摘要

　　放眼未來，量化和基本面分析的緊密結(jié)合將是大勢(shì)所趨;而就目前來看，基于因子的基本面量化投資并非基本面分析的完美替代。

　　1、偉大的會(huì)面

　　1968 年夏天，兩個(gè)后來均被視為投資界傳奇的人 —— Warren Buffett 和 Edward Thorp —— 進(jìn)行了一次偉大的會(huì)面。

　　Buffett，無需多言，他深諳基本面分析、是價(jià)值投資的終極代言詞;Thorp，也無需多言，他是加州大學(xué) Irvine 分校(UCI)數(shù)學(xué)系教授，一個(gè)戰(zhàn)勝了賭場(chǎng)和華爾街的男人(Thorp 2017)。

　　Thorp 早先最出名的是發(fā)明了 21 點(diǎn)的記牌法，并利用凱利公式下注，征服了拉斯維加斯。之后，他又將其數(shù)學(xué)和概率天賦應(yīng)用于華爾街，以系統(tǒng)性的量化手段戰(zhàn)勝了市場(chǎng)，他的基金在近 30 年里取得了年化 20% 以上的收益率。Thorp 可以算作是較早將量化技術(shù)引入投資的先驅(qū)(Thorp and Kassouf 1967)。

　　將這兩人湊到一起的是 Ralph Waldo Gerard，時(shí)任 UCI 研究生院的院長。他之前一直將自己的錢交給 Buffett 管理并獲得了很高的收益。然而在 1968 年，Buffett 發(fā)現(xiàn)使用他的老師 Graham 那一套已經(jīng)無法找到足夠多的便宜的股票了，因此決定將資金退回給投資人。這就是 Gerard 需要換一個(gè)人幫他理財(cái)?shù)钠鯔C(jī)，而他很自然的想到了他在 UCI 的朋友 Thorp，另一個(gè)驚世天才。

　　于是便有了上面所說的會(huì)面。

　　

　　見面后，Buffett 和 Thorp 都給予對(duì)方很高的評(píng)價(jià)。Thorp 回家后和他妻子說，Buffett 將在未來成為這個(gè)世界上最富有的人。而 Buffett 對(duì) Thorp 的直接評(píng)價(jià)我們不得而知，但從側(cè)面可以猜想到應(yīng)該也不低，因?yàn)樵谶@次碰面后，Gerard 將自己的錢交給 Thorp 管理。

　　這大概是基本面分析(fundamental analysis)和量化投資(quantitative investment)的第一次握手。而講這個(gè)故事也是為了引出今天的主題 —— 基本面量化投資。

　　2、從基本面分析到基本面量化投資

　　近年來，因子投資(factor investing)被廣泛接受。其中很多因子是通過財(cái)務(wù)報(bào)表中的會(huì)計(jì)學(xué)指標(biāo)構(gòu)造的，比如 Book-to-Market Value、Return on Equity 等，它們被稱為基本面因子。定量使用這類因子進(jìn)行的基本面投資則被稱為基本面量化投資(Quantamental)，這個(gè)概念也已深入人心，Quantamental 在華爾街大行其道。

　　基于某些 financial ratios 并利用 portfolio optimization techniques，大量的 rule-based 選股策略被發(fā)明出來;它們被視為繼承了基本面分析(fundamental analysis)的衣缽。另一方面，因子投資的普及造就了數(shù)不勝數(shù)的 smart beta ETFs 產(chǎn)品;其中不乏對(duì)標(biāo)基本面分析的 Value 和 Quality 因子類產(chǎn)品。這些低成本 ETFs 讓普通投資者享受因子投資的同時(shí)，也推波助瀾了基本面分析的“因子化”。面對(duì)如此影響深遠(yuǎn)的變化，Wall Street Journal 不禁高呼“The Quants Run Wall Street Now”。

　　

　　隨著使用因子來執(zhí)行的基本面量化投資的影響日益深遠(yuǎn)，也有學(xué)者表達(dá)了擔(dān)憂。代表性的觀點(diǎn)是，雖然量化較主觀投資有著毫無爭(zhēng)議的優(yōu)勢(shì)(比如可以摒棄人的認(rèn)知偏差、可以回測(cè));但僅僅使用財(cái)報(bào)中的 financial ratios 這種相對(duì)“簡(jiǎn)單粗暴”的方式遠(yuǎn)非基本面分析的合格代替品;使用財(cái)務(wù)數(shù)據(jù)排序來構(gòu)建因子的量化手段僅僅是對(duì)證券內(nèi)在價(jià)值(intrinsic value)進(jìn)行 naïve estimate。

　　上述觀點(diǎn)背后的代表人物正是以研究盈余操縱而聞名的 Richard Sloan。對(duì)于 Sloan 教授，我想不用多做介紹。小伙伴們對(duì)他關(guān)于 earnings management 以及 accruals 的著名論文 Dechow, Sloan, and Sweeney (1995) 以及 Sloan (1996) 都諳熟于心。

