量化策略研究系列之四：基本面配对交易策略1010.ppt

《量化策略研究系列之四：基本面配对交易策略1010.ppt》由会员分享，可在线阅读，更多相关《量化策略研究系列之四：基本面配对交易策略1010.ppt（21页珍藏版）》请在三一办公上搜索。

1、告,f,专题,基于均值回复的配对交易可能并不适合当前的 A 股市场，主要原因有以下,。,Investment Research28 September 2012 21 pages,专题研究 金融工程研究量化投资研究,证券研究报研究中国,Table_Title,基本面配对交易策略浙商证券量化策略研究系列之四,Table_Grade,邱小平,执业证书编号：S1230511010018,86-21-64718888-1701 分析了基于均值回复的配对交易在 A 股市场上的失灵及背后的原因,本报告导读：,指出选择优质股、劣质股应当选择不同的因子,提出了基于基本面因子配对交易策略，取得了较好的样本外推效

2、果，并将配对交易植入指数增强型策略投资要点：Table_Summary两点：一是，尽管我国开展融资融券试点已经两年有余，但机构参与的深度不够，当价差出现较大偏离时，市场没有足够的力量将偏离迅速拉回 0附近；二是，价差的均值回复可能更多是通过值的变化来实现的。由于,交易习惯以及低效的做空机制，股票对的价差变化会出现一定的“惰性”价差是否出现均值回复可能和大盘的走势以及值的变化有关，当大盘出现窄幅震荡时，价差出现均值回复的概率更大一些。由于值的大小是无法预估的，当值发生较大变化导致的价差均值回复显然也是不能用来做配对交易的。既然大盘出现窄幅震荡时，价差有可能遵循均值回复的规律，投资者可以考虑用日内

3、高频数据（而非日数据）来做配对交易，此时值的变化可能较小，成功的概率可能会提高。但是，由于 A 股目前不能做“T+0”回转交易，基于高频数据的配对交易存在较大的限制。在指标的选择上，选优质股的指标和选劣质股的指标有重要差异。本文实证分析的结果表明，在盈利能力方面，选择优质股频繁采用的指标为修正ROIC、ROE（扣除）、EP 等，而常用的 ROE、ROA 等指标几乎没被采用，选择劣质股频繁采用的因子是净利率，这与我们前文的分析一致；在估值指标上，选择优质股可以采用 PFCF、PS、PB 等指标，但选择劣质股最好选用 PS。因为劣质股的 PB、PFCF 都很高（或为负数），参考意义不大；成长性上，

4、选择优质股可以采用营业利润增长率或净利润增长率等指标，但选择劣质股最好选用营业收入增长率；在现金流及财务预警方面，选择优质股可以采用存货周转率的变化、应收账款周转率的变化、CROIC 等指标，而选择劣质股最好选择现金营业收入比或资产负债率；在动量反转指标中，动量指标无助于选择优质股，但对选择劣质股功效显著。反转指标无论是选择优质股，还是选择劣质股，都有一定的作用。相对于因子独立选择，因子组合选择的路径依赖性更强，但后者更注重因子的搭配，所选择的因子组合往往隐含着更强的逻辑关系。本文的实证分析表明，采用双因子、三因子模型时，因子组合选择的效果要好很多。并且，当采用不同的因子选择优、劣质股时效果更

5、好。相对于等权重法、交集法，多重筛选法的效果明显较好。尤其是双因子多重筛选法（采用不同因子选择优、劣质股），当选股数量为 20 只时，年化收益高达 26.4%，胜率为 72.5%，但最大回撤只有 2.63%。若融券费率为 5%10%，年化收益仍可达 14.6%20.4%。able_ProfitForecast,相关研究报告技术指标优化择时：10 年 30 倍收益量化择时研究系列之一（2010.11.23）基于财务、估值与动量指标的量化选股策略Tortoriello 量化选股策 略 在 中 国 股 市 中 的 实 现（2011.07.18）基于财务、估值与动量指标的行业轮动策略浙商证券行业配置量

