细分行业建模之银行内因子研究——《因子选股系列研究之二十四》

创建于 2025-07-16T09:22:40.029826+08:00 更新于 2025-07-16T12:02:25.933330+08:00

摘要

本报告针对沪深300中银行行业因子构建进行了深入研究，发现银行股因其金融资产占比较大、价格与其他行业相关性低，需要单独建模。通过对估值、风险监管、盈利能力、成长和资本结构等多类因子进行单因子和多因子测试后，确定出适合银行股的有效因子组合。结果显示银行单独建模能显著提升指数增强组合收益，加入风险监管类因子有助应对经济下行和监管压力，模型2011-2017年的年化对冲收益最高达到7.52%，IR达1.33，最大回撤较低。常规沪深300指数增强组合中银行板块表现疲弱，年化收益仅0.4%，单独建模可提升收益0.5%-1%[page::0][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13]

速读内容

银行股单独建模的必要性 [page::2]

银行股在沪深300指数权重超过15%，数量逐年增加，但数量占比较小。

- 银行股与其他行业股票相关性较低，走势不同步，波动率较低。

故需银行单独建模以提升指数增强组合效果。

估值因子表现优异 [page::3][page::4]

| 因子 | 多空方向 | 多空平均月收益 | IR | 年化收益 | 最大回撤 | 多空胜率 | 换手率 |
|---------|----------|--------------|-------|----------|---------|----------|----------|
| EP2TTM | 1 | 1.11% | 0.769 | 12.60% | -19.08% | 57.14% | 11.13% |
| BPTTM | 1 | 1.23% | 0.864 | 14.20% | -21.52% | 57.14% | 11.61% |

扣除非经常性损益的盈市率(EP2TTM)和账面价值比(BPTTM)均表现出强选股能力，低估值银行长期表现更优。

风险监管类因子选股效果较好 [page::5]

| 因子 | 多空方向 | 多空平均月收益 | IR | 年化收益 | 最大回撤 | 多空胜率 | 换手率 |
|-------------|----------|--------------|--------|----------|---------|----------|----------|
| NPL | -1 | -0.65% | -0.468 | 6.65% | -35.53% | 53.38% | 5.32% |
| NPC | 1 | 0.58% | 0.432 | 5.86% | -29.74% | 55.64% | 3.78% |
| CCAR | -1 | -0.94% | -0.554 | 9.76% | -34.19% | 53.44% | 3.08% |
| EquityRatio | 1 | 0.81% | 0.496 | 8.16% | -32.56% | 60.15% | 6.21% |

不良贷款率(NPL)、拨备覆盖率(NPC)、核心一级资本充足率(CCAR)、产权比率(Equity Ratio)均展示了不同程度的选股能力，特别是产权比率表现积极。

盈利能力因子中ROE表现较好，其他因子效果较弱 [page::6][page::7]

ROE对选股有正向贡献，资产收益率(ROA)与收益负相关。

- 存贷比(LDR)、成本收入比(CIR)、净息差(NIM)等因子整体表现一般。

管理费用比率、非利息收入占比等因子选股能力弱。

成长因子以营业收入同比增长率(YOYSALES)表现最佳 [page::7][page::8]

| 因子 | 多空方向 | 多空平均月收益 | IR | 年化收益 | 最大回撤 | 多空胜率 | 换手率 |
|--------------|----------|--------------|-------|----------|------------|----------|----------|
| YOYSALES | 1 | 1.00% | 0.717 | 11.17% | -28.47% | 60.15% | 9.93% |
| YOYNETPROFIT | 1 | 0.88% | 0.592 | 9.44% | -28.02% | 53.40% | 10.23% |

营业收入同比增长率符合成长性因子直观反映，净利润同比增长率受多因素影响相对较弱。

资本结构因子无明显选股能力 [page::8][page::9]

总盈利资产/非盈利资产比率(IASSET2NIASSET)及贷款净值/总资产比率(LOAN2ASSET)未表现出有效选股能力。

技术类因子总体表现不佳，且换手率较高 [page::9][page::10]

多数技术因子多空端空头效果较好，选股效力较差。

- 应该避免在银行股中使用高换手且效果不佳的技术类因子。

多因子模型构建与回测 [page::10][page::11]