　　2017 年，Sloan 應(yīng)美國會(huì)計(jì)協(xié)會(huì)(AAA)主席邀請(qǐng)作為當(dāng)年 AAA 年會(huì) Presidential Scholar 的演講嘉賓之一，做了一篇題為 Fundamental Analysis Redux(基本面分析的重生)的報(bào)告。在報(bào)告中，Sloan 表達(dá)了基本面投資“因子化”的擔(dān)憂：學(xué)術(shù)界越來越忽視 fundamental analysis 的重要性，而是傾向于用有限個(gè)簡(jiǎn)單的財(cái)務(wù)指標(biāo)構(gòu)建因子模型來代替前者;基于因子的基本面量化投資很容易忽視掉財(cái)報(bào)中的重要信息，且這些指標(biāo)的數(shù)值反映的很可能是失真的會(huì)計(jì)數(shù)據(jù)(上市公司充分利用會(huì)計(jì)準(zhǔn)則來產(chǎn)生會(huì)計(jì)報(bào)表)而非某種能夠?qū)崿F(xiàn)盈利的錯(cuò)誤定價(jià)機(jī)會(huì)。

　　Sloan 在 AAA 年會(huì)做的這篇報(bào)告于 2019 年發(fā)表于 The Accounting Review(Sloan 2019)。作為基本面量化投資的擁護(hù)者，我看后感受頗深，也非常同意量化投資和基本面分析的相結(jié)合不應(yīng)僅僅止步于挑選幾個(gè)財(cái)務(wù)指標(biāo)構(gòu)建因子這個(gè)層面。

　　本文接下來幾節(jié)就來梳理一下 Sloan (2019) 這篇文章的主要內(nèi)容。行文中也會(huì)加入一些其它相關(guān)文獻(xiàn)作為支持。希望它能帶給各位小伙伴一些思考。

　　感謝汪榮飛博士發(fā)給我 Sloan (2019) 這篇文章。

　　3、基本面分析：A Brief History

　　基本面分析源自 Graham and Dodd (1934) 這本著名的 Security Analysis;基本面分析旨在通過定量和定性分析與上市公司相關(guān)的經(jīng)濟(jì)和金融數(shù)據(jù)來衡量證券的內(nèi)在價(jià)值。而 Security Analysis 所提倡的基本面分析技術(shù)直接催生了金融分析師(financial analysts)這個(gè)職業(yè)。

　　1937 年，紐約證券分析師協(xié)會(huì)成立并于 8 年后推出了 The Analysts Journal。1947 年，美國一些地方的證券分析師協(xié)會(huì)合并，成立了第一個(gè)全國性的金融分析師協(xié)會(huì)(National Federation of Financial Analysts Societies)。隨后，該協(xié)會(huì)更名為 Financial Analysts Federation(FAF);The Analysts Journal 也更名為 Financial Analysts Journal。1959 年，Institute of Chartered Financial Analysts(ICFA)成立并開始舉辦 Chartered Financial Analysts(CFA)考試。最終，F(xiàn)AF 和 ICFA 合并組成了如今家喻戶曉的 CFA Institute。

　　隨著金融分析師行業(yè)的發(fā)展，在上世紀(jì) 70 年代前后，基本面分析主宰了華爾街。在機(jī)構(gòu)方面，有像 Fidelity 這樣的巨頭使用嚴(yán)格的基本面分析來推行它們的業(yè)務(wù);而在投資者方面，有像 Warren Buffet 和 John Neff 這樣的明星作為基本面分析的擁躉。此外，CFA Institute 在其課程設(shè)置上也把基本面分析作為在重中之重。

　　然而就在同期，隨著學(xué)術(shù)界在金融領(lǐng)域的迅速發(fā)展，一些變化悄然發(fā)生了。

　　自上世紀(jì) 50 年代開始，現(xiàn)代投資組合理論、CAPM、有效市場(chǎng)假說(EMH)以及期權(quán)定價(jià)相繼被提出，奠定了金融學(xué)的基礎(chǔ)。而它們之中，對(duì)基本面分析造成最大沖擊的當(dāng)屬有效市場(chǎng)假說。Fama (1965) 寫到：

　　“If the random walk theory is valid and if security exchanges are ‘efficient’ markets, then stock prices at any point in time will represent good estimates of intrinsic or fundamental values. Thus, additional fundamental analysis is only of value when the analyst has new information which was not considered in forming current market prices or has new insights concerning the effects of generally available information which are not already implicit in current prices.”

　　如果市場(chǎng)是有效的，那么價(jià)格已經(jīng)很好的反映了證券的內(nèi)在價(jià)值。因此，除非分析師有新的消息(或者對(duì)已有消息有新的解讀)，否則是無法通過已有財(cái)報(bào)找到定價(jià)錯(cuò)誤的。雖然 EMH 從推出以來就一直伴隨著爭(zhēng)議(往回翻仔細(xì)看本文第一張圖左上角 Buffett 的那句話)，但它依然作為市場(chǎng)第一范式牢牢統(tǒng)治了學(xué)術(shù)界的課堂。

　　以 Bodie, Kane, and Marcus (2017) 這本投資學(xué)圣經(jīng)(可以算是美國各大商學(xué)院投資學(xué)課程的指定教材;2017 年為第 11 版)為例，其寫作理念就從一定程度上支持了 EMH 作為教學(xué)的第一范式，因此僅使用了很少的篇幅介紹基本面分析，而將更多的章節(jié)留給投資學(xué)中的其他內(nèi)容：

　　“The integrated solutions for Bodie, Kane, and Marcus’ Investments set the standard for graduate/MBA investments textbooks. The unifying theme is that security markets are nearly efficient, meaning that most securities are priced appropriately given their risk and return attributes. The content places greater emphasis on asset allocation and offers a much broader and deeper treatment of futures, options, and other derivative security markets than most investment text.”

