https://zhuanlan.zhihu.com/p/107991124
导读：红利选股是一类重要的投资策略。能够进行现金分红的上市公司通常基本面良好，账面有充足的现金流；而分红再投资则能为投资者带来长期的复利收益。本报告介绍了市场上主流的红利指数，对其编制方案的优缺点进行了讨论（第1部分）。基于米筐科技量化投研产品（详见附录4.3~4.5节），本报告构建了沪深300和中证500指数增强型股息率策略（第2部分），并对不同情况下策略的表现进行了详细测试（第3部分）。基于历史表现对比，本报告提出的预期股息率策略取得了较好的指数增强效果；此外，市场上红利指数具有高个股/行业集中度的特征，导致其在不同市场环境下表现容易出现起伏。而本报告提出的股息率策略行业配置较为均衡，并展示出较好的风险控制效果，因此更适合用于长期资产配置。
一 目录
1 红利指数介绍
2 预期股息率策略
2.1 预期股息率指标
2.2 选股方式
2.3 权重优化
2.4 收益计算中的现金分红
3 策略历史表现分析
3.1 考虑/不考虑市盈率对比
3.2各种加权方式对比
3.3控制/不控制量化因子风险敞口对比
3.4中证500预期股息率增强
3.5策略总结
一 红利指数介绍
稳定的现金分红是企业经营情况稳健的重要标志。在市场下行阶段，高股息个股稳定的现金收益，加上低估值提供的安全边际，会使其具有类固收的特征，因此通常会展现出良好的防御性；另一方面，基于美股长期的实证研究发现，分红再投资产生的复利收益，是股票市场投资最重要的长期收益。杰里米·西格尔在其著作《投资者的未来》中，对美股在1871-2003年间的累积收益进行归因分析，提出97%的股票投资收益来自分红再投资的复利效应，而仅有3%来自股票价格变动的资本利得。而在A股市场，从沪深300全收益和价格指数[1]表现可看出分红的价值。表1.1中为近六年间沪深300全收益和价格指数的收益情况，其中分红再投资在六年间为沪深300带来的累积超额收益为24.5%，复合年化超额收益为2.49%。
另一方面，自从2008年证监会发布《关于修改上市公司现金分红若干规定的决定》起，监管机构发布多个规范性文件，对A股上市公司分红进行持续的鼓励和引导，通过现金分红回馈投资者的上市公司逐年增加。图1.1和表1.2展示了从2011年以来A股上市公司的分红情况，可以看出自2014年开始，有现金分红的上市公司占比大部分时期均稳定在70%以上，这为在A股市场实践红利选股策略提供了丰富的可选标的。
图1.1：A股历年有分红上市公司占比
图1.1：A股历年有分红上市公司占比
2005年1月4日上交所发布了国内第一只红利指数——上证红利指数。近年来红利型指数已经成为国内一类重要的smartbeta策略指数产品。基于光大金工团队在2019年12月10日的统计[2]，国内63只smartbeta公募产品中，有28只使用了红利因子，占比最高；红利单因子产品共计19只，管理规模为140亿元，约占smartbeta总存续规模的三分之一。可见投资者对红利指数型产品的青睐。
目前，国内红利型指数主要有上证系列、深证系列、中证系列、以及标普系列。在A股主流的红利指数编制方案中，其选股方式通常在特定股票池范围内，以分红金额或股息率为排序选股指标，并对市值、流动性、上市公司质量等有一定的筛选要求；而在加权方式上，通常以股息率或流通市值作为权重。
从量化策略构建的角度来看，红利指数编制方案存在以下问题：
1. 行业分布较为集中，导致指数承担过大的行业集中度风险（中证红利除外）。各指数的行业权重分布可参看附录4.1的表4.1.1。例如上证红利和深证红利指数均配置了15个行业，前五行业权重分别为65.72%和70.82%；比较而言，沪深300配置了27个行业，前五行业占比56.00%，而中证500配置了全部28个行业，前五行业占比42.67%。当指数大幅超配的行业由于意外风险或景气度下降出现较大的业绩下滑，指数也会出现较大的回撤；
