研報名稱：《選股因子系列研究十三——因子大講壇》

研報作者：海通證券 鄭雅斌

本文收集了海內外常用的 18 種技術因子、 33 種財務因子進行選股效果的具體分析，並根據市場環境、風格等因素進行詳細劃分，考察因子有效性的穩定程度。

技術類因子對比財務類因子，能起到有效選股作用的數量占絕對優勢。 使用量價行情數據按月構建出的因子中， 有 10 種因子的平均年化多空組合收益率超過8%，收益最高的兩種因子（Size、Idiosyncratic Risk）分別達到 23.90%與 21.93%，有 10 種因子月收益顯著異於 0。這些因子與下月收益的秩相關系同向數顯著的概率幾乎都在 50%以上，連續兩月相關性維持有效的概率也在 50%以上，說明因子的選股能力和持續性都較強。 使用財務數據按季度構建出的因子中，僅 2 個因子有效，總體表現不如行情數據構建的因子。

在本期大盤上漲的情況下，因子構建的多空組合在下月的表現普遍優於總體情況；在本期大盤下跌的情況下，表現相反。 上漲市更容易體現 ALPHA 和選股能力。絕大多數因子在上期市場上漲情況下的表現，要優於上期下跌的情況。我們選取的時間段，上證指數從 1366.58 點上漲至 3539.18 點， 這表示因子對未來收益的預測能力會略有高估， 但是全樣本情況下因子對於未來超額收益的預測能力依然存在且顯著。 有部分因子在上月大盤上漲與下跌的情況下表現相反，這是該類因子在總體情況下表現不佳的原因之一。

在剔除市值因子的影響後，因子構建的多空組合的表現雖然略有降低，但是仍然具有對未來超額收益的預測能力。 在剔除了市值因子的影響之後，使用行情數據的 17 種因子中有 4 種因子的年化多空收益率依然能夠超過 10%，收益最高的兩種因子(Idiosyncratic Risk、 Short-Term Reversal)分別達到 17.67%與17.52%，表現總體上比剔除市值因子影響前略有不如，但是市值中性處理後因子穩定性有所提升。大部分因子選股能力保留，少部分因子的預測能力不複存在。 財務因子情況類似。

剔除反轉因子的影響後，因子構建的多空組合的表現略有降低，但仍具有對未來超額收益的預測能力。 剔除了反轉因子的影響之後， 月度技術類 17 種因子中有 4種因子的平均年化多空組合收益率超過 10%，收益最高的兩種因子（IdiosyncraticRisk、Volume Variance） 分別達到 16.41%與 15.69%， 因子的收益貢獻能力降低，但是穩定性有所提升。

風險提示 市場系統性風險、 資產的流動性風險、政策變動風險會對策略的最終表現產生較大影響

本篇報告主要針對海內外常用的選股因子，進行批量的整理和分析， 探討多因子選股模型中， 哪些因子能夠更為有效的貢獻收益，並進一步在不同風格和不同市場環境下，考察因子選股的有效性。

1. 多因子選股概述

多因子選股模型，主要是通過使用可以合理解釋股票未來收益的因子構建收益穩定超過大盤指數的投資組合的方法。

2. 因子分類

股票的數據主要可以分為兩類： 二級市場數據和基本面數據。其中，前者的更新頻率是實時更新的；後者的更新頻率則是季度更新（隨財務報表同時更新）。所以，本篇報告將因子分為兩大類：月度因子（行情因子），季度因子（財務因子）。其中，兩大類因子又分別按自身的邏輯分成多個小類。

3. 單因子績效檢驗

本部分使用如下方法來構建單因子投資組合：

對於月度因子來說， 截止每月月底，使用該月及該月之前的數據，計算因子；根據計算因子的大小，將市場上所有可以進行交易的股票分為 10 組；我們通過檢驗多空組合（做多因子最小組合 做空因子最大組合） 的收益來檢驗因子的績效。

