股票市值因子

❶ 股市影响股价的因数有哪些啊

影响股票价格变动的因素很多，但基本上可分为以下三类：市场内部因素，基本面因素，政策因素。
（1）市场内部因素：它主要是指市场的供给和需求，即资金面和筹码面的相对比例，如一定阶段的股市扩容节奏将成为该因素重要部分。
（2）基本面因素：包括宏观经济因素和公司内部因素，宏观经济因素主要是能影响市场中股票价格的因素，包括经济增长，经济景气循环，利率，财政收支，货币供应量，物价，国际收支等，公司内部因素主要指公司的财务状况。
（3）政策因素：是指足以影响股票价格变动的国内外重大活动以及政府的政策，措施，法令等重大事件，政府的社会经济发展计划，经济政策的变化，新颁布法令和管理条例等均会影响到股价的变动。
拓展资料
股票价格的涨跌，长期来说是由上市公司为股东创造的利润决定的，而短期是由供求关系决定的，而影响供求关系的因素则包括人们对该公司的盈利预期、大户的人为炒作、市场资金的多少、政策性因素等。价值投资取决于投资者认为一只股票是被低估或高估，或者整个市场是被低估或高估。
最简单的方法就是将一家公司的P/E比率、分红和收益率指标与同行业竞争者以及整个市场的平均水平进行比较。如果买的人大于卖的人，也就是在供不应求的情况下，股票上涨，反之下跌股票涨跌。
原理：股票流通股是一定的，如果主力大量收集筹码，可参与买卖的筹码减少，那么物以稀为贵，买不到股票，只能抬高股价买。主力建仓完毕就会洗盘，挤出一些意志不坚定者。
到合适机会边拉升边出货，如果主力出货完毕往往还能缩量上涨一段空间。这时候风险极大，获利机会也极大。主力出货完毕，散户的热情也告一段落，那么股价就会自然降下来或者被主力砸下来。
再走一波下跌建仓影响股票涨跌的因素有很多，大致分为两种，宏观因素和微观因素。宏观的主要包括国家政策、战争霍乱、宏观经济等；微观的主要是市场因素，公司内部、行业结构、投资者的心理等。

❷ 金融模型——多因子模型归因

本文主要详细介绍怎么使用多因子模型对组合资产进行归因分析，归因分析的内容为收益归因和风险归因。

上图列出了由马克维茨均值方差理论引出的三条路，其一为资产配置，我们本文不涉及，其二为资本资产定价（CAMP)的一条路，其三为套利定价理论（APT）的第三条路。第二条路和第三条路为本文讨论重点。

第二条和第三条路都是属于多因子分析的范畴，第二条路是知道因子收益的时间序列，通过时间序列上的回归去求因子暴露，为的是解释个券收益的组成部分。第三条路是知道截面因子暴露去回归截面上的因子收益，为的是挖掘有效因子，找到这个因子带来的超额收益。

使用多因子模型进行投资组合的归因分析，也主要包括基于净值的归因方法和基于持仓的归因方法两大类。基于净值的归因方法是走的第二条路，比较简单。基于持仓的归因方法走的是第三条路，比较复杂。
两者的区别主要表现在三个方面：
1、基于净值的归因方法是时间序列回归，基于持仓的归因方法是截面回归；
2、基于净值的归因方法主要来自CAMP（资本资产定价）模型，基于持仓的归因方法主要来自APT（套利定价）理论。
3、基于净值的归因方法要求比较简单，数据较少且较容易获取，仅需要组合的净值数据以及因子收益序列即可进行分析。而基于持仓的归因方法需要知道具体的组合权重、个股因子暴露等数据，来确定组合的因子暴露。

下面详细介绍两大类方法。

在介绍两个方法前，我们下面给出项目的框架如下图：

基于净值的归因方法，逻辑上很简单，它来自资本资产定价模型，用所有因子收益的时间序列去回归组合收益的时间序列。这样做的目的是，是把组合的收益分解在各个特定的因子上，认为组合或者个股的收益都可以被给定的特定因子收益加个股特质收益来解释，解释不了的部分直接扔给残差。这里要特别注意，此时特定因子收益在一个时间截面上是一个常数，对多所有股票都一样，这与另一种方法基于持仓的归因方法有本质的区别。