2. 采用股息率或流通市值加权，容易造成成分股权重不稳定或权重过高。上市公司每年披露分红方案的时间点不同，对于较早披露分红方案上市公司，股息率加权容易造成其权重出现跳升，而红利指数的编制方案中并未解释这类问题的处理方案；而采用流通市值加权的深证红利指数，其前三重仓股为格力电器（12.75%）、美的集团（11.96%）、和五粮液（9.92%），权重之和达到34.63%，若其中任一个股出现业绩大幅下滑，指数的表现将会受到较大影响。这类加权方式使得指数本身所追求的风险分散效果大打折扣。
表1.3展示了2014~2019年间红利全收益指数和沪深300全收益的历年表现对比。其中上证红利和中证红利展示出防御型指数的特征——在熊市年份（2016和2018年）回撤小于沪深300，但除2015年外，在牛市年份表现整体不如沪深300；深证红利则表现出进攻型指数的特征——在牛市年份（2014、2015、2017和2019年）表现较为出色，但在熊市阶段曾出现较大的回撤（2018年和2020年年初）。
值得注意的是，上证红利和中证红利在2019年均大幅跑输沪深300，引发市场上部分投资者对于红利指数有效性的疑虑。上证红利指数和中证红利指数的表现2019年的弱势表现，主要是由于其权重集中于传统行业，而2019年表现出色的主要为消费类和科技类行业。深证红利指数在食品饮料和家电行业这两个消费行业权重较高，因此近年的表现优于其它红利指数。但其行业和个股权重集中度偏高的特点，同样导致其在2018年，以及2020年初“冠状病毒疫情”期间出现了较大的业绩回撤。我们认为，上述红利指数普遍的高行业/个股集中度的编制方式，实际上违反了一般红利指数的投资理念——通过仓位分散控制指数的业绩回撤，获取分红再投资带来的长期复利收益。
本报告的第2部分对我们的预期股息率策略进行了介绍。预期股息率策略尝试对红利型策略作出如下改善：
1. 基于PIT财务数据（详见附录4.1）构建选股指标，综合考虑上市公司的分红比例、估值、成长性情况，避免指标未来数据以及单一选股指标的缺陷（详见2.1部分）；
2. 基于米筐多因子风险模型和股票优化器，控制策略的风格/行业/个股风险敞口，降低上述红利指数的行业/个股集中度风险（详见2.2和2.3部分）
[1] 全收益指数考虑分红再投资，而价格指数不考虑分红再投资。
[2] 详见光大证券研究所金融工程团队研究报告《Smart Beta的中国实践——指数化投资研究系列之十》
二 预期股息率策略
2.1 预期股息率
本策略参考中证红利成长低波动指数的编制方案， 构建“预期股息率”选股指标。预期股息率定义如下：
上述指标的说明和数据处理见表2.1.1。指标计算中所使用的净利润经过PIT处理（附录4.1）。
上述预期股息率综合考虑了企业估值、质量、和成长性三方面，能够有效降低单一指标选股的缺陷：
- 低估值：市盈率低通常是股票价格便宜的标志。然而低估值也可能是企业通过并购或财务造假等方式虚增净利润、或行业景气度差，企业经营出现明显恶化等原因导致估值下降（通常说的价值陷阱）。虚增净利润的的企业通常没有进行分红的动力，因此分红比例指标能够限制了这类股票入选；净利润增长率指标则限制了行业景气度持续下降，或企业经营恶化的股票入选；
- 高质量：现金分红需要企业账面有充足的现金，因此较高的分红比例通常是企业经营良好的标志。但也存在上市企业先通过高额分红释放企业良好的信息，待股价上升后，再公布实际亏损情况的行为。预期股息率指标使用过去三年的分红比例均值，以及考虑过去三年净利润增长率，能够限制此类股票入选；