對於季度因子來說，截止每季末，使用截止至該時公布的最新財報數據進行因子計算，其餘同上。

本部分主要分析多空組合的年化收益率、收益率的 t 值、多空組合的勝率（多空組合收益大於 0）、 因子與下期收益秩相關系數的正向顯著概率、負向顯著概率、不顯著概率、方向延續概率（連續兩月秩相關系數符號相同）。

本篇報告選取的數據為 2000-2015 年底的數據；因子中涉及到指數的部分均選取上證指數； 剔除了在期末漲停無法買入的股票；財務數據缺失部分均以上一期的數值計算。

3.1 月度因子檢驗
本研究按月回測了 2000-2015 年的表 2 中的 18 種因子。其中，平均多空組合（做多因子最小組合 做空因子最大組合） 年化收益絕對值在 8%以上的共計 10 種因子，多空組合收益顯著異於 0 的共計 10 種因子，下面給出收益絕對值前 10 的因子組合統計表：

從上表中可見，在 2000 年到 2015 年期間， 收益絕對值在 8%以上的 10 種因子中絕大多數對於選股都有效：

? 收益率有 9 種收益顯著
? 年化收益率為正（負）的，其勝率均大於（小於） 50%， 其因子與下月收益的秩相關系數正（負）顯著概率均為三種概率中最大的。這與我們對有效因子的認知相符。

? 此外，上述 10 種因子中，除了最不顯著的兩種因子以外，其他因子連續兩月秩相關系數符號相同的概率均超過 50%（即表格中的延續概率），這也從另一方面證明了這些因子對於收益預測的延續性。

下面我們單獨將收益絕對值排在前 2 的因子收益分布給出，進一步分析其因子收益情況。

從上面兩張圖可以看出， 基於這兩種因子分別構建的多空組合絕大多數的月收益均大於 0，產生較低負收益的概率均極低。這說明這兩種因子可以在大概率上對未來的投資收益進行預測。

此外，若具體觀察兩個因子多空組合收益的分布情況，我們可以發現， Idiosyncratic Risk 因子構建的組合收益要比 Size 因子構建的組合收益要穩定得多，即 Size 因子所構建的多空組合會發生更多高收益或低收益，其波動會比 Idiosyncratic Risk 因子構建的組合高得多。而這一點也應是投資者們在構建多因子模型時需要考慮到的問題。

下面，我們加入時間軸的考量，給出兩種因子構建的多空組合淨值曲線。

從上面兩張圖來看，與我們之前的分析一致， Idiosyncratic Risk 因子構建的組合產生的收益比穩定得多。 其中， Size 因子是 07 年以後才相對比較有預測的效力，而Idiosyncratic Risk 因子的表現則相對比較穩定。

綜上所述， 使用行情數據按月構建出的因子，對於未來的收益是具備相當的預測能力的。 18 種因子中有 10 種因子的平均年化多空組合收益率超過 8%，收益最高的兩種因子分別達到23.90%與 21.93%，有 10 種因子月收益顯著異於 0。這些因子與下月收益的秩相關系同向數顯著的概率幾乎都在 50%以上，連續兩月秩相關系數大於 0 的概率也在 50%以上。這些都表明了按月構建出的因子可以在大概率上預測股票收益的未來表現。

3.2 季度因子檢驗
本研究按季度回測了 2000-2015 年的表 3 中的 33 種因子。其中，平均多空組合年化收益絕對值在 8%以上的僅有 2 種因子，多空組合收益顯著異於 0 的共計 5 種因子，下面給出收益絕對值前 10 的因子組合統計表。

從上表中可見，在 2000 年到 2015 年期間， 多空組合季度收益顯著的 5 個因子均為平均年化收益排行前 10 的因子。然而根據這些因子構建的多空組合的表現情況來看，除了 Change in Asset Turnover 與 Market Value 這兩個因子以外， 其餘因子在勝率、顯著度或延續概率上的表現則有些不盡人意。

下面我們單獨將各方面表現尚可的兩個因子收益分布給出，進一步分析其因子收益情況。

從上面兩張圖可以看出，基於這兩種因子分別構建的多空組合絕大多數的季收益均大於 0，產生較低負收益的概率均極低。這說明這兩種因子可以在大概率上對未來的投資收益進行預測。