　　80 年前，Graham and Dodd (1934) 這本 Security Analysis 用了 15 章用來介紹基本面分析;而如今在 Bodie, Kane, and Marcus (2017) 這本幾乎商學(xué)院學(xué)生人手一冊(cè)的經(jīng)典著作中，僅用了 1 章介紹基本面分析。與之形成巨大反差的是，該書中有 9 章介紹投資組合管理、3 章介紹資產(chǎn)定價(jià)、2 章介紹有效市場(chǎng)假說，以及 4 章介紹衍生品定價(jià)。

　　這種學(xué)術(shù)界和教學(xué)中對(duì)于基本面分析的逐漸忽視潛移默化的影響了一代代新人，讓嚴(yán)謹(jǐn)且科學(xué)的基本面分析走出了大眾的視野。

　　4、基本面量化投資：A Brief History

　　本小節(jié)來回顧一下使用因子進(jìn)行基本面量化投資的發(fā)展史。

　　我在之前寫過一篇關(guān)于因子投資的綜述性文章《學(xué)術(shù)界、管理人、投資者視角下的因子投資》，從三個(gè)維度闡述了因子投資的發(fā)展。該文的很多觀點(diǎn)和 Sloan (2019) 不謀而合。感興趣的小伙伴不妨一讀。下面主要介紹下 Sloan (2019) 中的觀點(diǎn)。

　　對(duì)于股票市場(chǎng)的定量分析很大程度上得益于上世紀(jì) 60 年代 CRSP 推出了股票價(jià)格數(shù)據(jù)，因?yàn)樗尰販y(cè)成為可能。有了數(shù)據(jù)的支持，學(xué)術(shù)界各顯神通，先是對(duì) CAPM 進(jìn)行了檢驗(yàn)并拒絕了它，而后又接二連三的發(fā)現(xiàn)了一個(gè)又一個(gè)的異象(anomalies)或因子(factor)。比如著名的 Fama and French (1993) 三因子中的 Book-to-Market Ratio(B/M)就是一個(gè) value 因子。

　　隨著學(xué)術(shù)界在挖掘異象的道路上越走越遠(yuǎn)，業(yè)界自然也沒閑著。業(yè)界把學(xué)術(shù)界的研究成果很好的落地化，變成了許多 style indices(風(fēng)格指數(shù))。舉例來說，1987 年 Russell Investments 推出了較早的兩個(gè)風(fēng)格指數(shù)，分別對(duì)標(biāo)價(jià)值股和成長股，而構(gòu)造方法恰恰是 B/M：B/M 前一半的股票被放在了 Value Index、B/M 后一半的股票被放在了 Growth Index。在這之后，S&P、MSCI 以及 CRSP 也推出了它們各自的風(fēng)格指數(shù)。

　　最初，推出這些指數(shù)的目的是用來評(píng)估主動(dòng)基金經(jīng)理人的業(yè)績。然而不久之后，復(fù)制這些指數(shù)的基金便應(yīng)運(yùn)而生，而這其中的代表則是大名鼎鼎的 Vanguard。1992 年，Vanguard 推出了第一支 value index fund(和第一支 growth index fund)：

　　“The Value Portfolio seeks to replicated the aggregate price and yield performance of the S&P/Barra Value Index, an index which includes stocks in the S&P 500 Index with lower than average ratios of market prices to book value. These types of stocks are often referred to as ‘value’ stocks.”

　　Index-based Value Funds 一經(jīng)推出便受到了追捧。人們把它們視作主動(dòng)型價(jià)值投資的低成本替代品。鑒于 Value 因子取得的巨大成功，業(yè)界也開始把關(guān)注的重點(diǎn)進(jìn)而轉(zhuǎn)移到學(xué)術(shù)界發(fā)現(xiàn)的其他顯著異象，并構(gòu)造出了一系列 smart beta 產(chǎn)品。在這之中，除了 value 之外另一個(gè)高度依賴財(cái)務(wù)數(shù)據(jù)的則是 quality 因子。

　　下圖展示了 MSCI、Russell 以及 Fidelity 三家提供的 quality index 的選股標(biāo)準(zhǔn)。雖然每一家都用了不止一個(gè)財(cái)務(wù)指標(biāo)來描述高質(zhì)量公司，但我們也不得不承認(rèn)，這些標(biāo)準(zhǔn)依然非常粗糙。頗有意思的是這三個(gè)構(gòu)造方法都是用了某種投資回報(bào)率指標(biāo)(如 ROE 或 ROA)。這很大程度上得益于學(xué)術(shù)界在 profitability 上的研究成果(比如 Novy-Marx 2013);同時(shí)也反映出業(yè)界對(duì)于學(xué)術(shù)界的最新發(fā)現(xiàn)追蹤的非常及時(shí)。截止 2018 年 4 月，規(guī)模最大的 quality 因子 ETF —— the iShares Edge MSCI USA Quality Factor ETF —— 的資金量高達(dá) 45 億美元。

　　

　　除了單一因子的指數(shù)外，業(yè)界的另一創(chuàng)新是將多個(gè)因子融合到一個(gè) index-based 產(chǎn)品之中(multiple factor investing)。這樣，投資者只需要購買一個(gè)對(duì)應(yīng)的 ETF 就可以分散化的暴露于幾個(gè)相關(guān)性較低的風(fēng)格因子(盡管它們的尾部風(fēng)險(xiǎn)相關(guān)性并不低……)。這其中最著名的要數(shù) MSCI Diversified Multiple-Factor 系列產(chǎn)品，它的目標(biāo)是最大化的暴露在 Value、Momentum、Quality 以及 Low Size 四個(gè)因子上。在該產(chǎn)品線上，規(guī)模最大(10 億美元)的 ETF 是 iShares Edge MSCI Multifactor USA ETF。