6、化研究系列之一（2011.08.23）对 FVM 选股策略的改进（机构版）浙商证券量化选股研究系列之三（2011.11.13）,Investment Research,目,录,专题研究,1 协整模型配对交易的失灵.42 基本面配对交易的可行性.62.1 基本面因子、动量因子的区分度.62.2 如何选择劣质股.83 基本面配对交易实证分析.93.1 因子独立选择.93.2 因子组合选择.153.3 各模型综合比较.174 基于配对交易的指数增强型策略.185 结论.19,图 1,图 2,图 3,图 4,Investment Research,专题研究,图表目录表 1 FVM 模型所选各类精选指标

7、.7表 2 单因子配对交易近 7 年来的表现.7表 3 单因子配对交易模型的样本外表现.9表 4 双因子配对交易模型的样本外表现.10表 5 三因子配对交易模型的样本外表现.11表 6 四因子配对交易模型的样本外表现.12表 7 五因子配对交易模型的样本外表现.13表 8 样本外表现较好的模型使用较频繁的因子.14表 9 双因子（组合选择）配对交易模型的样本外表现.15表 10 三因子（组合选择）配对交易模型的样本外表现.16表 11 表现较好的几个模型综合比较.17表 12 基于配对交易的指数增强型策略近 40 个月的表现.19样本内外值的变化.5假定值不变样本外残差均值的概率分布.5两只航

8、空股在样本内外的走势.5表现较好的几个模型的历史收益.18,Investment Research,专题研究,融资融券已推出两年有余，但由于较高的费率、严格的保证金制度以及机构参与的限制，融资融券一直未出现跨越式的发展。最近一年来，融资融券余额从 240亿元增长至 540 亿元，仅占两市总市值的 0.23%，占两市流通市值的 0.29%。绝大多数参与者都是单向博标的证券的短线上涨或下跌，风险极大。通过主观臆断来判断一只股票（或一个板块）的后市表现会由于另一只股票（或一个板块），同样要面临判断错误及收益无法覆盖较高融券费用的风险。尽管有很多研究机构对股票的配对交易进行了初步探讨，但这些在成熟市场

9、中基于均值回复的套利模型对 A 股似乎有些“水土不服”，主要原因是在样本内满足均值回复的价差在样本外经常性出现大幅的漂移，导致大部分套利交易都以止损出局。鉴于基于价差的统计套利模型在 A 股上基本失效，本文另辟蹊径，从因子选股的角度选择“优质股”和“劣质股”进行配对，构建多空组合，以期在转融通正式实施后实现长期稳定的绝对回报。1 协整模型配对交易的失灵我们之前也做过基于均值回复统计套利的配对交易策略的专题研究，详见融资融券与配对交易。在这篇报告中，我们不但用协整模型进行了“一对一”配对，还用主成分分析进行了“一对多”配对，结果可在半年内获得 6%14%（不考虑融券费用）的样本外收益。但是我们将

10、样本股和样本区间扩大后，发现配对交易的收益并不稳定。一般来说，配对交易策略需要投资者配很多对，但并不能保证每一对都能实现正收益，因为一些股票可能由于并购重组等原因发生的“质”的改变，进而与之前保持协整关系的股票的价差不再稳定（发生漂移），因此，需要在模型中设计止损点，在价差发生漂移时及时止损。配对交易成功的关键在于大多数“对”的价差保持稳定，配对后能获得正收益，只有少部分配对交易会止损。配对交易需要每一对股票的价格都存在协整关系，它们之间往往同属一个行业，有相同的驱动因素，两者之间的关系可以表示为：Pat Pbt t按照协整相关的理论，如果残差 t 是平稳的，则 Pat、Pbt 存在协整关系，

