• 因子定价模型对比方法分为传统回归统计法和贝叶斯方法：传统方法适用于两两模型对比，贝叶斯方法可比较多个模型同时进行概率计算，贝叶斯分类方法则进一步避免同类因子冗余，有利于构建简约高效模型 [page::0][page::4][page::5].

- 估值因子构建形式对比发现，基于PE的因子模型更适合A股市场，传统回归方法中模型M2（含基于PE构建的SMB2和FPE因子）明显优于基于PB的模型M1 [page::6].

• 盈利因子形式比较，采用传统回归统计方法，结果显示以SUE指标构建的盈利因子（FSUE）更适合，能更好解释股价收益 [page::7].

- 贝叶斯模型对6类备选因子（市场、市值、PE、反转、换手率和盈利）构建的31个模型进行后验概率计算，结果支持包含市场、市值、PE（估值）、SUE（盈利）、换手率五因子的模型后验概率最高（47.81%），该结论与传统回归统计方法一致 [page::7][page::8].

• 贝叶斯分类方法整合各类因子形式（包括估值与盈利的不同构造方式）对124个模型进行对比，确认包含PE和SUE的五因子模型为最优，且因子间相关性分析支持此组合的有效性 [page::8][page::9].

- 五因子模型在事件超额收益归因应用中，基金增持事件组合年化收益20.14%，超额收益主要来源于因子暴露，剔除因子影响后事件α不显著，表明收益主要由因子驱动。

• A股主要异象（PB异象、反转、波动率、流动性及ROE异象）均能由五因子模型显著解释，超额收益α大多不显著，反映因子对异常收益具有高度解释力 [page::10][page::11].

- 基金收益归因分析表明，积极暴露于SUE因子的基金数量多且表现优异，特别是2017年SUE因子收益提升，解释了该年跑赢市场基金数量激增的现象。剔除因子影响后各年显著跑赢市场的基金数量无显著差异 [page::11][page::12].

• 因子定价模型提供了从资产收益结构、基金表现及事件超额收益归因等多维视角的量化分析工具，是理解与应用A股多因子投资策略的重要理论基础 [page::0][page::12].

《选股因子系列研究（四十八）——探索 A股的五因子模型》深度分析报告

---

一、元数据与报告概览

• 报告标题：《选股因子系列研究（四十八）——探索 A股的五因子模型》

- 作者：冯佳睿、罗蕾（海通证券研究所金融工程团队）

• 联系方式：冯佳睿（fengjr@htsec.com）、罗蕾（ll9773@htsec.com）

- 发布日期：未明确具体日期，研究样本截止至2018年底

• 发布机构：海通证券研究所

- 报告主题：基于多因子模型理论，重点探索并验证适合中国A股市场的五因子资产定价模型，分析因子模型的构建与对比，及其在解释A股资产收益、基金归因上的应用

核心信息及论点：

• 因子定价模型是实证金融的根基，利用有限共同因子来解释资产回报变化。

- 通过比较多种多因子模型，结合传统回归统计方法和贝叶斯方法，寻找更适合A股市场的因子组合。

• 研究结果显示，包含市场因子、市值因子、估值因子、盈利因子及换手率因子的五因子模型，后验概率最高，解释力最优。

- 因子中估值宜采用市盈率（PE）指标构建，盈利因子则使用标准化意外盈利指标（SUE）。

• 五因子模型应用可用于计算事件/异象的超额收益、基金的表现归因。

- 风险提示专注于模型误设与因子有效性的动态变化风险。

本报告提供了模型构建与对比的完整框架及详实实证分析，符合行业研究前沿，具有较强的理论与实操指导价值。[page::0,4,7,8,12]

---

二、逐节深度解读

2.1 多因子模型对比方法

2.1.1 传统回归统计方法

• 内容：基于Barillas和Shanken（2017）的研究，模型对比应考察所有因子的解释能力（各因子间互为解释变量），通过检验回归截距（alpha）是否显著判断因子是否被模型合理定价。

