中金研究

港股市场始终受到海内外投资者的关注,本文在补充完善港股因子的基础上,对主要指数的增强组合做了测试。在本篇报告中,我们在原来13类港股因子的基础上新增了南向因子、红利因子等,进一步拓宽了港股的因子大类覆盖。同时,我们以新的港股因子框架作为增强基础,测试了多个不同基准指数的增强组合效果,测试得到港股通指数增强效果显著。在样本约束的条件下样本外年化增强收益超16%;港股通50指数增强年化超额11%,且跟踪误差仅8.38%,并在部分港股红利和科技指数中也能获得一定超额收益。

图片
图片

点击小程序查看报告原文

Abstract

摘要

港股因子测试结果

南向资金因子:南向资金流入类因子的有效性显著优于持仓类因子,说明南向资金的流量变动相较于存量持仓而言,对于收益的预测能力更强。多头选股推荐关注南向流入的位移路程比因子(south_inflow_shift_dist),IC_IR为0.31,多头年化超额5.71%,单调性优于其他南向因子。

分析师预期因子:大类多头表现优于空头表现,有效性普通。港股通范围内表现较好的是一致预期每股股利三个月变化(fore_DPS_D_3M)因子,IR为0.2,年化多头超额6.84%,有一定超额预测能力但稳定性偏弱。

动量因子:动量因子大类新增在A股有效性和超额收益能力均较为强势的振幅调整动量与信息离散度动量,但在港股通范围内突出的仍为1年收益率动量因子(mmt_normal_A)。mmt_normal_A因子IC均值4.62%,IC_IR为0.36,年化多头超额达11.59%,多空年化28.12%,无论多头、空头或单调性均在港股通众因子中表现突出。

因子跟踪表现:价量因子有效性与收益能力整体仍优于基本面因子;价量因子中,年度动量、波动率类因子仍延续优势,且空头收益能力显著;基本面因子中,估值和安全性因子相对有效。但此前较有效的应计利润占比因子(safety_APR_TTM)和全部资产现金回收率因子(quality_CFOA_TTM)样本外预测能力不稳定且收益能力下降。

港股指数增强效果

我们参考A股沪深300指增方法论,对港股主要指数的增强组合进行测试。具体流程包括:1)根据对应选股域因子测试结果,优选适用于该指数的量化因子;2)复合优选因子;3)对风格、行业及权重进行一定约束的同时,以最大化组合复合因子得分为目标进行权重优化,构建指增组合。

中证港股通指数增强:组合年化相对超额达16.01%,信息比率1.04,盈亏比1.24,跟踪误差15.43%,月度平均换手为53.46%。分年相对收益均为正超额收益,其中2020年和2023年有超过30%的年化超额收益,收益增强效果显著。

中证港股通50指数增强:组合年化超额11.05%,由于成份股个数较少优化难度偏大,但整体增强效果稳定,跟踪误差仅8.38%,最大相对回撤12.05%,超额盈亏比1.34,月度平均换手34.98%。从分年收益而言,港股通50指增分年均能战胜基准指数表现,2018年、2022年和2023年增强效果显著。

港股通红利主题指数:中证港股通央企红利指数增强模型年化超额5.10%,但超额主要来源于2020下半年和2022年下半年复合因子的阶段性有效,此后指增效果一般。模型在该指数中增强效果十分有限,常见价量和基本面低频因子叠加于高股息指数成分股上仅能取得阶段性增强效果,无法保证长期有效性。

港股通科技主题指数:本方法论对于科技主题指数有一定增强效果,但稳定性稍弱。中证香港科技指数增强模型基本等权使用了基本面和价量信息,年化相对超额8.53%,跟踪误差17.97%,主要增强有效阶段为2021年后,分年收益波动较大。