11、可以用来做配对交易。一般来说，只要两只股票收益率的相关系数较高（0.8 以上），它们就会存在比较明显的协整关系。简单起见，我们统计了沪深 300 成分股在 2012 年 13 月份之间的日收益率，对这些成分股进行两两配对后，选出相关系数高于 0.9 的 69 对股票。结果发现，在接下来的 33 个交易日内，绝大部分股票对的值发生了重大变化，变化在0.1 之间的仅占 17%（详见图 1），变化在0.2 之上的达 58%，还有 21 对的值变化了0.5 以上，占比高达 26.6%。然而，上述值的计算是事后计算的，在实际操作时，投资者无法预测值的,14-Feb,19-Feb,24-Feb,29-Fe

12、b,14-Apr,19-Apr,24-Apr,29-Apr,5-Jan,4-May,10-Mar,15-Mar,20-Mar,25-Mar,30-Mar,31-Dec,9-May,9-Feb,4-Feb,4-Apr,9-Apr,14-May,19-May,10-Jan,15-Jan,20-Jan,25-Jan,30-Jan,5-Mar,-2,6,Investment Research,专题研究,变化，最多只是按照最新的样本对样本内的值进行微调。如果假定值基本不变，则意味着残差会出现显著漂移。若假定残差服从正态分布函数，则可以根据样本内的残差的标准差推算出样本外残差的均值出现的概率。我们计算的结

13、果显示，均值出现的概率小于 10%的占比达到 60%，出现的概率小于 20%的占比达到 70%，只有15%左右的股票对的残差均值没有出现显著漂移（概率分布在 40%60%之间）。这一点也可以从图 1 中可以看出，图 1 显示，“样本外均值/样本内标准差”对应的累计概率绝大部分在 20%以下或 80%以上。,图 1 样本内外值的变化2.521.510.5,图 2 假定值不变样本外残差均值的概率分布1.210.80.6,0-0.5-1-1.5,1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67,0.40.20,1 4

14、7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67,数据来源：浙商证券研究所，Wind,数据来源：浙商证券研究所，Wind既然 70%以上的股票对的残差在样本外都出现了显著漂移，那么基于残差平稳（均值回复）的协整关系就成了无本之末，基于协整关系的配对交易最终亏损的概率极大。我们挑出其中的一对东方航空和南方航空，看看它们的股价在样本内外的表现。图 3 显示，两只股票在前 3 个月内（样本内）亦步亦趋，残差序列比较平稳。但在 4 月之后，值从 0.8 大幅增长到 1.18，残差均值显著异于 0（尤其是在 4 月下旬之后）。若按

15、照均值回复的规律进行配对交易，第一次交易应该是盈利的，但第二次交易会发生亏损，之后如果继续配对，亏损会不断扩大，因为之后的残差严重偏离了之前的运行轨道。图 3 两只航空股在样本内外的走势,东方航空,南方航空,残差,0.8,0.7,543,建仓,0.60.50.40.30.2,21,建仓,止损,0.10,0数据来源：浙商证券研究所，Wind,止盈,-0.1-0.2,）,Investment Research,专题研究,也许有投资者认为，外推时间过长是导致残差漂移的重要原因。但我们将外推时间缩短至一个月后发现，值变化超过 0.2%的比例仍然高达 65%，假定值不变的残差均值出现概率小于 20%的占

16、比达到 65%，仅有 16%的股票对残差未出现显著漂移。综上所述，我们认为，基于均值回复的配对交易可能并不适合当前的 A 股市场，主要原因有以下两点：一是，尽管我国开展融资融券试点已经两年有余，但机构参与的深度不够，当价差出现较大偏离时，市场没有足够的力量将偏离迅速拉回 0 附近；二是，价差的均值回复可能更多是通过值的变化来实现的。由于交易习惯以及低效的做空机制，股票对的价差变化会出现一定的“惰性”。例如，如果在一段上升行情中，两只长期存在一定协整关系的股票中，其中一只股票落后另一只股票，那么，在接下来一段时间内，如果大盘继续上涨，这只股票可能不会发力追上另一只股票，而是继续走弱（强者恒强、弱