此外，若具體觀察兩個因子多空組合收益的分布情況，我們可以發現， Change in Asset Turnover 因子構建的組合收益要比Market Value 因子構建的組合收益要穩定一些。但是兩種因子均會產生一些少數的極低或極高的收益，這表明了使用兩種因子構建投資組合的風險性。

下面，我們加入時間軸的考量，給出兩種因子構建的多空組合淨值曲線。

從上面兩張圖來看，與我們之前的分析一致， Change in Asset Turnover 因子構建的組合產生的收益比 Market Value 因子構建的組合收益穩定得多。但是，兩者在 14 年底至 15 年底這一波牛熊市中的表現均極不穩定。其中， Market Value 因子是 07 年以後才相對比較有預測的效力，而 Change in Asset Turnover 因子的表現則相對比較穩定。其中 Market Value 與之前的 Size 在計算方法上除了時間段不同以外，其餘全部一樣，該因子在兩個時間維度上的表現也比較相似，但是按月計算的 Size 因子比按季計算的因子要有效的多。

綜上所述， 使用按季財務數據構成的因子，在對未來收益預測的效力上相對不如按月行情數據的因子。原因可能是多方面的；第一，國內市場的投機氛圍比較嚴重，導致財務因子相對不夠有效；第二，國內市場投資者的投資期限相對較短，按季度計算因子調倉並不太適合國內市場；第三，財務報表數據公布的滯後性，財報數據對股價的影響可能在公布前便已反映在股價上了。

4. 考慮市場漲跌影響後的因子績效檢驗

在第 3 節中，我們使用曆史數據，對一些因子進行了績效檢驗，發現還是存在很多因子對股票的未來收益存在一定的預測能力，投資者可以根據這些因子的表現構建出合適的投資組合獲取超額收益。但是，在該節中，我們僅考慮了單個因子對於未來收益的影響，而未考慮其他因素對於因子預測能力的影響。在這一節中，我們試圖研究在上月市場總體上漲或下跌的情況下，因子的預測能力是否依然穩健。

4.1 月度因子檢驗
在本節中， 我們先按照第 3 節中的方法，計算出使用因子構建的多空組合的收益，並將這些收益按照上月大盤上漲或下跌的情況進行分類。通過上月上證指數的漲跌來判斷上月大盤屬於上漲還是下跌，下面我們給出上月大盤上漲以及上月下跌情況下的因子組合統計表（年化收益絕對值排前 10 的）：

先看表 6， 首先，表 4 中包含的 10 個因子， 9 個都出現在表 6 中。這說明在上個月大盤上漲的情況下，因子的表現與總體情況類似。再具體觀察表 6 中的數據，表 6 中因子的多空組合無論在年化收益率、 t 值、勝率還是顯著概率方面，表現均優於表 4 中的因子。這說明在上月大盤大漲的情況下，我們所選的因子大多表現優於總體情況。 再看表 7，表 4 中包含的 10 個因子，有 6 個出現在表 7 中。這說明在上個月大盤下跌的情況下，因子的表現還是與總體情況比較相像的。再具體觀察表 7 中的數據，表 7 中因子的多空組合無論在年化收益率、 t 值、勝率還是顯著概率方面，表現多數劣於表 4 中的因子。這說明在上月大盤下跌的情況下， 因子的區分度和穩定性會有所下降，但也不乏存在一些更適用於下跌市的因子，如 Short-Term Reversal,52-Week High， Lagged Momentum。

下面我們單獨將在上月大盤上漲或下跌時，因子多空組合收益絕對值最高的兩個因子收益分布（僅考慮上月大盤上漲或下跌時） 給出，進一步分析其因子收益情況。

首先，可以對比圖 9、 10 與圖 1、 2，我們可以發現， 在大盤上漲的情況下， Size因子與 Idiosyncratic Risk 因子多空收益的分布與總體情況下的收益分布類似，這與表 6和與表 4 的情況基本一致。再看圖 11、 12，這兩種因子分別構建的多空組合絕大多數的月收益均大於 0，產生較低負收益的概率均較低。這說明這四種因子可以在一定程度上上對未來的超額收益進行預測。