Text

正文

港股因子测试更新与跟踪

我们在《量化多因子系列(10):港股因子初探》报告中测试了基本面因子和价量因子中较为常见的13大类因子共70个因子,包括动量&反转、波动率、流动性、价量相关性、盈利能力、估值、营运效率、盈余质量、规模、分析师一致预期以及公司治理。在本篇报告中,我们进一步拓宽了港股的因子大类覆盖,新增南向资金因子以及红利因子,并扩充完善了其他部分大类因子。

本章节主要介绍新增因子的构建方法与效果,完整因子明细列表详见附录。

图表1:中金量化港股因子分类

图片

资料来源:中金公司研究部

回测框架

本篇报告注重内陆投资者对港股标的可投资性,因此主要研究港股通范围内所适用的有效因子信息,同时也为后续的指数增强策略测试提供基础。

► 测试区间:2017-01-01至2024-09-02

► 股票池:中证港股通指数成分股(剔除停牌、退市、上市未满一年股票以及流动性较差的个股)

► 频率:月度

► 因子数据预处理

  • 截面去极值、标准化

  • 中性化:对数市值、wind一级行业分类(市值类因子仅做行业中性处理)

► 分组回测组数:按照因子值由小到大的顺序等分为10组

新增因子介绍

南向资金因子:资金流量因子预测稳定性良好

我们根据港股通中介持仓数据[1]并参考资金流因子构建方式构建了南向大类因子,主要包括了持仓数量、市值以及持仓偏好的变动情况。根据因子的构建方式,我们将其分为存量持仓与流量变动两类因子。

► 南向资金存量持仓因子:刻画单时点持仓状态或偏好信息,包括南向资金持股市值、南向资金持股数量、南向资金持仓占比、南向资金持仓偏好因子等。

► 南向资金流量变动因子:体现一段时间内南向资金持仓的变动方向,包括南向持仓占比短/长期变动因子、南向短期超额增持因子、南向短期持仓净流入等。

图表2:南向资金因子构建方式

图片

资料来源:中金公司研究部

南向因子大类中,南向资金流入类因子的有效性显著优于持仓类因子,说明南向资金的流量变动相较于存量持仓而言,对于收益的预测能力更强。这是由于单时点的持仓占比或偏好信息在港股通范围内区分度较低,而短期的资金流入和仓位变动更能体现出资金情绪信息,也更符合跟随资金策略的短期动量效应逻辑。此外,流入类因子除持仓维度的量能信息以外,还包含了标的价格信息,因此包含的信息维度更丰富、价量并重。

多头选股推荐关注南向流入的位移路程比因子(south_inflow_shift_dist),IC_IR为0.31,多头年化超额5.71%,单调性优于其他南向因子。南向短期持仓净流入因子(south_inflow_st)的预测稳定性优秀,IC_IR达0.43,但单调性不佳,多头表现平庸,优势在于空头表现较为出色,多空年化收益为12.97%。

图表3:南向资金因子有效性检验结果

图片

注:统计时间为2019-01-01至2024-09-02;超额收益的比较基准为中证港股通指数(930930.CSI)成分股等权收益
资料来源:Wind,中金公司研究部

图表4:south_inflow_shift_dist因子净值表现

图片

注:统计时间为2019-02-01至2024-09-02;超额收益的比较基准为中证港股通指数(930930.CSI)成分股等权收益
资料来源:Wind,中金公司研究部

图表5:south_inflow_shift_dist因子IC时序

图片

注:统计时间为2019-01-01至2024-09-02
资料来源:Wind,中金公司研究部

红利因子:港股通范围内有效性尚可但收益能力偏弱

由于港股的财报披露频率与时间并不统一,因此我们对股利数据进行了滚动12个月TTM处理后(详见《量化多因子系列(10):港股因子初探》的基本面流量信息处理),构建了6个红利因子,主要包括3种常见红利指标(包括每股股利、股利支付率以及股息收益率)以及其对应的变动指标。