基于这种方法，人们开发出的模型很多，如下：

1、Fama-French三因子模型

2、Carhart四因子

在 FF 三因子模型的基础上，引入动量因子 UMD (高收益率股票组合与低收益率股票组合 收益率之差)

3、Fama五因子模型如下：

我们这里以Fama五因子模型为例，详细介绍这种方法的实现。

Fama五因子模型如下：

因为本文主要是项目实施前的参考文档，所以在此不介绍Fama五因子模型怎么得来的。只需要知道Fama五因子模型是上面公式。

其中，
表示资产 i 在时间 t 的收益率，
表示时间 t 的无风险收益率，
表示时间 t 的市场收益率，
即为时间 t 的风险溢价，
为时间 t 的市值因子的模拟组合收 益率(Small minus Big)，
为时间 t 的账面市值比因子的模拟组合收益率(High minus Low)，
为时间 t 的盈利因子的模拟组合收益率(Robust minus Weak)，
为时间 t 的投资因子的模拟组合收益率(Conservative minus Aggressive)，
为经过正交化 调整的估值因子模拟组合收益率，其余各变量含义与三因子模型相同。
均为回归待拟合系数，𝜖_{𝑖𝑡} 为残差项。

有了模型，下面我们具体去实现。

我们遵循机器学习项目的步骤，将Fama五因子模型归因分析的实现，归结为以下流程。

数据准备>>数据预处理>>构造Fama五因子>>数据分析>>回归分析>>归因分析

(1) 股票池:全A股，在每个时刻t均剔除ST、PT股票，剔除停牌及上市未满一个月的股票，剔除 BP 值为负的股票;
(2) 时间参数:2010年1月至2018年1月;
(3) 因子对应指标:
a) 市场因子指标:上证 指数;
b) 规模因子指标:总市值 = 每股股价 × 发行总股数;
c) 估值因子指标:账面市值比 BP，即市净率的倒数;
d) 盈利因子指标:扣除非经常性损益、摊薄的 ROE;
e) 投资因子指标:当期总资产相对上期总资产变化率;
f) 无风险利率设为零，个股收益率用 Wind 后复权收盘价核算;
g) 以自然月为频率，计算因子值并重新分层计算对应五因子收益率。

1、所有数据按同一时间，同一股票对齐，注意这里的财报指标相关的时间要使用财报公布时间不能使用财报报告期。
2、第一步产生的NA值，用前一个值去填充（因为这里回归的方式是时间序列回归）。

Fama 和 French(2015)原始的方法，是沿着某两个因子维度将股票分成 2x3=6 个组合(图表 2，3)。在这 2 个因子维度中，其中一个固定为规模，按照中位数分为两层， 另外一个为 BP、盈利或者投资因子，按照 30%，70%分位数分成 3 层(图表 3)。这样， 我们将得到 3 个 2x3 的股票资产组合(规模与 BP 两维度分组、规模与盈利两维度分组、 规模与投资两维度分组)。

因子的构造方法以及计算细节见下面表 1 和 2。在图表 2 中，我 们用 2 个字母来标记股票的分组，第一个字母表示规模大(B)或小(S)，第二个字母在 BP 分层中，表示 BP 高(H)、中(N)、低(L);在盈利分组中表示强(R)、中(N)、弱(W);在投资 分组中，表示投资保守(C)、中(N)或者强(A)。

表1

表2

最后我们得到除了市场因子以外的 4 个因子 收益率为:
(1) SMB (small minus big):小市值组股票减大市值组股票平均月收益率;
(2) HML(highminuslowBP):高BP组股票减低BP组股票平均月收益率;
(3) RMW(Robustminusweakprofit):高ROE组的股票减低ROE组股票平均月收益率;
(4) CMA():总资产增长率低组股票减总资产增长率高组股票平均月收益率。