以估值成长因子构建模型，年化对冲收益6.34%，IR 1.28，表现稳健。

- 加入银行专属风险监管因子后，年化对冲收益提升至7.52%，IR 1.33，但回撤加大。

银行信贷成本上升导致估值因子表现下滑，风险监管类因子重要性提升。

单独建模优势显著 [page::12][page::13]

| 组合类型 | 年化对冲收益 | IR | 最大回撤 | 跟踪误差 | 换手率 | 持股数 |
|-------------------|--------------|-------|----------|----------|----------|----------|
| 单独银行3因子模型 | 7.52% | 1.33 | -7.45% | 5.55% | - | - |
| 传统沪深300组合银行部分 | 0.40% | 0.10 | -10.43% | - | 37.58% | 8.24 |

传统模型中银行部分超额收益低，回撤大，换手率高。

- 单独建模提升了年化收益约6%，降低了最大回撤，换手率明显较低。

银行板块的高权重决定单独建模对指数组合收益提升约0.5%-1%。

风险提示 [page::0][page::14]

极端市场环境可能导致模型表现剧烈波动甚至亏损。

- 量化模型基于历史数据，存在未来失效风险，建议持续跟踪模型表现。

深度阅读

元数据与概览

本研究报告标题为《细分行业建模之银行内因子研究——〈因子选股系列研究之二十四〉》，由东方证券股份有限公司发布，发布日期为2017年4月25日，主要分析银行行业内的量化选股因子及其建模方法，旨在提升沪深300指数增强组合对银行板块的投资回报。报告主要作者为证券分析师朱剑涛，联系方式附于报告中。

报告核心结论指出，银行股因其独特的金融资产结构和运营模式，与其他行业股票价格相关性低，常规的全市场因子测试所选的alpha因子难以有效应用于银行股。因此，针对银行股单独建模是必要且可行的。报告基于实际测试，验证了几个因子（如EP2TTM、BPTTM、NPL、NPC、CCAR、YOYSALES、YOYNETPROFIT和EQUITY RATIO）在银行内部具有良好的选股能力，并通过构建仅估值成长因子模型和加入银行专属风险监管因子的多因子模型，发现后者在当前经济下行及银行监管趋严环境下表现更优，年化对冲收益达到7.52%，信息比率（IR）达1.33。此种细分建模方式，相较常规沪深300增强模型，在相似跟踪误差下，银行组合年化收益提升约6%，并在整体指数增强组合中提升收益0.5%-1%[page::0].

逐节深度解读

1. 为什么要对银行股单独建模？

报告指出银行股在沪深300指数中的数量虽不算多（2005年起从5只增至2010年底16只），但权重长期保持在15%以上，达到非常显著的影响力（图1）。因此，对银行股的独立研究，有助于针对该行业的特殊性优化模型。

同时，依据图2，银行股的与其他行业股票的相关性明显较低，年化波动率也较低。该异质性表明银行股的价格走势与市场其他板块不同步，传统的全市场量化模型中的因子难以有效反映银行股特点。综上两点，报告强调了对银行股单独建模的必要性和潜在收益[page::2].

2. 单因子测试

银行内因子选取基于类别共分为估值、风险监管、盈利能力、成长、资本结构和技术因子等。每个因素均做多空组合回测，以多空组合收益和信息比率衡量其有效性。

估值因子：EP2TTM（剔除非经常性损益的盈市率）和BPTTM（账面价值比）两因子均表现较好。BPTTM多空组合的IR更高（0.864 VS 0.769），说明账面价值比因子在银行股中具有更强的选股效力。图3表明两因子净值曲线稳步上升，年化收益分别为12.6%和14.2%[page::3][page::4].
风险监管因子：涵盖NPL（不良贷款率）、NPC（不良贷款拨备覆盖率）、CCAR（核心一级资本充足率）和Equity Ratio（产权比率）。其中，NPL和CCAR因子的多空方向为负，代表这些因子数值越低越有利，数据显示低不良贷款率与低资本充足率银行收益较优，而NPC和Equity Ratio表现为正向，较高拨备覆盖率和产权比率对应更好收益。图5和表格数据展示，Equity Ratio在四因子中表现最好，IR达到0.496。风险监管类因子整体提供了显著的选股信息，但表现不及估值因子[page::4][page::5].
盈利能力因子：包括ROA、ROE、管理费用比率、成本收入比、净息差、非利息收入占比、存贷比等。数据表明ROE正向相关，ROA负相关未来收益，其中ROE因子从2010年之后效果一般，管理费用、非利息收入占比和存贷比等因子选股贡献较弱。整体而言，盈利因子的表现不及估值和风险因子明显，选股效益有限。图6展示各因子净值曲线及统计指标[page::6][page::7].
成长因子：营业收入同比增长率（YOYSALES）和净利润同比增长率（YOYNETPROFIT），两者均表现较好，尤其是营业收入同比增长率年化收益率达11.17%，月度胜率高达60%，为银行选股带来较强信号。净利润同比增长率虽具一定选股能力，但因受会计处理影响较多，表现逊于收入因子。图7明确展示成长因子净值表现[page::7][page::8].
资本结构因子：包括总盈利资产占比和贷款净值占比，两因子多空组合回报率几乎无效，显示在银行选股中作用有限（图8和表中数据显示，IR均极低，且月最大回撤较大）[page::8][page::9].
技术因子：包含17个技术指标，整体反映效果较差，且换手率普遍高于基本面因子。值得注意的是，空头组合多表现优于多头，说明技术因子在银行内的方向性择时能力较低。因此，报告建议避免在银行单独建模中使用技术类因子。图9中的详细统计数据支撑了这一点[page::9][page::10].

