研究思路与数据构建 [page::2][page::3]

• 报告采用多因子模型（Barra模型），包含国家因子、行业因子和风格因子三大类别。

- 搭建港股数据库涵盖基础行情、交易数据、恒生行业分类、估值、资产负债表、利润及现金流量数据，来自Wind。

• 港股数据质量相较A股略逊，后续需改善。

- 十大风格因子包括市值、贝塔、动量、波动率、非线性市值、BP、流动性、盈利、成长和杠杆。

数据处理和模型方法 [page::3][page::4]

• 数据清洗包括极值处理（采用限制在[-3.5,3.5]的保序方法）、标准化、缺失值补足、风格因子正交处理。

- 风格因子收益通过市值加权加权最小二乘截面回归计算。

• 模型优势包含方差协方差矩阵估计更准确，提升风险可预测性。

模型解释能力及风格因子收益分析 [page::5][page::6]

• 过去十年样本内模型R²滚动均值约40.63%，模型稳定性较好，但有下降趋势。

• 风格因子累计收益表现：

- 贝塔、动量及流动性因子收益为正
- 波动率、市值、非线性市值收益为负

- 盈利、成长及BP为正，BP收益最大
- 杠杆因子收益为负

• 港股风格因子表现与A股存在显著差异，体现市场特征。

港股组合持仓风格与行业分布分析 [page::6][page::7][page::8]

• 公募基金港股持仓风格：市值、非线性市值、流动性、盈利、成长、杠杆暴露变化小；贝塔、波动率暴露增加，动量暴露上升。

• 陆港通持仓风格：市值暴露下降，贝塔和波动率暴露先升后降，非线性市值暴露上升，其余稳定。

• 公募基金持股行业集中金融业、消费品制造业、资讯科技业、公用事业，消费品制造业及金融业占比提升。

• 陆港通持股主要行业为金融业、消费品制造业、地产建筑业、资讯科技业，行业占比波动小，消费品制造业增，金融业减。

详细风格因子计算方法（附录） [page::9][page::10][page::11]

• SIZE: 总市值自然对数。

- Beta: 基于252交易日加权回归CAPM斜率。

• Momentum: 结合超额收益和回归截距，使用504交易日数据加权计算。

- Residual Volatility: 日超额收益波动率、累计超额收益范围及CAPM残差标准差加权。

• Non-Linear Size: Size立方回归剔除线性部分。

- BP: 市净率倒数。

• Liquidity: 多期换手率加权，剔除Size影响。

- Earnings Yield: 经营性现金流与净利润相对市值指标。

• Growth: 5年EPS和营业收入增长率。

- Leverage: 市场杠杆、负债资产比、账面杠杆综合指标。

港股研究系列：Barra模型及应用 — 详尽分析报告

---

一、元数据与概览

1.1 报告信息

• 标题：港股研究系列：Barra 模型及应用

- 机构：东北证券股份有限公司

• 分析师：徐忠亚，证券执业证书编号：S0550511020011021

- 发布日期：报告无明确标注精确日期，但时间跨度涵盖2008-2018年数据，分析完成时间约为2018年

• 主题：港股市场多因子风险模型（Barra模型）搭建、因子回归结果及模型应用，兼及公募基金与陆股通持仓风格分析

1.2 报告核心内容

本报告围绕港股Barra多因子模型展开，重点介绍：

• 港股多因子模型构建背景与理论基础；

- 搭建覆盖港股相关基础信息、行情、财务与估值数据的数据库；

• 各类因子定义、数据清洗及标准化方法；

- 模型可靠性检验（以回归R²为指标）；

• 10个风格因子的累积收益分析及与A股的差异；

- 基于该模型对公募基金港股和陆港通持仓风格进行详细描述。

核心观点强调，港股Barra模型具备较高解释力（平均R²约40.63%），模型因子表现与A股存在显著差异，且这一工具为未来港股策略研究奠定数据及分析基础。[page::0,1,2,5,8]