- 逻辑：若某因子对另一模型中的因子回归产生显著alpha，证明该因子含有模型未能解释的风险溢价，说明较新模型优于旧模型。

• 优势/限制：操作简便，适合两两模型对比；不足是无法同时比较多个模型。

- 检验手段：t检验针对个别因子alpha，GRS F检验联合alpha显著性。

2.1.2 贝叶斯方法

• 内容：用于多个模型同时对比，计算后验概率取代简单的alpha显著性检验，模型后验概率由先验概率和似然函数共同决定。

- 方法细节：似然函数分解为因子边缘密度、条件密度等组成。模型后验概率不受检验资产回报数据影响（即模型对比剔除了相同资产回报的影响）。

• 优势：能系统评估不同因子组合下所有模型的优劣，避免局部最优。

- 变量选择问题：同类因子（如不同估值指标PE/PB）不应同时包含，使用贝叶斯分类方法通过先验概率设计控制因子组合合理性。

总结：本节清楚展示了多因子模型对比的现代统计方法框架，为后续模型选择奠定了坚实基础。[page::4,5]

2.2 A股多因子模型对比实证

2.2.1 估值因子形式对比（传统回归方法）

• 设计：比较以PB和PE两种估值方式构建的三因子模型，模型分别为M1={Mkt，SMB1，FPB}和M2={Mkt，SMB2，FPE}。

- 因子计算：采用2×3分组法，将市值按中位数分两组，估值三个分组区间（30%、40%、30%），取交集形成六组合；SMB计算为小市值组合收益均值减去大市值组合收益均值，估值因子收益类似。

• 关键数据：

- 在模型M1下，SMB2和FPE的alpha分别为0.38%和0.86%，t值显著大于4，有显著定价偏误。
- 模型M2下，SMB1和FPB的alpha分别不显著（-0.10%、-0.29%）。
- GRS F检验进一步支持M2优于M1（GRS F=1.17，p=0.31无法拒绝零假设）。

• 结论：PE构建的估值因子相较PB更适合A股。

2.2.2 盈利因子形式对比

• 比较：ROE因子（FROE）与标准化意外盈利因子（FSUE）。构造模型M1={Mkt，SMB，FPE，FROE}，M2={Mkt，SMB，FPE，FSUE}。

- 结果：
- FROE回归FSUE模型中alpha为-0.12%，不显著；
- FSUE回归FROE模型时alpha为0.49%，显著大于零。

• 结论：A股中盈利因子更应采用FSUE构建。

2.2.3 贝叶斯方法结果（多模型同时对比）

• 基于2009-2018年数据，考察5大备选因子：市值（SMB）、PE（FPE）、反转（FPret）、换手率（FTurn）及ROE（FROE）。

- 5个备选因子形成31个模型，后验概率最高的是包含市场、市值、PE、ROE、换手率的五因子模型，后验概率达47.81%；紧随其后的是四因子模型（无PE因子）24.22%。

• 因子收益月均值及信息比表现：市值因子收益1.31%、信息比0.98，PE信息比和收益均不及市值因子。

- 图表见证：表3因子收益列举各因子月收益率及信息比，展现因子风险收益特征。[page::6,7]

2.2.4 贝叶斯分类方法（同类因子形式择优）

• 包含市场因子，估值和盈利因子两种形式各自替代，合计形成124个模型。

- 观察模型及因子相关性，发现估值PE与PB高度相关（0.89），盈利ROE与SUE相关为0.8，价格反转与换手率相关性低（0.08），因而两者视为不同类别。

• 后验概率最高的10个模型均采用PE替代PB、采用SUE替代ROE。

- 五因子模型{Mkt，SMB，FPE，FSUE，FTurn}以28.17%领先。

• 结果与贝叶斯方法一致，印证PE和SUE为更优因子形式，占绝对优势的后验概率（估值因子含PE模型的概率为59.94%，盈利因子含SUE的模型为100%）。

- 结论明晰且稳健：A股适用的五因子模型明确，估值采用PE，盈利采用SUE。[page::8,9]