数据分析部分主要分析五因子组成数据的特性。其主要分析四部分内容：
1、五因子的均值，方差等summary统计。这样能说明那个因子在市场的收益中起到作用。
2、求均值是否显著异于零的假设检验对应的 t 统计量。目的是检验哪一个因子最能带来超额的收益。
3、五因子累计收益分析，一般是规定一个日期为起始日期，形成五因子的累积净值曲线，目的是用来分析五因子在历史上和现在的表现，和预估未来的表现。后面归因分析中会用到这里的累积。
4、五因子间的相关性分析。其目的是提出多吃公线性，用作下一步回归用。

这里可以剔除多重共线性，也可以不剔除，因为Fama在原始论文中就发现了了五因子中存在多重公线性，但是Fama并没有处理这个问题。所以这里也可以不处理。

去除多重共线性的方法为：

分别用4个因子对另一个因子进行线性回归，可以找到共线性因子，找到共线性因子后。
用四个因子去回归这个共线性的因子，生成的残差，作为这个因子的新值，这样既做可以去掉共线性，也因为是线性变化，不改变因子的方向。这种去除共线性的方法，使用与所有的多因子模型。包括APT多因子模型。

我们有了Fama五因子，将组合的收益时间序列作为因变量，直接进行回归，即可求出模型：

在求出模型的同时，求出回归的可决系数，检验模型的因子解释的有效性。

我们由五因子的累积净值走势图，可以分析出历史和当前那个因子起到主要作用，通过上面方差的回归系数，我们可以发现我们组合的收益来源，如果组合的主要收益来源和当前五因子收益表现最好的不一致，就要考虑进行调仓，高配表现好的因子。这就是基于净值的收益归因。

既然这里目标变量是组合的收益率，那么有上面模型，我们可以由因子的风险矩阵求出组合的总风险，且每一个因子的风险贡献都可以求出，道理和风险预算模型一致。这就是基于净值的风险归因。

额外的，在这个模型可以用来选股，我们选择 很小的股票和资产，因为这种股票和资产收益和风险可以被五因子所解释，风险小， 大的说明还有很多不能被五因子解释的部分，风险也大。

所以，我们使用Fama多因子选股的时候，只需用五因子回归市场上每一个股票，对生成的残差 有小到大排序，选择残差 小的股票。

基于持仓的归因方法，逻辑上比基于净值的归因方法要复杂的多，它来自套利定价模型（APT），用所有所有股票截面的因子的暴露序列去回归所有股票的收益序列。这种做法的目的是找到个股收益和因子收益之间的关系，寻找有效因子，通过有效因子来选择好的股票。

这种做法把重点放在了因子挖掘和最后资产的打分模型的选择上。

最后的模型打分，最后主要开发出来以下模型：

分层打分法、简单线性回归、随机森林、逻辑回归、支持向量机回归。

本文以简单线性回归为例，详细介绍这种方法归因分析的实现。

我们还是遵循机器学习的项目流程，来进行实现：
数据准备>>数据预处理>>单因子有效性检验>>数据分析>>回归分析>>归因分析

(1) 股票池:全A股，在每个时刻t均剔除ST、PT股票，剔除停牌及上市未满一个月的股票，剔除 BP 值为负的股票;
(2) 时间参数:2010年1月至2018年1月;
(3) 因子对应指标:
a) 市场因子指标:上证 指数;
b) 行业因子指标:申万一级行业指数。
c) 风格因子指标：市值size，PE，EBITA.(这里以这三个因子为例，APT框架的优势就是因子可以随便加)

1、所有数据按同一时间，同一股票对齐，注意这里的财报指标相关的时间要使用财报公布时间不能使用财报报告期。虽然这种方法是截面回归，但是要研究每个因子的有效性，所以必须列出各个因子的历史时间序列数据。
2、第一步产生的NA值，用截面该因子的均值填充。（这与上面的做法不一样）。
3、若因子NA比率超过30%，则舍弃该因子。
4、对每个因子的暴露（就是因子值）分布分析，剔除3-sigma以外的公司。（最后回归用，因为回归对极值敏感）
5、z-score标准化所有因子。（最后回归用，去量纲）