17、者恒弱）；如果大盘回调，这只股票的抗跌性会增强（相对另一只股票的值会下降），价差会缩小。也就是说，价差是否出现均值回复可能和大盘的走势以及值的变化有关，当大盘出现窄幅震荡时，价差出现均值回复的概率更大一些。由于值的大小是无法预估的，当值发生较大变化导致的价差均值回复显然也是不能用来做配对交易的。既然大盘出现窄幅震荡时，价差有可能遵循均值回复的规律，投资者可以考虑用日内高频数据（而非日数据）来做配对交易，此时值的变化可能较小，成功的概率可能会提高。但是，由于 A股目前不能做“T+0”回转交易，基于高频数据的配对交易存在较大的限制。另外，由于我们选择的是在样本期内表现最一致的若干对股票，而就是因为

18、前期表现太一致了，后市一旦有风吹草动，两只股票的协整参数（值）变化的概率就会大增。2 基本面配对交易的可行性一般来说，基本面较好的股票长期看来会跑赢或大幅跑赢基本面较差的股票，通过一些财务指标、估值指标能够把优质股和劣质股区分开来，再将优质股和劣质股进行配对交易，就可以获得稳定的绝对收益。不过，就像基于均值回复的配对交易一样，在特定的时期内，劣质股也会大幅跑赢优质股，让投资者产生较大的亏损。当然，这种情况出现的概率较低，为避免亏损扩大，我们也可以设臵止损点，在绩差股群魔乱舞时及时止损，并等待下一个建仓时点。2.1 基本面因子、动量因子的区分度我们前期提出了 FVM 量化选股策略（详见基于财务、

19、估值及动量指标的因子选股策略及对 FVM 量化选股策略的改进，该策略从财务、估值及动量指标中通过多重筛选法、交集法挑选出基本面较好的股票，所构建的股票组合能够获得稳定的超额收益。FVM 选股策略所用的指标可以分为 6 类盈利能力、估值水平、成长性、现金流及财务预警、动量、反转指标（详见表 1），前 4 类指标都与基本面相关的指标，后两类在一定程度上可反映上市公司当前基本面的变化，是反映,Investment Research股票供求关系的指标。表 1 FVM 模型所选各类精选指标,专题研究,盈利能力1.ROIC2.修正 ROIC3.EP4.ROE5.ROA6.ROE(扣除)7.毛利率8.净利率

20、,估值水平1.EV/EBITDA2.PFCF3.修正 FCFP4.EV/S5.PS6.PB7.PE8.POP,成长性1.净利润增长率2.营业收入增长率3.营业利润增长率4.毛利率的变化5.FCF 增长率,现金流与财务预警1.FCF/营业收入2.CROIC3.经营活动现金流/资本支出4.销售现金比5.现金营业收入比6.资产负债率7.有形资产负债8.存货周转率的变化,动量指标1.3 月 RSV2.6 月 RSV,反转指标1.半月跌幅2.1 月跌幅,9.应收账款周转率的变化注：修正 ROIC=（EBITDA-资本支出）/IC，修正 FCFP=（FCF+净回购支出+股息）/总市值。其他指标定义详见基于

21、财务、估值及动量指标的因子选股策略。考虑现阶段融资融券的标的为上证 180 和深证 100 的成分股，基本和沪深 300指数的成分股一致，我们就以沪深 300 的成分股为样本，并剔除财务指标和其他企业不可比的金融股，样本区间为 2005 年 1 月至 2012 年 4 月。每两月选一次股票，每次按各指标选择排名靠前和靠后（估值指标是反向指标，取倒数）的 2050 只股票进行配对交易，模拟交易的结果见表 2（不考虑交易费用及融券费用）。从表 2 中可以看出，除了现金流及财务预警指标外，其他大部分指标都能获得一定的绝对收益，表明这些指标能把优质股和劣质股区分开来，这为我们接下来做基本面因子配对交易