- 成长性：净利润增长率高通常是股票成长性好的标志。但上市公司同样可以通过虚增净利润的方式提高净利润增长率；此外，一般行业景气度高，高成长性的股票估值也会较高，一旦业绩不及预期，容易出现“戴维斯双杀”导致股价大幅下降；市盈率指标限制了估值过高股票的入选，同时净利润增长率采用过去三年均值也要求入选股票有持续稳定的净利润增长表现
此外，预期股息率策略以中证800成分股作为股票池进行选股，也避免了业绩持续性差、流动性较差的小市值股票入选，进一步降低个股的特殊风险和指数的流动性风险。
从量化多因子角度来看，股票组合的市场风险包括大盘涨跌风险、风格暴露风险、行业暴露风险、以及个股特殊风险四类。通过选择合适的风险进行暴露，能够有效增加策略的收益，但同时也会增加策略表现的波动。预期股息率策略的出发点在于以合理估值长期持有优秀企业，获取其分红和业绩增长带来的长期溢价，且仓位选择上不受市场短期波动的干扰，以避免追涨杀跌的行为。相对于在牛市阶段获取高收益，策略更关注在熊市阶段控制业绩回撤，通过防御型的风险管理，使得复利效应能够持续发挥作用。因此，策略的主动风险暴露在基本面因子[4]上，而对大盘涨跌风险、量价因子暴露风险、行业暴露风险、个股特殊风险均进行了限制。具体说明可见图2.1.1总结。米筐科技的量化投研产品为预期股息率策略的实现提供了完整的支持，总结可参看图2.1.2。
图2.1.1：预期股息率策略的风险管理方式
图2.1.2：预期股息率策略实现中的米筐量化投研工具支持
[4] 米筐多因子风险模型包含10个风格因子，其中盈利率、账面市值比、成长性、杠杆率为基本面因子；而贝塔、动量、规模、残余波动率、流动性、以及非线性市值为量价因子。
2.2 选股方式
在每期中证800成分股中，选入符合以下条件的股票作为股票池：
- 过去三年的每年都有分红；
- 每年净利润都大于0；
- 过去三年净利润增长率加权平均值不小于0。其中最近一年权重为0.5，两年前权重为0.3，三年前权重为0.2；
- 市盈率TTM大于0
在分行业选股中，基于申万一级行业分类，把非银金融行业拆分为证券、保险、多元金融3个行业（表2.2.1）。在上述可选股票池中，每个行业选取预期收益率最高的4只股票。若满足上述条件的股票仅有3只，则选入这三只股票；若少于3只，则从跟踪的基准中，选入同行业权重最大1~2只成分股，保证每个行业所选股票数量不少于3只。特别地，针对银行业，由于其在沪深300指数中的权重较高，每期均保证选入5只成分股（不足则从基准成分股中补充）。策略每期持仓股票数量保证在110~120只之间。
2.3 权重优化
表2.3.1列出了预期股息率策略的权重优化参数。策略回测时间区间为2014年1月1日至2020年2月7日。
2.4 收益计算中的现金分红处理
在上市公司现金分红实施中，有四个关键日期：方式实施公告日、股权登记日、除权除息日、股息到账日（图2.4.1）。其中除权除息在除权除息日实施，而现金到账发生在股息到账日。除权除息日和股息到账日通常存在一日至数日的时间差。目前在中证指数的计算规则中并未考虑该因素[5]。在中证指数所使用的“除数修正法”中，全收益指数是在除息日进行基点值的调整，从而实现分红再投资的逻辑。其中实际假设了除息和现金到账实际假设为同一天，且现金到账后立刻进行再投资。这造成两个问题：
1. 在指数复制中，由于上述除权除息日和股息到账日的时间差，指数复制组合相对于指数的偏离度和追踪误差只能被动增加；
2. 由于指数能够更及时进行分红再投资，长期而言，指数将获取比实际投资更多的复利收益。