图表6:红利因子构建方式

图片

资料来源:中金公司研究部

红利因子整体有效性与超额收益能力偏弱,红利因子本身略强于其变动因子,其收益能力和单调性并不显著。因为红利因子相对低频,而其变动因子的信息最少也涵盖半年信息,有效性并不显著。我们测试了红利因子在部分港股通红利指数选股域内的表现,发现在选股域涵盖红利信息后因子本身甚至有负向的选股能力,当红利信息已纳入指数编制时,其因子选股表现更偏向成本端考量。

图表7:红利因子有效性检验结果

图片

注:统计时间为2019-01-01至2024-09-02;超额收益的比较基准为中证港股通指数(930930.CSI)成分股等权收益
资料来源:Wind,中金公司研究部

其他大类因子完善

除了上述新增的南向资金与红利因子以外,我们还补充完善了分析师预期因子、动量、公司治理大类。其中,港股卖方分析师一致预期数据有不同数据来源,我们对于数据来源的优劣势整理如下。因此,本文的港股分析师因子依然沿用Wind港股分析师一致预期数据。

图表8:不同港股卖方分析师一致预期数据优劣势

图片

资料来源:Bloomberg,Factset,Wind,中金公司研究部

分析师预期因子大类中新增了对于DPS、ROA和卖方报告数量三类因子,具体构建方式如下。

图表9:分析师预期因子构建方式

图片

资料来源:中金公司研究部

分析师预期因子大类多头表现优于空头表现,有效性普通。港股通范围内表现较好的是一致预期每股股利三个月变化(fore_DPS_D_3M)因子,IR为0.2,年化多头超额6.84%,有一定超额预测能力但稳定性偏弱。

图表10:分析师预期因子有效性检验结果

图片

注:统计时间为2017-01-01至2024-09-02;超额收益的比较基准为中证港股通指数(930930.CSI)成分股等权收益
资料来源:Wind,中金公司研究部

值得注意的是,与A股范围内测试结果不同,在港股通范围内部分分析师预期改善的变化信息对股价非正向预测贡献。这可能是因为部分港股通范围内的预期上调信息已经过于充分反映在股价中,尤其是卖方覆盖度很高的高关注个股。这也侧面应证了卖方报告数量在港股通范围内有效性不佳的现象,右偏的截面报告数量分布降低高关注度个股的分化效应。从因子时序有效性上可以看出,2023年以来因子的预测能力由正转负,也体现出分析师信息拥挤从而失效。

图表11:fore_DPS_D_3M因子IC时序

图片

注:统计时间为2017-01-01至2024-09-02
资料来源:Wind,中金公司研究部

图表12:六个月内卖方报告数量截面分布右偏

图片

注:展示截面数据为2024/08/30的fore_reports_num_6M因子分布情况
资料来源:Wind,中金公司研究部

动量因子大类新增在A股有效性和超额收益能力均较为强势的振幅调整动量与信息离散度动量,但在港股通范围内突出的仍为1年收益率动量因子(mmt_normal_A)。mmt_normal_A因子IC均值4.62%,IC_IR为0.36,年化多头超额达11.59%,多空年化28.12%,无论多头、空头或单调性均在港股通众因子中表现突出。除此以外,预测有效性较为稳定的是1年信息离散度动量因子(mmt_discrete_A),IC_IR达0.40,但多头表现相对弱于空头收益能力,多空年化20.95%。

图表14:动量因子有效性检验结果

图片

注:统计时间为2017-01-01至2024-09-02;超额收益的比较基准为中证港股通指数(930930.CSI)成分股等权收益
资料来源:Wind,中金公司研究部

图表15:mmt_normal_A因子净值表现

图片

注:统计时间为2017-02-01至2024-09-02;超额收益的比较基准为中证港股通指数(930930.CSI)成分股等权收益
资料来源:Wind,中金公司研究部

