者都有一定的参考价值。

对知识水平和投资精力有限的个人投资者来说,是一种简单又能获得较高回报率的优质投资策略;对机构投资者来说,可以基于该策略构建一个能够获得超额收益的股票池,提供给客户作为参考。

主要参考文献:[1]宿成建.中国证券多因素及三因素定价模型实证研究[J].系统工程理论与实践,2006.8.[2]田利辉,王冠英.我国股票定价五因素模型:交易量如何影响股票收益率[J].南开经济研究,2014.2.[3]曾佳辉.基于Fama-French模型的A股市场交易策略研究[D].上海师范大学,2014.[4]Eugene F.Fama,Kenneth R.French.A Five-Factor Asset Pricing Model[N].Fama-Miller worker paper,2013.11.[5]Eugene F. Fama. Multifactor portfolio efficiency and multifactor asset pricing[J].Journal of Financial and Quantitative Analysis,1996.31.。

相关文档
最新文档