89事件 “海量“专题（89）——哪些事件驱动策略可以因子化？

重要提示:《证券期货投资者适格性管理办法》自2017年7月1日起正式实施。通过该微信订阅号发布的意见和信息仅供海通证券专业投资者参考，完整的投资意见以海通证券研究所发布的完整报告为准。如果您不是海通证券客户中的专业投资者，请退订、接收或使用该认购号中的任何信息，以控制投资风险。很难设置此订购号的访问权限。如果给你造成不便，请谅解。我公司不会因为关注、接收或阅读此订阅号推送的内容而将相关人员视为客户；市场有风险，投资要谨慎。1。考虑事件驱动的策略1.1。改进收入预测模型

最近，我们在多因素模型中研究了分析师推荐、机构调查和解禁限制性股票的应用。实证结果表明，事件股票有超额收益，不能用普通股票选择因素来解释。将上述事件引入多因素模型，可以显著提高收益预测模型的准确性和多因素组合的性能。

以分析师推荐的事件为例，通过横截面回归模型发现，69%月份分析师推荐的虚拟变量前的回归系数大于零，月平均保费为0.50%，信息比率为1.75，在时间序列上显著大于零。

引入事件因素后，股票的RankIC、月胜率、月平均、预期收益率与实际收益率的信息比增加，月标准差减小。因此，在考虑事件因素的影响后，收益预测模型的准确性和稳定性都得到了提高。

比较引入事件因素前后沪深300指数和沪深500指数的收益变化。在推出前，沪深300增强型组合的年化超额收益率为10.06%，信息率和收益回撤率分别为2.58和2.59。引入事件因素后，年化超额收益率上升至12.08%，信息率和收益回撤率分别上升至3.29和3.69。引入事件因素后，沪深500增强型组合的年化收益和信息比率分别从20.13%和3.47%上升到22.07和3.81。随着最大回撤率从引入前的5.23%上升到引入后的6.36%，投资组合收益的回撤率从3.85下降到3.47。

“超额收益”是事件驱动策略被分解的必要条件。在事件策略中，大盘指数是一个共同的业绩基准，但策略相对大盘指数的超额回报是由于事件、风格等选股的共同作用。在多因素模型中，考虑了其他因素对股票收益的影响。因此，事件信息需要有“普通选股因素无法解释的额外收益”，才能提供额外的收益预测信息。

以“增加基金持股”策略为例:根据基金季报，计算“基金持股/a股流通股本比例”，选取比例增幅最大的100只股票，构建等权重组合。如图3和图4所示，在2011年12月至2014年8月期间，投资组合的净值相对于沪深500指数稳步上升。投资组合年化收益31.20%，比同期沪深500指数高19.12%，信息比率1.68。

如果投资组合净值由FF3归属，则投资组合风险调整后的日平均alpha仅为2bps，与零没有显著差异；但组合风格明显暴露于小盘股和成长股。从2011年12月到2014年8月，市场上出现了显著的小盘股和成长股效应，这也是投资组合相对于沪深500指数超额回报的主要来源。2014年8月至2018年8月，市场风格反复数次。基金持有组合相对于沪深500指数的超额回报不稳定，超额回报与信息的年化比率分别大幅降至9.04%和0.67。

综上所述，我们认为基金持有组合不存在真正的超额收益，因此不是一个合适的因子对象。

事件的发生是不规则的，多因素组合的变化周期是固定的。这也制约了多因素组合和事件驱动策略的结合。在事件驱动策略分解的框架下，我们试图淡化事件策略的时效性。例如，在过去的一个月中，为窗口构建了一个事件因子，而没有区分事件发生在月初还是月末。

事件发生时间的淡化也带来了额外的要求。例如，如果事件驱动的策略回报集中在事件发生后的短时间窗口内，那么当构建相应的因素时，事件超额回报已经消失。所以，当事件驱动策略被分解时，我们希望事件驱动策略的超额收益能在事件发生后得到更好的维持。