图表16:mmt_normal_A因子IC时序

图片

注:统计时间为2017-02-01至2024-09-02
资料来源:Wind,中金公司研究部

公司治理因子主要包含高管薪酬与高管持股总和两类。此类因子在港股通范围内有效性和超额收益能力均不显著,相对而言高管持股能力比高管薪酬信息略优。

图表17:公司治理因子构建方式

图片

资料来源:中金公司研究部

因子表现跟踪

下表展示了在港股通范围有效性和收益能力较为突出的因子(截至2024-09-02)。与2023年2月的测试结果(详见《量化多因子系列(10):港股因子初探》)相比,结论如下:

► 价量因子有效性与收益能力整体仍优于基本面因子;

► 价量因子中,年度动量、波动率类因子仍延续优势,且空头收益能力显著;

► 基本面因子中,估值和安全性因子相对有效。但此前较有效的应计利润占比因子(safety_APR_TTM)和全部资产现金回收率因子(quality_CFOA_TTM)样本外预测能力不稳定且收益能力有所下降。

图表18:港股通范围内表现较优因子有效性检验结果

图片

注:统计时间为2017-01-01至2024-09-02;选取展示IR绝对值>0.2且多头年化超额>0.2%的因子,视为在测试区间内表现较优的因子;超额收益的比较基准为中证港股通指数(930930.CSI)成分股等权收益
资料来源:Wind,中金公司研究部

港股指数增强

指数增强框架及因子选取

指数增强模型方法论

我们在《量化多因子系列(1):QQC 综合质量因子与指数增强应用》及《量化多因子系列(9):宽基指数增强 2.0 体系》中介绍了权重优化叠加约束的方式对A股指数进行增强。本文沿用了相似的模型思路,在完善后的因子体系基础上,根据市场特性以及指增难度调整对应参数后对港股中热门指数构建增强模型。

多因子指增模型的构建流程包括:1)根据对应选股域因子测试结果,优选适用于该指数的量化因子;2)复合优选因子;3)对风格、行业及权重进行一定约束的同时,以最大化组合复合因子得分为目标进行权重优化,构建指增组合。

为了避免使用全样本信息优选因子,从而保证模型的鲁棒性,我们在对样本区间进行切分时,尝试了单次切分以及扩展区间切分的方式。单次切分则是在样本内区间优选因子以及模型参数;扩展区间切分则是半年度调整优选因子,使用到的截至当前时点的扩展窗口信息。

在优选因子过程中,我们以IC_IR衡量因子有效性,在大类因子内部去重时选用超额收益进行筛选。

图表19:优选因子流程及参数

图片

资料来源:中金公司研究部

图表20:扩展区间切分方式优选因子示意图

图片

资料来源:中金公司研究部

确定优选因子后,我们沿用沪深300指增模型的思路进行因子复合和权重优化。

在因子复合前,因子预处理包括标准化去极值、中性化、调整因子方向、因子正交。

因子复合时,我们叠加了因子有效性信息,尝试滚动n期IC加权或滚动n期回归系数加权。两者核心思路类似但计算方式有些许差异。IC加权法是以过去n期的收益率与过去一期的因子值的截面相关性系数作为因子权重,回归系数加权法则是以未来收益对所有因子回归后,取目标因子的系数作为权重。

权重优化时,优化目标是最大化组合复合因子得分,约束则包括相较于目标指数的市值、行业以及成分股权重偏移等。

图表21:因子复合及权重优化流程

图片

资料来源:中金公司研究部

通用的指增模型参数设置详见下表。不同指数有其对应的因子选取结果以及优化参数选择,将在下文的各指数回测部分一一介绍。

图表22:港股通指增模型参数设置

图片

注:具体起始时间看指数起始时间及滚动算法起点孰早;其中市值和行业偏离程度均为原特征乘以(1±偏离程度)
资料来源:Wind,中金公司研究部

各港股指数增强模型表现

中证港股通指数:增强效果显著

中证港股通指数增强选用12月滚动IC平均加权方式,对持仓组合进行优化,使用到的因子如下表所示,其中价量因子和基本面信息各占一半。回测发现,各指数增强模型中单次切分效果均优于扩展窗口切分,扩展窗口滚动优选因子的方式双重叠加因子动量信息,使得因子失效阶段的影响被过于放大,影响最终组合效果。