　　除了這些 index-based 產(chǎn)品之外，華爾街上還有數(shù)不勝數(shù)的管理人采用基于因子的方法實(shí)踐著基本面量化投資;這其中不乏 Dimensional Fund Advisors、AQR Capital Management、Arrowstreet Capital 等耳熟能詳?shù)拿?。這些基金都有基于因子的基本面量化投資產(chǎn)品。

　　上述這些推動(dòng)了基本面投資“因子化”的盛行;卻也使得這種投資手段變得異常擁擠。

　　5、基本面投資“因子化”的不足

　　面對(duì)大量相似的、幾乎沒有秘密可言的基本面因子產(chǎn)品，一個(gè)自然而然的問題就是它們能賺到錢嘛?事實(shí)上，以因子投資的先驅(qū)和倡導(dǎo)者 AQR 為例，它這幾年的因子產(chǎn)品表現(xiàn)可謂慘不忍睹(見《艱難時(shí)刻需要堅(jiān)韌信仰》)。

　　對(duì)于上面這個(gè)問題，客觀的答案是：像 Value、Quality 等風(fēng)格因子從長期來看是有風(fēng)險(xiǎn)溢價(jià)的。對(duì)很多 super investors 業(yè)績的歸因也可以佐證這一點(diǎn) —— 這些大佬的收益在很大程度上可以被上述風(fēng)格因子解釋。但是，對(duì)于短期內(nèi)某個(gè)乃至全部主流風(fēng)格因子的表現(xiàn)，投資者必須要有非常理性的預(yù)期。

　　近日，Rob Arnott、Campbell Harvey 等人發(fā)文闡述了因子投資中的三大問題(Arnott et al. 2019)。其中第一條就是投資者錯(cuò)誤的預(yù)期，包括低估了樣本內(nèi)過擬合的風(fēng)險(xiǎn)(一些因子本來就是假的)、沒有考慮競(jìng)爭(zhēng)帶來的因子擁擠、以及對(duì)實(shí)際交易成本估計(jì)嚴(yán)重不足等問題。這三點(diǎn)在 Sloan (2019) 中也有介紹。下面分別來看。

　　Data Mining(p-Hacking)

　　通常來說，我們認(rèn)為一個(gè)因子有效是因?yàn)樗诨販y(cè)中取得了非凡的風(fēng)險(xiǎn)收益特征。然而，由于 multiple testing 的問題，很多所謂顯著的因子或異象僅僅是數(shù)據(jù)挖掘的產(chǎn)物。Harvey, Liu, and Zhu (2016)、Green, Hand, and Zhang (2017) 以及 Hou, Xue, and Zhang (2018) 的研究結(jié)果均支持上述觀點(diǎn)。

　　因子擁擠

　　一個(gè)新因子被提出后，隨著越來越多人使用，它在樣本外的效果則會(huì)打折扣。McLean and Pontiff (2016) 研究了 97 個(gè)因子在被發(fā)表之后的表現(xiàn)，發(fā)現(xiàn)因子的收益率比樣本內(nèi)降低 50% 以上。Rule-based 的因子投資更是加劇了這種負(fù)面影響。任何一個(gè)投資策略想要持續(xù)賺錢都是利用了市場(chǎng)在某方面的非有效性。當(dāng)使用的人越來越多，市場(chǎng)在這方面就會(huì)變得更有效，從而降低了該因子獲取收益的能力。

　　因子擁擠也會(huì)造成流動(dòng)性沖擊。一旦市場(chǎng)中發(fā)生沖擊風(fēng)格因子的事件后，持有相似頭寸的管理人會(huì)競(jìng)相賣出手中的股票，由此產(chǎn)生的流動(dòng)性危機(jī)會(huì)造成很大的虧損。2007 年 8 月，美股市場(chǎng)上一些非常優(yōu)秀的量化對(duì)沖基金在短時(shí)間內(nèi)錄得了巨大的虧損。Khandani and Lo (2011) 對(duì)此進(jìn)行了研究并發(fā)現(xiàn)，很多量化基金經(jīng)理在短時(shí)間內(nèi)清理了相似的頭寸，巨大的拋壓對(duì)流動(dòng)性造成了巨大的打擊、使得這些股票的價(jià)格在短時(shí)間內(nèi)大幅下降。

　　實(shí)施成本

　　大多數(shù)研究因子的學(xué)術(shù)論文中并沒有對(duì)交易費(fèi)用給予充分的考慮，造成對(duì)因子收益率的高估。此外，由于因子投資組合一般都是多、空對(duì)沖的組合，因此如果不合理考慮做空限制，也會(huì)高估因子的收益。以 value 因子為例，Kok, Ribando, and Sloan (2017) 指出并沒有證據(jù)表明基于 B/M ratio 的策略可以持續(xù)的戰(zhàn)勝基準(zhǔn)。B/M 在回測(cè)中的良好表現(xiàn)主要來自于做空一小撮微小市值的成長股。因此，盡管該因子的 on paper 收益率很高，但在實(shí)際中考慮了各種成本和費(fèi)用之后，卻難以盈利。