下面，我們加入時間軸的考量，給出四種因子構建的多空組合淨值曲線。

在上面 4 張圖中，我們將上月大盤上漲（下跌）時表現優異的因子，在上月大盤下跌（上漲）情況下的月收益記為 0。

從上面四張圖中，我們可以看出，總體上來說， 4 種因子在總體上來說，都具備一定對未來超額收益的預測能力。但是總體來看，在上月大盤上漲的情況下，因子的預測能力要較上月大盤下跌情況下的因子優異得多。

綜上所述，我們可以認為， 本篇研究使用行情數據按月計算的因子，在大盤上漲或下跌的情況下，相對表現基本一致，但是在絕大多數的因子在上月上漲的情況下的表現要優於上月下跌的情況。而我們選取的時間段，上證指數從 1366.58 點上漲至3539.18點，這可能表明第三節中對因子對未來收益的解釋的闡述有一點偏高，但是在總體上並不會影響使用行情數據按月計算的因子對未來收益具備解釋力的結論。

4.2 季度因子檢驗
在本節中，我們先按照第 3 節中的方法，計算出使用因子構建的多空組合的收益，並將這些收益按照上季大盤上漲或下跌的情況進行分類。本研究通過上個季度上證指數的漲跌來判斷大盤屬於上漲還是下跌，下面我們給出上個季度大盤上漲以及上個季度下跌情況下的因子組合統計表（年化收益絕對值排前 10 的）：

先看表 8，首先，表 5 中最為有效的兩個因子構成的組合，在年化收益、勝率、顯著概率方面的表現都優於表 5；其次，表 8 中其他因子的表現也優於表 5 中其他的因子表現。再觀察表 9，表 5 中最為有效的兩個因子表現在各方面均不如表 5 中的表現，這
一點與前一小節中的按月計算的因子表現類似。但是表 9 中其他因子的表現也優於表 5中的表現。再結合兩張表一起觀察，我們可以發現，其中， Book Equity_Market、 CF_MV、Profitability 這幾個因子，在表 5 中均未出現，但是它們在表 8、表 9 中的年化收益率、t 值、勝率、顯著概率等方面表現相反，這說明了這幾個因子在上月上漲與下跌的情況下，預測的方向相反，所以在總體情況中呈現了沒有預測能力的表現。

下面我們單獨將在上季大盤上漲或下跌時，因子多空組合收益絕對值最高的兩個因子收益分布（僅考慮上季大盤上漲或下跌時）給出，進一步分析其因子收益情況。

首先，可以對比圖 17、 18 與圖 5、 6，我們可以發現，在大盤上漲的情況下， Change in Asset Turnover 因子在上季度大盤上漲的情況下，表現比總體情況要好不少，而 Idiosyncratic Risk 因子多空收益的分布與總體情況下的收益分布類似，這與表 8 和表 6的情況基本一致。再看圖 19、 20，這兩種因子分別構建的多空組合季度收益大於 0 的較多，但是與上季度大盤下上漲時是無法相比。

下面，我們加入時間軸的考量，給出四種因子構建的多空組合淨值曲線。

在上面 4 張圖中，我們將上季大盤上漲（下跌）時表現優異的因子，在上季大盤下跌（上漲）情況下的月收益記為 0。

從上面四張圖中，我們可以看出，總體上來說， Change in Asset Turnover 因子在上季大盤上漲的情況下具備一定對未來超額收益的預測能力，而其餘三種在各自情況下的對未來超額收益的預測能力則值得存疑。

綜上所述， 本篇研究使用財務數據按季計算的因子，在上季度大盤上漲或下跌的情況下， 存在部分表現相反。 在之前對於財務因子的整體分析中，我們認為財務對收益的解釋和預測能力都較差，這可能很大程度受限於財務因子與市場走勢的關系。

