• Barra CNE6模型为全球知名多因子结构化风险模型，涵盖9类一级风格因子、20个二级基础因子和46个三级风格因子，覆盖国家、行业及风格因素。CNE6模型扩充了CNE5的因子体系，增加了部分新因子，对因子定义进行了优化提升 [page::0][page::5][page::9][page::10]

• 多因子模型建立流程包括：数据预处理（去极值、中性化、缺失值处理）、单因子检测（统计检验和分层回测）、收益模型和风险模型构建 [page::10][page::11][page::12]

- 单因子检测采用加权最小二乘回归，重点指标包括t值平均绝对值、因子收益均值及其显著性、IC及IR指标等，同时采用分层回测验证因子对选股的区分能力 [page::11][page::12]

• 规模因子：LNCAP、MIDCAP和Size（合成因子）在Wind全A范围显著性较高，分层回测显示因子收益单调且区分能力强，MIDCAP和Size优于LNCAP。

[page::13][page::14]

• 波动率因子：HSIGMA、DASTD和Volatility因子在Wind全A范围内显著且回测表现优异，BETA及CMRA因子显著性较弱。

[page::15][page::16][page::17]

• 流动性因子：新增三级因子ATVR，在Wind全A市场显著，回测显示因子单调性强，具备较好的选股能力。

[page::17][page::18][page::19]

• 动量因子：新增STREV、SEASON、INDMOM、HALPHA三级因子，STREV和Momentum合成因子表现突出，RSTR因子显著性不如CNE5版本。分层回测验证部分因子表现良好。

[page::19][page::20][page::21][page::22]

• 质量因子：新增EarningsVariability、EarningsQuality、Profitability、InvestmentQuality四个二级因子，多数三级因子在Wind全A显示显著性，Profitability及InvestmentQuality表现较好，部分相较于CNE5定义调整后表现未明显提升。

[page::22][page::23][page::24][page::25][page::27][page::28]

• 价值因子：新增LongTermReversal二级因子和EM三级因子，BTOP和Value一级因子显著性强，核心三级因子分层回测展现良好单调性。

[page::28][page::29][page::30][page::31]

• 成长因子：因使用周期较长的基本面数据构建，整体显著性和分层回测表现较差，未体现良好的选股能力。

[page::31][page::32][page::33]

• 分红收益率因子：CNE6新增因子，显著性及分层回测效果仅在Wind全A范围体现，表现出一定选股能力。

[page::33][page::34]

• 结论：除了成长因子外，其他八大风格因子在不同指数范围内均展现出了统计显著性和分层回测效果，CNE6因子体系较CNE5进行了因子细分、扩充及调整，整体有效性得到进一步验证。下一步将开展纯因子组合构建研究，以实现更客观的因子收益能力评估 [page::0][page::34]

Barra风险模型（CNE6）单因子检测报告详尽分析

---

1. 元数据与报告概览

报告标题：《Barra风险模型（CNE6）之单因子检测——多因子模型研究系列之八》
分析师：宋肠（主分析师）、张世良（助理）
机构：渤海证券研究所
日期：2019年6月21日
研究主题：深入检测和验证Barra最新版本中国权益市场多因子模型CNE6中各因子的单因子表现能力
主要内容概要：
本报告针对Barra中国市场多因子风险模型CNE6的八个一级风格大类因子（除Sentiment情绪因子外），通过多维度统计回归和实证分层回测，评估其独立的选股效能。报告选取的样本期限为2009年1月23日至2019年4月30日，分析涉及沪深300、中证500及Wind全A三大指数成分股。

核心观点总结：

• CNE6模型分层因子体系更加细化，涵盖9类一级风格因子、20个二级基础因子及46个三级小类因子。

- 在Wind全A股票范围内，所有因子显著性明显优于沪深300和中证500指数成分股。

• 单因子回归与回测结果共同显示，规模因子（MIDCAP, Size）、波动率（HSIGMA、DASTD、Volatility）、流动性（STOM、STOQ、ATVR、Liquidity）、动量（STREV、Momentum2）、质量（GP、GPM、ROA、AGRO、Profitability、InvestmentQuality）、价值（BTOP、ETOP、CETOP、EM、EarningsYield）及分红收益率（DTOP）等因子具备较好的选股收益能力。

- 成长因子因数据周期长，选股能力未表现显著。

• 风险提示模型可能因市场环境变动失效。

[page::0]

