摘要
国内红利类Smart Beta产品发展迅速,高分红股票具有长期投资价值
红利类产品是Smart Beta产品的重要类型,在海外市场相对较为成熟,无论在产品规模还是产品数量上都位居前列。同时,在国内所有类别Smart Beta产品中,红利也是相对历史较长、现存数量较多、规模增速较快的,目前规模超过110亿元,是2018年底规模的2倍左右,发展十分迅速。红利的派发不仅给投资者带来直接的现金流收益,同时也反映公司良好的财务、运营状况以及利润水平,投资界和学术界的研究均发现,高分红的股票长期拥有可观收益。本文中我们根据因子测试结果,设计了一个连续分红+低估值+低波动的红利类改进策略,业绩表现优秀。
海外红利类Smart Beta市场:经历充分博弈,发展仍在持续
作为海外市场的代表,目前美国Smart Beta ETF市场中红利类产品总规模位列第三,呈现明显的头部效应和先发优势,显示美国的红利类产品已经过充分博弈。同时,红利类产品的规模和数量仍在持续上升,显示投资者对此类产品的需求仍未饱和。红利类产品中当前规模超过百亿美元的4只头部产品业绩表现都比较优秀,相对S&P500指数长期具有超额收益。
国内红利类Smart Beta市场:发展道路波折,2019年规模快速扩张
国内的红利类Smart Beta产品发展较为曲折,自2006年首只产品问世后,产品数量一直不多,总规模处于波动状态,直至2016年总规模触底至10.6亿元,随后2017-2019 三年规模迅速回升,产品数量也快速增多,目前红利类产品总规模114.5亿元,是2018年底规模的两倍左右。从2017年开始逐渐有一些含红利要素的多因子类Smart Beta基金问世,目前总规模36.1亿元。2019年是红利类Smart Beta产品快速发展的一年。
国内红利类Smart Beta指数编制方案采用的因子较单一,同质化程度高
通过对国内外红利类Smart Beta代表性产品的指数编制方法进行分析和对比,可以发现美国市场的指数编制呈现多元化、细节化以及指标严格的特点,注重长期的分红成长;而国内产品的指数编制方案中采用的因子比较单一,以股息率为主,选股方法同质化程度较高,筛选指标较为宽松。目前A股红利类指数数量较多,并且由于A股历史较短,客观来讲红利因子创新空间有限,采用红利因子和其它因子复合选股可能是实现红利产品差异化的理想途径。
红利策略改进:连续10年分红+低估值+低波动,业绩表现优秀
从红利指标的测试结果来看,沪深300成分股中连续10年分红的股票组合表现明显优于其它组合,并且现有指数编制方案中长期连续分红条件比较少见,该指标相对存在差异性。我们尝试构建连续10年分红+低估值+低波动的改进策略,在全回测期间内相对中证全指的年化超额收益为11.14%,信息比率1.37,换手率水平较低,持仓股票较稳定。该策略的良好表现也验证了长期分红指标的可行性,可以考虑在未来的指数构建中引入类似指标。
风险提示:红利类 Smart Beta 产品的发展受到市场环境影响,海外发展规律不一定适用于国内;国内Smart Beta 产品尚未有公允的统计标准,报告中的统计标准存在一定主观性;对Smart Beta编制方法和指标的测试基于历史数据,结果依赖于回测区间和公开数据源,不一定能代表未来有效性;报告中涉及到的具体 Smart Beta 产品列表及分析内容不代表任何投资意见,探讨的Smart Beta策略仅供参考,请投资者谨慎、理性地看待。
红利类Smart Beta:发掘优质股票
自从2005年左右Smart Beta概念被提出以来,Smart Beta产品在海外已经经历了十余年的发展,市场逐渐趋于成熟;相较而言,国内的Smart Beta市场仍旧处于起步阶段,整体呈现蓝海的局面。然而,随着最近几年指数化投资的走热,Smart Beta概念的热度也在迅速提升,这一亩未经充分开垦的良田,其布局价值正在进一步显露。
2019年2月我们发布了Smart Beta系列首篇研究报告《Smart Beta:乘风破浪趁此时》,对国内外Smart Beta产品发展现状和趋势进行介绍。2019年7月我们继续发布了该系列第二篇研究报告《博观约取:价值和成长Smart Beta》,具体解析了全球Smart Beta产品中规模最大的价值和成长类产品。红利类产品是海外Smart Beta市场中规模仅次于价值、成长的第三大类产品,是本篇报告的研究重点,正文中我们将对红利Smart Beta产品的国内外情况进行详细讨论,并对红利指标的使用和指数编制方法进行深入探讨。
纵观近代投资史,红利一直受到不少投资者青睐。巴菲特、涅夫、利弗莫尔等声名远扬的投资大师都曾使用高股息率作为衡量股票投资价值的关键指标,同时结合其它因子进行选股,能够收获不菲的投资回报。杰里米·J·西格尔在《投资者的未来》中早有论证,若将标普500指数成分股按照年末股息率高低分层,在考虑股利再投资的情况下,高股息组合收益明显高于低股息组合收益。
学术界对这一现象展开了充分的研究,学者们也从不同的角度解释了“股利政策是否会影响股票价值”。传统观点以M.Gordon等人提出的“一鸟在手”理论最为著名,该理论认为企业的留存收益再投资时会有很大的不确定性,因此投资者倾向于获得当期的而非未来的收入,即现金股利;现代理论有如“信号传递理论”,认为股利是管理者向外界传递公司未来盈利能力信息的方式,如果预计到公司的发展前景良好,就会通过增加股利来将此信息及时告诉投资者;著名的关于公司融资偏好的“啄食顺序”理论更是成功为红利因子的广泛应用奠定了基础。
红利不仅是赋予投资者的现金流,同时也包含了公司的盈利状况、财务质量等信息。一方面,盈利较好的公司拥有发放高红利的基础,红利指标与公司利润和现金流往往保持着较强的正相关关系;另一方面,运营稳健、未来发展前景良好的公司更倾向于通过派息的方式使股东获益,所以高分红的公司倾向于被市场认可。长期的学术研究和投资实践共同得出这样的结论:红利因子具有筛选出中长期业绩表现良好的股票组合的能力。在后面第三章第一小节中,我们也对红利因子的A股有效性进行了验证。
红利类产品是Smart Beta产品的重要类型,在海外市场相对较为成熟,无论在产品规模还是产品数量上都位居前列。同时,在国内所有类别Smart Beta产品中,红利也是相对历史较长、现存数量较多、规模增速较快的,国内首只Smart Beta产品——华泰柏瑞上证红利ETF即属于红利类产品。无论对于散户投资者还是FOF管理人,红利类产品都比较值得关注。在本报告中,我们将对红利类Smart Beta产品在海内外的发展与分布状况、策略编制方法和产品设计思路进行细致的探讨。