通常我们总认为行业和市值两个因子对股票的收益影响较大，所以在单独分析其他因子时，要把这两个因子暴露引起的收益剔除掉，也就是所谓的因子中性化。经常使用的方法是，用因子暴露作为因变量，用行业因子和市值因子去回归因子暴露，得到的残差就是中性化后的因子。

在这个过程中，因为行业是类别变量，不能直接进行回归，要引入哑变量的方式进行回归。

注意：因子暴露此时已经变成中心化的，所以一下处理全在中性化因子的基础上。

整个模型最麻烦的一步，也是最琐碎的一步。

在剔除了极端公司和填充了因子NA值后，我们对每个单因子进行有效性检验。做法有以下几种：

1、IC值检验
2、RIC值检验
3、IR检验
4、方差分析(ANOVA)给出p-value
5、随机森林

这里我们要先再确认下因子收益和因子暴露的概念：
因子暴露是因子具体的值，例如60000.sh(浦发银行)的PE（因子）值为5.62.纳闷普法银行在因子PE上的暴露就是5.62。
因子收益是用截面因子暴露去回归个股收益时产生的各项因子的回归系数。

为什么这样定义，其实原因来自上面的基于CAMP模型多因子分析。

我们有各个因子的暴露值后，可以对各个因子进行单因子检验，我们求当期（t期）的因子暴露值和下一期（t+1期）的个股收益的相关性数,得到当期（t期）的该因子的IC值：

其中：

这样求出来的IC值的绝对值越大越好，求出所有因子历史一段时间的IC值走势。因子IC的绝对值长时间处于很大的值，说明这个因子长期有效性很强，若偶尔绝对值很大，说明因子偶尔有效，也要保留，我们剔除那些IC长期很小的因子。认为这些因子有效性不强。

RIC的用法与IC的用法完全一致，只有RIC的定义不一样，我们求当期（t期）的因子暴露值和下一期（t+1期）的个股收益的秩相关性数,得到当期（t期）的该因子的RIC值：

其中：

RIC使用方式和IC一致。

从上面使用IC和RIC时，不是很方便，我们要看IC和RIC长期表现，这种表现是定性看的，我们需要构造一个量，定量的去衡量因子的长期表现。我们很简单的一个想法是：用IC的均值来衡量IC的长期表现好坏，用IC的标准差来衡量表现的稳定性。

于是我们综合两个在一起，构造IR如下：

这里的符号IR与信息比率是一样的，因为两者是一个东西，可以通过数学推导得到。

我们选取IR高的因子，丢弃IR低的因子。

方差分析是用来分析多组数据之间均值是否一样的统计分析方法，当检验的p值大与0.05是，说明多组之前的均值没有差异，当p值小于0，05 时，说明各组之间存在差异。对于选因子来说，我们希望每组之前有差异。所以p-value需要小于0.05.

P值的计算方式很复杂，其思想是用组内方差处于组间方差构造统计量，进行F检验。可直接调用python方差分析函数。

本步主要查看上一步选出的各个因子之间相关系数,为解决下面回归中的两两共线性问题，我们要合并部分因子，我们设置阀值0.6.认为相关系数在0.6 以上的因子看作同一组因子。