5. 考慮市值因子影響後的因子績效檢驗

在之前的 2 節中，我們考慮了單個因子在總體情況下以及在上月大盤上漲或下跌的情況下，因子對於未來收益的影響。但是，我們並未考慮因子之間相互影響的關系，即，某個因子對未來收益的解釋力可能是源於其他因子的解釋能力，而在當我們剔除其他因子的影響之後，該因子本身對於股票的未來收益不再具有預測能力，亦或是在剔除其他因子的影響後，因子反而對未來的收益具備更加優秀的預測能力的情況。而在眾多因子影響中，市值因子是最受關注的因子之一，再加上按月計算的 Size 以及按季計算的Market Value 因子是不同期限的市值因子，且它們在兩類因子中都是預測能力最優秀的幾個因子之一。所以，在本節中，我們研究考慮市值因子影響後的因子績效檢驗。

在本節中，我們在每期按照之前的方法計算因子，然後我們先按照市值因子，將整個市場的股票分為 10 組。之後，我們再將每組中，選取檢驗因子值最小的 20%與因子值最大的 20%構成多空組合。 之後我們同樣選用之前使用的指標來進行績效檢驗。 其中，年化收益為按市值分組後， 10 個多空組合的平均收益；與秩相關系數相關的統計變量，我們統計了市值最小組以及市值最大組的正負顯著概率以及延續概率。

本節選取的數據以及漲停剔除方法同第三節。

5.1 月度因子檢驗
本節按月回測了 2000-2015 年的表 2 中的除 Size 因子以外的 17 種因子。在按測試因子分組之前，先使用 Size 因子對股票分組，再將每組中按因子大小分組，下面給出收益絕對值前 10 的因子組合統計表。

從上表中可見，在 2000 年到 2015 年期間， 收益絕對值排在前 10 的因子收益，不再如表 4 之中那麼高。之前最高的Idiosyncratic Risk 因子多空組合收益雖然下降了， 但是其 t 值有所上升，從秩相關系數顯著方向基本上總體保持不變，從總體來說，該因子對於未來的預測能力依然存在。其他大多數因子的表現也基本上與 Idiosyncratic Risk 因子一致。但是，也有在加入市值因子影響後，基本上可以被認為不存在預測能力的因子，如 Amihud's Measure 因子。

下面我們單獨將收益絕對值排在前 2 的因子收益分布給出，進一步分析其因子收益情況。

上圖給出了按市值分組後，十組多空組合的平均月收益分布圖。 根據因子的直方圖來看，我們可以對比圖 25 以及圖 2，整個因子表現的分布基本不變，所有表現均略有下降。 從因子大小與未來收益的秩相關系數的顯著性來看，所有因子的表現均有所下降，但是產生這一現象的原因主要在於樣本容量的降低，帶來的統計檢驗結果的變化。 但總體來說，這兩種因子分別構建的多空組合絕大多數的月收益均大於 0，產生較低負收益的概率均極低。這說明這兩種因子可以在大概率上對未來的投資收益進行預測。

此外， 若具體觀察兩個因子多空組合收益的分布情況，我們可以發現，圖 25 與圖26 的因子構建的組合收益要比圖 1 與圖 2 的收益穩定得多。

下面，我們加入時間軸的考量，給出兩種因子構建的多空組合淨值曲線。

上圖給出了按市值分組後，十組多空組合的平均月收益淨值曲線。 從上面兩張圖來看，與我們之前的分析一致，這兩個因子的表現要比第 3 節中按月的兩個因子穩定得多，但是其總體收益也相對不如第三節的因子。 但是這並不妨礙這兩個因子對於超額收益的預測能力。

綜上所述，我們可見， 在剔除了市值因子的影響之後， 使用行情數據按月構建出的因子， 18 種因子中有 4 種因子的平均年化多空組合收益率超過 10%， 有不少因子與市值的相關性較低，依然保持收益的預測能力，但也有部分因子的預測能力不複存在。 收益最高的兩種因子 Idiosyncratic Risk 和 Short-Term Reversal，其對於股票收益的區分能力依然很強，雖然累計收益相對不進行風格區分時有所降低，但是進行了市值風格劃分股票範圍後，選股的穩定性增強很多。