---

二、逐节深度解读

2.1 研究思路与模型框架

报告第一部分介绍Barra模型核心理论，即基于截面多因子模型，将股票超额收益拆解为行业因子、风格因子和国家因子组合，其中：

$$ri - rf = Ii fc + Ii fI + si fs + ui$$

• $ri$ 为某股票收益率；

- $rf$ 为无风险利率；

• $fc, fI, fs$ 分别代表国家、行业和风格因子收益；

- $I$ 为行业虚拟变量矩阵；

• $s$ 为风格因子风险暴露。

优势包括减少投资组合方差协方差估计噪声，增强风险矩阵稳定性，并可实现投资组合绩效归因与风险预测。

此外，通过线性加权组合因子暴露得到组合收益与风险方差表现，有力支持量化风格分析及风险管理。[page::2]

2.2 数据与因子构建

• 数据涵盖港股基础信息、行情序列、交易数据、恒生一级行业分类、估值、资产负债、利润、现金流等，数据源自Wind，港股数据质量相较A股稍显不足，需持续完善。

- 选用恒生一级行业分类，涵盖11个行业门类。

• 十个核心风格因子为：市值（Size）、贝塔（Beta）、动量（Momentum）、波动率（Residual Volatility）、非线性市值（Non-Linear Size）、市净率倒数（BP）、流动性（Liquidity）、盈利（Earnings Yield）、成长（Growth）、杠杆（Leverage）。

- 因子定义细节如市值取对数，贝塔由CAPM回归斜率计算，动量包含超额收益和CAPM截距，波动率结合多种波动指标加权，流动性基于换手率等多个时间段加权，盈利用市现率/市盈率倒数等多个指标加权等。[page::3,9-11]

2.3 数据清洗与因子处理

• 极值处理创新采取非硬性3倍标准差截断，采用距离缩放函数处理极端风险暴露，既控制极端值，又保持排序关系。

- 标准化首先基于市值加权均值和普通标准差完成，各风格因子及对应暴露均需标准化处理。

• 缺失值使用回归替换法处理，当单一因子缺失时归一化权重调整，若全部缺失用其他因子回归估算，保证因子完整性。

- 因子收益采用加权最小二乘（加权权重为总市值平方根）回归方法估计，确保大盘股权重得到体现、异方差得到缓解。[page::3-4]

2.4 结果展示

2.4.1 模型解释度

• 回归R²的滚动一年均值平均约为40.63%，显示模型对港股收益有较强解释能力。

- 但整体呈现逐步下降态势，可能表明因子有效性随时间有所衰减，提示风险因子需动态更新。

• 图表（图1）显示2009到2018年间R²从约55%-60%下降至30%-35%附近，稍有回升趋势。[page::5]

2.4.2 风格因子收益

• 风格因子累计收益分析（2008-2018年）：

- 贝塔、动量、流动性因子累积收益正向，说明持有高贝塔、强动量、流动性好的股票获得收益。
- 波动率、市值和非线性市值因子收益均为负，表明高风险/大市值影响回报较差。
- 盈利能力（盈利因子）、成长、BP（市净率倒数）因子均为正，尤其BP收益最高，显示价值因子在港股表现强劲。
- 杠杆因子累计收益为负，杠杆较高企业表现欠佳。

• 与A股市场对比出显著差异：如动量因子在港股表现优异，而在A股表现不佳；贝塔因子表现差异明显，提示市场结构或投资者行为差异明显。[page::5-6]

2.4.3 组合分析（公募基金 & 陆股通）

• 风格暴露变化：

- 公募基金持仓市值、非线性市值、流动性、盈利、成长和杠杆暴露基本稳定。
- 贝塔和波动率暴露显著提升，动量暴露也稍有增加，反映基金更关注风险溢价和波动因子。
- 陆股通持股市值暴露下降，贝塔和波动率暴露走势则表现为先升后降，非线性市值暴露上升，显示陆股通投资者调仓调整风格偏好。