对同一组的因子，我们采用IC_IR加权的方式合并这些因子，将其合成一个因子。

其具体加权方式为： 。

这样我们就得到了组合因子。但是这一步虽然剔除了两两间的共线性，但是未能剔除多重共线性。

本步对上面筛选出的因子，以个股收益为因变量惊喜建模，常用模型为多元线性回归，获得如下回归方程：

其中： 是股票n在因子k 上的暴露。 为因子k的因子收益， 为股票n的残差收益，既股票特有收益率。

由这个回归方程，用最小二乘发，我们可以得到因子k的收益 。

进一步的，若现有一组合P，则这个组合P的收益率为：

其中： 为组合P中股票n的权重。

所以组合在因子k上的暴露设为 为：

所以此时，我们知道了组合的因子暴露，各因子的收益，所以可以得到组合里面个因子的收益贡献 ：

所以，此时的多因子模型收益归因归因。

这里的风险归因分析和Barra一模一样：

由上面回归模型得到（将其向量化表示）：

其中：r为股票的收益向量，X因子的暴露矩阵，f为股票的因子收益向量，u为股票的特质收益。

则我们的组合P的波动率为：

其中： 为所有因子收益学列的协方差矩阵，𝛥为股票特质收益序列的协方差矩阵。w为持仓权重。具体推导详见马克维茨均值方差理论。

有了组合的风险（既波动率），就可以得到以下三个量：

组合的系统风险：

组合的特质风险：

因子𝑖对总风险的贡献比例为(推导详见风险预算):

以上就是多因子模型在风险归因上的应用。

传统的这一版多因子，另一大作用是用来选股的，我们得到以下回归方程的时候。

最简单的，可以把最新一期的因子带入到回归方程，计算出的个股的的未来收益，将其线性映射到1到100，可以直接作为分数，我们选择分数高的股票即可。一般都是直接做前10%,做空后10%获得超额收益。

❸ 因子收益率,因子值属股票于什么风险

这个风险，主要有两个风险。1市场的风险会有亏损。2,退市的风险。

❹ 3)我们能认为股票的回报就是完全由三个因子驱动的吗为什么

美国经济学家尤金法马认为，炒股的回报率跟三个因子有关，市场因子、价值因子和规模因子，这就是著名的三因子模型。熟悉前两个因子的人很多，此处不再赘述，单说一个被人忽视的因子——规模因子。尤金认为，小票由于规模小市值小流动性好，所以成长性更好，在一轮牛市中更有爆发力，涨幅更大。1972年发布的罗素2000指数五十年的历史早已证明这一点，尤金法马也获得了2013年诺贝尔经济学奖。A股有两个典型的小票指数：中证1000和国证2000，后者规模更小，爆发力更大，是本人长期跟踪国证2000的原因。可惜养在深闺人未识，目前没有相关基金。 159990

❺ 小市值因子指标怎么算

小市值因子指标计算方式如下：
计算因子的思路：
1.将数据按照日期、因子的虚拟变量分组（小市值为1，大市值为0）。
2.计算每个公司在该分组下，按照市值所确定是权重。
3.将收益率按照权重求和，如果虚拟变量分组为1（证明是小市值）。
4.将该数据加到日期，小市值两个list。
5.如果虚拟变量分组为0（证明是大市值）。
6.将该数据加到大市值list。
7.合并三个list。8.将小市值收益-大市值收益得到因子。同理，计算账面市值比因子。

❻ 华尔街投资经典列出了哪些可以预测股票未来超额收益的因子

动量因子，质量因子，资金因子。
动量因子，质量因子，资金因子。因子投资最初是源于三因子投资理论，该理论认为决定股票的收益和很多因素有关，他们发现账面市值比、市盈率倒数(E/P)等一系列指标都可以解释股票价格的变动，也就是说，股票价格与一系列的风险因素有关。

❼ 因子研究基本思路

构建因子拼的是想象力，不过整个金融金工学科和行业里面，已经提供了非常的多的思路，就者大家的学术论文和研究报告，可以获得构建因子的很多灵感，而且还能够进行单个因子的排列组合构建出更多的因子，是一个比较庞大的因子库。
目前的市场风格大家都在说流动性溢价，就是大票在涨，对于这个现象有不有科学的方式去研究了？
本文就是以这个问题作为因子，记录下最近学习到的科学研究因子的思路？

果然是在论文中找到了一个用来度量流动性的因子，

这个可以找到相关的论文。

有了因子之后，基本上就是一个套路了。这个讨论可以认为是因子好坏的基本研究框架了。
基本的方法描述就是：

创业板流动性因子对5日收益率的预测IC分布，大多数是正直，说明预测效果是不错的。

上一部解决了因子的预测性问题，这一步就是要解决对于一个可预测性的因子，怎么样去构建一个策略？
问题的本质，就是 有一个股票池， 每个股票有一个 标签值， 怎么样选择 能让你赚钱的股票？