　　毫無疑問，以因子為工具的基本面量化投資帶給人們?nèi)碌耐顿Y途徑。然而，上述諸多問題也隨著它的發(fā)展變得日益嚴(yán)重，蠶食了因子投資的收益。究其原因，還是因?yàn)閮H僅基于幾個(gè)財(cái)務(wù)指標(biāo)來構(gòu)建因子這種做法相對(duì)粗糙，它們?cè)诤芏鄷r(shí)候難以反映財(cái)務(wù)報(bào)表中所傳遞出來的最具價(jià)值的信息。從這個(gè)意義上說，基本面投資的“因子化”還遠(yuǎn)遠(yuǎn)不能取代基本面分析。

　　下面通過 Sloan (2019) 中的一個(gè)例子說明基本面分析的價(jià)值以及因子投資對(duì)此的無能為力。

　　6、A Case Study

　　Big Five Sporting Goods(下稱 BIG5)是一家總部位于加州的體育用品零售商，主要針對(duì)美國西部市場(chǎng)。下圖展示了該公司于 2017 年 3 月 31 日最新的財(cái)務(wù)指標(biāo)(針對(duì) 2016 財(cái)年)。圖中八大指標(biāo)分別屬于 Value、Momentum、Quality 以及 Low Size 四大主流因子。對(duì)比 BIG5 和全部股票可知，該公司集 high value、high momentum、high quality 以及 low size 四大優(yōu)點(diǎn)于一身。

　　

　　如此“優(yōu)異”的股票怎能不令人心動(dòng)?該公司也毫無懸念的從基本面多因子選股體系中脫穎而出，成為了各路策略追逐的明星。下表展示了 2017 年 3 月 31 日持有該股票的前十大機(jī)構(gòu)(BlackRock、Dimensional Fund Advisors、Vanguard 等赫然在列)。

　　

　　當(dāng)上述這些機(jī)構(gòu)靠著多因子信號(hào)競(jìng)相購買 BIG5 之時(shí)，它的前最大股東 Stadium Capital 卻悄悄的在 2016 年 6 月到 2017 年 3 月之間把它所擁有的全部 13% 股份先后賣出。與上述這些機(jī)構(gòu)不同的是，Stadium Capital 是一家專注于基本面分析的對(duì)沖基金。

　　究竟是誰比誰更聰明?是使用多因子投資的這些機(jī)構(gòu)，還是站在它們對(duì)立面的、深諳基本面分析的 Stadium Capital?科學(xué)的基本面分析將會(huì)告訴我們答案。

　　隨著以 Amazon 為代表的 online 電商的迅速發(fā)展，傳統(tǒng)零售商受到了巨大的沖擊，BIG5 自然也不例外。而其在 2016 財(cái)年的優(yōu)異表現(xiàn)得益于它比它的競(jìng)爭(zhēng)對(duì)手活的更長一些。BIG5 的兩大競(jìng)爭(zhēng)對(duì)手分別為 The Sports Authority 和 Sports Chalet。由于整個(gè)傳統(tǒng)零售行業(yè)下行，這兩位紛紛于 2016 年申請(qǐng)破產(chǎn)，這立竿見影的減少了 BIG5 在線下面臨的競(jìng)爭(zhēng)。競(jìng)爭(zhēng)對(duì)手的破產(chǎn)使得 BIG5 稱為線下消費(fèi)者的唯一選擇，很大程度上提振了 BIG5 在 2016 年的業(yè)績。但考慮到行業(yè)受到電商的沖擊，這也僅僅是回光返照而已。在 2016 年 Q3 的財(cái)報(bào)中，BIG5 也坦承了這一點(diǎn)：

　　“Results were driven by strong sales growth, including increases in both customer transactions and average sales, as well as improved merchandise margins, and clearly reflected the benefit from the closure of over 200 Sport Authority and Sport Chalet store locations in our markets.”

　　然而上述 8 大指標(biāo)的優(yōu)異數(shù)值并不能反映出上述問題。

　　除了競(jìng)爭(zhēng)對(duì)手的紛紛垮臺(tái)之外，另一大提升 BIG5 業(yè)績的事件是 2016 年美國總統(tǒng)選舉。當(dāng)時(shí)，民主黨候選人希拉里呼聲頗高，而希拉里的主張之一是限制槍支。大量的槍支擁護(hù)者擔(dān)心希拉里如果當(dāng)選將會(huì)頒布更嚴(yán)厲的控槍措施，因此在當(dāng)年 11 月份大選之前紛紛購置了更多的槍支。作為槍支的銷售商，BIG5 受此事件影響而大大提升了銷售額。后面的事情大家都知道了，特朗普當(dāng)選，輿論嘩然;而槍支銷售給 BIG5 帶來的高收益也僅僅成為曇花一現(xiàn)。

　　再一次的，上述 8 大指標(biāo)的優(yōu)異數(shù)值全然無法反映上述問題。

　　從 value 因子角度來看，2016 年銷售額和盈利的激增讓 BIG5 非常誘人。但當(dāng)我們通過基本面分析得知這背后的原因就會(huì)明白，這么高的財(cái)務(wù)數(shù)據(jù)是難以持續(xù)的。如果以它們來外推，根本無法對(duì)該公司基本面的變化做出正確判斷。下圖顯示了該公司 2016 到 2017 年股價(jià)和 EPS 的走勢(shì)。

　　

