逆向投资量化研究 核心观点 - 逆向投资能力可通过情绪Beta量化刻画，低情绪Beta资产未来表现更优[1][2][44] - 基金经理在投资者观点趋同时获取超额收益的能力预示未来业绩[34][41] - 合成逆向投资能力因子(FSB)的RankIC均值达-10.85%，年化RankICIR为-1.39[68][102] 情绪Beta构建与应用 - 用换手率变化衡量投资者观点分歧度，低分歧时逆向投资者表现更优[26][29] - 扩展CAPM模型引入情绪Beta，反映资产对情绪变化的敏感性[30][31] - 股票层面情绪Beta因子RankIC均值-2.75%，行业层面-4.44%[36][38] 逆向投资能力因子构建 - **持仓维度(FHB)**：加权个股情绪Beta，RankIC均值-7.30%，胜率67.21%[53][56] - **收益维度(FRB)**：基金日收益回归情绪Beta，RankIC均值-8.92%，胜率75.41%[63] - **合成因子(FSB)**：等权合并FHB与FRB，多头组合年化收益12.65%[68][92] 因子特质验证 - **低相关性**：与9类选基因子相关性绝对值<0.1[74][76] - **增量信息**：加入后综合选基因子RankIC从11.51%提升至13.57%[84] - **跨周期适应**：2023年后RankIC均值-11.20%，优于收益类因子(-1.40%)[88][89] 经典逆向投资案例 - 巴菲特1964年逆向投资美国运通，3年收益115%[8] - 邓普顿1939年买入104只低价股，4年收益300%[9] - 波顿90年代投资Gallagher烟草公司，并购退出获利[10] 学术研究支持 - 美国共同基金研究显示低情绪Beta基金表现更优(Hao Jiang 2018)[15] - 对冲基金下行收益最高组未来一年超额5%(Sun Zheng 2018)[22] - 国内公募基金逆境收益率预测效果显著(徐龙炳 2019)[22]

量化模型与构建方式 1. **模型名称**：情绪Beta模型 **模型构建思路**：通过扩展CAPM模型，引入换手率变化因子来衡量资产价格对投资者情绪变化的敏感程度，从而刻画基金经理的逆向投资能力[3][4] **模型具体构建过程**： - 扩展CAPM模型公式： $$R\ =\ \alpha+\beta_{MRT}\times MKT+\beta_{TO}\times\Delta T0+\varepsilon$$ 其中，$R$为资产日度收益，$MKT$为中证全指日度收益，$\Delta TO$为换手率变化因子，计算公式为： $$\Delta T O\,=\,\frac{T u r n o v e r_{t}}{\sum_{i=1}^{N}T u r n o v e r_{t-i}/N}-1$$[35] - 情绪Beta（$\beta_{TO}$）反映资产收益对投资者观点分歧度变化的敏感度，低情绪Beta表明基金经理在投资者观点趋于一致时更易获取超额收益[36][38] 2. **模型名称**：多因子扩展模型（基于持仓） **模型构建思路**：在Fama-French五因子模型基础上加入换手率变化因子，计算股票情绪Beta并映射到基金维度[58] **模型具体构建过程**： - 回归模型： $$R_{i}=\alpha_{i}+\beta_{i,MT}\times MRT+\beta_{i,SHB}\times SMB+\beta_{i,HML}\times HML+\beta_{i,HMT}\times RMW$$ $$+\beta_{i,CHA}\times CMA+\beta_{i,TQ}\times MT0+\varepsilon$$[58] - 对股票情绪Beta进行行业和市值中性化处理： $$\beta_{i,T0}\;=\;\alpha+\gamma_{M}l n(m k t c a p)+\sum_{j=1}^{n}\gamma_{j}\times l n d_{j,i}+\varepsilon_{i}$$[60] - 基金持仓逆向投资能力因子（FHB）计算公式： $$FHB\ =\ \sum_{i=1}^{n}w_{i}\times\widehat{\beta}_{i,T0}$$[63] 3. **模型名称**：多因子扩展模型（基于收益） **模型构建思路**：在Carhart四因子模型中加入换手率变化因子，直接通过基金日度收益回归得到情绪Beta[69] **模型具体构建过程**： - 回归模型： $F_{i}=\alpha_{i}+\beta_{i,MRT}\times MKT+\beta_{i,SMB}\times SMB+\beta_{i,HML}\times HML$ $+\beta_{(UMD)}\times UMD+\beta_{(TO)}\times\Delta T0+\varepsilon$[69] - 换手率变化因子计算同模型1[70] 量化因子与构建方式 1. **因子名称**：基于基金持仓的逆向投资能力因子（FHB） **因子构建思路**：通过基金持仓股票的情绪Beta加权合成，反映基金经理选股的逆向能力[58][63] **因子具体构建过程**： - 计算股票情绪Beta并中性化[58][60] - 按持仓权重加权：$FHB = \sum w_i \times \widehat{\beta}_{i,TO}$[63] 2. **因子名称**：基于基金收益的逆向投资能力因子（FSB） **因子构建思路**：通过基金日度收益对换手率变化的敏感度直接衡量逆向能力[69] **因子具体构建过程**： - 扩展Carhart四因子模型回归得到$\beta_{TO}$[69] 3. **因子名称**：逆向投资能力因子（FSB综合） **因子构建思路**：将FHB与FSB等权合成，综合持仓与收益维度的信息[75] **因子具体构建过程**： - 合成公式：$FSB_{\text{综合}} = 0.5 \times FHB + 0.5 \times FSB$[75] 模型的回测效果 1. **情绪Beta模型**： - 股票层面RankIC均值-2.75%，年化RankICIR -0.49[43] - 行业层面RankIC均值-4.44%，年化RankICIR -0.29[47] - 基金层面RankIC均值-5.78%，年化RankICIR -0.48[51] 2. **FHB因子**： - RankIC均值-7.30%，年化RankICIR -0.92，胜率67.21%[64] - 多头组季均超额收益0.95%，空头组-0.78%[64] 3. **FSB因子**： - RankIC均值-8.92%，年化RankICIR -1.04，胜率75.41%[71] - 多头组季均超额收益0.83%，空头组-0.65%[71] 4. **FSB综合因子**： - RankIC均值-10.85%，年化RankICIR -1.39，胜率78.69%[75] - 多头组季均超额收益1.23%，空头组-1.07%[76] 因子评价 1. **增量信息**：逆向投资能力因子与9大类选基因子相关性绝对值均低于0.1，剥离常见因子后仍保持显著预测效果（G1组季均超额收益0.82%）[82][89] 2. **适应性**：2023年后RankIC均值-11.20%，年化RankICIR -1.41，优于收益类因子（RankIC降至-1.40%）等传统因子[99] 3. **风格暴露**：低情绪Beta基金持仓偏向低Beta、高市值、低杠杆股票，但与主动权益基金整体风格偏离较小[112][114]