1.1、行为金融学引言

传统上，我们理解市场，是基于经济学中关于理性人的假设，将市场分为强有效市场、半强有效市场和弱 有效市场三种类型，然而有效市场理论并不能解释市场当中长期存在的异象；为了解释这些令人匪夷所思的不 理性现象，上世纪 70 年代，行为金融学派诞生了，行为金融的观点认为人是非完全理性的，金融市场的非理性 行为在价格变动中扮演了极其重要的角色，而且非理性的行为会重复地出现，人的种种难以解释的非理性行为， 导致了繁荣和萧条交替，这使得资产价格总是超过其价值的附近区间。从金融市场的实际情况来看，确实有很 多投资者在市场中长期跑赢了市场。 行为金融学的基础是人们的心理和行为偏差，这些偏差可能导致非理性的决策。心理因素对人们投资行为 的影响主要体现在两个方面，一方面是认知错误（cognitive error），另一方面是情感偏差（emotional bias）。

认知错误由于投资者认知方面的局限所导致的，认知错误分为固执己见偏差和信息处理偏差两类。固执己 见偏差会使投资者强化自己的观点，导致决策时过于片面，常见的固执己见偏差有：代表性偏误、乐观等。信 息处理偏差出现在投资者处理信息时，这些偏差在投资者获取新的有效信息后容易被纠正，常见的信息处理偏 差有：易得性偏差、锚定效应、框架效应、心理账户、赌徒谬误、羊群效应等。 情感偏差源于冲动或直觉，尤其是个人的非理性判断，主要与投资者的情感感受有关。情绪是一种自发的 精神状态，在投资者群体中，情感偏差或多或少普遍存在，同时这些情感偏差会影响投资者做出次优的投资决 策。常见的情感偏差有：损失厌恶、处置效应、过度自信和维持现状。

(资料图片)

2.1 锚定效应介绍

锚定效应（Anchoring），是行为金融学众多效应中的一种，锚定效应是一种众所周知的感知偏差，它会影响 人类的决策。锚定效应的通俗解释为，人们会在做出判断时将看到的或者听到的第一印象的影响作为锚点，并 根据锚点进行调整，因为调整不充分偏向于该锚点而造成的判断偏差的现象。锚定效应会扭曲人们对后来信息 的感知并影响决策过程产生的答案。 在股市中，锚定效应很常见。一种是“股价锚”，如某散户买了某个股票，已套牢三年，还差 20%就解套了，这里，他的解套价就是他心里设定的锚。另一种是“观点锚”，比如说，因为股票 A 在过去涨得好，绝大多数价 值投资者都一致认为其是价值投资的标杆，将来会十年、甚至二十年继续提价或者释放产能，股价还会继续上 涨。甚至听不得人说股票 A 不好，大多数人对股票 A 未来的上涨，形成了一致性预期；也有部分投资者对个别 表现较差的股票有着一种偏见，认为烂股票永远也不可能有变好的一天。这是一种观点锚定。 “士别三日，当刮目相看。”看人是如此，股票亦是如此，当一件事物开始出现变化时，我们不能死抱着旧 观念而刻意置新变化于不顾，而是以一种客观超然的态度去审慎地审视新变化；我们必须时刻警醒自己，忘记 过去的刻板经验，拥抱最新的变化，见风使舵，随机应变，方能做出更好的抉择。

2.2 锚定效应因子定义与构建

2.2.1 长期成长因子

第一类是长期成长因子。上市公司的长期成长，对于投资者来说可能存在锚定效应，即上市公司的长期业 绩表现不错，那么投资者可能认为企业未来的业绩表现也不错。本报告分别使用过去一年、过去两年和过去三 年的净利润同比增速构建长期成长因子。

2.2.2 短期成长因子

第二类是短期成长因子。上市公司更短期的成长，对于投资者来说也可能存在锚定效应。本报告分别使用 单季度净利润同比增速和最新单季度同比增速在时间序列上的排名（过去八个季度的排名）这两种指标来构建 短期成长因子。