2.3 五因子模型的应用示例

事件收益归因——基金增持策略

• 构建基金增持组合，选取基金持股比例提升最多的100只股票，等权配置。

- 2009-2018年：年化收益20.14%，超额中证500指数10.23%；月均超额收益0.84%，t值2.7显著。

• 五因子归因后，风险调整收益降低至月0.36%，t=1.25不显著，表明事件本身收益较为微弱。

- 收益贡献：38.20%市场因子，42.96%小盘效应，19.47%事件本身。

• 图2直观展示了基金增持策略的累计净值曲线及与中证500的比值走势，明显显示出该策略的超额收益主要源于市场和因子暴露，事件本身贡献有限。[page::9,10]

异象超额收益解析

• 针对异质波动率、反转、流动性、PB及ROE异象，采用2×3分组法进行收益计算。

- 结果显示：除PB异象外，其他异象均存在显著正收益（月均均超1%），ROE异象收益0.58%。

• 五因子回归后的超额收益（alpha）均趋近于零且不显著，说明这五因子有效捕捉了大部分异象的风险溢价。

- 进一步分析异象因子暴露：
- 反转异象在市值与估值因子上正相关，在SUE上负相关，解释了反转异象在不同年份表现差异（2015年反转因市值因子月均5.73%大幅走强而异象显著，2017年SUE因子走强使反转异象走弱）。
- 波动率异象主要被市值、估值、换手率因子解释。
- 流动性异象和ROE异象分别高度依赖多因子模型中的对应因子暴露。

基金收益归因

• 样本：成立3年以上的139只主动股票型基金，2016-2018年周平均收益-0.15%，累计收益-23.53%，超Wind全A指数10.9%。

- 年度跑赢市场基金占比变化显著：2016年51%，2017年78%，2018年未明确。

• 五因子模型下基金beta分析显示，基金普遍在SUE因子上暴露正向，意味着盈利因子（SUE）强弱直接影响基金表现。

- 2017年SUE周均收益0.42%，高于2016年0.18%，对应更多基金跑赢市场：
- 剔除风格因素后，基金固有alpha并无显著不同，说明基金表现差异主要由风格因素驱动。

总结：五因子模型不仅是研究资产收益异象的有效工具，也可作为基金表现分析的基准框架。[page::10,11,12]

