投资要点
► 2019年度因子绩效表现回顾
2019年，低估值、低特质波动、低换手因子遭遇了明显回撤。因此，在观察因子有效性时不仅要观察期RankIC的表现情况，更需注重多头在近年的超额表现情况.
财通金工开发了一套初步的量化工具箱，每周（每月）就单因子的周度（月度）表现进行了更新。
►高频特质偏度因子
基于日内5分钟高频数据构建的特质偏度因子在A股市场上表现优异，RankIC均值达到-9.5%，且多头相对基准指数在今年也有显著超额收益。
高频特质偏度因子与Beta、21天换手率、21天收益率及21天波动率呈现出明显的正相关关系，而与BP因子呈现出明显的负相关关系。剥离掉这些风格之后的特质偏度因子仍然表现出稳健的选股效果。
通过对高频特质偏度因子的基本面情况进行考察发现，其多头组合往往是那些基本面较好、质地较为优良的股票，这一点与我们前期构造的特质动量因子的表现较为一致。
► 博彩偏好还是风险补偿？
对于特质偏度异象的成因，学术界大致将其划分为“博彩偏好”和“风险补偿”两类。通过构建“暴涨因子”和“暴跌因子”，我们将两种效应剥离开来并检验其在A股市场上的表现情况。结果显示，“暴涨因子”的选股能力显著强于“暴跌因子”，“博彩偏好”效应在个人投资者居多的A股市场占主导地位。
通过个股的非流动性指标、是否有分析师覆盖、是否是股指期货指数成分股、是否为融券标的，我们将A股进行了不同样本的划分，并检验了特质偏度因子在不同样本中的表现情况。结果显示，在冲击成本高、无分析师覆盖、非股指期货指数对应成分股及非融券标的个股中，特质偏度因子均有着更好的表现。
►风险提示
本报告统计数据基于历史数据，过去数据不代表未来，市场风格变化可能导致模型失效。
►更多交流欢迎联系财通金工张宇，联系方式：17621688421 （请注明机构+姓名）
欢迎在Wind中搜索“星火“和”拾穗”多因子系列，下载阅读我们的专题报告。
临近岁末，又是一年好时节。在财通金工“星火”系列的前述研究中，我们对Alpha因子库的搭建、检验及合成进行了系统性的介绍。然而随着市场投资者结构及市场风格的不断变化，传统有效的Alpha因子在今年正经受着考验。本文通过对2019年度因子绩效表现情况进行回顾，发现低换手、低波动及低估值策略在今年普遍遭遇回撤，挖掘有效的Alpha信息对于所有主动投资者而言迫在眉睫。在财通金工的后续研究中，我们将从财务数据和高频数据出发，对现有的Alpha因子库进行补充，以丰富组合信号源的生产。本文我们借助高频数据构建特质偏度因子，并对其因子溢价的原因进行深度探讨，以供投资者参考。
1.2019年度因子绩效表现回顾：部分因子出现回撤
在财通金工“星火”系列（六）《Alpha因子重构：引入协方差矩阵的因子有效性检验》中，我们构建了一套完善的多因子库系统，并将协方差矩阵引入到Alpha因子有效性的检验过程中，以期考察因子多头组合的表现情况。以2005.1.31-2019.11.29作为回测时间，以Wind全A股票（剔除上市不足100天、风险警示股及调仓日停牌个股）作为回测样本池，我们从RankIC、RankIC-T值、胜率、多空组合绩效表现等多个方面检验了各类单因子的历史区间表现情况。需要说明的是，所有的价量因子都对市值进行了正交化，而所有的财务类因子对行业和市值进行了正交化。
我们采用RankICIR滚动加权法（用过去24个月的RankICIR）将其合成为最终的复合因子进行分组测试，图1展示了该复合因子在2006.12.29-2019.11.29区间内的各组等权组合相较等权基准指数的表现情况。
由图1可以看到，各组相对市场等权组合的年化超额收益基本上呈现出较好的单调分布情况，其中多头组合的年化超额收益达到15.58%，空头组合的年化超额收益为-27.37%。由于在多因子构建过程中加入了大量的价量因子，因此空头组合的负向超额收益更为明显，这一点与预想的情况基本一致。
进一步地，图2展示了复合因子多空组合的月度收益及月度净值表现情况。可以看到，复合因子的月度RankIC均值达到12.5%，RankIC月度胜率达到88%。从多头组合来看，其相较市场等权组合的月均超额收益为1.17%，月胜率76.7%，T值为7.64，十分显著。