2.2.3 CAF 因子

本报告借鉴 Ashoura 等（2019）的方法，构建分析师锚效应偏差 CAF（Cross-sectional Anchoring in Analysts’ Earnings Forecasts）因子。分析师锚效应偏差 CAF 的理论基础如下： 假设分析师在预测上市公司财务数据时，也会有锚定效应。分析师以公司所在行业作为定价的“锚”，当预 测的财务指标超出（低于）行业中位数时，分析师会做出悲观（乐观）预测的指标，以接近行业中位数。财报公 布后，被预测的公司的财务指标将高于（低于）预测值，股价表现将更优（更差）。

2.3 锚定效应因子绩效表现

2.3.1 长期成长因子绩效表现

长期成长因子过去一年、过去两年和过去三年的净利润同比增速，三个因子的选股能力均不显著。其中选 股能力相对最好的为过去两年归母净利润同比增速因子，年化多空收益-4.66%，夏普比率-0.76，IC 均值-0.74%， 年化 IC_IR 达到-0.43。

2.3.2 短期成长因子绩效表现

2.3.2.1 短期成长因子 1：单季度净利润同比增速因子

单季度净利润同比增速因子选股能力较好。因子年化多空收益 10.04%，夏普比率 1.05，IC 均值 3.41%，年 化 IC_IR 达到 1.53。单季度净利润同比增速因子的分层效果区分度非常高。不同分组间具有单调的年化超额收益 （相对中证全指），并且，Q1 组相对 Q10 组具有将近 11.18%的超额收益（其中 Q1 达 12.45%的多头超额收益， Q10 为 1.27% ）。

2.3.2.2 短期成长因子 2：最新单季度同比增速因子在时间序列上的排名（过去八个季度的排名）

最新单季度同比增速因子在时间序列上的排名因子表现出优异的选股能力。因子年化多空收益 11.87%，夏 普比率 1.72，IC 均值 3.21%，年化 IC_IR 达到 2.30。最新单季度同比增速在时间序列上的排名因子的分层效果区 分度非常高。不同分组间具有单调的年化超额收益（相对中证全指），并且，Q1 组相对 Q10 组具有将近 12.53% 的超额收益（其中 Q1 达 13.37%的多头超额收益，Q10 为 0.84%）。

2.3.3 CAF 因子绩效表现

2.3.3.1 CAF_EP 因子

CAF_EP 因子选股能力一般。因子年化多空收益 7.27%，夏普比率 0.77，IC 均值 3.88%，年化 IC_IR 达到 1.84。 CAF_EP 因子的分层效果区分度比较高。不同分组间具有单调的年化超额收益（相对中证全指），并且，Q1 组相 对 Q10 组具有将近 8.18%的超额收益（其中 Q1 达 9.42%的多头超额收益，Q10 为 1.24%）。

2.3.3.2 CAF_BP 因子

CAF_BP 因子选股能力较强。因子年化多空收益 7.69%，夏普比率 0.61，IC 均值 3.98%，年化 IC_IR 达到 1.33。 CAF_BP 因子的分层效果区分度非常高。不同分组间具有单调的年化超额收益（相对中证全指），并且，Q1 组相 对 Q10 组具有将近 8.98%的超额收益（其中 Q1 达 9.67%的多头超额收益， Q10 为 0.69% ）。

3.1 前景理论因子介绍

3.1.1 前景理论

前景理论由 Kahneman & Tversky （1979 ）提出，建立心理学实验基础上, 抛弃了理性人的假设，直接研究 现实中人们的决策行为，将个人的价值感受因素融入决策行为分析中。

3.1.2 前景理论的应用

股价溢价之谜：股票投资的历史平均收益率相对于债券投资高出很多。投资者在行为模型中是风险回避型 的。他们对损失比对收益更敏感，对证券市场价格的频繁波动带有排斥心理，因此在面对这种风险时就要求一 个较高的资产溢价。 波动率微笑：投资者往往高估小概率事件，当投资者对期权深度虚值的情况赋予过高的权重时，会导致其 对期权的期望价值过高，引起股票期权价格被高估，出现波动率微笑的现象。 开放式基金赎回率：基金业绩越好，赎回率越大。即投资者在处置股票时，倾向卖出赚钱的股票、继续持 有赔钱的股票。前景理论的价值函数呈现 S 型，反映出投资者在盈利状态下倾向于先卖出证券，不愿意承担确 定性风险，而在亏损状态下倾向于持有证券，更加倾向于承担不确定风险。