以业绩预测事件为例，根据上市公司披露的业绩预测，根据之前构建策略时的参数设置，筛选出单季度净利润超过1000万、单季度净利润增长率超过30%的股票。根据业绩预测，披露下一交易日的交易状况，剔除停牌股票、涨跌股和st股，根据收盘价计算股票未来1-12周的风险调整收益。对于合格样本，在单个季度业绩预增事件后的风险调整后，超额收益不断上升。所以从超额收益对时间的敏感性来看，业绩预增事件符合事件策略因式分解的要求。

在引入事件策略后的多因素模型下，股票的预期收益是因素预期收益和事件预期收益之和。对于没有事件的股票，事件的预期收益为零。因此，如果事件中的股票数量太少，只有少数股票的预期收益发生变化，那么收益预测模型和多因素组合的变化将非常有限。

以员工持股计划为例，在董事会计划日期后一个交易日以收盘价买入股票，持有一个月。在样本期内，如果使用控制其他共同因素影响后的横截面回归剩余收益，员工持股计划事件的平均超额收益为1.78%，显著大于零。从年份来看，除2014年收入-1.10%外，其他年份平均收入明显大于零。因此，我们认为员工持股计划事件具有超额回报，这是普通股票选择因素无法解释的。

但是，如果计入员工持股计划事件，并对事件股票的预期收益率进行修正，我们会发现每个时期修正的股票平均数量约为11只。与近3000只股票的样本池相比，可以预计11只股票的收益修正不会对整个收益预测模型的准确性产生显著影响。

因此，如果事件股票有显著超额收益，但对应股票数量较少，则考虑事件收益前后的股票预期收益有限，对最终多因素组合的影响也较小。因此，事件中的股票数量也是事件驱动策略被分解的条件之一。

除了股票数量，事件的时间分布也会影响其在收益预测模型中的效果。因为收益预测模型中的要素溢价预测一般是通过总结要素在过去一段时间内的历史表现而得到的。如果事件的发生在时间序列上极不均匀，则很难估计某一时期的要素溢价，导致收益预测模型中的要素溢价预测存在较大偏差。

由于业绩预测披露的季节性，满足要求的预增股在时间序列上分布极不均匀。例如，在1月和4月，平均有300只合格的业绩预增股票；在11月和12月，满足增持前要求的股票数量往往不到10只。

当某个月发生事件的股票数量较少时，该月事件因素对应的横截面溢价估计会有较大误差。从整个样本来看，虽然事件横截面保费的月胜率为68%，月平均值为0.60%，但月标准差较大，对应的信息比率为0.70，与零没有显著差异。如果以50为阈值，样本分为两部分:在事件中股票数量大于50的月份，事件横截面溢价的月胜率为71%，平均值为0.55%，信息比率为1.74，显著大于零；而当事件股票小于等于50时，虽然事件横截面溢价平均值为0.66%，但小样本下存在较高的估计误差，信息比率仅为0.56。

通过业绩预增事件的实例，我们发现如果事件在时间序列上分布不均匀，由于样本数量少，参数估计会有较大误差，影响对事件有效性的长期判断和预测。

事件驱动策略和多因素组合构建有很大区别。在过去的战略研发和投资中，事件战略和多因素战略往往独立运行。但发现分析师推荐、机构调查、解禁限售股等事件在控制普通股选股因素后仍存在无法解释的超额收益。将上述因素整合到多因素模型中后，收益预测模型的准确性以及主动管理投资组合和指数增强投资组合的绩效都得到了显著提高。

然而，并不是所有事件驱动策略都适合因子分解。发现存在显著的风险调整超额收益，开仓时间对超额收益影响不大。股票数量多、时间序列分布均匀的事件更适合引入多因素框架。

风险警告:历史统计数据无效。

联系人:沈泽成

专题报告下载地址:

https://pan.baidu.com/s/1zh9tDbzpSNrSMnDNZ3VoyQ