22、提供了前提。从表 2 中还可以看出，在 6 类指标中，估值指标对优质股和劣质股的区分度最强。尤其是与销售收入相关的指标EV/S 和 PS 表现最好，年化收益都在 10%以上，最高可以达到 15%，并且 EV/S 的最大回撤只有 7%左右。其余 5 类指标中，也有表现较好的指标，如修正 ROIC、营业利润增长率、CROIC 等，当选股数量在 2030只时，年化收益也可达 10%以上，但是最大月度亏损较大，一般在 10%以上，有时甚至达到 20%以上。还有部分指标配对交易后出现较大的亏损，如净利率、资产负债率，有形资产负债率，年化的亏损都超过 8%。表明用单一指标进行因子配对存在较大的风险，部分指

23、标必须和其他指标配合才能取得较好的效果。表 2 单因子配对交易近 7 年来的表现,年化收益,月度胜率,最大月度亏损,20,30,40,50,20,30,40,50,20,30,40,50,修正 ROICROEROAROICEP毛利率净利率ROE(扣除)POP,10.295.471.590.387.890.95-8.541.8411.00,9.744.162.071.394.24-1.03-4.182.029.08,11.072.200.001.496.05-0.44-3.560.5310.09,8.463.960.670.864.83-2.11-2.761.9410.01,65.9163.64

24、54.5554.5556.8259.0950.0061.3661.36,63.6465.9159.0956.8256.8259.0956.8259.0961.36,68.1863.6459.0959.0956.8261.3652.2761.3665.91,63.6461.3654.5559.0959.0959.0961.3665.9165.91,25.3839.9740.9038.8528.4532.1230.9529.1323.56,20.1536.2243.0940.8441.1828.5831.2728.0521.82,20.7539.4040.8439.8637.7428.4430.8

25、632.8817.79,19.1432.5640.9437.5735.2324.4426.1732.1815.14,Investment Research,专题研究,PFCFEV/EBITDAEV/SPEPBPS修正 FCFP净利润增长率营业收入增长率营业利润增长率FCF 增长率毛利率变化FCF/营业收入CROIC经营现金净流入/资本支出销售现金比现金营业收入比资产负债率有形资产负债率存货周转率的变化应收账款周转率的变化近 3 月 RSV近 6 月 RSV近半月跌幅近一月跌幅,9.7610.1615.359.10-3.7712.686.126.312.3312.21-4.455.65-4.92

26、11.971.20-1.81-7.84-8.38-11.03-3.400.87-4.22-1.706.622.25,6.449.2213.409.081.7513.104.414.423.5110.73-2.126.33-2.1310.496.62-2.38-2.67-10.69-6.521.15-0.092.670.233.054.74,3.817.4111.8411.413.7411.734.985.023.597.62-0.545.07-1.736.605.63-3.57-2.88-10.13-11.252.761.541.632.652.374.78,3.4110.0011.8310.

27、793.6612.103.505.705.454.880.777.32-1.523.765.72-2.33-1.93-9.76-11.912.701.62-0.963.002.294.03,65.9154.5561.3656.8252.2756.8259.0956.8240.9163.6452.2754.5543.1856.8254.5552.2740.9147.7347.7345.4559.0947.7352.2756.8256.82,61.3659.0963.6463.6459.0952.2765.9159.0954.5565.9150.0056.8252.2768.1863.6447.7

28、347.7340.9143.1850.0054.5547.7359.0956.8263.64,56.8254.5563.6461.3656.8256.8263.6461.3652.2756.8256.8254.5554.5561.3656.8250.0052.2736.3629.5554.5556.8247.7356.8261.3665.91,61.3656.8265.9163.6456.8261.3652.2759.0963.6459.0963.6459.0952.2761.3659.0952.2750.0036.3631.8252.2761.3650.0056.8261.3663.64,2

29、2.8420.256.7819.8927.1016.1220.2116.649.6812.3820.6213.1432.6312.8921.0413.5219.8218.1719.3110.3410.1633.4637.5337.5134.05,24.6016.146.9319.5222.7411.0421.9116.7410.938.7313.8710.0127.1413.7812.6516.1013.2012.3010.356.3510.3432.0632.5733.0731.52,23.9815.637.7912.8318.0611.7720.6714.6810.2012.1515.20