尽管从单个股票来看，数日的到账时间差对收益的影响并不明显。但在约70%的A股上市公司会进行现金分红的情况下（图1.1），每一个成分股累积的复利差异将会对投资组合的长期收益造成明显影响。而对于红利指数而言，由于其倾向于选入分红频率高、股息高的股票作为成分股，上述分红处理逻辑的问题的影响将更为显著。
米筐科技的回测引擎RQAlpha以及资产管理系统AMS（Asset Management System）对上述现金分红问题进行了精细的处理。RQAlpha和AMS系统中并未假设除权除息日和股息到账日是同一日，而是严格按照实际的除权除息日和现金到账日进行账户处理。而为了保证上述问题不会引起账户净值的异常跳跃，米筐产品的会计处理规则中引入了“分红应收”（DividendRecivable）字段来记录未到账的现金分红（图2.4.1）。基于上述处理规则的预期股息率策略比中证指数的复利收益稍低，但无疑更接近真实的投资场景，也使得投资者对策略的收益和风险有更准确的评估。
图2.4.1：米筐科技RQAlpha文档中对于股息的处理规则说明截图
[5] 详见中证指数有限公司的研究报告《浅析价格指数和全收益指数》。
三 策略历史表现分析
3.1 考虑/不考虑市盈率对比
表3.1.1中所列举的红利指数的选股流程中，并未考虑股票的估值情况。而高红利、基本面及流动性良好的股票容易被市场给予较高的估值，一旦上市公司业绩预期未能兑现，容易拖累指数的表现。为定量评估市盈率的作用，调整预期股息率表达如下：
本策略参考中证红利成长低波动指数的编制方案， 构建“预期股息率”选股指标。预期股息率定义如下：
上述指标的说明和数据处理见表2.1.1
图3.1.1：考虑/不考虑市盈率情况下，预期股息率策略累积收益走势
3.2 各种加权方式对比
股息率加权和流通市值加权是两种红利指数常见的加权方式。在本报告第1部分中对这两种加权方式可能导致个股/行业集中度过高的的问题进行了讨论。图3.2.1和表3.2.1对四种加权方式（风险最小化优化权重、等权重、流通市值加权、预期股息率加权）的从2014年1月1日到2020年2月7日的历史表现进行了分析。可以看出：
- 不同加权方式下，近六年间股息率策略的收益和夏普率均高于沪深300，而最大回撤均小于沪深300。说明在不同的加权方式下，预期股息率因子通过较好的选股能力保证了策略的表现；
- 表3.2.1总结了各种加权方式下的收益风险情况，除最大回撤略大于流通市值外，其它指标下，方差最小化优化权重的效果均为最优。
图3.2.1：近六年不同加权方式的预期股息率策略表现
3.3 控制/不控制量化因子风险敞口对比
图2.1.1中总结了策略对于各类风险的控制方法。其中组合构建层面的风险控制包括方差最小化、量价因子的中性化处理，以及行业中性化处理。在3.2节中，通过观察不同加权组合的表现，可以看出方差最小化的优化权重计算能有效降低了策略的收益波动率。这一节进一步评估量价因子的中性化处理的作用。
图3.3.1和3.3.2对比了对量价因子添加/不添加中性化约束的策略相对于沪深300的超额收益情况。可以看出：
- 不添加约束会提高策略超额收益，但同时增加了超额收益的波动和回撤；
- 添加约束的情况下，策略只有2019年的超额收益为负，而不添加约束的情况下，策略在2017、2019、2020年的超额收益均为负；
- 从投资理念上，预期股息率策略是防御型策略，以获取红利的长期复利收益为目标，而不追逐市场的短期波动。因此我们选择了对量价因子添加中性化约束的实现方案。
图3.3.1：股息率策略累积收益率走势（添加量价因子中性化约束）
图3.3.2：股息率策略累积收益率走势（不添加量价因子约束）
3.4 中证500预期股息率增强