5.2 季度因子檢驗
本節按季回測了 2000-2015 年的表 3 中的除 Market Value 因子以外的 32 種因子。在按測試因子分組之前，先使用 Market Value 因子對股票分組，再將每組中按因子大小分組，下面給出收益絕對值前 10 的因子組合統計表。

從上表中可見， 其表現總體與表 5 的表現相似，但是總體來說，略微有所下降。然而根據這些因子構建的多空組合的表現情況來看，除了 Change in Asset Turnover 因子以外，其餘因子在勝率、顯著度或延續概率上的表現則有些不盡人意。這點都是與表 5的結果相一致的。而 Change in Asset Turnover 因子則在收益率上不如表 5 中的表現，這點與上一小節的按月因子一致。

下面我們單獨將各方面表現尚可的兩個因子收益分布給出，進一步分析其因子收益情況。

上圖給出了按市值分組後，十組多空組合的平均季度收益分布圖。 根據因子的直方圖來看，我們可以對比圖 29 以及圖 5，整個因子表現的分布基本不變，所有表現均略有下降。但總體來說，這兩種因子分別構建的多空組合絕大多數的月收益均大於 0，產生較低負收益的概率均極低。這說明這兩種因子可以在大概率上對未來的投資收益進行預測。

此外，若具體觀察兩個因子多空組合收益的分布情況，我們可以發現，圖 29 與圖30 的因子構建的組合收益要比圖 5 與圖 6 的收益穩定得多，但是收益卻相對有所不如。

下面，我們加入時間軸的考量，給出兩種因子構建的多空組合淨值曲線。

上圖給出了按市值分組後，十組多空組合的平均季收益淨值曲線。 從上面兩張圖來看，與我們之前的分析一致，這兩個因子的表現要比第 3 節中按季的兩個因子穩定一些，但是其總體收益也相對不如第三節的因子。但是這並不妨礙這兩個因子對於超額收益的預測能力。

綜上所述，我們可見， 1、 即使在剔除市值因子的影響後， 使用按季財務數據構成的因子，在對未來收益預測的效力依然相對不如按月行情數據的因子。 2、 兩類因子對剔除市值因子影響是一致的，它們均會使因子構建的組合的收益降低，但卻會使得組合的收益相對平穩。這表明了，第三節中，不進行風格區分時， 關於因子對未來收益的預測能力的檢驗結果可能有所高估， 收益的貢獻有一部分來自市值風格的貢獻， 但是總體結論並未改變。 3、總體來看，財務因子的收益解釋能力並不能通過剔除市值效應有所提升，依然建議大家更多的使用價格面和情緒面因子。

6. 考慮反轉因子影響後的因子績效檢驗

在上一節中，我們考慮了剔除市值因子影響後的因子績效檢驗。而在眾多因子中，除了市值因子以外，短期反轉因子也是多因子模型中最常用的因子之一。 在前文中，我們按月使用行情數據計算的因子 Short-Term Reversal 就是用來刻畫這一特點的，且該因子在第三、 四、 五節中的表現都顯著有效。在本節中，我們考慮將反轉因子的影響剔除後， 進行因子的績效分析。

我們剔除反轉因子的方法同第五節中剔除市值因子的方法。對於按月使用行情數據計算的因子，我們剔除 Short-Term Reversal 因子的影響；對於按季使用財務數據計算的因子，我們使用上季度的收益率作為剔除因子。其他如選取的數據以及漲停剔除方法同第三節。

6.1 月度因子檢驗
本節按月回測了 2000-2015 年的表 2 中的除 Short-Term Reversal 因子以外的 17種因子。在按測試因子分組之前，先使用 Short-Term Reversal 因子對股票分組，再將每組中按測試因子大小分組，下面給出多空組合(做多測試因子最小組合，做空因子最大組合)收益絕對值前 10 的因子組合統計表。

