基于FScore指标的技术面因子增强

徐皓

摘 要：股票前期的异常表现可能是由投资者情绪过度反应造成的错杀、公司的基本面显著变化等原因造成的。由后者引发的股票理性下跌，未来可能并不会修复。因此，在计算反转因子时，需要在股票涨跌幅中排除基本面变化的因素。本文采用代理变量FScore来衡量基本面变化导致的收益率，FScore从公司的流动性、财务杠杆、运营效率等多个维度描述了公司的基本面状况，与股票价格呈现正相关的关系。采用反转和双重分组，体现了基本面因素对反转的修正。从实证结果来看，高基本面质量同时前期表現较差的“Loser+High”组合表现最好，基本面较差且前期涨幅较大的股票组合“Winner+Low”组合历史表现最差，组合之间呈现出明显的单调性特征。与原始的反转相比，基本面增强反转的历史表现明显更加优异。本研究仿造基本面增强反转的思路，构建了基本面增强波动率，结果发现相比于原始波动率，经过基本面增强的波动率因子也具有更强的选股能力。

关键词：Fscore;基本面增强;反转

0 引言

在A股市场上，股票价格的动量效应并不是十分显著，但存在明显的短期反转效应，即在一段较长的时间内，表现差的股票在未来会出现逆转，表现变佳;而在给定的一段时间内，最佳股票则倾向于在未来出现差的表现。反转是一个公认的有效因子，被大量的机构投资者作为一类基础因子纳入到多因子选股模型中，因而反转因子的表现对投资组合的收益有着重大的影响，但是反转因子也存在换手率高、波动性大等缺点。本文受Zhu Z等（2019）的启发，从基本面的角度对一些技术面因子进行增强，旨在提高反转的选股效果。

1 基本面增强反转

股价未来走势往往与前期涨跌幅负相关，反转效应意味着应该买进前期跌幅较大的股票，卖出涨幅高的股票。前期跌幅较大可能是因为投资者情绪过度反应造成的错杀，也可能是因为公司的基本面变差。如果是因为前者，那么股票后市可能会有明显的价值修复，但如果是后者导致的理性下跌，后市难有较好的表现。相应地，如果是由于基本面改善导致的前期上涨，后市一般也不会发生价格回调。

由此可见，仅从股票涨跌幅考察反转效应是不够的，还需要区分股票前期表现是否因为基本面变化导致。但不幸的是，目前市场上大多数机构在构建反转因子时，似乎都没有考虑这一因素。

从反转的实际表现来看，单纯的反转因子具有波动性大、换手率高、回撤大的特点。原因之一可能是因为反转的计算方式简单，只衡量了前期的市场表现，没有区分市场表现是否符合公司的基本面情况，从而造成误判。

我们将基本面增强反转因子定义为排除基本面因素影响之后的反转效应，可以表示为股票过去一段时间的区间收益率减去同期归因于基本面变化的收益率：

Rversalt=Rt-R_Ft（1）

Rt表示股票前一个月的涨跌幅，R_Ft表示同期基本面变化导致的R_Ft。

2 FScore

式（1）给出了基本面增强反转的计算公式，就目前来看，难点在于基本面变化导致的收益率R_Ft的计算，实际上很难将股票收益率完美地归因，无法得到R_Ft的一个准确值。

既然如此，只能寻找R_Ft的代理变量，幸运的是，Piotroski（2000，2012）提出了FScore方法来衡量公司的基本面因素。Choi等（2012）指出，随着价格对基本面信息的逐步吸收，FScore对于基本面驱动的未来收益率变化预测能力是提升的。FScore是一个综合的指标体系，从公司的流动性、财务杠杆、运营效率等多个维度进行了考察，同时FScore是一个非参数的指标，只需要公司的财务报表数据即可计算，没有模型误差。

具体来说，FScore是由多个指标打分，求得的一个总分值。共有9个指标，满足一个指标得一分，不满足不得分：

1）ROA为正;