Smart Beta 产品市场:海外领先于国内,具有参考价值
海外市场:红利产品总规模位居第三,头部产品长期能够战胜标普500
海外市场的Smart Beta产品发展阶段领先于国内市场,有着较高参考价值。在2019年12月研报《2019年Smart Beta产品发展分析》中,我们曾根据ETF.com上2019年11月30日的数据,对美国市场上因子型Smart Beta ETF产品按策略类型进行分布统计,红利类产品总规模居第三位(详见图表1)。在图表2中,我们展示了近二十年美国市场红利类Smart Beta产品每年的新发情况,以观察产品的整体发展趋势。通过横向比较可以看到,目前美国市场红利类产品总规模仅次于价值和成长类产品,相对其它类型产品仍保持着明显优势;另一方面,从图表2可以看出近年来仍有红利类新产品持续发行,最近五年有30只新产品面世,可以推测市场对红利类产品仍存在需求。
头部效应明显,有4只产品规模超过百亿美元
成熟的市场往往具有明显的头部效应,这些头部产品具有较强的参考价值。以当前基金的资产管理规模作为排序指标,我们分析了红利类Smart Beta ETF中规模前十的产品及其基本情况,展示在图表3中(表中数据为12月20日ETF.com上的数据)。
分析以上红利类Smart Beta ETF的头部产品可以看出,管理规模主要集中在头部4只产品,并且以VIG的规模为最,明显与其他产品拉开身位,甚至与排名第十的产品存在量级上的差异。从发行时间来看,仅2只产品发行于2010年后,先发效应明显。从费率上看,排名前二的2只Vanguard旗下产品费率均为0.06%,明显低于其他同类型产品,规模排名前四的产品费率均不超过0.40%,推测低费率存在市场优势。
头部产品规模仍在增长,相对标普500指数有超额收益
我们统计了图表3中管理规模在100亿美元以上的4只基金从2003年以来的管理规模变化(2003/12/31-2019/12/20),分别是Vanguard集团于2006年发行的两只产品——VIG和VYM,State Street Global Advisors于2005发行的SDY和Blackrock集团于2003年发行的DVY。如下图所示,上述四只产品的管理规模总体上呈现波动上升的趋势,其中Vanguard集团的两只产品增长幅度和速度显著高于另外两个产品。其中规模最大的VIG目前已经达到400多亿美元的管理规模。
单位净值曲线反映了投资标的组合的整体市场表现,能够直观地体现产品相对于市场组合的差距,对于Smart Beta产品而言也能一定程度反映出因子的有效性和周期性。这里我们仍然以头部4只红利类Smart Beta产品为例,并以S&P500作为基准指数,通过计算归一化后的单位净值,来观察红利类Smart Beta产品在美国市场的表现,从而观察其综合的盈利能力和抗风险能力。我们以2006年12月29日作为基准日期,计算它们的单位净值走势(2006.12.29-2019.12.20),如图表5所示。我们用4只产品净值除以S&P500净值得到图表6,以观察4只产品相对S&P500指数的相对强弱走势。
可以看到,4只产品整体均跑赢S&P500。DVY表现与S&P500相对接近,早期出现明显回撤,但在2008年后有所回升;VIG、VYM和SDY均体现出持续稳定的优势。其中VIG早期优势明显,而SDY和VYM有相对平稳的上升趋势。
结合编制方法来看,VIG采用连续10年分红增长,辅以成交量和市值的限制;VYM首先选取12个月预期股息为正的股票,然后按股息率排名选取前50%;SDY要求连续20年分红增长,并辅以流通市值和成交量的限制,和VIG的要求接近但更为严苛;DVY编制方法相对复杂,要求近五年连续分红且该年股利大于近五年均值,同时限制EPS非负以及一定的股息覆盖率,再以股息率排名进行选取。以上编制方案详见图表14。
从上表可以看出,总体上4只产品的年化收益率、年化波动率以及夏普比率相比S&P500均有一定优势,但月胜率比较接近50%。
国内市场:2019年红利类Smart Beta产品规模快速扩张
华泰柏瑞上证红利ETF是国内第一支红利类Smart Beta基金,同时也是国内首支Smart Beta基金。自其2006年发行以来,国内陆陆续续推出了多只红利类Smart Beta产品。本文延续之前的深度报告《Smart Beta:乘风破浪趁此时》(2019/2/20)中关于Smart Beta基金的统计口径并结合目前已有的公开数据源,对国内红利类Smart Beta基金进行梳理,一共筛选出18只红利类产品。同时,我们以红利、股息做关键词,还从所有多因子类产品中筛选出11只含红利要素的,在接下来的小节中也做了相关统计。
目前红利产品共18只,总规模超百亿元,红利相关多因子产品也在快速发展
目前所有国内红利类Smart Beta基金和含红利要素的多因子类Smart Beta基金列表如下,其中有一些产品的A、C份额各自对应一个代码且成立日期不同,我们在“基金代码”列里展示了全部份额对应的代码,在“基金成立日”列里展示比较靠前的一个成立日期。
目前红利类Smart Beta基金一共有18只,其中有些产品跟踪的指数除了利用股票分红信息之外,也利用了一些财务质量信息(比如中证红利潜力指数),在严格意义上应属于多因子类指数,但考虑到这些指数最核心信息来源仍是红利,并且投资者投资于此类指数的主要目的也是精选高分红股票,所以仍旧将它们归类为红利类。
目前含红利要素的多因子类Smart Beta基金一共有11只,其中10只都在跟踪不同的红利低波动指数,只有1只跟踪的是红利成长低波动指数。这些基金成立日期都在2017年12月(含)以后,并且在近两年迎来快速发展。红利低波动指数的投资逻辑在于,一方面通过红利因子筛选出优质上市公司并获取稳定红利收益,另一方面又通过低波动来控制下行风险,使组合更为稳健。红利低波动产品近期发展较快可能还是源于投资者对红利因子的青睐,同时存在对高分红投资组合的改进需求。
2019年红利类产品数量与规模比去年底均接近翻倍