　　再讓我們看看 quality 維度的 ROE 指標(biāo)。財(cái)報(bào)顯示，BIG5 的 ROE 高達(dá) 0.084。但基本面分析發(fā)現(xiàn)其財(cái)報(bào)中存在斯通見慣的“old plant trap”，這極大降低了 ROE 中作為分母的 the book value of equity，從而虛高了 ROE。由于 BIG5 處在一個(gè)衰落的行業(yè)之中，其 PP&E 的攤銷成本大大低估了其原始成本。具體來說，PP&E 的原始成本為 3.2 億美元，而 2016 年財(cái)報(bào)中它的 net PP&E 僅為 7 千 8 百萬。為了對(duì)此進(jìn)行修正，Sloan (2019) 將 PP&E 的累積貶值加回到 book value of equity 之中，從而增大了 ROE 的分母。重新計(jì)算后，ROE 較前值 0.084 降低了 50% 以上，僅為 0.039。以這個(gè)水平來說，BIG5 并沒有創(chuàng)造很好的回報(bào)。

　　除 ROE 之外，quality 的另外兩個(gè)指標(biāo) debt to equity 以及 accruals to assets 也出現(xiàn)了不同程度的失真。對(duì)于前者的計(jì)算，沒有考慮 operating leases。一旦把它加入，BIG5 的 debt to equity ratio 便從 0.065 一下跳升至 1.500(直接落入高杠桿 quantile)。對(duì)于后者，BIG5 在 2016 年末有一大筆 accounts payable。因此，僅看其財(cái)報(bào)上的 high cash flow 實(shí)際上并不能正確判斷其真實(shí)的運(yùn)營情況，該 high cash flow 在未來難以持續(xù)。

　　當(dāng)我們使用基本面分析搞清楚了 BIG5 所處的行業(yè)背景以及其財(cái)報(bào)后面的來龍去脈，變會(huì)恍然大悟。原來在和因子投資機(jī)構(gòu)的比拼中，Stadium Capital 笑到了最后。

　　這個(gè)例子說明僅用簡(jiǎn)單的因子是難以捕捉財(cái)報(bào)中其他有價(jià)值的信息。即便是在因子投資為主宰的今天，科學(xué)、嚴(yán)謹(jǐn)?shù)幕久娣治鋈杂泻芨叩膬r(jià)值。

　　7、結(jié)語

　　最后聊聊我看完 Sloan (2019) 的感受。

　　我猜有些小伙伴會(huì)認(rèn)為 Sloan (2019) 僅使用了很少的例子(原文中用了兩個(gè) case studies;本文介紹了 BIG5 這一個(gè))說明基本面分析的價(jià)值并“否定”因子投資不足以令人信服。畢竟，基本面投資的“因子化”和基本面分析的使用者所具備的 skill sets 不同。

　　對(duì)于普通投資者，正因?yàn)椴痪邆鋵I(yè)金融分析師的基本面分析能力，才使用因子投資;而使用 value、quality 這些風(fēng)格因子的目標(biāo)是以概率取勝。換句話說，也許使用有限個(gè)因子挑出來的個(gè)別股票并不靠譜(比如上面的 BIG5)，但只要控制好倉位，讓選出的標(biāo)的足夠分散，那么還是能夠依靠概率優(yōu)勢(shì)和大數(shù)定律獲得長期的風(fēng)險(xiǎn)溢價(jià)。

　　長久以來，學(xué)術(shù)界的一種主流觀點(diǎn)是：由于有限套利，市場(chǎng)并非完美有效;而定價(jià)錯(cuò)誤的大小應(yīng)剛好等于通過基本面分析(以發(fā)現(xiàn)該定價(jià)錯(cuò)誤)的套利成本。而顯然，使用一些廣為人知的因子來實(shí)現(xiàn)基本面量化投資并沒有套利成本，所以因子投資者應(yīng)該對(duì)它能夠取得的效果有正確的認(rèn)知。就因子投資的效果來說，樣本內(nèi)的過度挖掘以及樣本外的過度擁擠都會(huì)對(duì)其產(chǎn)生很大的負(fù)面影響;基本面投資的“因子化”并不等同于基本面分析。

　　我想，這才是 Sloan (2019) 呼吁重新重視基本面分析的初衷。在 Security Analysis 中，Graham 和 Dodd 就曾明確的指出投資者不應(yīng)僅僅依靠幾個(gè)量化的指標(biāo)來制定其投資決策，而是應(yīng)該進(jìn)行全面系統(tǒng)的基本面分析。

　　當(dāng)然，這不意味著量化和基本面分析不能結(jié)合。

　　隨著近幾十年投資學(xué)作為一門獨(dú)立學(xué)科高速發(fā)展，數(shù)量化的觸角已經(jīng)滲透到投資流程的方方面面，如今可以說是無量化不投資。時(shí)至今日，廣義的量化投資已經(jīng)發(fā)展成為基于現(xiàn)代科學(xué)方法的理論體系、研究方式以及工程系統(tǒng)的總和。因此，基本面分析和量化投資的合二為一注定會(huì)發(fā)生。當(dāng)前基于因子的基本面量化投資只是一個(gè)過渡，而這二者的較佳結(jié)合應(yīng)是使用量化的手段來高質(zhì)量、低成本的復(fù)制優(yōu)秀基本面分析師對(duì)于財(cái)務(wù)報(bào)表勾稽關(guān)系的解讀。當(dāng)然，這絕不容易。