图表23:中证港股通指数增强因子明细

图片

资料来源:中金公司研究部

组合年化相对超额达16.01%,信息比率1.04,盈亏比1.24,跟踪误差15.43%,月度平均换手为53.46%。分年相对收益均为正超额收益,其中2020年和2023年有超过30%的年化超额收益,收益增强效果显著。

从组合净值表现可以观察到,当基准表现较弱时,指增组合有很显著的规避风险的收益增强能力;但当指数本身明显反弹或走强时(例如2024年9月至10月),指增组合的表现会少许弱于基准,较难做到进一步收益增厚。这是由于在港股通范围内年度动量和波动率因子持续有效,使得因子在复合时权重较高,在风格延续期间贡献显著超额,但当风格切换或市场大幅反弹时,这两类因子底层逻辑失效使得复合因子有效性下降。

图表24:中证港股通指数增强回测结果

图片

注:统计时间为2018-02-01至2024-09-30;超额收益的比较基准为中证港股通指数(930930.CSI)
资料来源:Wind,中金公司研究部

图表25:中证港股通指数增强净值表现

图片

注:统计时间为2018-02-01至2024-09-30;超额收益的比较基准为中证港股通指数(930930.CSI)
资料来源:Wind,中金公司研究部

图表26:中证港股通指数增强分年表现

图片

注:统计时间为2018-02-01至2024-09-30;超额收益的比较基准为中证港股通指数(930930.CSI)
资料来源:Wind,中金公司研究部

中证港股通50指数:兼顾超额收益与稳定性

与中证港股通指数相同,中证港股通50指增仍选用12月滚动IC平均加权方式。以上述方式在港股通50范围内(分5组)选出的有效因子非常有限,仅包括成长、南向资金和波动率共三个因子,但这三个因子构建的复合因子模型增强效果显著。

图表27:中证港股通50指数增强因子明细

图片

资料来源:中金公司研究部

港股通50增强模型年化超额11.05%,由于成份股个数较少优化难度偏大,但整体增强效果稳定,跟踪误差仅8.38%,最大相对回撤12.05%,超额盈亏比1.34,月度平均换手34.98%。从分年收益而言,港股通50指增分年均能战胜基准指数表现,2018年、2022年和2023年增强效果显著。

图表28:中证港股通50指数增强回测结果

图片

注:统计时间为2018-02-01至2024-09-30;超额收益的比较基准为中证港股通50指数(930931.CSI)
资料来源:Wind,中金公司研究部

图表29:中证港股通50指数增强净值表现

图片

注:统计时间为2018-02-01至2024-09-30;超额收益的比较基准为中证港股通50指数(930931.CSI)
资料来源:Wind,中金公司研究部

图表30:中证港股通50指数增强分年表现

图片

注:统计时间为2018-02-01至2024-09-30;超额收益的比较基准为中证港股通50指数(930931.CSI)
资料来源:Wind,中金公司研究部

港股通红利主题指数:增强效果一般

我们尝试将相同方法论应用于港股通范围内的红利主题指数增强,例如中证港股通央企红利指数(931233.CSI)和港股通高股息指数(930914.CSI),但增强效果十分有限,常见价量和基本面低频因子叠加于高股息指数成分股上仅能取得阶段性增强效果,无法保证长期有效性。

中证港股通央企红利指数增强模型年化超额5.10%,但超额主要来源于2020下半年和2022年下半年复合因子的阶段性有效,此后指增效果一般。从底层因子来看,市场反弹阶段下,月度反转因子贡献一定预测能力。