观察上面图表可以发现,红利类Smart Beta产品的总规模在2010年以前呈波动状态,没有形成明显的上升或下降趋势,在2007年、2009年都曾突破50亿元;2010-2012三年总规模几乎没有发生变化,随后便开始逐年下滑,直至2016年规模触底至10.6亿元;2017-2019三年红利产品规模迅速回升,目前总规模114.5亿元,是2018年底规模的两倍左右。从2017年开始逐渐有一些含红利要素的多因子类Smart Beta基金问世,2018年规模比2017年稍有增长,目前总规模36.1亿元,是2018年底规模的两倍有余。
可以推测,当前红利相关产品正处于发展热潮之中,市场出现较大的需求,可以考虑乘势进行产品布局;但同时,高密度的产品发行也可能造成市场的短期拥挤。
大部分红利指数长期表现优秀,2016-2018年超额收益比较突出
我们从图表8-9中提取出所有投资于A股的红利相关指数,分年度统计其收益率,并与四个市场指数(上证综指、深证成指、中证全指、沪深300)进行对比,结果如下表所示。可以发现2016-2018三年红利指数表现整体上还是优于市场指数的,2019年则表现一般。
我们统计了2006/12/29-2019/12/20区间内红利指数与市场指数的年化收益率及夏普比率,如下表所示。长期来看,红利指数相对市场指数存在一定超额收益,具有长期投资价值。但结合上表统计结果,红利指数表现在不同年份间存在波动,并且不同的红利指数彼此间也存在差异。这些跟指数的选样空间和编制方法有较大关系,投资者也需警惕其中的风险。
红利类产品平均行业配置:超配房地产等行业、低配非银行金融等行业
我们将国内所有红利类Smart Beta基金在2019年中报披露的行业配置情况按基金规模求加权平均值,并在下表中进行展示。我们用中证全指的行业配置作为基准,考察红利类基金的超配情况。
通过上图可以看出,国内红利类Smart Beta基金配置银行和非银行金融行业占比约为15.82%,合计较中证全指低配4.69%;配置房地产行业占比12.93%,较中证全指超配8.51%。此外,红利类基金还超配了煤炭、电力及公用事业和汽车等行业,低配有色金属、基础化工、建筑以及电子、计算机等科技类行业。
红利类Smart Beta 指数编制方案
Smart Beta基金的本质是被动指数型产品,其跟踪的指数的编制方案决定了产品的成分特征,因此指数编制方案的设计非常重要。在本节内容中,我们将对海内外具有代表性的红利类ETF产品的编制方法进行研究,借鉴市场上较为成熟和先进的红利类Smart Beta指数编制思路和细节,为未来的产品设计和布局提供启发。
海外代表性红利指数构建方法:指标严格,细节多样
海外Smart Beta产品市场相比国内更加成熟,其头部产品经历了长时间的竞争和博弈,可以认为拥有较为先进的设计理念和配置思路。在海外市场中,美国Smart Beta ETF市场产品数量和规模均独树一帜,具有先导性的借鉴意义。接下来,我们首先选取美国市场中相对规模领先的Smart Beta ETF产品并展示其指数的编制方法,从而一窥美国市场中红利类Smart Beta产品的编制思路与细节处理。
从上表可以看出,海外红利指数的编制思路有一定的相似性,但细节上拥有很强的多样性,采用的指标也相对多样化和高标准。
在对红利因子的应用上,美国市场的主流红利类Smart Beta指数兼具共性和差异。一方面,红利的成长性较受重视,NASDAQ和S&P旗下的两只指数均加入了红利增长的条件,其中S&P旗下的指数采用连续20年股息连续增长的条件,直观来看非常严苛;FTSE指数采用预期红利指标,将预期股息率筛选和排序进行结合,本质上对股息率排序进行了提纯;Dow Jones旗下的指数最为复杂,除考虑股息派发的稳定性、连续性等正向红利指标外,还加入了股利覆盖率和EPS指标,即添加了财务质量的考量。整体来看,以上方法或通过少数简明但严格的指标进行筛选,或通过多层指标进行结合。
在调仓频率方面,以上红利类指数的调整频率并不高,其中三只指数的成分股调整频率为年频,可以推测美国市场股票的红利风格具有一定的长期稳定性。
总体来说,海外红利主题股指编制方案对细节较为注重,采用的红利指标相对多样,且筛选条件偏严格。
国内代表性红利指数构建方法:指标宽松,同质化高
A股市场红利类Smart Beta产品目前正处于快速增长期,增加指数设计的差异化从长远来看具有重要意义。我们选取了国内具有代表性的红利指数,采取与上一小节类似的方法进行展示。根据图表8中产品信息,有一只目前规模较大的产品——华宝标普中国A股红利机会跟踪的指数是由外资公司编制的,没有列入下表中。我们曾在2017年2月11日报告《A股红利指数比较研究》中对该指数进行过详细讨论并分析其编制方案的优点,此处就不再专门探讨了。
可以看到,以上指数编制方法存在较高的同质化,其中三只指数采用了连续现金分红条件,但窗口期仅为两年,严格程度远不及图表14中的四个美股红利指数。深证红利价格指数的编制方法相对来说有一些差异,但整体区别不大。从加权方式上看,股息率加权的方式比较普遍,在一定程度上增加了红利因子的暴露;同时,红利类指数的调仓频率总体偏低,除沪深300红利外均为年频调仓,这一点和美国市场较为相似。
同时,我们还对近期市场较为热门的红利低波动指数编制方案进行了汇总,如下表所示。
可以看到,图表16中红利低波动指数与图表15中红利指数编制方案比较类似,通常是先用红利因子对样本空间进行筛选,再从剩余股票中选取波动率较低的作为指数成分股。加权方式则呈现出一定的差异性,有股息率加权、波动率倒数加权、股息率/波动率加权三种方式。调仓频率则从每年一次到每年四次不等。
指数编制方法的差异性源于海内外股票分红情况不同
纵观中外市场的红利指数,美国市场中红利指数呈现出细节化、指标多元化、筛选严格的特点,注重红利的成长性,且窗口期长度超过国内;相比之下,国内的编制方法呈现出一定的同质化,几只代表性指数更多地依赖于红利派发的连续和股息率,未见采用红利成长性指标。在指数加权方式和调仓频率上,海内外的方式较为吻合。
指标的严格性差异是值得我们关注的焦点之一。不同于国内以两年为限,国外多数股指的成分股连续分红年限较高,大多为五到十年,甚至有在分红成长指标上赋予二十年年限的例子,远远超过国内市场。我们推测有以下几方面原因:
其一,国内整个股票市场起步较晚,早期的数据完整性和股票丰富度有限,采用长期指标在客观上存在难度;其二,海外投资者多以长期投资为主,股票分红是重要的投资收益来源,上市公司需要有稳定的分红来吸引投资者,而A股市场中分红并不如海外受重视,投资者在股价产生的资本利得上更为关注,导致公司分红的外源性动力产生差距;其三,A股的分红方式包括配股、送股等多样化方式,“高送转”公司曾一度受市场青睐,现金分红的方式为替代渠道所分流。以上种种原因,或多或少会对国内红利因子有效性以及红利指标的应用产生影响。