---

2. 逐章深度解读

2.1 报告前言及模型简介

• Barra结构化风险模型定位与更新

Barra风险模型是全球公认的领先多因子风险模型。2018年8月，MSCI发布CNE6模型，作为前版CNE5的升级版本，因子数量和因子构建方式均进行了细化和扩充，以更好地反映中国市场特征。报告聚焦于单因子检测，即对个别因子的选股重要性和区域适用性进行检验，后续报告将涉及多因子合成等高级研究。

• 因子体系结构

CNE6体系由国家因子、行业因子和风格因子组成，后者细分为9个一级、20个二级、46个三级因子，层层细化更精准捕捉因子特征。相比CNE5，CNE6在多个风格类指标新增或调整，如规模因子新添MidCap、动量新增短期逆转(STREV)、质量因子加入盈利质量相关等。
[page::5] [page::9]

2.2 多因子模型建立流程及单因子检测方法

报告详细描述了多因子模型构建的四个关键流程：

• 数据预处理：涉及数据对齐（确保使用信息当期数据，避免未来漂移）、去极值（采用中位数上下限替换极端值）、缺失值处理（审核缺失比例，行业中位数填充）、标准化（Z-score标准化因子），以及行业市值中性化处理（对流动市值与行业哑变量回归取残差）。

- 单因子检测：通过加权最小二乘回归（WLS）剔除行业和市值影响，获取因子的横截面显著度（基于t值）和信息系数（IC），同时通过分层回测观察因子梯度区分度。

• 指标体系丰富：包括t值均值及大于2的概率、因子收益均值及稳定性、IC均值及稳定性、IRIC（IC均值/IC标准差）以及因子收益方向一致性（概率接近0或1为理想）。

- 分层回测：将股票按因子值分5组，追踪未来收益，理想状况是收益呈现严格单调且相距显著，体现因子区分选股优劣能力。
该方法结合统计回归和实证回测相辅相成，是因子筛选的重要工具。
[page::10] [page::11] [page::12]

---

2.3 单因子测试结果及细节分析

基于2009-2019年数据与沪深300、中证500及Wind全A样本，报告对八大风格因子展开详细分析：

2.3.1 规模因子

• 三级因子LNCAP、MIDCAP及一一级因子Size（两者等权组合）均在Wind全A样本有良好显著性，沪深300和中证500则表现略弱。

- 分层回测图（图2-4）显示，五分组年化收益率呈现明显单调递减，尤其是MIDCAP和Size因子表现出较强的区分能力，LNCAP表现较弱，表明中等市值股票选股效果更优。
[图2-4分析]
[page::13] [page::14]

2.3.2 波动率因子

• 包含BETA、HSIGMA、CMRA三级因子及整合一级Volatility因子。

- 回归结果表明大部分因子在Wind全A范围内显著，沪深300及中证500中部分因子较弱，尤其BETA在中证500表现不佳。

• 拟合对比CNE5，部分因子显示显著性下降。

- 分层回测（图5-13）表明，除BETA与CMRA回测表现差异不明显外，HSIGMA、DASTD、Volatility因子趋势明显且收益区分性强，是波动率因子中优质选股指标。
[图5-13分析]
[page::14] [page::15] [page::16] [page::17]

2.3.3 流动性因子

• 在CNE5基础新增三级因子ATVR。

- 回归检验显示Wind全A中多因子显著，沪深300普遍不显著，中证500显著因子偏多，但STOA除外表现弱。

• 分层回测（图14-18）整体呈梯度单调下滑趋势，显示良好选股能力，流动性因子对股票收益分层敏感。

[图14-18分析]
[page::17] [page::19]

2.3.4 动量因子

• 增加STREV、SEASON、INDMOM、HALPHA三级因子，并由RSTR和HALPHA合成Momentum二级因子。

- 回归检验发现INDMOM、SEASON于全部样本均无显著性，RSTR5、STREV等部分因子显著，整体偏弱于CNE5对应RSTR因子。

• 回测显示STREV与HALPHA表现单调性较好，Momentum二级及一级因子也呈明显区分度，表明新增STREV贡献较大。

[图19-26分析]
[page::19] [page::20] [page::21] [page::22]

2.3.5 质量因子

• 新增EarningsVariability、EarningsQuality、Profitability、InvestmentQuality四个二级因子，Leverage系数三级因子调整，剔除预期类因子ETOPF_STD。