3. 多因子模型构建及验证

报告基于前述因子的表现，构建了两个多因子模型：

仅含估值和成长因子（2大类），在2011年1月31日至2017年1月26日回测区间，组合年化对冲收益6.34%，IR为1.28，表现稳健（图10）。
加入银行专属风险监管因子后的三大类模型，年化收益进一步提升至7.52%，IR升至1.33，表明在经济下行及银行监管趋严环境下，风险监管因子能有效补强模型。该模型虽收益提升但回撤相对更大（图11）。

报告指出，2016年后估值因子表现下滑，主要受整体经济形势不佳及银行信贷成本上升影响，这使得低估值银行中资产质量不佳者表现拖累收益，详见图12信贷成本率变化和图13银行内部收益率波动度（dispersion）[page::10][page::11][page::12].

4. 银行单独建模的优势

对沪深300指数增强组合进行测试，将银行、非银、地产权重设为中性后，整体组合年化对冲收益达9.16%，IR 1.60（图14）。

然而，将该常规模型中银行部分单独剥离，结果显示银行多空组合年化收益仅0.4%，且回撤大幅（10.43%），换手率高达37%（图15）。这反映常规整体模型无法有效捕捉银行股特色，甚至低于被动持有。相比之下，基于单独银行内因子细分的两大类和三大类因子模型，在相似跟踪误差下，年化对冲收益高达6.34%和7.52%，换手率也更低，风险调整后表现优异。

由于银行在沪深300指数中权重接近20%，细分建模带来的年化5%左右的收益提升，将对整体指数增强收益贡献约0.5%-1%。同时，银行整体分红率较高（年均3%-4%），且全收益指数包含分红，细分建模的实际增强效果更佳[page::12][page::13].

图表深度解读

图1（银行股数量及权重变化）：显示2005-2017年间银行股数量稳步上升至16支，权重常年稳定在15%以上，说明银行板块在沪深300指数中的战略地位重要。
图2（行业相关性和波动率）：银行板块与其他行业的平均相关性较低（约0.4左右），波动率也处于较低水平，表明银行股的价格动作独立且风险相对温和。
图3（估值因子效果）：EP2TTM和BPTTM的多空组合净值稳健上升，2016年前表现尤为突出，BPTTM表现略优。图表和回撤、年化收益、信息比率数据共同验证其为有效估值信号。
图5（风险监管因子效果）：NPL和CCAR因子净值曲线波动较大，曲线整体平稳向上；Equity Ratio和NPC表现稳定向好。各因子对应的收益及IR反映其在风险管理和资产质量评估方面的价值。
图6（盈利因子效果）：ROE表现最佳，因子净值曲线较为突出；ROA选择性差，甚至表现为负相关。管理费用、非利息收入等因子波动较小且表现弱。
图7（资本结构因子效果）：净值曲线平缓趋弱，IR极低，表明该类因子对银行选股没有实质推动力。
图9（技术因子效果汇总）：大部分技术因子净空收益优于净多，且换手率指标明显偏高，显示技术指标方向性较弱且交易成本高。
图10与图11（多因子模型表现）：2大类模型稳定上涨但2016年后回撤显著，3大类模型收益提升但波动亦大。两幅图均显示红色净值线稳步攀升，回撤区间数值合理。
图12与图13（信贷成本率与板块收益波动）：信贷成本近年持续上升，提升了银行资产风险；同期板块截面波动性见到大幅上涨，表明市场对银行内股票价格差异加大，为alpha策略提供了机会。
图14与图15（常规沪深300增强组合与银行部分表现）：整体沪深300增强组合净值表现优良，最大回撤有限。但银行部分表现单薄，净值几乎无增长且回撤显著，换手率极高，显示传统模型严重欠缺专门建模金融行业的能力。