3.1.3 阿莱斯悖论（Allais Paradox）

以 Tversky & Kahneman（1992） 中的实验为例：受试者要参与两个游戏，这两个游戏都包含三个事件 A、 B 和 C，概率分别为 p1、p2 和 p3。例如：在游戏 1 中，受试者选择 f 会 100%获得 10 元，p 选择会有 p1 的概率 获得 10 元，p2 的概率获得 30 元。

64%的人在游戏 1 选择 f，意味前景效用：V(10)*(π(p1)+π(p2)+π(p3))>V(10)*π(p1)+V(30)*π(p2)；

66%的人在游戏 2 选择 g，意味前景效用：V(10)*(π(p2)+π(p3))。

3.2 前景理论因子定义与构建

对投资者而言，对股票的预期表现取决于股票过去表现的分布。 累积前景理论因子（PTV 因子）计算步骤如下： 收集股票最近 N 个日收益率（月收益率）序列，其中负收益率从小到大为− … −1 ，正收益率从小到大 为1 … ，每个收益率出现的概率均为1 (N = m + n)。

3.3 前景理论因子绩效表现

3.3.1 月频 PTV 因子

在月频 PTV 因子中，选股能力相对最好的为 PTV_40M，年化多空收益 9.57%，夏普比率 1.4，IC 均值 2.16%， 年化 IC_IR 达到 1.5。

3.3.2 日频 PTV 因子

3.3.2.1 PTV_20D 因子

PTV_20D 因子选股能力较好。因子年化多空收益 14.05%，夏普比率 1.1，IC 均值 2.95%，年化 IC_IR 达到 0.96。 PTV_20D 因子的分层效果区分度比较高。不同分组间具有单调的年化超额收益（相对中证全指），并且，Q1 组 相对 Q10 组具有将近 13.91%的超额收益（其中 Q1 达 8.82%的多头超额收益， Q10 为-5.09% ）。

3.3.2.2 PTV_40D 因子

PTV_40D 在时间序列上的排名因子选股能力较好。因子年化多空收益 10.60%，夏普比率 0.82，IC 均值 2.21%， 年化 IC_IR 达到 0.67。PTV_40D 在时间序列上的排名因子的分层效果区分度比较高。不同分组间具有单调的年化 超额收益（相对中证全指），并且，Q1 组相对 Q10 组具有将近 9.85%的超额收益（其中 Q1 达 10.26%的多头超 额收益， Q10 为 0.41% ）。

4.1 羊群效应因子介绍

4.1.1 羊群效应简介

羊群效应指的是人们在面对不确定的情况时，倾向于跟随大多数人的行为或看法，而不考虑自己的判断力 和独立思考。这种行为可能会导致人们做出错误的决策，因为跟随者可能会忽略他们自己的观点和信息，而仅 仅依赖于所谓的“群体智慧”。 在股市中，羊群效应一般在市场普涨或者普跌时非常明显，表现为投资者跟随大多数人的投资决策，而不 是基于个人的分析和判断。当股市普涨时，人们看到股票市场一片大好，可能会盲目“上车”，跟随他人买入股 票；当股市普跌时，人们可能会看到其他投资者纷纷抛售，他们也可能会跟随抛售。然而，这种行为可能会导 致过度买入或卖出，使股价暂时偏离合理值，长期来看会导致投资收益不佳。

4.2 羊群效应因子定义与构建

4.2.1 LSV 因子计算举例

假设股票 000001.SZ 出现在多只基金的半年报持仓与年报持仓中，其中“XXXXX1.OF”基金在 20100630- 20101231 期间加仓这只股票，“XXXXX2.OF”在 20100630-20101231 期间减仓。