红利和后文中的科技类指数均选用更短期的指标有效性信息加权,即6个月滚动回归法指数平均加权方式,旨以加强短期信息有效性。港股通高股息指数增强模型全时点无明显增强效果。

图表31:中证港股通央企红利指数增强因子明细

图片

资料来源:中金公司研究部

图表32:中证港股通央企红利指数增强回测结果

图片

注:统计时间为2018-07-03至2024-09-30;超额收益的比较基准为中证港股通央企红利指数(931233.CSI)
资料来源:Wind,中金公司研究部

港股通科技主题指数:有一定收益增强但稳定性弱

除港股通红利主题相关指数以外,我们对港股通科技主题指数也进行增强尝试,包括中证香港科技指数(931574.CSI)和中证港股通科技指数(931573.CSI)。我们发现本方法论对于科技主题指数增强效果普通、稳定性稍弱。科技主题指数在行业与风格层面有明显特征,且成分股个数也少于港股通指数本身,因此增加了指数增强的难度系数,导致最终的组合效果有所波动。

中证香港科技指数增强模型基本等权使用了基本面和价量信息,年化相对超额8.53%,跟踪误差17.97%,主要增强有效阶段为2021年后,分年收益波动较大。

图表33:中证香港科技指数增强因子明细

图片

资料来源:中金公司研究部

图表34:中证香港科技指数增强回测结果

图片

注:统计时间为2018-07-03至2024-09-30;超额收益的比较基准为中证香港科技指数(931574.CSI)
资料来源:Wind,中金公司研究部

中证港股通科技指数增强效果弱于中证香港科技指数增强效果,根据相同优选因子流程筛选出的绝大多数为基本面信息,因此其月度换手率也偏低,仅为28.37%,但无论是相对收益还是超额最大回撤控制都表现普通。

总结

港股市场始终受到海内外投资者的关注,我们也在补充完善港股因子的基础上,对主要指数的增强组合做了测试。为此,本文在原有的13类港股因子基础上,新增加了南向资金流入因子、分析师红利预期因子等,进一步拓宽了港股因子框架的覆盖面。利用这一新构建的全面港股因子体系作为增强基础,我们对港股各主要指数进行了详细测试。测试结果显示,在样本约束条件下,我们的模型对中证港股通指数等指数的增强效果显著,其中港股通指数增强的年化超额收益16%,各单年表现也相当稳定;港股通50指数增强年化超额11%,且跟踪误差仅8.38%。

在因子效果分析方面,我们发现南向资金流入类因子的预测力显著优于单纯的南向资金持仓量,其中流入位移路程比因子表现最佳;动量类因子中1年收益率动量因子在港股通范围内效果突出,价量类因子普遍较基本面因子更为有效。整体而言,我们的全新港股因子体系对主要港股指数的增强效果显著,尤其是在当前港股市场波动较大的背景下,可以为投资者提供有效的量化选股参考和策略支持。

风险提示

本篇报告对于各类因子表现结论以及指数增强模型均基于历史数据,历史回测表现不代表未来,并不构成投资意见。

[1]港股通中介持仓数据仍维持日度公布,季度披露的规则改动仅适用于陆港通持仓。《关于沪港通交易信息披露机制调整相关事项的通知》(https://www./lawandrules/sselawsrules/global/hkexsc/c/c_20240726_10760193.shtml)

Source

文章来源

本文摘自:2024年10月14日已经发布的《量化多因子系列(13):港股指数增强》

陈宜筠 分析员 SAC 执证编号:S0080524080004 SFC CE Ref:BTZ190

周萧潇 分析员 SAC 执证编号:S0080521010006 SFC CE Ref:BRA090

郑文才 分析员 SAC 执证编号:S0080523110003 SFC CE Ref:BTF578

刘均伟 分析员 SAC 执证编号:S0080520120002 SFC CE Ref:BQR365

Legal Disclaimer

法律声明

特别提示