到目前为止，我们从因子的RankIC、分组超额收益的单调性以及多空组合的绩效表现考察了复合因子的表现情况。然而，再多、再全面的单因子检验方式最终还需落实到产品的组合构建过程中。基于此，财通金工构建了中证500指数增强组合，为了保证其与基准指数的行业分布较为一致，我们构建行业中性组合，其具体方式如下：
在每月的最后一个交易日，首先在29个中信一级行业中选取复合因子值排名前10%的股票，并对同一行业内的个股进行等权配置。为了保证组合与基准组合在行业上的分布较为一致，我们将组合在中信一级行业间的权重与基准组合权重保持相同。图3展示了2009.12.31-2019.11.29期间，根据如上方法构建的中证500指数增强型组合的绩效表现情况。
由图3可以看到，对冲组合的年化收益达到18.43%，年化波动达到5.44%，年化信息比率能够达到3.38，从数据统计上来看似乎是一个不错的组合。然而进一步分析可以发现，该组合在近几年尤其是2017年以来的绩效表现并不令人满意。为了观察对冲组合在每个年份的表现情况，我们展示了该对冲组合在2010年-2019年分年度的绩效表现，其结果如表2所示。可以看到，在市场风格剧烈切换的2017年，该组合遭遇了较大的回撤，随后组合在2018年表现逐步企稳。然而进入到2019年，该组合的超额收益仅仅达到1.61%，远低于其历史上年化超额收益18.43%的平均水平。
那么，问题出现在哪里，是不是我们纳入复合因子的Alpha单因子出现了失效的情况？为了探究这一问题，我们将单因子在全样本期间、最近3年期间及2019年年初至今的RankIC值、多头相较基准的年化超额收益及空头相较基准的年化超额收益进行了计算，其结果如表3所示。
可以看到，表3的结果为我们如上的困惑提供了强有力的解释。从单因子在全样本的T值绝对值可以看到，换手率因子（Turnover_1M）、特质波动率因子（IVFF3_1M）及估值类因子（BP、OCFPTTM、BP等）名列前茅，因此在进行RankICIR加权的过程中，对这些单因子赋予的权重相对来讲将会更大。进一步地，我们观察各个因子在最近几年的RankIC均值表现，从RankIC的角度来看，这些因子似乎也并未失效：Turnover_1M年初至今的月均RankIC达到-8.81%，与全样本期间的-10.53%基本处于相同的水平。然而观察其多头组合相较基准组合的年化超额收益就可明显地看到，年初至今该因子多头组合的超额收益仅为0.92%，远远低于全样本期间10.48%的年化超额收益。而从空头组合的表现来看，高换手的股票组合落后市场基准组合达19.77%，呈现出显著的负Alpha效应。也就是说，因子的空头组合显著落后基准组合保证了因子RankIC的水平与其历史均值处于相似的状态，然而因子多头表现的明显回撤，是导致构建指数增强组合过程中出现较大回撤的最主要因素。
同样的情况发生在估值因子中，由表3可以看到，几乎所有的估值因子多头组合均在2019年折戟。以BP因子为例，低估值组合跑输基准2.06%，而高估值组合却跑赢基准6.33%，因子方向呈现出明显的反转，说明2019年低估值策略在A股市场几近失效。此外，特质波动率因子（IVFF3_1M）空头组合表现尽管显著落后于基准，但其多头组合的超额收益却为-0.52%，远远低于8.68%的历史年化超额收益。
由上述分析可知，在对因子的有效性进行检验及跟踪时，不仅要观察其RankIC的表现情况，更重要的是需要关注其多头组合相较基本组合的超额收益。基于此，财通金工开发了量化工具箱V0.1版本，每周（每月）就单因子的周度（月度）表现进行更新，可直接在用户的个人电脑上直接安装运行（如图4所示），感兴趣的投资者欢迎与财通金工联系获取，后续我们还将在此基础上开发更多功能，欢迎大家持续关注。
2.高阶矩与资产定价：高频特质偏度因子计算
由前一部分的分析可知，低换手、低估值及低特质波动策略在2019年出现了明显的回撤，因此在后续Alpha因子的研究过程中，多头组合的表现情况成为我们关注的一大重点。