- 回归测试结果对比CNE5，EarningsQuality表现普遍较差，EarningsVariability和Leverage及Profitability等二级因子大多Wind全A显著。

• 分层回测显示GP、GPM、ROA、AGRO、CXGRO等三级因子及Profitability、InvestmentQuality二级因子以及Quality一级因子均具备一定的单调阶梯表现，因子选股能力得到验证。

[图27-50分析]
[page::22] [page::23] [page::24] [page::25] [page::26] [page::27] [page::28]

2.3.6 价值因子

• 新增LongTermReversal（LTRSTR）二级因子和EM三级因子，剔除预期类因子ETOPF。

- 回归结果显示BTOP因子及Value一级因子在Wind全A和沪深300的显著性最佳，其他因子仅Wind全A范围内显著。

• 分层回测中BTOP、ETOP、CETOP、EM等三级因子以及EarningsYield二级因子和Value一级因子均展现良好单调梯度走势。

[图51-59分析]
[page::28] [page::29] [page::30] [page::31]

2.3.7 成长因子

• 包括EGRO、SGRO三级因子，剔除预期类因子EGRLF。

- 单因子回归未见显著，多数样本区间无选股能力体现。

• 分层回测也表现单调性较差，可能由于成长因子基于较长周期的基础财务数据，不能及时捕捉股价走势的短期变化。

[图60-62分析]
[page::31] [page::32] [page::33]

2.3.8 分红收益率因子

• 作为CNE6新添大类，剔除预期类因子DTOPF后，仅保留DTOP三级因子。

- 回归检测中仅Wind全A范围显著。

• 分层回测出现明显单调阶梯表现。整体显示出分红收益率具有一定稳定的选股能力。

[图63分析]
[page::33] [page::34]

---

3. 图表深度解读（节选重点）

3.1 规模因子分层回测图（图2-4）

• 图示五条线分别代表样本被划分的5个因子值分层组，纵轴为累计收益（基准1.0）；

- MIDCAP因子分层明显，最高组累计收益远超低组，表现最佳；LNCAP呈现反向走势，低市值股票表现优于大市值；Size因子走势与MIDCAP接近；

• 说明中盘股规模因子在市场中表现更具选股价值。

3.2 波动率因子分层回测（图5-13）

• BETA因子分层表现不明显，接近无差异。

- HSIGMA/DASTD/Volatility显示清晰的收益梯度，收益从高到低组明显递减，因子选股能力优。

• CMRA因子表现一般，下降态势明显但梯度不一定连续。

- 说明风险敏感度及股价波动率指标在个股排序中存在较好鉴别力。

3.3 流动性因子分层回测（图14-18）

• STOM、STOQ因子表现优异，股票分层累计收益以高因子组优于低因子组；STOA偏弱，存在异常波动。

- ATVR 新增三级因子表现稳定，Liquidity一级因子总体选股能力突出。

3.4 动量因子分层回测（图19-26）

• STREV与Momentum系列因子阶梯分明，收益从高到低组递减，表现最佳，动量策略有效。

- RSTR与SEASON等因子回测中体现震荡，单调一致性较差。

3.5 质量因子分层回测（图27-50）

• 三级因子如GP、ROA、AGRO、CXGRO表现稳定且分层明显，投资回报递减顺序呈现。

- 二级因子Profitability、InvestmentQuality以及Quality一级因子均体现一定的单调回归。

• 财务健康与盈利能力相关因子在市场选股中有显著价值。

3.6 价值因子分层回测（图51-59）

• BTOP、ETOP、CETOP、EM三级因子及EarningsYield二级因子、Value一级因子均表现出显著的收益阶梯和较高收益差异度。

- 价值型投资因子依然在中国市场适用。

3.7 成长因子分层回测（图60-62）

• 因子表现波动大且无显著趋势，收益并未呈现良好单调分层。

- 代表成长性的因子短期内未发挥明显风险调整收益优势。

3.8 分红收益率因子分层回测（图63）

• 单因子DTOP在Wind全A范围内显著，回测显示明显整体收益递增格局。

- 分红益率因子为新兴类别，选股稳定性尚可。


---

4. 估值分析

本报告为多因子模型单因子检测，未涉及具体估值模型构建或市盈率、现金流折现等传统估值方法的分析，聚焦因子选股和统计显著性检验，不涉及直接定价和目标价区间等内容。

---

5. 风险因素评估

• 报告明确指出，随着市场环境变化，模型因子可能失效，风险包括因市场结构、宏观经济周期、市场情绪波动导致因子表现脆弱或失去预测能力；

- 另，单因子检测中因果方向难以完全确定，因子间潜在相关性可能影响结果解读，存在不可控的样本噪声风险。

• 报告未具体针对各风险提出缓解方案，提醒投资者需警惕模型适用的环境依赖性。

[page::0]

