量化视角下的春节效应

导读

1、每年的1、2月对于中国人而言都有特别的意义，因为在这期间，中华民族一年之中最重要的节日——春节将会如期而至。对于A股市场，春节前后也往往会体现出与众不同的走势和风格偏好。2018年7月份我们撰写了《春节效应下的A股市场与量化因子思考》，在这篇深度报告中，我们建议投资者在春节前后维持相对较高的股票资产仓位，同时也对应使用的选股因子做出了建议。
2、本篇报告中，我们利用《基于集成学习算法的量化选股模型研究》中的构建NELS因子的方法，重构了春节效应选股因子，具体来说：我们在明确给定了春节月的定义之后，利用滚动10年的春节月样本作为输入，生成了春节效应因子（Spring Adaboost Signal，SAS），并构造了相应的比较基准BM。对比SAS与BM自2015年以来的表现：1)、IC方面：SAS因子IC均值达到0.166，而基准因子IC为0.091（每期IC来看，依然SAS占优）；2)、分位数多头方面：SAS多头春节月平均收益9.7%，基准因子春节月平均收益7.1%，SAS因子优势明显。
3、2020年春节临近，我们利用最新的SAS因子也生成了中证800内的股票多头组合，具有较高的参考价值和意义！

风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。

1、春节期间仓位建议

每年的1、2月对于中国人而言都有特别的意义，因为在这期间，中华民族一年之中最重要的节日——春节将会如期而至。对于A股市场，春节前后也往往会体现出与众不同的走势和风格偏好。一部分投资者认为春节期间应该奉行落袋为安的准则，这样做一方面降低投资风险，另一方面可以安度佳节；而另一部分投资者则认为春节前后，投资人往往情绪较好，风险偏好更高，对于新一年的市场也更具期待，此时往往会体现为较好的二级市场表现，因此应当维持相对较高的仓位。那么到底该采取那种思路呢？实际上2018年7月份我们团队撰写了《春节效应下的A股市场与量化因子思考》，深度剖析了春节效应对市场整体和常见量化因子的影响。这篇报告对该问题给出了清晰的答案。我们这里对报告进行简单的总结和回顾，供大家参考。

春节月定义

所谓春节月，指的是包含春节假期在内的四周时间，具体来说，它包括了春节休市前的5个交易日和春节开市后的10个交易日。我们首先通过春节月、日历月的对比表现来论述春节期间到底该维持何种仓位水平。
考虑到市场代表性和历史数据的长度，我们研究的标的指数确定为Wind全A指数。从2001年1月1日到2019年12月31日，共19年。在专注于春节效应之前，我们先统计了指数的月度平均表现。

从图表1容易看出，A股市场在每年的2月份的平均月收益率接近4%，明显优于其他月份的表现。而我们也知道春节一般发生在每年的1、2月份（其中仅发生在2月份的比例高达67%，其他几年春节均横穿1月和2月或者2月和3月）。另外，如果进一步考察市场在我们所定义的春节月期间的表现，会发现在过去的十九年里，有十二年的春节月表现优于二月的表现（这里需要注意的是：虽然2019年春节月没有跑赢日历2月，但春节后市场确实强势向好，大方向还是判断正确的）。所以从历史规律来看，我们应当在春节期间积极看多A股市场，并采取高仓位策略，充分享受春节效应带来的收益。

2、春节期间选股策略研究
仓位维持在高位，但所持有股票组合又应当如何构建呢？实际上在我们2018年7月份的报告中，已经对相关策略进行了简单的尝试：我们测试了具有代表性的量化因子在日历月以及春节月的表现，然后选取表现好的因子等权合成，并构建了选股策略。该方法简单易行，但其所分析的因子范围，以及对历史信息的应用方式都有进一步改进的空间（如未能实现因子的动态选择等）。

我们在2019年7月份倾力打造的《基于集成学习算法的量化选股模型研究》报告中详细探讨了如何利用Adaboost模型构建一套仅基于历史信息的、非线性动态多因子选股模型。我们尝试将该模型适配到春节效应选股策略的研究中，构建相应选股模型。
2.1
春节选股因子构建