高阶矩因子与资产定价之间的关系在学术界被不断探讨，近几年又进一步地从对动量、波动及偏度因子的探讨演化到对特质动量、特质波动及特质偏度因子有效性的探讨上。在财通金工“星火”系列（五）《源于动量，超越动量：特质动量因子全解析》中，我们就剥离掉市场风格之后的动量因子表现情况进行了验证。作为该特质因子系列的第二篇报告，本文对市场中涉及相对较少的特质偏度因子的有效性及其成因展开讨论。与传统的研究不同，本文将借助日内高频交易数据构建出更加有效的特质偏度因子。
2.1 样本高阶矩计算方法说明
在统计学中，矩（Moment）是对变量分布和形态特点的一组度量，n阶矩被定义为该变量的n次方与其概率密度函数之积的积分。进一步地，直接使用变量计算的矩被称为原始矩（Raw Moment），去除均值后计算的矩被称为中心矩（Central Moment）。最为普遍的，变量的一阶原始矩等价于其数学期望（Expectation），二阶至四阶中心矩则被定义为数据的方差（Variance）、偏度（Skewness）及峰度（Kurtosis）。
假设连续变量x及其单变量概率密度函数为P(x)，那么其n阶矩μ_n即可被定义为：
在实际应用中，我们通常处理的为离散变量，因此其n阶矩μ_n^'即可被定义为：
由此，我们可对数据的均值、方差、偏度和峰度进行统一框架下的表示：
（1） 一阶原点矩：均值：
（2）二阶中心矩：方差：
（3）三阶中心矩：偏度：
如果说方差衡量的是数据的波动性，那么偏度统计量则主要用于衡量数据的厚尾性。如图5所示，甲图所示的数据偏度>0，数据右偏，在图形上表现为其分布呈现出一条长尾在右侧；乙图偏度=0，数据无偏，在图形上表现为左右对称分布；丙图偏度<0，数据左偏，在图形上表现为有一条长尾在左侧。
（4）四阶中心矩：峰度
峰度越高意味着数据方差的增大是由低频度的偏离平均值的极端差值引起的。也就是说在相同的标准差下，数据的峰度越大，意味着数据分布中有更多的极端值，因此其它值更加集中在众数周围，从而导致数据分布更加陡峭。
2.2 高频特质偏度因子计算
在对样本高阶矩的数学定义进行了介绍之后，本部分开始对特质偏度因子的计算进行说明。为了更加快速地捕捉到市场情绪的变化，我们采用个股日内高频交易数据对其日内收益率的偏度进行了计算，为了避免市场微观结构造成的误差，我们参照主流文献中采用日内5分钟交易数据进行计算。具体方法如下：
首先，对于每一个交易日中，计算个股的日内5分钟收益率，并将其对Fama-French三因子的日内收益率进行时间序列回归：
上述回归计算得到的残差项ε_(i,t)即为个股的日内特质收益率，由于特质收益率高度有偏，因此我们将其进行对数化处理：
在对残差数据进行对数化处理后，下面即可根据偏度的定义计算个股的日内偏度数据：
其中，N(t)表示个股日内存在交易的数据个数。为了避免数据存在过多的不稳定性，我们将个股在过去21天的日内特质偏度的均值作为其特质偏度因子：
3.因子实证检验：多头收益显著，基本面优异
3.1 原始因子绩效表现
由于我们获取的最早个股日内交易数据仅为2013年3月，因此本文的回测起始时间选定为2013年5月31日，具体细节如下：
因子预处理：在横截面上将高频特质偏度对个股对数市值进行正交化处理
回测时间：2013.5.31-2019.11.29，月度调仓
回测样本：Wind全A样本股
样本筛选：剔除上市时间少于100天、剔除调仓日停牌一天、剔除ST、*ST、PT等被标为风险预警的股票、剔除调仓日涨停或者跌停的股票
调仓时间：每月最后一个交易日
分组方式：按照因子值从小到大分10组（D0-D9），每组成分股进行等权处理，因子值最大的一组（D9）作为空头，因子值最小的一组（D0）作为多头
基准指数：每期满足条件的样本股收益等权平均
图6展示了回测区间高频特质偏度因子的多空月度收益及累计净值情况，可以看到该因子的月均RankIC达到-9.5%，T值达到-11.68，多空组合的月度收益为2.19%，月胜率达到82.05%，表现优异。
