中国A股因子投资:2026年数据指南
为何规模、价值与短期反转在中国A股历史上能带来回报,而价格动量却较弱——立基于学术共识,并附上SurgeFlow即时CN因子数据与免费API。
类别:因子研究
在中国A股中,什么能带来回报,什么不能
在中国A股,学术研究记录了强劲的规模与价值溢价,以及显著的短期反转效应,而传统的价格动量则较弱或不存在(Liu, Stambaugh and Yuan, 2019)。SurgeFlow并不主张这些是其专有的研究成果;它发布每日、即时点(point-in-time)的CN因子回报,你可以在 /factors 上查看,并通过免费API获取。
A股市场在结构上有别于成熟市场。它由散户主导,具有高换手率与频繁的反转,且历史上最小规模的上市公司带有内含的借壳上市或壳价值溢价,这会污染天真构建的规模因子。正因如此,既有文献主张在构建中国规模因子之前先剔除最小十分位(decile)的股票,并以盈利对价格(earnings-to-price)代理变量取代标准的账面对市值(book-to-market)价值代理变量,作者发现后者能更好地捕捉此市场中的价值效应(Liu, Stambaugh and Yuan, 2019, Journal of Financial Economics)。
实务上的含义是,不应假设整批照搬自美国研究的因子结果在中国同样成立。SurgeFlow将每个市场分开处理:CN因子模型是以A股数据估计、以沪深300(CSI 300)为基准,并遵循全部八个市场通用的同一套发布规则来把关,而非遵循全球默认值。
因子如何构建与检验
SurgeFlow为中国A股构建Fama-French式因子:SMB(规模)、HML(价值)、RMW(盈利能力)、CMA(投资)、WML(动量)以及LIQ流动性因子。每个因子都是由排序投资组合的多头与空头腿(long and short legs)所构成的每日回报序列,搭配即时点(point-in-time)基本面数据,以确保没有未来信息泄漏到历史信号中。
因子的相关性以标准的横断面方法评估。Fama-MacBeth回归通过在每一期将回报对因子载荷进行横断面回归、并将所得斜率在时间上取平均来估计每个特征附带的平均溢价,t统计量则就该时间序列计算。GRS检验(Gibbons, Ross and Shanken, 1989)检查某候选因子模型是否在各检验投资组合上不留下任何具经济意义的alpha,而VIF诊断则标记多重共线性,以避免重复计入重叠的因子。一个有效方向解析器(effective-direction resolver)记录因子在数据中实际带来回报的符号,而非假设教科书方向。 - SMB规模、HML价值、RMW盈利能力、CMA投资、WML动量、LIQ流动性——每日回报序列 - 即时点(point-in-time)基本面数据与幸存者偏误处理,以避免前视偏误(look-ahead bias) - Fama-MacBeth溢价、GRS模型检验、VIF多重共线性检查、最低观测值门槛 - 一道发布门槛,阻止未通过完整性或显著性检查的因子被呈现为可用
分项组合、加权与综合评分
Factor Backtest V2(因子回测V2)将单一因子与组合转化为多头分项组合(sleeves),并就每个分项组合报告可比较的指标:夏普比率(超额)、年化信息比率、最大回撤、换手率与观测值数量。分项组合在两种加权方案下构建。等权(EW)给予每个标的相同的配置。风险平价(RP)则反过来缩放仓位,使每个持仓贡献相近比例的投资组合风险,这通常会抑制波动最大标的的影响力。
为了在不挑樱桃(cherry-picking)的情况下挑选出具代表性的胜出者,SurgeFlow以z分数综合值对分项组合进行排名,即取 0.5乘以z(夏普) 加上 0.5乘以z(信息比率) 的argmax(最大值),因此一个分项组合必须在风险调整后回报与超额回报一致性两方面都得分良好。作为具体的跨市场参考点,当前美国综合胜出者是在约十年期间的 WML+RMW Top-30 RP 分项组合,以夏普与信息比率皆排名第一。那是一个美国结果;CN分项组合排名是以A股数据计算,鉴于已记录的中国价格动量疲弱,结果可能看起来不同。诚实的做法是去阅读即时的CN数值,而非假设美国模式可以迁移过来。
本文使用了哪些SurgeFlow数据
中国A股因子模型是以Tushare获取的A股价格与基本面数据估计,并以沪深300(CSI 300)为基准。因子回报序列与每个分项组合的回测指标发布于即时的factor(因子)与backtesting(回测)页面,每日更新并受发布门槛约束,因此那里显示的任何因子都已通过即时点(point-in-time)、幸存者与最低观测值检查。
我们刻意不在本页印出固定的中国规模、价值或动量溢价、夏普比率或权重。那些数值会随数据变动,最好即时阅读。CN市场的覆盖细节——范围宇集(universe)、来源与已知缺口——记录于CN股票市场数据覆盖页面,而套用于其他市场的同一套因子方法论则记载于US与JP覆盖页面以供比较。 - 来源:Tushare A股价格与基本面;基准沪深300(CSI 300) - 即时因子回报于 /factors;每个分项组合指标于 /backtesting - 覆盖、范围宇集与缺口详载于 /research/cn-equity-market-data-coverage
注意事项与跨市场框架
有两点警示很重要。第一,中国A股市场在样本期间已发生变化:监管转变、逐步向外资开放,以及小型股壳价值溢价的变化,意味着因子行为并非平稳(not stationary),因此在某一期间记录到的溢价未必持续。第二,此处引用的学术发现是来自同行评审著作的公开共识,而非SurgeFlow专有的发现;读者可以也应该对照原始论文加以查证。
本文所述皆非投资建议、推荐或预测。它是对研究数据以及产出该数据所用方法的描述。我们所作出的最强主张是方法论层面的:因子是按各市场分别估计、以标准统计程序检验,并在未通过时予以保留(不发布)。数字本身存在于数据之中。
获取数据:免费API密钥
你可以在 /factors 上查看即时的中国A股因子回报,在 /backtesting 上查看每个分项组合的回测指标,然后以程序化方式获取相同数据。免费的公开API涵盖全部八个市场,每日250次请求,每个市场附有realtime(即时)、screen(筛选)与hotlist(热门名单)端点,另加一个summary(摘要)端点;模式(schema)发布于 /api/public/openapi.json。
要开始,请创建一个免费API密钥并于 /membership 打开即时控制台(console)。在那里你可以直接查询CN因子与市场端点、将中国与US及JP因子页面进行比较,并在依赖任何序列之前查核已记录的覆盖情况。
来源与延伸阅读
以上各项主张的主要、学术及SurgeFlow数据参考资料: - Liu, J., Stambaugh, R. F., and Yuan, Y. (2019). Size and value in China. Journal of Financial Economics, 134(1), 48-69. - Fama, E. F., and French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33(1), 3-56. - Fama, E. F., and French, K. R. (2015). A five-factor asset pricing model. Journal of Financial Economics, 116(1), 1-22. - Fama, E. F., and MacBeth, J. D. (1973). Risk, return, and equilibrium: empirical tests. Journal of Political Economy, 81(3), 607-636. - Gibbons, M. R., Ross, S. A., and Shanken, J. (1989). A test of the efficiency of a given portfolio. Econometrica, 57(5), 1121-1152.