Adaboost模型的原理在此就不做赘述。我们对模型输入、实现的注意事项进行简单的描述。
在《基于集成学习算法的量化选股模型研究》中，我们构建了行业市值中性化下的选股因子NELS。该因子在每个月会将过去12个月的数据拼接到一起构成模型输入。其中自变量为行业市值中性化后的兴业定量因子库的165个因子（参见图表3），因变量为基于股票收益率的强弱分类标签。考虑春节月效应，我们构建SAS因子的思路和步骤如下：

确定2007年-2020年这14年间的春节发生时间，然后确定春节月（包括了春节休市前的5个交易日和春节开市后的10个交易日）；
在每个春节月开始的时点，回望过去10年，将春节月的数据提取出来构成每一期的训练样本(要求缺失率不超过80%）；
为简化模型，对于模型自变量，我们仅做行业市值中性化处理。而对因变量（春节月收益率序列，共计15个交易日）：我们将下期股票收益率从大到小排列，取前30%股票作为强势股，后30%为弱势股，中间股票视作噪声弃之不用。强势股我们标记为+1，弱势股我们标记为-1。

通过上述方式构建的因子称之为SAS因子（Spring Adaboost Signal）。同时为了论述该方法的有效性，我们构建了基准因子（BM），即《基于集成学习算法的量化选股模型研究》中的NELS因子的衍生。在NELS因子构建中，我们站在当下时点，将过去12个月拼接在一起构成截面数据并进一步运行模型。需要注意的是在春节效应的BM构建中，我们的月份定义发生了变化：在每个春节发生时点，回望过去240个交易日，切分成12个“月”（每个月20个交易日），然后提取相应数据作为模型输入，并运行模型。
这里需要注意的是：

为了提升模型实操性，我们将测试范围缩小至中证800里面，这意味着从从数据预处理（行业市值中性化、标准化等）到因子生成均在中证800里面进行。因而后续的表现分析也是基于中证800进行。
由于中证800是从2007年1月份开始，所以我们构建的SAS因子从2015年开始有值。

2.2
选股因子表现对比

接下来，我们通过IC以及分位数多头对比SAS与BM的表现。从测试结果来看，SAS因子的IC均值达到0.166，BM的IC达到0.091，即便分月度来看，历年SAS因子的IC均优于BM因子的表现；十分位多头表现来看，除了2016年基于SAS因子的表现略微低于BM因子以外，其他年份中，SAS因子均显著优于BM因子的表现。

3、总结
春节效应一直是投资者关注的焦点，春节轻松安逸的过节氛围与新的一年的业绩要求相冲突，很多投资者都会犹豫不决或者左右摇摆。本文通过数据分析说明：由于春节效应的存在，春节期间持有较高的仓位能带来不菲的收益。进一步，我们通过Adaboost模型解决该如何选股的问题。
2020年春节临近，我们利用最新的SAS因子也生成了中证800内的股票多头组合，具有较高的参考价值和意义！
风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。

注：文中报告节选自兴业证券经济与金融研究院已公开发布研究报告，具体报告内容及相关风险提示等详见完整版报告。

证券研究报告：《量化视角下的春节效应》
对外发布时间：2020年01月08日
报告发布机构：兴业证券股份有限公司（已获中国证监会许可的证券投资咨询业务资格）
--------------------------------------
分析师：徐寅
SAC执业证书编号：S0190514070004
电话：18602155387,021-38565949
E-mail: xuyinsh@xyzq.com.cn
--------------------------------------
联系人：郑兆磊
电话：13918491550
微信：13918491550
E-mail: zhengzhaolei@xyzq.com.cn
--------------------------------------
更多量化最新资讯和研究成果，欢迎关注我们的微信公众平台（微信号：XYZQ-QUANT）！

snowong · 2020-1-9 09:34:25

抽空细看

量化视角下的春节效应

1 个回复