图7展示了各组相较市场基本指数的年化超额收益，与大部分价量因子类似，该因子的空头组合显著落后市场基准，年化超额达到-22.84%，而多头组合相较市场均值也有一定的正向贡献，年化收益为6%。
进一步地，表4展示了各组在2014-2019年期间各组的超额收益，可以看到多头组合近几年相较市场均值的超额收益较为稳定，2019年至今相较市场均值超额为4.90%，优于前面提到的特质波动率因子。
3.2 风格因子特征
本小节我们观察高频特质偏度因子在主要的风格因子及基本面因子上的表现情况。为了避免各期因子值的较大变化对最后计算时间序列均值时造成的影响，也为了方便不同因子之间可以进行比较，我们首先将股票的风格因子值转化成排序值，计算各组成分股在该风格因子上的加权均值，然后再根据每组的加权均值进行打分（1-10分），最终计算每组得分在时间序列上的均值。
图8展示了各组在不同风格因子上的平均得分情况，可以看到由于预先将因子对市值进行了正交化处理，因此十分组下在市值因子上的得分基本比较平均。此外，可以很清楚的看到，该因子与Beta因子、21天换手率（Turnover21）、21天收益率（Ret21）及21天波动率（Vol21）呈现出明显的正相关关系，而与估值因子BP呈现出明显的负相关关系。也就是说，该组合的多头是一些低Beta、低换手、低波动及前期涨幅较低的低估值股票。
图9展示了高频特质偏度因子的十分组在主要基本面因子上的得分情况，其中ROE及ROA主要反映公司的盈利能力，CFO主要反映公司的现金流量，净利润同比增长率（netProfitYOY）主要反映公司的成长能力，总资产周转率（assetsTurn）主要反映公司的营运能力，各指标的具体计算方法可参见财通金工“拾穗”系列（14）《补充：基于特质动量因子的沪深300指数增强策略》。
可以看到，高频特质因子的多头组合（D0组）往往是那些基本面较好、质地较为优良的股票，这一点与我们前期构造的特质动量因子的表现较为一致。
3.2 正交化后因子绩效表现
由3.2小节可知，高频特质偏度因子与主要的风格因子存在着非常强烈的相关关系，自然而然地，我们必须了解在剥离主要的风格因子影响之后，该因子的表现情况。由此，我们对Beta、BP、Size、Turnover21、Vol21及Ret21因子进行横截面回归，并取其残差作为该因子的代理变量：
图10展示了正交化所有风格因子后，高频特质偏度因子的表现情况。可以看到，其RankIC均值仍然达到-4.4%，月胜率23%，t值为-7.65。多空组合的月均收益率达到0.96%，月度胜率72%，t值为4.46。
4.博彩偏好还是风险补偿？
在上一部分我们对高频特质偏度因子在A股市场上的效果进行了检验，可以看到无论是原始因子还是剥离主要风格因子之后的正交化因子，都表现出不错的选股能力。在本部分，我们将从博彩偏好还是风险补偿两个角度出发，探讨特质偏度溢价形成的深层原因。
4.1 博彩偏好与风险补偿
关于特质偏度异象的成因，学术界的主流观点大致可以分为如下两种。一类来源于投资者对于高偏度股票的“博彩偏好”，即特质偏度较高的股票通常是过去出现过“暴涨”的股票，投资者倾向于认为这种“暴涨”现象将会在未来重演，从而买入持有导致价格高估，使得股票的后续价格出现回落。这种“博彩偏好”将偏度较高的股票视为“彩票”，通常是投资者投机交易的结果，对于个人投资者占比较高的A股市场而言这种现象尤甚。另一类观点认为特质偏度异象的成因来源于投资者对于低偏度股票的“风险补偿”。特质偏度为负的股票往往对应于过去出现过“暴跌”的股票，投资者持有这类股票将要获取一定的风险补偿，因此这类股票在未来的价格将会出现上涨。为了将特质偏度效应中的“博彩偏好”和“风险补偿”效应进行拆分，我们构建暴涨效应（Jump）和暴跌效应（Crash）因子对这两类效应进行分别探讨。
在每个交易日，我们根据2.2 小节的方法构建对数处理过后的残差收益w_(i,t)后，对其进行ZScore标准化处理，构建Level指标：