综上所述,我们认为单纯的红利因子在国内有一定的局限性,可能难以实现类似海外的多元化、严格化筛选;同时我们也注意到,近几年随着A股市场的逐步成熟,公司分红在逐渐普及化,分红数据的存储和获取难度也在进一步降低,红利因子的应用或可以进一步突破限制。截至目前,尽管红利类产品已经呈现一定的规模,市场上尚未出现多样化的红利因子筛选指标,我们认为目前与其它因子结合形成多因子选股策略可能是红利类产品差异化的重要实现方向。在后文中,我们将对红利指标以及与其它指标的结合进行测试,并探讨编制方法创新的可能性。
红利类Smart Beta 策略构建:从因子测试开始
从前文所述可以看出,红利因子在Smart Beta产品中有着重要的地位,尤其在海外市场产品种类丰富;反观国内,尽管近年来红利类或采用红利因子的Smart Beta产品有明显的发展趋势,但现有的产品在设计上较为单一,同质化明显。当前市场对指数化投资的需求扩大、被动型产品有望进入高发期,Smart Beta产品作为资产配置工具的价值将进一步凸显。在这种趋势下,通过策略上的设计和优化、实现产品间的差异化就显得较为重要,既能开发出新的市场空间,增加产品竞争力,同时也是在进一步完善Smart Beta产品的资产配置功能,填补市场的需求。因此,关于红利因子的研究拥有一定的实践意义。
在本章节中,我们将详细探讨红利因子在A股市场的应用细节,包括红利因子的不同指标在A股市场的分层表现、红利类指数的加权方式以及红利因子与股票风格间的组合情况等。
红利类因子分层回测:股息率和长期连续分红指标较为有效
传统的因子评价方法包括IC分析法、回归法、分层测试等。由于股息派发并不是一个稳定、平滑的指标,存在较多无股息派发的情况,通过IC分析法和回归法得到的评价指标比较容易受到影响而产生不准确的结果。因此,我们选择分层测试法并妥善制定分层规则,使分层测试的结果能如实展示红利因子择股能力。我们以沪深300、中证500和中证1000指数成分股分别作为样本空间进行因子分层测试,然后将红利因子在不同风格股票池中的表现加以对比。
我们在回测过程中希望尽可能贴近Smart Beta指数的维护方式,调仓频率设为半年一次。因为指数调仓的观测日通常距实施日有一些距离,我们以每年的4月30日和10月31日作为观测日(即因子结算日),然后在6月和12月最后一个交易日调仓,不考虑交易成本。由于中证1000指数的发行时间在2014年下半年,我们将回测窗口定为2014年12月31日至2019年11月30日。为简便起见,投资组合中所有个股等权重配置,在下一章中我们对个股加权方式进行了更细致的探讨。
基于以上分层测试方案,我们依次对几个常见且具有一定投资逻辑的红利指标进行回测,以观察指标的有效性。
股息率因子:在大市值及中等市值股票中择股能力较强
股息率是经常使用的红利类指标,其作为连续型变量可以较为方便地对股票池进行筛选,也能作为个股加权方式;同时,股息率还能算作估值类指标,能够较公允地评价股票的高估或低估状态。由于股票分红事件从召开股东大会至分红结束会经历一段时间,我们在6月调仓时采用上一年的一/三季报、半年报、年报中已宣告股利,结合4月底股票市值计算股息率;在12月调仓时则采用当年一季报、半年报及上一年三季报、年报中已宣告股利,结合10月底股票市值计算股息率。
在进行分层时,我们首先将过去一年内无股息派发的公司单独作为一层,将剩余股票按股息率降序排列并按股票个数等分为四层,总计得到五个分层进行回测。我们将各层组合净值及基准指数等权组合净值进行展示,然后用各层净值除以基准指数等权组合净值,得到相对强弱走势。测试结果如下:
从净值曲线可以直观地看出,沪深300和中证500票池中各层净值基本依照股息率顺序排列,股息率指标在观测期内和收益的正相关性较为明确;而股息率指标在中证1000中分层测试效果不佳。从各层组合区分程度来看,沪深300中相对最明显,中证500稍弱,而中证1000中区分不明显,可以推测股息率指标的择股能力在大市值及中等市值股票中较为明显,而在小市值股票中相对偏弱。
从时间段来看,2016-2018年间股息率分层效果较好;2019年该指标表现一般。
连续分红因子:连续10年分红指标在沪深300成分股中表现突出
从上一章海内外编制方法汇总中可以看到,连续分红也是一个比较常见的指标,尤其在海外红利类Smart Beta指数中经常用到。连续分红指标体现了公司派发股息的可持续性,连续派发年份长更意味着公司拥有长期的股息派发能力和较为稳健的现金流质量;其特点是淡化了数量上的差异而注重长期可持续性,受行业等其他特定因素的影响较小。
直观上看,长期连续分红的要求较为严格,很可能导致筛选后剩余股票数量过少,不足以构成一个指数的样本空间。因此,我们首先需要观察各个指数成分股中,满足连续长期分红条件的股票数量有多少。这里我们以相对严格的连续10年分红作为条件,观察从2014年至2019年,各年份过去十年满足连续分红条件的股票数量,如下图所示。
从上一章海内外编制方法汇总中可以看到,连续分红也是一个比较常见的指标,尤其在海外红利类Smart Beta指数中经常用到。连续分红指标体现了公司派发股息的可持续性,连续派发年份长更意味着公司拥有长期的股息派发能力和较为稳健的现金流质量;其特点是淡化了数量上的差异而注重长期可持续性,受行业等其他特定因素的影响较小。
直观上看,长期连续分红的要求较为严格,很可能导致筛选后剩余股票数量过少,不足以构成一个指数的样本空间。因此,我们首先需要观察各个指数成分股中,满足连续长期分红条件的股票数量有多少。这里我们以相对严格的连续10年分红作为条件,观察从2014年至2019年,各年份过去十年满足连续分红条件的股票数量,如下图所示。
从净值曲线可以看出,在沪深300成分股中连续分红年数和净值表现整体保持较严格的正相关性,其中连续派发1到5年的股票组合区分度有限,而连续派发10年股息的公司领先程度相当明显;另一方面,在中证500成分股中,5年以下的红利连续派发年数与净值表现一度呈现负相关,仅连续分红达到10年的分层组合在2016年后走势开始回升并超越其它各层表现;在偏小市值风格的中证1000成分股中,长期连续分红股票在观测期初出现大幅回撤,使得观测期内表现不佳,但2016年后回升明显,推测分层效果随着市场逐渐成熟而出现改善。