30、9.7622.3215.3511.5915.5611.4512.0510.825.1311.0528.0330.6529.9932.08,18.2412.487.7312.2020.109.4817.7514.4512.4914.4412.487.9919.0116.1212.589.0912.9213.3111.128.0712.8327.3829.4631.8832.01,数据来源：浙商证券研究所，Wind2.2 如何选择劣质股在融资融券推出之前，我们习惯采用一些线性或非线性的模型将各种财务指标、估值指标结合起来选择优质股，所选的股票盈利能力较强、成长性较好且估值合理，这些股票组合确实有可

31、能超越大盘。但这并意味着这些模型也能选出能持续跑输大盘的劣质股（选择排名靠后的股票或将指标取其相反数再选择）。例如，一组盈利能力较差、成长性也差且估值较高的股票，有可能是周期性股票，在上升周期拐点来临时，这些股票极有可能大幅跑赢大盘。在指标的选择上，选优质股的指标和选劣质股的指标也不尽相同。最简单的例子就是，选优质股可以用 PE、PB，但选劣质股可能就要用 PS，因为业绩比较差的股票 PE、PB 都会比较高，对业绩差的股票比较 PE、PB 没有太大的意义。例如，我们不能认为 80 倍 PE 的股票会比 100 倍 PE 的股票好很多；对于成长性指标，我们常用净利润增长率来选出成长性好的股票，但

32、对于成长性较差的股票，公司的净利润增长率会很低甚至为负值，同样，我们也需要用营业收入增长率才能挑选成长性更差的股票；在盈利能力指标中，选优质股可以考虑用毛利率，因为毛利率是盈利的源泉，毛利率比净利率更纯粹，可避免上市公司人为调节利润的干扰。而对于,Investment Research,专题研究,盈利能力较差的公司，毛利率都很低，毛利率的参考价值降低，此时应当考虑公司的费用控制能力，那么，净利率可能更容易把更差的股票挑选出来。对于动量、反转类指标，选择优质股、劣质股也会存也在一定差异。我们在之前的量化选股策略中多次强调，选择优质潜力股，可考虑中长期的动量指标或短期的反转指标，并且短期的反转指标

33、往往更有效。对于劣质股来说，短期大幅上涨的劣质股若无基本面的支撑后市会还大幅下跌，因此反转指标也会有助于选择后市表现更差的股票。中长期动量指标对选劣质股也有一定的参考价值，因为中线下跌往往意味着该股票基本面较差或正在恶化，后市有可能会继续下跌。3 基本面配对交易实证分析既然上文提到的一些财务、估值、动量指标对优质股、劣质股有一定的区分度，我们可以考虑用几个因子进行搭配，以改善配对交易的效果。和前文一致，我们仍然以沪深 300 的成分股（剔除金融股）为样本，样本区间仍为 2005 年 1 月至 2012年 4 月，但 2009 年 1 月之后为外推样本期（共 40 个月份），每两月调仓一次，每一

34、年依据前 4 年的表现重新选择一次因子。综合考虑收益、风险和稳定性，我们将选择因子的目标函数确定为：Max:L w1R1 w2 R2 w3 R3其中，R1、R2 和 R3 分别表现各类指标或者指标组合在超额收益、胜率及最大回撤上的排序（前二者为顺序，后者为倒序）。由于我们更看重模型的稳定性，故将胜率的权重 w2 提升为 50%90%，w1 和 w3 相等。在指标组合的方法上，我们仍然选用多重筛选法和交集法，再加上一种更常用的方法等权重线性加权法（以下简称等权重法）。3.1 因子独立选择在选择因子时，我们首先考虑独立选择因子，即每次选择的因子为股票表现区分度最高（即样本内配对交易后收益最高）或相

35、对于样本均值收益最高（或最低）的一个或几个因子（为提高因子的代表性，每一类因子最多选一个）。采用这几个因子（单因子除外），以等权重法、多重筛选法和交集法选择优质股和劣质股进行配对。表 3 单因子配对交易模型的样本外表现,W2,20,年化收益30 40,50,20,月度胜率30 40,50,20,最大回撤30 40,50,相同因子不同,50607080905060,3.044.234.234.234.238.7310.94,-6.48-8.00-9.69-8.30-8.3011.298.56,-7.89-7.89-9.62-9.10-9.100.110.11,-5.87-5.87-5.87-5.