從上表中可見，在 2000 年到 2015 年期間， 收益絕對值排在前10 的因子收益，不再如表 4 之中那麼高。之前最高的Idiosyncratic Risk 因子多空組合收益雖然下降了，但是其 t 值上升，從秩相關系數顯著方向基本上總體保持不變，從總體來說，該因子對於未來的預測能力依然存在。其他大多數因子的表現也基本上與 Idiosyncratic Risk 因子一致，在第三節中收益排前 10 的因子中，僅 Momentum 因子與 Price 因子的收益顯著下降，其收益的 t 值、勝率也變得不再顯著。 總體而言，大多數在全樣本中有效的因子，與反轉因子的相關性都較低，在進行了反轉因子中性處理後，依然能夠有效區分股票表現。
下面我們單獨將收益絕對值排在前 2 的因子收益分布給出，進一步分析其因子收益情況。

上圖給出了按市值分組後，十組多空組合的平均月收益分布圖。根據因子的直方圖來看，我們可以對比圖 33 以及圖 2，整個因子表現的分布基本不變，所有表現均略有下降。從因子大小與未來收益的秩相關系數的顯著性來看，所有因子的表現均有所下降，但是產生這一現象的原因主要在於樣本容量的降低，帶來的統計檢驗結果的變化。但總體來說，這兩種因子可以在大概率上對未來的投資收益進行預測，且不受反轉因子影響。

此外，若具體觀察兩個因子多空組合收益的分布情況，我們可以發現，圖 33 與圖34 的因子構建的組合收益要比圖 1 與圖 2 的收益穩定得多。

下面，我們加入時間軸的考量，給出兩種因子構建的多空組合淨值曲線。

上圖給出了按反轉因子分組後，十組多空組合的平均月收益淨值曲線。從上面兩張圖來看，與我們之前的分析一致，這兩個因子的表現要比第 3 節中按月的兩個因子穩定得多。其中，值得注意的是 Volume Variance 因子也如 Size 因子一樣，大約 07 年以後才相對比較有預測的效力。

綜上所述， 在剔除了反轉因子的影響之後， 使用行情數據按月構建出的因子， 17種因子中有 4 種因子的平均年化多空組合收益率超過 10%，收益最高的兩種因子分別達到 16.4%與 15.7%， 表現總體上比剔除反轉因子影響前略有不如。但是，大部分對於未來的收益是具備相當的預測能力的，少部分因子的預測能力不複存在。

6.2 季度因子檢驗
本節按季回測了 2000-2015 年的表 3 中的 33 種因子。在按測試因子分組之前，先使用上季度收益對股票分組，再將每組中按因子大小分組，下面給出多空組合(做多測試因子最小組合，做空因子最大組合)收益絕對值前 10 的因子組合統計表。

從上表中可見， 其表現總體與表 5 的表現相似，但是總體來說，略微有所下降。然而根據這些因子構建的多空組合的表現情況來看，除了 Change in Asset Turnover 因子以外，其餘因子在勝率、顯著度或延續概率上的表現則有些不盡人意。且 Change in Asset Turnover 因子則在收益率上也不如表 5 中的表現。

下面我們單獨將各方面表現尚可的兩個因子收益分布給出，進一步分析其因子收益情況。

上圖給出了按反轉因子分組後，十組多空組合的平均季度收益分布圖。根據因子的直方圖來看，我們可以對比圖 37、圖 38 與圖 5、圖 6，整個因子表現的分布基本不變。與之前進行市值和市場環境的劃分後效果類似，反轉因子中性後，財務因子的收益率分布相對更為穩定，但犧牲的是收益率會有所下降。

下面，我們加入時間軸的考量，給出兩種因子構建的多空組合淨值曲線。

上圖給出了按反轉因子分組後，十組多空組合的平均季收益淨值曲線。從上面兩張圖來看，與我們之前的分析一致，這兩個因子的表現要比第 3 節中按季的兩個因子穩定一些，但是其總體收益也相對不如第三節的因子。但是這並不妨礙這兩個因子對於超額收益的預測能力。

綜上所述， 即使在剔除反轉因子因子的影響後， 使用按季財務數據構成的因子，在對未來收益預測的效力依然上相對不如按月行情數據的因子。 但是兩類因子對剔除市值因子影響是一致的，它們均會使因子構建的組合收益降低，但卻會使得組合的收益相對平穩。這表明了，第三節中關於因子對未來收益的預測能力的檢驗結果可能有所高估，但是總體結論並未改變。