---

6. 批判性视角与细微差别

• 报告对样本覆盖广泛（沪深300、中证500、全A全市场），但明显发现因子表现与样本选择密切相关，提示投资者在指数覆盖范围外应用需谨慎。

- 成长因子表现较弱，报告指出可能由于数据采集周期及属性构建缺陷，这是一大认知盲点，也是国内财务指标滞后性和市场结构的反映。

• 模型虽然细化，但部分因子（如Beta）方向性不稳定，存在“选股能力强但方向随机”的悖论，提示选股时因子合成需谨慎考量。

- 分层回测较为直观，但存在不能完全去除其他因子影响的潜在偏误，尤其在多因子叠加效应中单因子结果可信度受限。

• 报告数据处理方法较为严谨，包括行业市值中性化、去极值及缺失处理，保障因子质量，但未详述对极端市场事件处理策略。

- 部分图表显示因子值组别波动较大，中长线稳定性依旧需后续实证评估。
[page::12-34]

---

7. 结论性综合

本报告通过历史数据及实证研究全面检测了Barra CNE6多因子体系中八个主要一级风格因子的单因子表现能力，得出以下关键结论：

• CNE6因子体系较CNE5因子更为细致扩展，对中国股市多维风险与风格暴露提供深层刻画；

- 因子显著性及选股能力在Wind全A范围明显优于沪深300和中证500，显示在整体市场中覆盖度和选股风格更佳；

• 规模中的MIDCAP、波动率中的HSIGMA、DASTD、流动性因子、动量系STREV、质量因子Profitability及InvestmentQuality、价值相关BTOP及EarningsYield、以及分红收益率DTOP表现均良好，形成较为稳健的选股特征；

- 成长因子则表现疲软，或因基础财务数据使用较长周期，难以跟踪行情节奏，建议后续研究关注成长因子动态性和时间窗口调整；

• 统计测试指标与分层回测结果相辅相成，为后续多因子合成与优化提供坚实基础。

- 分层回测图表视觉上直观展示不同因子值分组的收益轨迹及形成单调梯度，较好支持因子选股能力的判断。

本报告在严格数据处理和方法论支持下，对CNE6因子进行了全面的单因子性能检验，为投资组合构建和风险管理选择有效因子提供了实证依据。后续《多因子模型研究系列之九》将继续探讨纯因子合成与组合，实现更优模型性能，更准确度量因子收益贡献。

综上，报告对Barra中国市场多因子体系的理解与应用呈现出清晰思路，单因子检测结果为投资实现Alpha与风险控制提供坚实数据支撑，整体对CNE6模型持审慎乐观态度。
[page::34]

---

参考图表示例（部分）

图2显示LNCAP三级因子根据因子值被分成5组后累积收益的走势。图中清晰看到，最高5组和最低1组之间收益差距明显，且5组收益最高，体现了因子在选股过程中的分层有效性。


图7演示HSIGMA作为波动率类三级因子的累计收益分层情况，显示高因子值组实现收益持续优于低因子值组，确认该因子具备有效的选股能力。


图14中流动性因子STOM清晰可见典型的收益梯度分布，说明该因素可有效区分股票预期收益。


图21展现STMREV三级动量因子的分层回测效果，优良的单调趋势佐证了其动量选股能力。


图50显示质量一级因子Quality的分层回测结果，越高分组表现越好，验证该因子作为综合质量指标的有效性。

---

总结

本报告深入解析了Barra CNE6结构化风险模型的单因子表现，结合统计和实证回测，验证了大多数因子的选股效应及其在不同指数范围内的稳健性。研究成果丰富了多因子模型理论与实操经验，对国内权益投资策略优化意义重大，具备较强的市场指导价值。未来纯因子合成模型的开发期待带来更为客观及精确的因子收益度量与组合优化。

报告