36、871.182.212.21,55.055.055.055.055.057.560.0,55.047.545.047.547.557.560.0,50.050.047.550.050.047.547.5,47.547.547.547.545.060.060.0,19.2719.2719.2719.2719.2714.6314.63,45.5647.7847.7846.9746.978.228.22,39.8139.8143.5043.5043.5013.1813.18,42.6242.6242.6242.6244.669.659.65,Investment Research,专题研究,因子,7

37、08090,14.1814.1814.18,3.573.578.84,-0.881.571.57,-0.99-0.99-2.25,65.065.065.0,55.055.057.5,42.545.045.0,57.557.555.0,9.189.189.18,10.8110.8111.79,16.1812.3912.39,13.3713.3717.83,数据来源：浙商证券研究所，Wind表 3 列出了单因子模型在不同目标函数、不同选股数量及所选因子是否相同时的配对交易的样本外表现。可以看出，单因子模型的效果总体较差，尤其是当使用相同的因子选择优质股、劣质股时，效果更差。另外，选股数量越多，收益

38、有下降的趋势。当采用不同的因子选股，每次选 20 只时的效果相对较好，年化收益可以达到 10%15%，胜率为 60%65%。不过，最大回撤也较大，达到 10%左右。采用同一因子选择优、劣质股时，所采用的因子多为估值指标，其中 PB、PS、EV/S 等使用的频率较高。采用不同的因子选择优、劣质股时，选择优质股的因子多为 EV/S、近半月跌幅、营业利润增长率等，选择劣质股的因子多为资产负债率（有形资产负债率）、净利率、PS 等。表 4 双因子配对交易模型的样本外表现,W 2,20,年化收益30 40,50,20,月度胜率30 40,50,20,最大回撤30 40,50,等权重法多重筛选法交集法,相

39、同因子不同因子相同因子不同因子相同因子不同因,50607080905060708090506070809050607080905060708090506070,2.022.021.831.8315.5710.8017.8713.5212.9812.98-1.50-1.68-2.60-2.6012.2817.8421.7311.618.928.92-2.14-2.14-3.67-3.6713.5416.0720.4316.99,-5.97-5.97-7.45-8.044.301.370.595.6613.7812.32-6.98-7.00-10.25-10.734.26-3.121.243.53

40、12.217.28-6.40-6.40-12.11-12.182.392.672.054.02,6.001.681.21-4.127.893.565.951.634.634.636.782.291.56-3.497.855.356.323.467.357.357.952.351.33-4.817.186.458.602.07,5.23-0.04-0.04-0.285.694.823.55-4.79-5.02-5.021.56-5.25-5.25-5.134.045.704.32-1.83-2.31-2.403.31-4.50-4.50-4.713.664.811.90-5.91,60.060.

41、065.065.072.552.560.057.552.552.552.552.550.050.057.562.560.060.057.557.560.060.055.055.065.062.565.062.5,50.050.057.555.062.557.555.057.555.055.050.052.560.057.562.552.557.562.560.057.550.050.055.055.062.560.057.562.5,52.557.555.055.060.062.565.055.057.557.557.560.057.555.060.067.567.562.565.065.06

42、0.060.055.050.057.565.070.060.0,60.060.060.057.557.562.557.555.052.552.557.555.055.055.057.557.552.550.047.550.055.057.557.560.060.062.555.050.0,21.1421.1421.1421.1421.146.4311.4020.3120.3120.3124.9024.9024.9024.9025.336.509.5921.0821.0821.0822.0922.0922.0922.0922.098.8813.0018.29,39.7639.7639.1841.