2）经营活动产生的现金流大于0;

3）ROA同比增长;

4）净利润与经营活动产生的现金流之差小于0，即应计利润为负;

5）资产长期负债率下降;

6）流动比率同比上升;

7）无新股发行;

8）毛利率同比上升;

9）资产周转率同比上升。

9个指标从多个维度衡量了公司的基本面信息，分值越高，基本面状况越好。Zhu Z等（2019）根据FScore取值范围将股票分为3种类型：0～3分为低分值股票，基本面相对较差;4～6分为中等分值股票，代表基本面一般的公司;7～9分为高分值股票，公司的基本面情况良好。

基本面良好的公司，未来股价可能会得到上升，基本面较差的公司，未来股价趋于下跌，因此FScore与股票价格呈现正相关的关系。

股票前期Rt涨跌幅与股票价格负相关，R_Ft的代理变量FScore与股票价格正相关，因此基本面增强反转因子与股票价格的关系由Rt和FScoret两者共同决定。

3 FScore的实证

FScore从盈利能力、杠杆率、流动性、运营效率等方面衡量了公司的基本面信息，基本面越好，得分越高。我们以A股为例，对FScore的选股效果进行实证。样本期是2010年1月1日～2019年7月8日，样本股票是全部A股，排除上市未满3个月的股票。

在根据FScore对股票进行分组时，若某些指标缺失，比如金融类公司没有流动比率和毛利率等指标，则采用剩余的指标按得分比例分组，得分率<33%为低分值组，得分率在33%～67%为中分值组，得分>67%为高分值组。例如：若某只股票只有6个指标有取值，那么得分在≤2分划入低分值组，2～5分为中分值组，≥5分为高分值组。

在近10年，全部A股FScore分组呈现倒U结构，一半以上是中等分值股票，低分值和高分值的股票数量基本持平，三类股票数量历史平均占比分别约为18%、65%和17%。

本研究分別计算了历史低、中、高分值三个分组的平均年化收益率分别为3.79%、6.19%、9.02%，高分值股票的表现明显优于低分值组。而且高分值组-低分值组的多空净值曲线在各历史阶段表现非常稳定，年化收益率为4.87%，几乎没有出现大幅回撤，最大回撤为7%，这证明了FScore与股票具有显著的正向关系。

4 反转

一般情况下，反转常用股票一个月的区间涨跌幅为代表。涨跌幅与股票未来表现负相关，呈现一个均值回复的特点。通过考察样本期反转现象，将其与后文中的加强版反转作对比，在回测过程中，使用市值和行业中性化后的因子值进行计算。

按过去20个交易日的涨跌幅从小到大排序，把股票平均分为5个组。组一到组五的平均年化收益率分别为9.44%、10.48%、9.14%、5.63%、-5.51%。从回测结果来看，前期跌幅最大的组一并没有取得最高的收益，组间单调性受到了一定的影响，多空收益的回撤也相对较大。究其原因可能为：前期跌幅较大的股票并不一定都是被错杀，也可能是由于股票基本面恶化导致的急剧下跌，反转因子没有进行区分，从而使得组间单调性不稳定，收益率的波动性较大，夏普比率偏低。

5 反转和FScore双重分组

现在，使用基本面因素的代表FScore来对反转指标进行修正，形成基本面增强反转因子。具体方法可以采取双重分组法，先将股票按照反转因子值的大小升序排列，平均分为5组，然后在每一反转因子组中，按照FScore的大小划分为Low、Middle、High三个组合，一共形成15个投资组合。

根据前文的分析，可以认为具有高基本面质量同时前期表现较差组合能够取得更大的收益，而在Winner组合中，基本面较差的低分值股票更容易发生回撤。实证结果与本研究的推断相吻合，“Loser+High”组合表现最好，年化收益率为16.17%，“Winner+Low”组合历史表现最差，年化收益率为-7.12%，组合之间呈现出明显的单调性特征。