2.4 总结与风险

• 五因子模型（市场、市值、PE估值、盈利SUE和换手率）是目前对A股较优解释力的资产定价模型。

- 模型简约性原则指引因子筛选，防止冗余因子带来过拟合。

• 因子模型适用价值突出，解释市场异象、基金表现及投资事件。

- 风险提示关注模型误设风险及因子有效性随市场环境变化的风险。

---

三、图表深度解读

图1 因子分组方法示意（第6页）

• 展示了用于构造市值因子（SMB）和估值因子（FPB）采用的分组标准。

- 市值按50%中位数分大、小两组，估值因子按30%低、40%中、30%高三组分，交叉形成6个组合。

• 该设计保证因子收益计算基于结构化分组，原理借鉴于Fama-French方法。

- 该图佐证了报告因子计算方法，确保分组合理无偏。

图2 基金增持策略累计净值（第9页）

• 蓝色曲线为基金增持策略累计收益，右轴为基金增持相对于中证500的比值。

- 从图中看，2009年至2018年基金增持策略累计净值稳步提升，尤其2014-2016年出现明显上涨。

• 策略相对中证500指数累计表现也呈现上扬，显示超额收益。

- 图形直观说明基金增持策略的适用性与稳定性，但结合收益归因发现超额收益多来自因子暴露而非事件本身。

表1-11等数据总结

• 表1、2：展示估值和盈利因子不同构建形式的统计检验结果，包括alpha和t值，明确了PE和SUE的优选。

- 表3：因子收益及信息比，说明因子的风险溢价表现。

• 表4-6：后验概率计算结果，支持五因子模型及其因子构建样式。

- 表7-9：基金增持策略和异象超额收益及归因数据。

• 表10-11：基金超额收益统计及基金beta分析，揭示基金表现与盈利因子强弱关联。

- 这些表格为以上论述提供了坚实的实证依据和数据支撑。

---

四、估值方法简析

本研究侧重因子模型构建与对比，估值主要集中于因子层面：

• 因子构建采用经典Fama-French分组法进行市值与估值分组，形成因子收益（SMB、FPE等）。

- 模型后验概率则基于似然函数计算，核心依托Barillas和Shanken的统计框架。

• 无直接估值目标价，估值含义是在多因子定价框架中衡量因子风险溢价的合理性与稳定性。

- 贝叶斯方法引入先验分布，以解决同类因子共存及过拟合问题，体现现代统计学视角。

---

五、风险因素评估

• 模型误设风险：因子模型选取不当或模型结构不合理，会导致因子未能有效解释资产收益。

- 因子有效性变化风险：因子风险溢价随时间、市场环境变化而消失或反转，模型需动态调整。

• 数据与方法局限：

- 传统回归对比局限于两两模型。
- 贝叶斯方法依赖先验假设，可能产生偏差。

• 报告未详述具体缓释策略，但提醒投资者保持警觉，定期评估模型适用性。

---

六、批判性视角与细微差别

• 实证周期问题：样本集中于2009-2018年，历史表现或难以完全映射未来，特别是市场结构和监管环境变化可能影响因子有效性。

- 因子设计一致性：因子收益基于组合收益差，市场和股票池状况不同可能带来估值因子的异质性，模型跨市场应用需谨慎。

• 盈利因子选取：SUE优于ROE可能受财务数据季节波动和报表披露频率影响，需考量盈利质量与持续性。

- 换手率因子涉及市场流动性和投资者行为特征，解释力或代表市场特有机制，非所有市场均适用。

• 模型复杂度权衡：五因子模型虽解释力强，但是否最优仍需持续关注新兴因子的拓展和因子风险的多维度识别。

- 贝叶斯先验选择影响模型结果，尤其对因子形式权重影响较大，此外，相关性高的因子互斥设计，可能忽略了复杂因子间的交互作用。

• 报告较少涉及具体宏观经济因子与行业因子对模型的影响。

---

七、结论性综合

本报告系统且细致地开展了适用于A股市场多因子定价模型的探索，通过理论与实证紧密结合的方法，运用传统回归统计与贝叶斯统计手段交互验证，确认出A股最具解释力的五因子模型：由市场因子、市值因子、基于PE的估值因子、基于SUE的盈利因子以及换手率因子组成。

• 因子形式优选：PE远优于PB，SUE远优于ROE。

- 模型优点：简约且具有统计稳健性，能有效解释市场异象和基金表现。

• 应用成果：

- 基金增持事件的超额收益主要由因子暴露驱动，事件本身贡献有限。
- 常见异象的超额收益在五因子模型下无显著alpha，支持因子模型对风险溢价的全面捕捉。
- 基金业绩差异显著由盈利因子（SUE）效应决定，强化基金归因管理的有效工具价值。

图1和图2分别清晰展现了因子分组构建逻辑和基金增持策略累计净值，验证了理论与实证的呼应。

总体来看，报告通过严谨的统计检验和完整框架揭示了五因子模型在中国资本市场的适用性，既为学术研究提供了新的证据，也为实际投资策略设计及基金经理业绩归因提供了重要工具。同时提醒投资者关注模型误设及因子稳定性风险，强调模型应随着市场变化不断更新。

[page::0-12]

---

图表示例展示

• 图1 因子分组示意：

• 图2 基金增持策略累计净值：

---

结语

本报告从模型理论、因子构造、统计方法、实证验证及应用场景等多层面展开，内容翔实、逻辑清晰，是当前A股多因子资产定价研究的重要贡献。建议投资和研究机构充分考量报告提出的因子组合结构和风险提示，合理采纳模型成果或作为进一步研究的基点。

---

报告