　　在現(xiàn)階段，如何有效的利用基本面分析來提升因子投資的效果呢?主要有以下兩個(gè)途徑。

　　首先，利用會(huì)計(jì)學(xué)知識(shí)可以加工因子。舉一個(gè)最簡(jiǎn)單的例子。Return on Total Assets(ROTA)是一個(gè)常用的指標(biāo)。根據(jù)定義，它可以分解為：

　　

　　上式左側(cè)正是 ROTA。在上式右側(cè)，它被分解為兩部分的乘積。其中右側(cè)第一項(xiàng)是 net profit margin，代表了公司的效益(effectiveness);第二項(xiàng)是 total asset turnover，代表了公司的效率(efficiency)。ROTA 的高低由 effectiveness 和 efficiency 兩要素決定。比起單一要素帶來的高 ROTA 而言，當(dāng)效益和效率都很高時(shí)，這個(gè)公司更有可能是優(yōu)秀的公司。從這個(gè)猜想出發(fā)可以把 ROTA 因子改進(jìn)分解成這兩部分的組合，并以這兩部分的綜合評(píng)分來選股，以此和單純使用 ROTA 選股進(jìn)行對(duì)比。下表給出了在中證 500 指數(shù)上的效果。

　　

　　結(jié)果顯示，ROTA 分解后，純多頭組合的夏普率較單純使用 ROTA 而言從 0.62 上升至 0.67。利用簡(jiǎn)單的會(huì)計(jì)學(xué)知識(shí)就有可能改進(jìn)一個(gè)常見的因子并取得更好的風(fēng)險(xiǎn)收益特征。再次強(qiáng)調(diào)的是，這僅僅是一個(gè) toy example;基本面分析在因子的改造中能夠發(fā)揮更大的作用。

　　利用會(huì)計(jì)學(xué)知識(shí)和基本面分析的第二個(gè)重要作用是識(shí)別財(cái)務(wù)造假。無論是 Enron 的偽造收入，還是 WorldCom 的偽造利潤和現(xiàn)金流，都可以從它們財(cái)務(wù)報(bào)表中尋覓出蛛絲馬跡。會(huì)計(jì)學(xué)領(lǐng)域有很多經(jīng)典著作揭示了財(cái)務(wù)欺詐的常見方法，非常值得學(xué)習(xí)。具備專業(yè)的基本面分析知識(shí)對(duì)于因子投資中的排雷至關(guān)重要。

　　基本面分析關(guān)心的本質(zhì)是對(duì)公司未來現(xiàn)金流的預(yù)測(cè)?；谝蜃拥幕久媪炕顿Y有其無可替代的優(yōu)勢(shì)，但僅依賴有限的財(cái)務(wù)指標(biāo)所關(guān)注的仍然只是已經(jīng)發(fā)生的過去。唯有以量化的手段進(jìn)行基本面分析才有可能更好的預(yù)測(cè)未來。對(duì)于因子投資來說，科學(xué)、嚴(yán)謹(jǐn)?shù)幕久娣治鰧?huì)持續(xù)創(chuàng)造價(jià)值。

　　放眼未來，量化和基本面分析的緊密結(jié)合將是大勢(shì)所趨;而就目前來看，基于因子的基本面量化投資并非基本面分析的完美替代，一如 Sloan 教授在 Fundamental Analysis Redux 一文最后所說的那樣：

　　“I acknowledge the benefits of quantitative investing, but argue that the simpleand well-known rules-based strategies that increasingly dominate today’sinvesting landscape are not good substitutes for fundamental analysis.”

量化金融分析師(簡(jiǎn)稱AQF ，Analyst of Quantitative Finance)由量化金融標(biāo)準(zhǔn)委員會(huì)(Standard Committee of Quantitative Finance，SCQF)主考并頒證，是代表量化金融領(lǐng)域的專業(yè)水平證書。 >>>點(diǎn)擊咨詢AQF證書含金量

　　

課程適合人群：

　　金融工程/數(shù)學(xué)專業(yè)背景的同學(xué)/工作人士，希望進(jìn)一步學(xué)習(xí)Python編程以及在量化投資的實(shí)戰(zhàn)應(yīng)用；

　　非金融工程專業(yè)背景的同學(xué)/工作人士，希望迅速成為寬客；

　　金融相關(guān)人員，希望學(xué)習(xí)如何系統(tǒng)的做量化策略；

　　個(gè)人投資者，希望系統(tǒng)學(xué)習(xí)掌握量化投資相關(guān)的實(shí)務(wù)技能，從模型開發(fā)，回測(cè)，策略改進(jìn)，搭建穩(wěn)定的量化交易系統(tǒng)。>>>點(diǎn)擊咨詢AQF課程相關(guān)問題

（點(diǎn)擊上圖了解課程詳情）

　　量化金融分析師AQF核心課程體系：

　　1、《量化投資基礎(chǔ)》

　　主要涵蓋了量化投資領(lǐng)域的必備知識(shí)，包括：基本面分析、技術(shù)分析、數(shù)量分析、固定收益、資產(chǎn)組合管理、權(quán)益、另類投資等內(nèi)容。

　　2、《Python語言編程基礎(chǔ)》

　　包含了Python環(huán)境搭建、基礎(chǔ)語法、變量類型、基本函數(shù)、基本語句、第三方庫、金融財(cái)務(wù)實(shí)例等內(nèi)容。旨在為金融財(cái)經(jīng)人提供最需要的編程方法。

