多因子系列报告之二十六：创新基本面因子：财务数据全扫描

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，我们从2018 年开始推出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。在前3 篇系列报告中我们分别构建3 个不同创新基本面因子。该篇报告在回顾它们在随后样本外的跟踪表现同时，也尝试基于数据挖掘的方式对财务数据进行一次全面扫描，挖掘可能有效的财务因子。

    基本面因子特色鲜明。以财务数据为基础构造选股因子，相比于量价类因子，往往在以下几个方面更占优势：更加直接的信息源、更加直观的逻辑意义、更低的换手率、更慢的信息衰减速度。但相应的，财务数据样本数量较少也很令量化研究者烦恼。尤其是A 股大部分公司财报数量不超过100 个，意味着任何一个可用的财务指标在时间序列上仅不足100 个样本。这使得人们在原有指标本身基础上再构建新因子或提高原有因子效果的操作空间，远远小于量价数据。

    基于逻辑开发的创新基本面因子样本外跟踪效果好。基于逻辑与实证构建的3 个创新基本面因子：营业能力改善（RROC）因子、线性提纯净利润（LPNP）因子、产能利用率提升（OCFA）因子从2018 年6月份开始样本外跟踪的1 年多时间里效果都较为优秀。其中RROC 因子样本外跟踪的月度IC 均值3.85%，IR 高达0.75。

    数据挖掘下因子多有亮眼表现。通过暴力遍历的方式对大量财务指标进行两两之间的时序线性回归Funday=Bx*Fundax+e，取其最后一期e作为因子值，测试其因子效果。并按照因变量所使用的财务指标类型，将因子分为成长、盈利、营运效率、现金流、资本结构、安全性、成本相关、非经常性项目，同时分别展示该类别中相对较为有效的因子。整体上成长类型应变量因子效果更强，效果最佳的组合为营业利润作为因变量在息税前利润（EBIT）上滚动回归取残差得到的因子，其月度IR 可达0.89。

    风险提示：测试结果均基于模型和历史数据，模型存在数据挖掘及失效的风险。