估值分析

报告主要运用了因子模型方法进行估值，核心是通过历史回测选择表现优异且具有选股能力的估值与成长、监管风险类因子，结合多因子模型构建单独的银行内alpha策略。估值因子如EP2TTM、BPTTM反映市场对盈利能力和账面价值的合理价格，成长因子展现业绩增速，风险监管因子衡量资产质量和资本充足性。模型预算在未来通过因子权重动态调整提升收益和降低风险。

所用多因子模型基于对历史因子表现的多空组合净值回测，主要假设包括因子与未来收益的相关稳定性、板块特性不发生根本性变化、交易成本按千分之三计。跟踪误差均控制在4.9%-5.5%区间，换手率明显低于常规沪深300增强组合的银行部分。

估值结果显示，精细的银行内多因子模型年化对冲收益可达到6.3%-7.5%，IR高于1.2，显著强于常规组合的0.4%。灵敏度分析显示经济周期及监管环境变化对估值因子有效性产生影响，尤以2016年信用成本上升导致估值因子失效为典型。

风险因素评估

报告明确指出以下风险：

极端市场环境风险：市场剧烈波动可能导致量化模型失效或超额收益转为亏损，尤其是在经济下行压力明显或政策突变的条件下。
历史数据依赖风险：模型基于历史数据，如果未来的市场环境或银行运营机制发生重大变化，因子选股效力可能随之下降。

报告建议投资者紧密监控模型表现，结合宏观经济及行业监管变化调整持仓。

批判性视角与细微差别

报告对银行内单因子和多因子模型均有较全面的测试和分析，但在盈利能力因子尤其是ROA表现负相关未来收益时，虽然有所说明，但未深入探讨此反常现象背后的微观机制。
技术类因子整体表现不佳，报告直接建议不使用，但未提出结合基本面因子的技术因子改良策略，或考察技术因子在不同市场情境下的潜在价值。
因为银行股数量有限，报告用多空组合收益替代rankIC分析，但此方法的统计严谨性和预测能力说明不足，后续研究可补充更完善的统计检验手段。
估值因子在2016年后的失效主要归因于经济下行和信贷成本上升，细节上未完全解释低估值银行资产质量较差的结构性问题，可能对选股结果产生稳定性影响。
报告未显著讨论行业以外的宏观政策风险（如货币政策、全球金融市场波动）对银行股选股模型的直接影响。

结论性综合

结合全文，报告从沪深300指数中银行股独特性出发，充分论证了银行股与其他行业股票的低相关性和关键指标差异，强调对银行板块进行细分行业单独建模的重要性和必要性。

单因子测试揭示，估值类因子（EP2TTM、BPTTM），风险监管类因子（NPL、NPC、CCAR、Equity Ratio）以及成长类因子（YOYSALES、YOYNETPROFIT）拥有较强的银行内部预测能力，而传统的盈利能力、资本结构及技术因子整体表现有限或不稳定。

多因子模型构建与回测结果显示，包含银行专属风险监管因子的三大类因子模型相较仅估值与成长的两大类模型收益更高，更适合当前经济增长放缓、监管严厉的环境。

实测数据显示，常规沪深300指数增强模型虽然整体收益良好，但在银行板块表现极差，年化超额收益不足0.5%，波动和换手率较高，难以充分发挥银行股票优势。反观银行内单独建模，不仅超额收益显著提升至6%以上，回撤大幅降低，还对整体沪深300增强组合的收益贡献提升0.5%-1%。

图表中，从银行成分权重变化（图1）、相关性和波动性指标（图2）、多因子净值上升曲线（图3、5、7、9、11）到整体组合回撤控制（图13、14），均提供了强有力的实证支持。

总体而言，报告立场鲜明且基于严谨的数据分析，明确推荐采用银行行业内因子分块建模，以提升投资组合收益和风险调整表现。

---

注释：所有结论和数据均源自报告对应页数，如[page::页码]标示。