• 行业分布：

- 公募基金偏重金融、消费品制造、资讯科技及公用事业，且消费、科技及金融占比逐年攀升。
- 陆股通重仓金融、消费制造、地产建筑和资讯科技，行业比重大体稳定，消费制造提升，金融比重略降。

• 以上风格与行业数据辅以雷达图（图4、图5）和柱状图（图6、图7）直观展现，帮助理解基金及陆股通持股特性。[page::6-8]

---

三、图表深度解读

3.1 图1：模型R²滚动均值

• 展示内容：2009-2018年滚动1年窗口内Barra模型截面回归R²均值曲线。

- 解读趋势：R²初期超过55%，逐年下降趋势，最低点接近30%，2017-2018年略有反弹。

• 文本关联：反映模型对收益解释力强，但因子有效性受市场环境及数据等因素影响呈现波动，提示模型需动态校正。

- 局限：未展示具体年化波动范围，不确定是全部样本股票还是特定时间窗口股票覆盖。[page::5]

3.2 图2：贝塔、动量、市值、波动率、流动性和非线性市值因子累计收益

• 展示内容：2008-2018年六个风格因子累计收益曲线。

- 数据及趋势：
- 动量和贝塔因子累计收益表现最好，动量持续攀升至超过40%；
- 流动性因子持续上涨，累计收益约20%；
- 市值、波动率和非线性市值均呈下降趋势，波动率跌幅超30%，表现较差。

• 文本关联：与A股动量负收益、流动性负收益形成鲜明对比，指出港股市场风格因子表现的市场特异性。

- 局限：具体因子收益受样本股集、市值分布等影响，可能受极端行情扭曲精度。[page::6]

3.3 图3：盈利、成长、BP和杠杆因子累计收益

• 展示内容：2008-2018年四个基本面风格因子累计收益曲线。

- 数据及趋势：
- BP（市净率倒数）累计收益最高，超过60%，表现极佳；
- 盈利和成长均呈正收益，幅度约20%左右；
- 杠杆因子持续下跌超过20%，对绩效表现负面影响。

• 文本关联：强化价值投资因子在港股市场显著收益性，且杠杆高企通常伴随负面表现。

- 局限：未明确成长因子构成权重，未来或因盈利与成长增长分化导致表现分歧。[page::6]

3.4 图4-5：公募基金与陆股通持仓风格雷达图

• 展示内容：

- 图4：2016年末至2017年末公募基金持仓风格，展现市值、贝塔、动量及其它因子暴露变化。
- 图5：2017年中至2018年中陆股通持仓风格对应数据。

• 数据解读：

- 公募基金在2017年末贝塔、波动率、动量暴露明显上升，流动性、盈利等相对稳健。
- 陆股通持仓市值暴露下降，贝塔与波动率表现波动剧烈，非线性市值后期上升。

• 文本关联：解释了机构投资者及跨境资金的风格偏好差异和时间动态。

- 局限：未披露具体持仓名单或权重，无法识别个股具体影响。[page::7]

3.5 图6-7：公募基金与陆股通持仓行业分布柱状图

• 展示内容：

- 图6展示2016-2017年公募基金港股持仓不同行业比重。
- 图7展示2017年中至2018年中陆股通持仓对应数据。

• 关键趋势：

- 金融业占比最高，公募基金由29.4%升至33.2%，陆股通在40%以上；
- 消费品制造业、资讯科技业占比逐渐上升；
- 陆股通地产建筑业比重稳定，公募基金消费服务、科技成长更明显。

• 文本关联：体现资金偏好及行业配置策略的差异时序变化。

- 局限：未细分细行业或个股，对异质性投资策略揭示有限。[page::7,8]