　　3、《基于Python的經(jīng)典量化投資策略》

　　包含了最富盛名，最基本的量化交易思想和交易策略。例如：海龜交易模型、Logistics模型、配對(duì)交易模型、波動(dòng)擴(kuò)張模型、Alpha模型、機(jī)器學(xué)習(xí)(隨機(jī)森林模型、主成分分析)、深度學(xué)習(xí)(人工神經(jīng)網(wǎng)絡(luò))等內(nèi)容。

　　4、《量化交易系統(tǒng)設(shè)計(jì)》

　　旨在學(xué)習(xí)量化交易系統(tǒng)的具體知識(shí)，包括過濾器，進(jìn)入信號(hào)，退出信號(hào)，倉位管理等詳細(xì)內(nèi)容，并指導(dǎo)學(xué)員設(shè)計(jì)涵蓋個(gè)人交易哲學(xué)的量化交易系統(tǒng)。

　　5、《量化實(shí)盤交易》

　　旨在為解決實(shí)際量化交易策略搭建過程中的一些問題提供較優(yōu)解決方案。 >>>點(diǎn)擊咨詢AQF相關(guān)問題

　　

　　掌握Python及量化投資技能，我們能做什么?

1、熟悉中國主要金融市場(chǎng)及交易產(chǎn)品的交易機(jī)制；

2、熟知國內(nèi)外期貨交易、股市交易的異同點(diǎn)和內(nèi)在運(yùn)行機(jī)制；

3、掌握經(jīng)典量化交易策略細(xì)節(jié)及其背后的交易哲學(xué)；

4、掌握金融、編程和建模知識(shí)基礎(chǔ)，擁有量化交易實(shí)盤操作能力；

5、具備獨(dú)立自主地研發(fā)新量化交易策略的能力；

6、掌握量化交易模型設(shè)計(jì)的基本框架，以及風(fēng)險(xiǎn)管理和資產(chǎn)組合理論的實(shí)際運(yùn)用；

7、掌握從策略思想——策略編寫——策略實(shí)現(xiàn)餓完整量化投資決策過程；具備量化投資實(shí)戰(zhàn)交易能力。

　　

　　

　　參考文獻(xiàn)

　　Arnott, R., C. R. Harvey, V. Kalesnik, and J. Linnainmaa (2019). Alice's adventures in factorland: three blunders that plague factor investing. The Journal of Portfolio Management, Vol. 45(4), 18 – 36.

　　Black, F. and M. Scholes (1973). The pricing of options and corporate liabilities. Journal of Political Economy, Vol. 81(3), 637 – 654.

　　Bodie, Z., A. Kane, and A. J. Marcus (2017). Investment(11th edition). McGraw-Hill.

　　Dechow, P. M., R. G. Sloan, and A. P. Sweeney (1995). Detecting earnings management. The Accounting Review, Vol. 70(2), 193 – 225.

　　Fama, E. F. (1965). Random walks in stock market prices.Financial Analysts Journal, Vol. 51(1), 75 – 80.

　　Fama, E. F. and K. R. French (1993). Common Risk Factors in the Returns on Stocks and Bonds. Journal of Financial Economics, Vol. 33(1), 3 – 56.

　　Graham, B. and D. L. Dodd (1934). Security Analysis. McGraw-Hill.

　　Green, J., J. R. M. Hand, and X. F. Zhang (2017). The characteristics that provide independent information about average U.S. monthly stock returns. The Review of Financial Studies, Vol. 30(12), 4389 – 4436.

　　Harvey, C. R., Y. Liu, and H. Zhu (2016). … and the cross-section of expected returns. The Review of Financial Studies, Vol. 29(1), 5 – 68.

　　Hou, K., C. Xue, and L. Zhang (2018). Replicating anomalies. The Review of Financial Studies, forthcoming.

　　Khandani, A.E. and A.W. Lo (2011). What happened to the quants in August 2007? Evidence from factors and transactions data. Journal of Financial Markets, Vol. 14(1), 1 – 46.

　　Kok, U. W., J. Ribando, and R. G. Sloan (2017). Facts about formulaic value investing. Financial Analysts Journal, Vol. 73(2), 81 – 99.

　　McLean, R.D. and J. Pontiff (2016). Does academic research destroy stock return predictability? The Journal of Finance, Vol. 71(1), 5 – 32.

　　Novy-Marx, R. (2013). The other side of value: the gross profitability premium. Journal of Financial Economics, Vol. 108(1), 1 – 28.

　　Sloan, R. G. (1996). Do stock prices fully reflect information in accruals and cash flows about future earnings? The Accounting Review, Vol. 71(3), 289 – 315.

　　Sloan, R. G. (2019). Fundamental analysis redux. The Accounting Review, Vol. 94(2), 363 – 377.

　　Thorp, E. O. (2017). A Man for All Markets: from Las Vegas to Wall street, How I Beat the Dealer and the Market. England, London: Oneworld Publications.

　　Thorp, E. O. and S. T. Kassouf (1967). Beat the Market: a Scientific Stock Market System. New York: Random House.

金程推薦： AQF培訓(xùn) AQF培訓(xùn)機(jī)構(gòu) AQF是什么意思

咨詢電話：400-700-9596

AQF考友群：760229148

　　金融寬客交流群：801860357

　　微信公眾號(hào)：量化金融分析師

　　>>>返回首頁

　　聲明丨作者：石川，量信投資創(chuàng)始合伙人，清華大學(xué)學(xué)士、碩士，麻省理工學(xué)院博士;精通各種概率模型和統(tǒng)計(jì)方法，擅長不確定性隨機(jī)系統(tǒng)的建模及優(yōu)化。