目前看来最普遍的做法就是 对 股票按照因子进行分组，比如分为10组， 然后进行回测。
比如你的策略是一个每周换手的策略， 回测周期是3年，那么在每周5， 你对股票进行分组，然后计算过去一周的收益率，循环下去，直到回测结束。 这样，你就可以做出来 10个分组，最后的收益率。

对于这10组收益率，有一个很核心的观察现象，就是要单调性好。 也就是 第一组，和第10组， 他的收益差距越大越好， 这样你选择出来的股票才有操作性。 假设10个组的收益都差不多，试问，你要如何买卖股票呢？

到了这一步基本上就能确定 这个因子到底好还是不好，比如 illiq 因子在 创业板 的分组单调性,不是特别完美但是也有

从单调性上看这个策略是可以做的，那么就要准备回测了。 比如，每5天换手， 回测过去3年illiq 因子的持仓收益。
换手时，每次选择illiq 排名最大的10% 股票，等比例买入，卖出不在前10% 范围内的已有持仓，设置好手续费和基准指数后就可以开始策略回测了。例如illiq 的选股因子策略

对于一个比较好的策略，通常会做一些风险暴露分析，尽量能避免单一的风格。
比如，illiq 因子，可以做的风格化分析， 是否是小市值暴露， 具体的分析方法，
就是把 10%分组的股票的市值，做一个 百分位分析，我们发现 illiq 因子其实具有非常明显的 小市值倾向。
这是一个风险，也会限制策略的容量，因为很小的交易会让价格波动很大。
同时， 也可以做换手率暴露分析， 月度反转暴露分析。
对于illiq 因子我们发现 10%分组中， 换手率并不高，但是却有比较明显的月度反转倾向，也就是 10% 的分组中，前一个月涨幅都不高， 众合起来，这个因子有点底部放量的意思。

这个策略的一个风险暴露就是小市值，在量化领域通常可以通过 中性化的手段，进行规避。
对于市值，这种连续区间的变量，特别适合中性化。
主要的思路就是 计算 (illiq，市值） 的线性拟合， 然后计算 illiq 与拟合值的残差，使用残差作为 中性化的值。
通过对 illiq 进行中心化之后，小市值的暴露风格很明显的弱化了，整个策略更加稳定。

使用10个票持仓，与20个票持仓的稳定性是不一样的。
我们发现，10个票持仓，对于每周1-5 不同日期换仓，收益率的波动有点大，而是用
20个票持仓，策略的稳定性就会好一些。 持仓越大，就越能消除掉一些随机波动的影响。

对于单因子的分析，目前学习到的大概思路就是这样，后面还有多因子的组合模式需要学习。

❽ wind上有市值因子的数据吗

有的。
打开wind数据库,然后点击设置就能导出市值数据。打开wind软件,在界面上端的“宏观”选项框,选择“经济数据库”--“中国宏观数据库”。

❾ 规模因子和价值因子~香帅

1.在股票市场上，长期以来存在着两个

特别显著和稳定的规律，一一个是市值效应，

即买市值小的公司未来更赚钱。第

二个是市净率效应，即买市净率低的股

票未来更赚钱。

2.根据这两个规律，

法玛和弗伦奇就提

出了三因子模型，

即用市值因子和价值

因子来衡量除市场风险以外的系统性风

险，

也就是规模风险和价值风险。

3.在美国市场上，市场、规模和价值这

三个因素对所有股票收益率的解释能够

高达90%。

❿ 什么是多因子模型法玛-弗伦齐三因子模型具体包括哪些因子

多因子模型：多因子模型是应用最广泛的一种选股模型,基本原理是采用一系列的因子作为选股标准,满足这些因子的股票则被买入,不满足的则卖出。

三个因子：市场资产组合、市值因子、账面市值比因子。