43、6941.6916.7117.8912.1610.2915.4838.9739.0239.6443.0043.0022.2116.1616.1613.8322.0038.2838.2841.7944.7244.7210.8211.6611.41,22.9233.0433.0433.6033.7610.0110.0113.8611.0911.0922.4633.3633.3636.3434.2012.3012.309.628.068.0621.4835.4735.4737.8335.699.229.2212.29,24.1833.3733.3733.3733.3711.028.4920.2220

44、.2220.2223.4736.9536.9536.9536.9510.8010.8017.9317.9317.9319.6335.7735.7735.7735.7713.8416.1925.27,Investment Research,专题研究,子,8090,16.0416.04,12.0810.02,5.595.59,-5.43-5.43,62.562.5,65.060.0,60.060.0,50.050.0,18.2918.29,12.2715.99,9.509.50,25.2725.27,数据来源：浙商证券研究所，Wind表 4 列出了双因子模型的样本外表现。可以看出，像单因子模型一样

45、，当使用不同的因子选择优质股、劣质股时，效果较好。若每次选 20 只，多重筛选法、交集法的年化收益可以达到 15%20%。当选股数量增加到 30 只以上时，收益明显下降。不过，最大回撤仍不稳定，有时甚至超过 20%。总体看来，交集法（采用不同因子）的效果相对较好。采用相同的因子选择优、劣质股时，所采用的两个因子多为 PB、PS、EV/S、近半月跌幅、毛利率的变化等。采用不同的因子选择优、劣质股时，选择优质股的因子多为 EV/S、近半月跌幅、营业利润增长率、CROIC、净利润增长率等，选择劣质股的因子多为资产负债率（有形资产负债率）、净利率、PS、近 6 月（3 月）RSV、现金营业收入比等。表

46、 5 三因子配对交易模型的样本外表现,W 2,20,年化收益30 40,50,20,月度胜率30 40,50,20,最大回撤30 40,50,等权重法多重筛选法交集法,相同因子不同因子相同因子不同因子相同因子不同因子,5060708090506070809050607080905060708090506070809050607080,22.2422.2423.0524.9924.998.6410.7612.538.3810.9818.0718.9822.4121.5424.9013.3412.097.437.3910.8618.2718.2719.9322.5722.576.456.889.3

47、87.22,2.3712.556.025.585.586.7915.6615.2314.0913.574.5111.163.642.854.071.239.0110.2110.7013.251.488.383.423.353.355.7411.8210.4811.78,4.602.444.3311.3311.334.304.034.038.268.265.573.472.398.065.620.292.841.999.579.575.883.954.289.009.003.774.624.629.83,-2.595.595.595.455.45-1.25-1.670.872.842.742.8

48、68.408.408.227.67-0.450.602.744.453.142.297.267.267.287.28-0.22-0.370.981.94,62.562.562.567.567.552.555.055.052.555.070.070.067.567.567.557.562.550.052.562.565.065.060.062.562.555.057.560.057.5,62.565.055.052.552.562.572.567.562.565.060.067.555.060.062.557.560.057.562.565.060.062.555.055.055.055.062

49、.560.067.5,62.565.065.065.065.065.065.065.065.065.060.060.060.057.560.052.560.057.565.065.062.555.052.555.055.062.562.562.572.5,52.555.055.055.055.050.050.060.065.062.557.565.065.062.560.055.052.557.560.060.055.060.060.062.562.552.550.057.557.5,16.1116.1114.8214.8214.8216.4314.6316.5815.6515.6514.76

50、14.7614.7611.0011.009.788.5518.1015.7115.7115.6615.669.928.468.4611.6713.7816.0414.34,27.9927.9927.9927.9927.9912.5813.5013.5013.5013.7225.0725.0725.5725.5725.0717.2518.5818.5819.4717.8627.2927.2927.8727.8727.878.5211.5611.5611.56,25.4331.9731.9731.9731.979.199.199.198.108.1022.4629.3429.3429.6129.3