其中，μ_(i,t)表示日内残差收益w_(i,t)的均值，σ_(i,t)表示其标准差，之所以对其进行标准化处理，是为了使得不同交易日的Level指标可以在相同的量纲下进行比较。随后，取该日〖Level〗_(i,t)中的最大值作为个股日内暴涨指标（D〖Jump_Level〗_(i,t)）的代理变量，取该日〖Level〗_(i,t)中的最小值作为个股日内暴跌指标（〖DCrash_Level〗_(i,t)）的代理变量：
与高频特质偏度因子的计算类似，我们将过去21天的〖DJump_Level〗_(i,t)因子均值作为其“暴涨效应”的代理变量，将过去21天的〖DCrash_Level〗_(i,t)因子均值作为其“暴跌效应”的代理变量：
最后，为了防止个股“暴涨风险”与“暴跌风险”之间的互相影响，我们在横截面上对二者进行相互回归，以剔除二者之间的相关性：
由此，ε_(i,t)即可作为剥离掉“暴跌效应”的“暴涨因子”代理变量，而ϵ_(i,t)即可作为剥离掉“暴涨效应”的“暴跌因子”代理变量。为了表述的简便性，我们将前者命名为Jump因子，将后者的相反数命名为Crash因子。
首先我们需要考察Jump因子与Crash因子对于特质偏度因子的解释能力，因此我们进行如下三种类别回归。首先，将全样本所有特质偏度因子对全样本所有Jump因子和Crash因子分别回归，最后将二者一起回归，表5中的（1）、（2）、（3）分别展示了三个回归的结果。可以看到Jump因子对于特质偏度的影响系数（0.89）显著为正，Crash因子对应特质偏度的影响显著为负（-0.87），二者在绝对值上相差并不明显，且对特质偏度因子的解释能力达到77%。
随后，我们按照每个横截面上，将大于其偏度中位数的个股作为右偏样本，小于其偏度中位数的个股作为左偏样本，同样按照如上方法进行回归。可以看到，对于左偏样本而言，Crash因子的影响能力更强，而对于右偏样本而言，Jump因子的影响能力更强。
4.2 Jump及Crash因子表现
为了进一步展示暴涨效应和暴跌效应的强弱，我们对Jump因子和Crash因子在A股市场上的选股效应进行了检验，其结果如表6所示。
由表6可以看到，暴涨因子的RankIC均值达到-8.7%，其月胜率为12%，T值达到-8.86；相较之下，暴跌因子的RankIC均值仅为-4.1%，月胜率为28%，T值为-4.53。从这一角度来看，暴涨因子相较暴跌因子有着更强的选股能力，这一结论与多空组合的表现情况也相符。
由前面可知，特质偏度因子与很多风格因子之间存在着强相关关系，因此我们需要检验剥离这些风格因子之后的纯净因子的选股能力。同样的，暴涨因子与暴跌因子在主要的风格因子上存在着十分强烈的偏好，财通金工将二者对这些因素进行了剥离，并对其选股效果进行了检验，其结果如表7所示。
由表7可以看到，在剥离了Beta、BP、Ret21、Turnover21、Size和Vol21等风格因子的影响之后，暴涨因子和暴跌因子均展现出一定的选股能力。两相比较之下，暴涨因子的选股能力显著优于暴跌因子，这说明在A股市场上，投资者对于个股的“博彩偏好”占据主导地位。
4.3 不同样本表现情况
前一部分我们从特质偏度因子的溢价成因出发，分别检验了投资者“博彩偏好”和“风险补偿”两种效应对特质偏度因子的解释能力，结果显示在A股市场上，投资者对于个股的“博彩偏好”占据主导地位。事实上，由于个人投资者过于追求“彩票型”股票而导致这类股票的价格被显著高估，而A股市场目前缺乏广泛有效的做空制度，因此个股的信息不对称性和套利机制的限制性将会进一步加强这一效应。在本文的最后一部分，我们从交易制度的限制性出发，探讨特质偏度因子在不同样本中的表现情况。
参照Gu、Kang and Xu（2018）对于特质波动因子成因的探讨，我们根据如下几类标准对全市场股票进行划分：
（1）AmihudHigh VS AmihudLow：在每个截面期，根据个股的Amihud指标是否大于全样本的中位数将其分为AmihudHigh和AmihudLow两类样本。
由于Amihud指标衡量的是个股的非流动性，因此AmihudHigh样本中的个股流动性更差，冲击成本高，因此其套利机制将更不完善；