---

四、估值分析

本报告未涉及具体公司估值模型、目标价或买卖评级。主要聚焦于多因子模型风险因子估计及投资组合持仓风格的量化分析，无涉及DCF或传统市盈率估值方法。因此，此处略过。

---

五、风险因素评估

报告中未单独章节详细说明模型风险与市场风险，但通过数据质量描述和模型有效性曲线暗示主要风险：

• 数据风险：港股数据质量不及A股，可能带来因子误差和模型稳定性风险；

- 因子有效性波动：回归R²显示因子在时间维度表现波动，说明因子效果可能受市场环境变化、制度政策、资金行为等影响；

• 模型假设风险：多因子模型假设因子线性独立及因子收益稳定，实际可能受宏观冲击和市场结构变化影响；

- 缺失值处理风险：因子暴露缺失替代为回归估算，可能放大误差和错误风险；

• 持仓风格变化风险：基金和陆港通持仓风格变动易受市场冲击和策略调整牵动，带来组合回报和风险波动。

报告未明确提出缓释方案，需读者结合模型结果谨慎判别风险，及时修正模型参数。

---

六、批判性视角与细微差别

• 报告以东北证券自身数据为基，数据源主要为Wind，虽为主流数据平台，但港股数据质量不足的承认暴露潜在数据局限；

- 模型解释度随时间下降，作者未深入探讨下降具体原因及应对措施，如因子再选择优化或动态因子权重调整；

• 风格因子收益对比A股说明了市场特性，但未进一步分析背后的结构性原因或政策影响，研究深度仍有提升空间；

- 缺失值处理虽科学，但回归法估值可能引入系统性误差，且未说明如何防止因子暴露之间的多重共线性扩散影响；

• 没有涉及宏观经济因子、情绪因子等可能重要变量，模型相对局限于传统Barra框架；

- 报告重点在工具搭建与风格描述，缺乏策略建议、风险管理框架和投资绩效对比，读者须结合自身需求独立判断。

---

七、结论性综合

本报告系统介绍了港股Barra多因子模型的搭建、因子定义、数据处理流程以及模型结果的具体现状与应用。从2008年至2018年的数据展示来看，模型整体表现出约40.63%的回归解释率，验证了其在捕捉港股市场风险与收益变动中的有效性。这一水平虽高于部分其他市场标准，但随着时间推移存在逐步下降趋势，显示需动态跟踪模型的适应性。

十种风格因子展现出独特趋势，贝塔、动量和流动性因子为正收益，显示投资者积极寻求高风险溢价和流动性溢价以获取超额收益。价值因子（如BP和盈利）同样贡献良好收益，尤以BP因子表现突出。这表明港股投资者对估值因素较为敏感，符合全球价值投资逻辑。相较于A股，动量在港股表现更佳，贝塔等因子差异显著，提示两市场风格驱动机制存在结构性分化。

对公募基金及陆股通持仓风格分析揭示，机构投资者整体持仓在多因子上并无大幅剧烈变动，表现为对市值、盈利、成长、流动性和杠杆稳定关注。但贝塔、波动率和动量暴露增加，表明市场风险偏好和风格偏好发生动态调整。行业分布中，金融、消费制造、资讯科技是主导行业，呈现逐年增长趋势，反映资本配置由传统金融向科技消费升级的结构转变。

图表数据清晰展示模型R²变化、因子收益及持仓风格，辅助理解模型及港股市场演进特征，配合对港股数据处理与因子定义的详细介绍，有利于未来研究的复制与深化。

整体上，该报告务实地构建和展示了基于Barra多因子体系的港股风险分析模型，为港股量化投资及基金持仓风格管理提供了可靠的工具框架，同时明确了当前存在的数据质量与因子演变挑战。未来研究可着重模型动态调整、结合宏观与情绪因子、多层次行业分类及策略回测，以提升模型实际应用价值。[page::0-8]

---

参考文献与数据来源

• 东北证券，Wind，Barra Global Equity Model (GEM3)

- 报告附录对因子计算方法详述[page::9-11]

---

总结
本报告以系统且透彻的方式搭建港股Barra模型，结合丰富的数据处理及多维度因子分析，明确展现了该模型在港股市场的解释力和实际应用效果，为投资者提供了工具性基础和市场风格的洞见。对港股投资者和量化策略设计者具有重要价值，但未来需在数据完整性、动态适应性及风险管理细节方面做进一步深化。

---

（全文共计约2500字，含详细图表解析与方法技术说明）

报告