与原始的反转相比，将反转和FScore因子双重分组之后，多头组合的年化收益率由9.44%提升至16.17%，夏普比率由0.30上升至0.52，同时多头组合的最大回撤率也有明显下降。总体上看，FScore增强了反转因子的选股效果。

在多空组合的构建上，Zhu Z等（2019）提出了两种构建方式：

1）Fundamental-Anchored Reversal（FAR）：做多 Loser+High组合，做空Winner+Low组合

2）Fundamental-Unanchored Reversal（FUR）：做多Loser+Low组合，做空Winner+High组合

FAR和FUR的区别在于，前者的反转多空组合经过基本面因素的正向增强，后者则没有使用基本面因素修正反转，是我们构建原始反转多空组合时可能出现的最坏情况。

FAR的年化收益率为23.58%，夏普比率为1.56，最大回撤为20.06%;而FUR的年化收益率为10.64%，夏普比率为0.7，最大回撤为32.67%。FAR的各项表现显著优于FUR，充分说明基本面的修正能够在反转因子的基础上发挥巨大的作用。

6 基本面增强波动率

FScore衡量了公司基本面状况，反转因子经过基本面修正之后明显变得更好，那么其它技术面因子是否能够使用FScore进行增强呢？

波动率和反转一样，一般情况下，与股票收益率呈现负相关关系。若股票基本面状况良好，前期走势平稳，那么下期价格上涨的概率较大;反之高波动率的低基本面质量股票，更容易触发下跌。

以股票过去20个交易日涨跌幅的标准差代表波动率因子，对因子进行回测。按因子值从小到大排序把股票平均分为5个组，组一到组五的平均年化收益率分别为9.2%、10.08%、7.46%、6.3%、-3.95%。从回测结果来看，前期波动率最小的组一并没有取得最高的收益，组间单调性受到了一定的影响。

之后使用FScore增强波动率因子，将波动率因子分为5组，再在每个波动率分组中按FScore的大小再分为3组，共形成15个组合。

从基本面增强波动率的结果来看，经过基本面增强的多头组合取得了更高的收益率，“低波动率+High”组合年化收益率为11.59%;空头组合表现更差，“高波动率+Low”组合年化收益率为-4.78%，同时组间单调性得到了增强。

另外，仿造FAR、FUR的方式构造FAV、FUV组合;

1）Fundamental-Anchored Volatility （FAV）：做多低波动率+ High组合，做空高波动率+ Low组合

2）Fundamental-Unanchored Volatility （FUV）：做多低波动率+ Low组合，做空高波动率+ High组合

FAR的年化收益率为11.89%，夏普比率为0.67;而FUR的年化收益率为2.35%，夏普比率为0.14。FAR的各项表现显著优于FUR，FScore指标也能够对波动率因子进行增强，使其组间单调性增强，同时多头组合收益更高。

7 总结和展望

本文从股价反转的逻辑出发，认为因基本面恶化而产生的股价下跌很难发生反转，参考学术文献，使用FScore指标来衡量股价的基本面因素，从实证效果来看，经FScore分组后，高分值的股票表现明显优于低分值股票，FScore是一个有效的基本面衡量指标。然后采用反转和FScore双重分组，构建了15个投资组合，前期股价表现较差且基本面状况良好的“Loser+High”组合表现最好，前期表现较好但基本面状况较差的“Winner+Low”组合历史表现最差，另外各组之间呈现明显的单调性特征。双重分组之后多头组合的历史表现显著优于原始反转的表现，因此，基本面的修正能够在反转因子的基础上发挥巨大的作用。

另外，使用FScore对波动率因子进行了增强，结果发现，相比于原始波动率，经过基本面增强的波动率因子具有更强的选股能力。

参考文献：

[1]Zhu，Z，Sun L，Chen M.Fundamental strength and short-term return reversal[J].Journal of Empirical Finance，2019.

[2]Guay W R.Discussion of Value Investing：The Use of Historical Financial Statement Information to Separate Winners from Losers[J].SSRN Electronic Journal，2001.