根据上面回测结果可以确定的是,在沪深300成分股中,连续10年分红的股票组合具有明显且稳定的优势。
分红连续增长因子:整体效果一般
分红连续增长条件主要应用于海外的红利类Smart Beta指数编制方法中,在A股还没有出现类似条件,我们希望观察该指标在A股市场是否会有良好的表现。该指标考察的是一定年份内分红的连续成长性,相对连续派息更加严苛,实际上,在A股符合连续三年以上分红增长的股票数量很少,因此我们只进行连续两年、三年分红增长指标的测试。
我们以股利连续增长的年份作为参数对样本空间进行分层。首先我们仅选择最近一年存在分红的股票,随后计算近两年和三年内的每股股利是否保持增长,对股票池进行分层;并用基准指数等权配置作为基准,以观察分红连续增长条件对近一年有现金分红的股票是否有进一步的择股能力。
从以上图表可以看出,在确定分红的基础上,沪深300成分股内连续分红增长指标有进一步择股能力,但从各层组合表现上看择股效果一般;中证500和中证1000成分股内连续分红指标基本没有择股能力。综合来看,分红连续增长指标的表现不如股息率和连续分红指标。
各指标分层收益统计:推荐沪深300成分股中连续10年分红组合
基于以上回测结果,我们进一步对各个指标分层的业绩表现进行细致统计。在下列表格中,我们首先展示每个指标的各层组合年化收益率,再计算TOP组合(下表中第二列对应的组合)相对等权基准超额收益表现。
从区间统计结果来看,各个指标相对基准指数都有一定的收益提升效果。细分指标中,各红利类因子均在沪深300成分股中表现较好,也即红利类指标相对更适用于大盘股;股息率指标在三种股票池内都有良好分层效果,其它两个指标不如股息率效果稳定;连续10年分红指标展现出一定程度的择股能力,推测该指标在未来可能会有一席之地;连续分红增长指标表现不佳,推测该指标在当前的A股市场尚未成熟。
在上表所有TOP组合中,沪深300成分股中连续10年分红组合具有相对最高的信息比率,下面我们将利用这一指标,结合其它条件,构建红利类改进选股策略。
红利因子改进策略:10年连续分红+低估值+低波动
就当前而言,国内的红利类产品已经呈现一定规模,但红利因子的应用存在着种类单调、条件宽松的特点,单因子产品呈现较明显的同质化;同时,随着近年来红利产品的迅速布局,红利单因子产品无论在可用指标还是样本空间上都已很难再有创新空间,进一步实现差异化存在明显难度。因此,将红利因子融入多因子策略是相对合理的发展方向。
目前A股市场上已经存在若干个将红利因子和其它类别因子结合选股的指数基金。建信中证红利潜力基金在采用分红指标的同时,引入了少许财务质量因子。景顺长城红利成长低波动基金创新地结合了成长指标,在高分红的稳健型股票池中添加了成长性。目前国内的11只含红利要素的多因子Smart Beta产品中大部分都是红利低波动产品,本类别产品选股逻辑鲜明,在通过红利因子锁定优质股的同时强化了对风险的控制。
从直观上看,红利因子的定位是选取前景可观的长期发展型股票,而低波动因子则更倾向于风险控制,两者均对股票组合的稳定性有所强化;在此基础上,加入直接刻画股票价值属性的指标来增强组合收益是较为合理的思路。更明确一点,我们尝试引入估值因子,构建红利+估值+低波动的三因子结合选股策略,期望在增强收益的同时能够对风险有所控制。
通过三因子结合,选取分红能力稳定、具有安全边际、风险可控的股票
Smart Beta产品作为典型的被动指数型产品,具有调仓频率低的特点,对指标的变动反应较慢,容易出现滞后;另一方面,股票分红信息较为离散,对数据采样的时间窗口比较敏感,累计超过一年的分红信息可靠性较高。因此,对于红利指标的应用,着眼于长期效应更为合理。直观来看,长期连续分红指标是应用于Smart Beta产品中较为理想的指标,其优点在于:1)注重分红的长期效应,选取具有稳定分红能力性质的股票;2)指标观察期长,对时间节点的选取以及短期波动不敏感;3)对强周期等行业股票的偶发性分红有免疫性;4)淡化红利因子的量纲,与现在常用的股息率等指标有一定差异性。
长期连续分红指标在海外应用比较广泛;就国内目前的情况而言,连续分红的期限要求总体较短,要求连续分红超过三年的指数很少;但基于图表24的数据,A股市场中长期连续分红的股票数量正在显著增加,长期分红指标已经拥有一定的施展空间。此外,分层测试结果显示,长期(十年)分红的股票在大中盘股票中均有明显优势,2016年后在小盘股同样表现较好。由是来看,长期连续分红是远期来看具有优势的筛选指标,因此我们进一步尝试用该指标替代原有的股息率指标。
进一步,我们引入“价值投资”的理念对策略进行改进。“价值投资”包含内在价值增长以及高安全边际两方面,红利因子一定程度上刻画了公司的长远价值趋势,而估值指标则可以定位股票当前的安全边际。在估值维度上,我们采用市净率(PB)刻画当前股票的估值水平,反映股价与公司净资产的匹配程度。PB 越大,股价超出净资产的程度越高,股票被高估的可能性越大。从价值投资理论上看,将 PB 作为估值指标,更贴近格雷厄姆对“安全边际”、“绝对低估”的要求,埃斯瓦斯·达莫达兰所著《打破神话的投资十诫》中的美国股市PB 因子分层回测结果也展示了低PB股票具有更强的收益性。将PB引入策略,旨在进一步增厚投资组合的收益。
在此基础上,我们参考当前市场上最为主流的红利低波策略,以近一年日收益的波动率作为指标选取波动率较低的股票,在收益率层面控制资产的风险,增加策略的稳定性。基于以上逻辑,改进的多因子策略具有连续分红、低估值、低波动三个维度的暴露。
回测细节设置:每半年调仓、等权重配置个股
样本空间:中证全指
选股指标:
1. 从样本空间中剔除近一年净利润为负的股票;
2. 从剩余股票中选取过去10年连续分红的股票;
3. 对剩余股票按照上一年估值指标PB_LF选取估值得分排在前60%的股票;
4. 对剩余股票按照近一年日收益波动率升序排列,选取前50只股票。
回测区间:2011年6月30日~2019年11月30日
调仓时间:每年6月和12月最后一个交易日
加权方式:等权重
交易费用:不考虑交易费用
对比基准:中证全指、沪深300指数、中证500指数
策略回测历史净值:相对中证全指有稳定超额收益
基于以上选股规则,我们模拟了该策略的指数历史表现,并与几只主要的市场宽基指数进行对比。结果如下所示:
可以看到,指数从早期开始就有较好的收益积累,在2015年市场恢复期有更加明显的优势;从相对强弱上,我们可以进一步看出,除2018年末出现一定回撤以外,改进策略相对样本空间中证全指整体保持稳定的超额收益累积趋势。进一步,我们选取市场上有代表性的红利和红利低波全收益指数,与策略净值进行对比。观察下图可以发现,策略表现优于现存红利相关指数,可以认为估值因子的加入对红利低波动选股策略有一定增强效果。
改进策略表现分析:收益风险特征优秀,持仓市值、换手率等方面合理
根据上一节中回测结果,我们设计的选股策略表现优秀,可以认为该策略有一定的实践意义。在当前市场上,红利类Smart Beta的赛道已然较为拥挤,开发红利相关的多因子产品是寻求差异化相对可行的方向;作为以上测试的总结,我们将连续分红+低估值+低波动的多因子选股策略作为红利因子的改进策略,进行更深入的分析,为红利类Smart Beta产品的设计提供参考。
回测业绩统计:相对中证全指年化超额收益11.1%,信息比率1.4
我们对连续分红+低估值+低波动的改进策略进行区间业绩表现统计,展示如下:
从上图统计来看,除近一年表现落后于沪深300和中证全指外,改进策略在其余统计区间内表现相对稳定领先,其中夏普比率在各个统计区间始终处于最优。改进策略相对中证全指的年化超额收益为11.14%,信息比率1.37,表现比较优秀。
策略指数成分股平均市值:略小于中证全指,大于中证500
我们根据成分股权重与成分股总市值计算出策略持仓的平均市值水平,以观察策略持仓股票在市值上的风格。我们将策略平均持仓市值与几个重要市场指数进行对比,展示如下:
可以看出,整体上改进策略比中证全指平均市值略低,但稳定高于中证500,风格介于大盘和中盘之间,推测与个股等权重配置方式有关;策略在2016-2017年间更加倾向于大市值股票。
策略指数行业分布:偏重交通运输、电力及公用事业、银行等行业
接下来,我们统计策略持仓在各个行业的比重,以下两图分别展示了回测期平均行业分布,以及最新调仓期(2019.6.30)的行业权重分布。
可以看到,整体而言策略的行业分布有一定偏重,交通运输、电力及公用事业、银行、房地产和商贸零售等占据较大比重;最近一期交通运输、电力及公用事业、银行行业占据的比重较高。
策略指数双边换手率:年化约1.5倍
对于半年频调仓的改进策略,换手率一部分来源于中证全指的调整,另一部分则来源于选股指标的波动。我们统计了每次调仓时策略换手率及全回测期平均换手率,展示如下:
从换手率来看,改进策略的换手率相对较为均匀,但2015年出现一次较高值,推测与市场波动有关;组合的半年度平均双边换手率约为74.26%,年化双边换手率1.48倍。如果交易成本(印花税+交易手续费+冲击成本)设定在0.6%,平均每年交易成本约为0.89%。
持仓个股统计:入选次数最高的15只股票持仓时间覆盖度超过60%
在回测区间共计17次调仓中,我们统计了入选成分股频次最高的前30只股票。可以看到,前15只股票在持仓时间上的覆盖度超过60%,有一定的稳定性;常驻股票覆盖电力及公用事业、交通运输、银行等行业。
总结
目前,以美国市场为代表的海外红利类Smart Beta的市场已经经过充分博弈,展现出明显的先发优势、头部效应和发行商层面的寡头格局;但与此同时,红利类Smart Beta产品的数量和总规模仍保持一定的增长势头,尤其是头部产品规模增长趋势明显,可以推测市场对红利产品市场需求尚未被完全填充。从收益上看,美国市场的红利类头部产品和市场走势相关度很高,在其基础上展现出一定的收益增强效果。
国内市场的红利类Smart Beta产品发展历程一波三折。2006年首只红利类产品发行,但之后产品规模一直处于波动状态,直至2016年红利类产品总规模触底至10.6亿元,随后2017-2019 三年规模迅速回升,目前总规模114.5亿元,是2018年底规模的两倍左右。从2017年开始逐渐有一些含红利要素的多因子类Smart Beta基金问世,目前总规模36.1亿元。可以推测,当前红利相关产品正处于发展热潮之中,市场出现较大的需求,但高密度的产品发行也可能造成市场的短期拥挤。
从几只代表性产品的编制方法上看,股息率、是否连续派发股息是较为常用的红利类指标,也有股息率连续增长、股息覆盖率等指标的应用。一方面,对于相同概念的指标,美国市场在参数设置上较国内市场更加严苛,侧面反映了美股市场股票池更丰富、分红更加普遍;同时,国内的编制方法同质化较为明显,仍旧处于探索性的阶段。
从红利类因子的分层测试结果来看,股息率指标表现相对稳健,在各种股票池中均有明显的分层效果;连续分红年限指标有一定的分层效果,其中沪深300成分股中连续10年分红的股票组合在收益表现上明显优于其余分层组合;股息连续增长指标较为严苛,满足指标的股票池较小,总体而言连续分红增长指标没有明显的选股效果,推测该指标在A股市场的应用时机还未成熟。整体而言,股息率是最为广泛应用的指标,而连续分红指标未来具有潜力。
基于回测结果,我们尝试构建连续10年分红+低估值+低波动的多因子改进策略,与现有的红利指数存在一定差异性,并且在回测期间表现优秀。改进策略相对中证全指的年化超额收益为11.14%,信息比率1.37,换手率水平较低,持仓股票较稳定。该策略的良好表现也验证了长期分红指标的可行性,可以考虑在未来的指数构建中引入类似指标。
风险提示
红利类 Smart Beta 产品的发展受到市场环境影响,海外发展规律不一定适用于国内;国内Smart Beta 产品尚未有公允的统计标准,报告中的统计标准存在一定主观性;对Smart Beta编制方法和指标的测试基于历史数据,结果依赖于回测区间和公开数据源,不一定能代表未来有效性;报告中涉及到的具体 Smart Beta 产品列表及分析内容不代表任何投资意见,探讨的Smart Beta策略仅供参考,请投资者谨慎、理性地看待。
免责申明
本报告仅供华泰证券股份有限公司(以下简称“本公司”)客户使用。本公司不因接收人收到本报告而视其为客户。
本报告基于本公司认为可靠的、已公开的信息编制,但本公司对该等信息的准确性及完整性不作任何保证。本报告所载的意见、评估及预测仅反映报告发布当日的观点和判断。在不同时期,本公司可能会发出与本报告所载意见、评估及预测不一致的研究报告。同时,本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。本公司不保证本报告所含信息保持在最新状态。本公司对本报告所含信息可在不发出通知的情形下做出修改,投资者应当自行关注相应的更新或修改。