（2） NoAnalystCoverage VS analystCoverage：根据个股是否有分析师覆盖，将全样本分为无分析师覆盖样本和有分析师覆盖样本，无分析师覆盖的样本股票信息不对称性越强；
（3）NotFutures VS Futures：目前A股市场股指期货有上证50股指期货、沪深300股指期货和中证500股指期货。假如个股为上证50、沪深300或中证500指数成分股，那么可以通过卖空股指期货的做法变相做空个股。基于此，我们将样本划分为非股指期货对应的指数成分股和股指期货对应的指数成分股两类；
（4） NotShortSelling VS ShortSelling：目前A股市场做空个股最直接的方式即为融券卖出，因此可以根据是否为融券标的将其划分为两类。
表8给出了不同样本空间中，经过市值正交化后的特质偏度因子的月均RankIC均值、RankIC月胜率及T值。可以看到，在冲击成本较高的（AmihudHigh）、无分析师覆盖的（NoAnalystCoverage）、非股指期货指数对应成分股（NotFutures）及非融券标的（NotShortSelling）的个股中，特质偏度因子均有着更好的表现。
表9展示了不同样本中，特质偏度因子多空组合的绩效表现情况。从多空组合的年化IR来看，因子在冲击成本较高的、无分析师覆盖的、非股指期货指数对应成分股及非融券的个股中，特质偏度因子均有着更好的表现。由此也可以看出，套利制度的限制以及个股信息的不对称性确实会对特质偏度因子产生强烈的影响。值得一提的是，本文提出的这一样本划分在后续其他因子的检验当中同样适用。
4.4 小结
本小节我们将特质偏度溢价的成因进行深入探讨，将其划分为“暴涨效应”和“暴跌效应”，并针对两种效应下的选股能力进行了检验。可以看到，无论是原始因子值还是剥离其他风格之后的因子值，“暴涨因子”在A股市场上的选股能力显著高于“暴跌因子”，这为特质偏度因子背后的“博彩偏好”提供了强有力的证据。
此外，针对A股市场的卖空制度限制以及个股的信息不对称性，我们将A股的样本进行了划分，并检验不同样本划分下的特质偏度因子选股效果，发现特质偏度因子在那些冲击成本高、无分析师覆盖、非股指期货指数成分股及非融券标的个股中表现更为强势。
5.总结与展望
随着市场投资者结构及市场风格的不断变化，传统有效的Alpha因子在今年正经受着考验。本文对2019年度因子绩效表现情况进行了回顾，并基于日内高频数据构建了特质偏度因子并检验其在A股市场上的有效性。此外，我们将特质偏度溢价划分为“博彩偏好”和“风险补偿”两类，并检验何者对特质偏度因子的贡献更强。主要结论如下：
（1）2019年，低估值、低特质波动、低换手因子遭遇了明显回撤。因此我们在观察因子有效性时不仅要观察其RankIC的表现情况，更需注重多头在近年的超额表现情况；
（2）财通金工开发了一套初步的量化工具箱，每周（每月）就单因子的周度（月度）表现进行更新；
（3）基于日内5分钟高频数据构建的特质偏度因子在A股市场上表现优异，RankIC均值达到-9.5%，且多头相对基准指数在今年也有显著超额收益；
（4）高频特质偏度因子与Beta、21天换手率、21天收益率及21天波动率呈现出明显的正相关关系，而与BP因子呈现出明显的负相关关系。剥离掉这些风格之后的特质偏度因子仍然表现出稳健的选股效果；
（5）通过对高频特质偏度因子的基本面情况进行考察发现，其多头组合往往是那些基本面较好、质地较为优良的股票，这一点与我们前期构造的特质动量因子的表现较为一致；
（6）关于特质偏度异象的成因，学术界大致将其划分为“博彩偏好”和“风险补偿”两类。通过构建“暴涨因子”和“暴跌因子”，我们将两种效应剥离开来并检验其在A股市场上的表现情况。结果显示，“暴涨因子”的选股能力显著强于“暴跌因子”，“博彩偏好”效应在个人投资者居多的A股市场占主导地位；
