2017年来,以往效果卓越的市值因子、量价类因子等都出现了有效性下滑的情况,价值投资的呼声也越来越高。愈来愈多的投资经理开始关注基本面因子。然而过于简单直白的基本面因子其效果又差强人意。基于这样的现象与需求,我们开始研究并推出了创新基本面因子系列报告。尝试通过一些更深入的研究,在保留直观逻辑意义的同时,更好地提取出蕴含在基本面数据中的有效预测信息。
净利润数据富含预测信息。基于净利润数据构造的不少常用因子都有不错的预测能力。但不同的构造方式下,因子预测能力对于因子值更新方式以及极值处理方式敏感程度不一。TTM同比及TTM环比这些构造方式非常有必要做去极值处理。
利用线性研究框架提纯净利润预测信息。通过测试我们发现有近50个不同财务数据可以通过线性研究框架的滚动回归来构造成拥有不错预测能力的净利润相关因子。而通过对一些财务数据进行多元回归或分步回归能进一步提升净利润相关因子的预测能力。
LPNP因子预测能力突出。通过将净利润同时对营业外收入与支付给职工以及为职工支付的现金进行滚动回归取残差的方式构造了线性纯化净利润(LPNP)因子。该因子预测能力突出,月度IC均值3.37%,月度IR值0.87。基于该因子构造的多空组合在2009年至2018年6月期间年化收益11.67%,夏普比率3.08,最大回撤2.95%。
中性化后LPNP因子效果更强。将LPNP因子与现有的主流风格因子作相关性测试,其与市值、ROE、动量呈现明显正相关;而与BP估值、流动性呈现负相关。在经过横截面回归取残差的方式剔除上述因子对LPNP因子的影响后,因子效果进一步强化,月度IC均值为4.28%,而月度IR高达1.27,中性化处理起到了信息提纯的作用。以中性化后LPNP因子构建的多空组合,年化收益14.15%,夏普比率高达3.94,最大回撤仅3.20%。
风险提示:测试结果均基于模型和历史数据,模型存在失效的风险。