本公司力求报告内容客观、公正,但本报告所载的观点、结论和建议仅供参考,不构成所述证券的买卖出价或征价。该等观点、建议并未考虑到个别投资者的具体投资目的、财务状况以及特定需求,在任何时候均不构成对客户私人投资建议。投资者应当充分考虑自身特定状况,并完整理解和使用本报告内容,不应视本报告为做出投资决策的唯一因素。对依据或者使用本报告所造成的一切后果,本公司及作者均不承担任何法律责任。任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。
本公司及作者在自身所知情的范围内,与本报告所指的证券或投资标的不存在法律禁止的利害关系。在法律许可的情况下,本公司及其所属关联机构可能会持有报告中提到的公司所发行的证券头寸并进行交易,也可能为之提供或者争取提供投资银行、财务顾问或者金融产品等相关服务。本公司的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。
本报告版权仅为本公司所有。未经本公司书面许可,任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公司版权。如征得本公司同意进行引用、刊发的,需在允许的范围内使用,并注明出处为“华泰证券研究所”,且不得对本报告进行任何有悖原意的引用、删节和修改。本公司保留追究相关责任的权力。所有本报告中使用的商标、服务标记及标记均为本公司的商标、服务标记及标记。
本公司具有中国证监会核准的“证券投资咨询”业务资格,经营许可证编号为:91320000704041011J。
全资子公司华泰金融控股(香港)有限公司具有香港证监会核准的“就证券提供意见”业务资格,经营许可证编号为:AOK809
©版权所有2019年华泰证券股份有限公司
林晓明
执业证书编号:S0570516010001
华泰金工深度报告一览
金融周期系列研究(资产配置)
【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法
【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增,待趋势明朗把握或更大20191022
【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826
【华泰金工林晓明团队】如何有效判断真正的周期拐点?——定量测度实际周期长度提升市场拐点判准概率
【华泰金工林晓明团队】基钦周期的长度会缩短吗?——20190506
【华泰金工林晓明团队】二十载昔日重现,三四年周期轮回——2019年中国与全球市场量化资产配置年度观点(下)
【华泰金工林晓明团队】二十载昔日重现,三四年周期轮回——2019年中国与全球市场量化资产配置年度观点(上)
【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究
【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告(上)
【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(四)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(三)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(二)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(一)——华泰金工周期系列研究
【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索
【华泰金工林晓明团队】金融经济系统周期的确定(下)——华泰金工周期系列研究
【华泰金工林晓明团队】金融经济系统周期的确定(上)——华泰金工周期系列研究
【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列
【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探
FOF与金融创新产品
【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究
【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一
因子周期(因子择时)
【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三
【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二
择时
【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列
【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用
行业轮动
【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十
【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九
【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八
【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七
【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六
【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五
【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四
【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三
【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二
【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一
Smartbeta
【华泰金工林晓明团队】博观约取:价值和成长Smart Beta——华泰Smart Beta系列之二
【华泰金工林晓明团队】Smart Beta:乘风破浪趁此时——华泰Smart Beta系列之一
【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一
多因子选股
【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三
【华泰金工林晓明团队】桑土之防:结构化多因子风险模型——华泰多因子系列之十二
【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一
【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十
【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九
【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八
【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七
【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六
【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五
【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四
【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三
【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二
【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一
【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二
人工智能
【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五
【华泰金工林晓明团队】投石问路:技术分析可靠否?——华泰人工智能系列之二十四
【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三
【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二
【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一
【华泰金工林晓明团队】必然中的偶然:机器学习中的随机数——华泰人工智能系列之二十
【华泰金工林晓明团队】偶然中的必然:重采样技术检验过拟合——华泰人工智能系列之十九
【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八
【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七
【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六
【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五
【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三
【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二
【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一
【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十
【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九
【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八
【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七
【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六
【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五
【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四
【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三
【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二
指数增强基金分析
【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告
【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证
基本面选股
【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究
【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究
【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究
【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究
基金定投
【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四
其它
【华泰金工林晓明团队】A股市场及行业的农历月份效应——月份效应之二