（7）通过个股的非流动性指标、是否有分析师覆盖、是否是股指期货指数成分股、是否为融券标的，我们将A股进行了不同样本的划分，并检验了特质偏度因子在不同样本中的表现情况。结果显示，在冲击成本高、无分析师覆盖、非股指期货指数对应成分股及非融券标的个股中，特质偏度因子均有着更好的表现。
6.风险提示
多因子模型拟合均基于历史数据，市场风格的变化将可能导致模型失效。
报告原文地址及相关报告
原始报告：
证券研究报告：“星火”多因子系列（九）：《博彩偏好还是风险补偿？高频特质偏度因子全解析》
发布时间：2019年12月10日
分析师：陶勤英 SAC证书编号：S0160517100002
联系人：张宇 SAC证书编号：S0160519120001 联系方式：17621688421
下载地址：
链接：网页链接 提取码：kwg5
欢迎在Wind研报平台中搜索关键字“星火“和”拾穗”，下载阅读专题报告PDF版本
“星火”系列专题报告：
“星火”多因子系列（一）：Barra模型初探：A股市场风格解析
“星火”多因子系列（二）：Barra模型进阶：多因子模型风险预测
“星火”多因子系列（三）：Barra模型深化：纯因子组合构建
“星火”多因子系列（四）：基于持仓的基金业绩归因：始于Brinson，归于Barra
“星火”多因子系列（五）：源于动量，超越动量：特质动量因子全解析
“星火”多因子系列（六）：Alpha因子重构：引入协方差矩阵的因子检验法
“星火”多因子系列（七）：借助最小波动组合，助力Alpha因子合成
“星火”多因子系列（八）：风险控制：协方差矩阵估计方法介绍及比较
“拾穗”系列专题报告：
“拾穗”多因子系列（一）：带约束的加权最小二乘拟合：一种解析解法
“拾穗”多因子系列（二）：你看到的不一定是你所想的：解密R方
“拾穗”多因子系列（三）：行业因子选择：中信一级还是申万一级？
“拾穗”多因子系列（四）：总市值、流通市值、自由流通市值：谈谈取舍
“拾穗”多因子系列（八）：非线性规模因子：A股市场存在中市值效应吗？
“拾穗”多因子系列（九）：牛市抢跑者：低Beta一定代表低风险吗？
“拾穗”多因子系列（十）：行业的风格偏好：解析纯行业因子组合
“拾穗”多因子系列（十一）：多因子风险预测：从怎么做到为什么
“拾穗”多因子系列（十二）：权重复刻：指数成分股调整，股指期货分红点位测算更新
“拾穗”多因子系列（十三）：恼人的显著性检验：多因子模型中t值的计算
“拾穗”多因子系列（十四）：补充：基于特质动量因子的沪深300增强策略
“拾穗”多因子系列（十五）：是聪明钱吗？探析外资持股的风格偏好
“拾穗”多因子系列（十六）：水月镜花：正视财务数据的前向窥视问题
“拾穗”多因子系列（十七）：因子检验中的时序相关性处理：Newey-West调整
“拾穗”多因子系列（十八）：当我们在做因子正交化的时候，我们在做什么
“拾穗”多因子系列（十九）：似是而非：时间序列回归VS横截面回归
法律声明
根据《证券期货投资者适当性管理办法》（2017年7月1日正式实施），本订阅号发布的观点和信息仅供财通证券专业投资者参考，完整的投资观点应以财通证券研究所发布的完整报告为准。若您并非专业投资者，请勿订阅或转载本订阅号中的信息。若您并非财通证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号中的任何信息。
本订阅号旨在沟通研究信息，分享研究成果，所推送信息为“投资参考信息”，而非具体的“投资决策服务”。本订阅号推送信息仅限完整报告发布当日有效，发布日后推送信息受限于相关因素的更新而不再准确或失效的，本订阅号不承担更新推送信息或另行通知义务，后续更新信息请以有关正式公开发布报告为准。
市场有风险，投资需谨慎。在任何情况下，本订阅号中的信息所表述的意见并不构成对任何人的投资建议，订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。本资料接受者应当仔细阅读所附各项声明、信息披露事项及相关风险提示，充分理解报告所含的关键假设条件，并准确理解投资评级含义。在任何情况下，信息发布人不对任何人因使用本订阅号发布的任何内容所引致的任何损失负任何责任。