基于和2.2节的选股方式和2.3节的权重优化相同的策略构建方案，图3.4.1和表3.4.1展示了以中证500为基准的预期股息率增强策略。由于中证500自2017年起的表现就较为弱势，因此预期股息率策略的增强效果更明显，2019年以前历年表现均优于中证500全收益。2020年初由于中小盘股的强势表现，增强策略的超额收益明显为负，策略在未来的表现尚需观察。
此外，从图3.4.1上看2018年增强策略出现了一定的回撤，但表3.4.1显示2018年策略仍有2.8%的超额收益。这种看似不一致的结果是由于增强策略较高的净值引起的。例如考虑两个策略，策略1净值为2，策略2净值为1，同为亏损20%，策略1净值变为1.6，策略2净值变为0.8。因此在同等的负收益率下，初始净值高的策略净值下降幅度会显得更大。
表3.4.1：中证500增强超额收益历年指标表
3.5 策略总结
本报告构建了基于沪深300和中证500的指数增强型预期股息率策略，并基于历史回测，对指标中市盈率、不同的加权方式、风险敞口的控制、行业轮动的效果、不同管理规模等因素的影响进行了详细测试。通过和基准的历年的收益风险表现对比，本报告提出的预期股息率策略取得了较好的增强效果。
市场上主流的红利指数均有行业集中配置的特征，导致其在不同年份的表现存在较大起伏。相较而言，本报告提出的指数增强型股息率策略的行业配置更均衡，也具有更好的风险控制效果。
在策略分析中，无论是采用全收益指数作为基准（而非一般研究报告常用的价格指数）、基于PIT处理财务数据计算选股指标（附录4.1）、在收益计算中对现金分红的精细处理（2.4节）等，实际上都会“减弱”本报告策略的历史超额收益。反之，若本报告采用价格指数作为基准、使用存在未来数据的财务数据计算选股指标、认为现金分红在除权除息日即可使用，策略的历史表现会都会变得“更好”——但后一种做法是不准确的。它是使得策略的回测失真，无法展示策略真正收益风险特征，进而导致策略在实盘中的表现大幅衰减。米筐科技的量化投研产品在投研细节上的精益求精，并不能保证用户一定能找到赚钱的策略，但可以避免那些在回测中会“夸大”策略收益的错误因素——从理念上，我们认为帮助用户在投研环节准确地排除无效策略，和找到优秀的投资策略同等重要。
===广告时间===
米筐科技目前在招聘初级量化研究员，欢迎投递简历。详情请戳：
江嘉键：米筐科技（RiceQuant）2020年春季量化研究员招募
四 附录
4.1 米筐PIT处理财务数据介绍
米筐科技已经建立了一套完整的财务数据处理流程，提供300余个经过Point-in-Time（PIT）处理的衍生财务数据[6]，为各类量化投研业务场景服务。
PIT处理是为了处理财务报告发表于以后，上市公司进行报告修正所导致的未来数据问题。例如，考虑以下计算净利润增长率（TTM）的例子：
- 某一上市公司的2018年4月1日发布2018年一季度报告；
- 5月1日修改了一季报净利润数据；
- 6月1日再次修改净利润数据；
- 7月1日发布2018年二季报报告
则在2018年4月2日、2018年5月2日和2018年7月2日计算该公司最近八期的PIT单季度净利润数据时，所使用的实际报告期如表4.2.2所示。
在确定当天的前推八期对应的实际的报告期后，使用前推1~4期计算当期净利润（TTM），5~8期计算前一期的净利润（TTM），即可计算净利润增长率（TTM）：
定义如下：
[6] 详细衍生财务数据字段可参考如下链接中“财务数据”部分：
https://www.ricequant.com/doc/rqdata-institutional#research-API-instruments
来源：oschina
链接：https://my.oschina.net/u/4368015/blog/3200623