4.3 羊群效应因子绩效表现

4.3.1 SLSV 系列因子绩效表现

4.3.1.1 SLSV_ALL 因子

SLSV_all 在时间序列上的排名因子表现出优异的选股能力。因子年化多空收益 12.47%，夏普比率 0.92，IC 均 值-3.00，年化 IC_IR 达到 0.90。SLSV_all 在时间序列上的排名因子的分层效果区分度比较高。不同分组间具有单 调的年化超额收益（相对中证全指），并且，Q1 组相对 Q10 组具有将近 12.95%的超额收益（其中 Q1 达 14.02% 的多头超额收益， Q10 为 1.07% ）。

4.3.1.2 SLSV_top_10 因子

SLSV_top_10 在时间序列上的排名因子表现出优异的选股能力。因子年化多空收益 17.30%，夏普比率 0.74， IC 均值-4.28，年化 IC_IR 达到 0.83。SLSV_top_10 在时间序列上的排名因子的分层效果区分度比较高。不同分组 间具有单调的年化超额收益（相对中证全指），并且，Q1 组相对 Q10 组具有将近 19.12%的超额收益（其中 Q1 达 16.13%的多头超额收益， Q10 为-2.99% ）。

4.3.1.3 SLSV_top_20 因子

SLSV_top_20 在时间序列上的排名因子表现出优异的选股能力。因子年化多空收益 20.55%，夏普比率 1，IC 均值-4.67，年化 IC_IR 达到 0.96。SLSV_top_20 在时间序列上的排名因子的分层效果区分度比较高。不同分组间 具有单调的年化超额收益（相对中证全指），并且，Q1 组相对 Q10 组具有将近 21.25%的超额收益（其中 Q1 达 16.78%的多头超额收益， Q10 为-4.47% ）。

4.3.1.4 SLSV_top_50 因子

SLSV_top_50 在时间序列上的排名因子表现出优异的选股能力。因子年化多空收益 21.19%，夏普比率 1.23， IC 均值-4.88，年化 IC_IR 达到 1.14。SLSV_top_50 在时间序列上的排名因子的分层效果区分度比较高。不同分组 间具有单调的年化超额收益（相对中证全指），并且，Q1 组相对 Q10 组具有将近 21.51%的超额收益（其中 Q1 达 17.78%的多头超额收益， Q10 为-3.73% ）。

4.3.1.5 SLSV_top_100 因子

SLSV_top_100 在时间序列上的排名因子表现出优异的选股能力。因子年化多空收益 17.68%，夏普比率 1.08， IC 均值-4.42，年化 IC_IR 达到 1.10。SLSV_top_100 在时间序列上的排名因子的分层效果区分度比较高。不同分组间具有单调的年化超额收益（相对中证全指），并且，Q1 组相对 Q10 组具有将近 18.21%的超额收益（其中 Q1 达 16.65%的多头超额收益， Q10 为-1.56% ）。

在前景理论因子中，20D_PTV 因子与动量因子中的 Momentum_1m 的相关性较高；40D_PTV 因子与动量因 子中的 Momentum_1m 和 Momentum_3m 的相关性较高。 在锚定效应因子中，CAF_BP 因子与 BP_LR 因子的相关性较高；CAF_EP 因子与 EP_TTM 因子的相关性较高。 羊群效应因子与其他大类因子的相关性较低，总体来看效果也是最显著的一类因子。能够作为新的因子加 入多因子模型。

本篇报告分析了行为金融学在量化选股中的应用，结果证明基于“人性的弱点”为基础的行为金融学在量 化选股中具有优秀的效果。我们根据行为金融学中的锚定效应、前景理论和羊群效应构建了行为金融学因子， 并对三类因子进行了单因子测试。在这三类因子中，表现最好的因子是羊群效应因子，五个羊群效应因子的多 空年化收益在 13%-22%之间，其中 SLSV_top_20 和 SLSV_top_50 因子在月频调仓情况下的多空年化达到了 20.55% 和 21.19%，Q1 组相对 Q10 组的超额收益分别为 21.25%和 21.51%，是我们重点推荐的因子。我们还对行为金融 学因子与其他大类因子进行了相关性分析，发现羊群效应因子与其他大类因子的相关性较低，总体来看效果也 是最显著的一类因子，能够作为新的因子加入多因子模型。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）

关键词：