带r的股票可以做空吗(带r的股票什么意思)

通常来说，我们之所以使用基本面因子对股票进行研究，往往因为这类因子有良好的金融或者财务的分析基础，这些基础提供给我们坚实的分析逻辑和讨论结构，帮助我们从不同的维度，审视股票投资的方法论。

而这些不同维度的基本面因子又是相互连接的，任何一个初次接触会计学的人，老师都会花浓重的笔墨来渲染三大报表是如何勾稽在一起的，而事实上如果不能梳理清楚因子或者财务变量之间的关系，我们也很难对股票的企业投资价值进行综合的评估。

通常来说，我们分析各类财务变量的方法有两种。一种是观察同期指标之间的相互关系，即横向通过构建比率指标来反映更丰富的企业财务信息，比如ROE其实就是用企业的净利润与股东权益相除，我们可以通过这个数值知晓企业的经营成果可以给每一份股权带来多少价值增殖，再比如杠杆率，其实就是通过债务和股东权益的对比来讨论企业的财务结构。这样的方法十分直观，在日常研究中有广泛的应用，比如著名的杜邦分析法就是其中的代表。

另一种方法则是当我们拥有多期的同类数据时，我们会从时间维度纵向来进行比对，此时我们获得的就是这个指标的变动情况，稍微专业一点的说法叫做增长率或者变动率。比如我们可以把今年的企业收入与去年的对比，如果相除大于1的话就意味着今年收入在增长，而反过来则意味着收入的降低。这种比较方法实际上帮助我们更好地观察企业某个指标在长期内的变动情况，从稳定性或者增长性的角度来进行投资决策。

这两种比率的构建，可以更大化地丰富我们对企业基本面信息的认知，两种维度也可以结合在一起，帮助我们从截面和时序同时分析企业的财务状况。

但是这样的信息挖掘仍然是不充分的。比如我们想要知道，一个变量的变化究竟是如何导致另一个变量的变化，或者当我们已经知道一个变量会随着另一个变量变化时，如果刨除第二个变量的影响，那么原始的变量又会如何变化呢？这样的问题实际上就转化为数学上的所谓线性关系的研究。

对不同的财务变量之间线性关系的研究，其实比之前的比率式分析更能充分反映不同变量的变化情况，比如我们看数据知道某只股票的流动比率逐年上升，但是我们其实并不能从比率中直观看出这样的上升究竟源于流动资产的快速提高还是流动负债的不断减少。而这正是我们讨论线性关系的原因。事实上，我们明确知道，财务变量之间有一定的线性关系，比如成本的增加会导致利润的减少，负债的增加会导致资产的增加等等，但是如何利用这样的线性关系就是一个很有趣的话题了。

下面我们以企业的收入和成本之间的关系为例来说明这个问题。

当企业运营能力不变时，假设任何外部和内部的条件都不改变，那么我们可以认为企业投入一单位成本所带来的收入应当是稳定不变的，也就是说，如果你投入1块钱能获得2块钱的收入，那么投入1个亿也能获得2个亿的收入。但是实际上，无论是企业生产能力的变动，管理水平的改变，乃至员工的变动，可能都会影响这两者的稳定关系，这就使得我们单纯用企业收入与成本之比来作为因子筛选股票，很难取得理想的结果。

我们在倍发科技投资研究系统（Betalpha BAR，下文简称BAR）中，使用企业财务报表中每个季度的收入与成本之比来对所有A股进行回测，回测时间范围为2010年至今，每个月第一个交易日重新计算上述数据进行换仓，并按照计算结果大小将所有股票均分为5组。结果显示，收入成本比更高的企业并没有取得更高的收益表现，这意味着，我们使用比率方式挑选出的相对收入更高的企业，其实并没有如我们想象的那样，有更好的表现。

△收入成本比因子全A股回测情况

数据来源：倍发科技投资研究系统（Betalpha BAR）

这或许说明，收入和成本之间的理论上的线性关系被破坏了，并且我们需要去探讨，两者之间线性关系的变动方向又是怎样的。这里就用到了我们的OLS（最小二乘）回归的方法。假设我们有很多个季度的收入和成本的数据，那么我们其实可以用这个方法，计算出成本投入在多大程度上可以解释收入的来源。如前面之前的例子，我们通过回归关系发现，成本投入1元会带来2元的收入，那么假如企业获得了3亿元的收入，就表明其中有2亿是通过成本投入获得的，而另外1亿则是成本不能解释的收入，它可能来自技术的进步，也可能来自销售渠道的改善。这部分不能被成本解释的收入，在回归模型中就叫做残差。

这些残差其实是在收入/成本关系之外，我们同样需要关心的东西，因为其中隐含了许多企业运营的信息，从这个回归的关系来说，如果残差值越大，我们就可以相应地认为，企业有更好的运营能力。

因此，在BAR中，我们使用每个季度的成本对每个季度的企业收入进行回归，并提取回归的残差作为因子，来衡量企业收入的额外信息，通常我们称之为盈利改善因子（RROC）。这里需要强调的是，我们在回归时对数据进行了预处理，让企业的营业收入和营业成本以12个季度的数据做滚动标准化，因为各个企业的收入和成本数据差异很大，这样做可以使企业间具有可比性，避免极端值的影响，并且我们在筛选时剔除了金融类企业。

△RROC因子全A股回测情况

数据来源：倍发科技投资研究系统（Betalpha BAR）

结果显示，这个因子有明显的线性递减趋势，即企业成本对企业收入回归的残差值，按从高到底进行分组之后，发现残差值越高的股票，未来的投资收益也越高。从结果来看，如果我们做多高RROC的股票，做空低RROC的股票，理论上来说可以获得每年4.12%的年化收益。

这表明，RROC这个因子有着不错的选股能力。更进一步地，我们在BAR中，按照申万一级行业分类，对26个行业（同样不考虑金融类行业）进行了测算。

△ROOC因子分行业回测情况

数据来源：倍发科技投资研究系统（Betalpha BAR）

从结果来看，26个行业中，只有7个行业的高RROC组相对低RROC组没有优势可言，其中国防军工、房地产和综合类行业尤其不适用于这个因子的逻辑进行选股，不过对于上述行业来说，这是一个不错的反向指标，即低RROC的企业在未来有更高的回报。相应地，结合IC和信息比等进行判断，RROC对于化工、建筑材料、家用电器、电气设备等行业而言则是一个不错的因子，对于未来的收益有很强的预测性，各个行业的因子IC值如下图所示。

△RROC因子分行业预测能力

数据来源：倍发科技投资研究系统（Betalpha BAR）

而从逻辑来看，RROC的构造方法使其更接近一种成长性的因子，可能与其他增长类因子有较高的相关性。我们在BAR中，回测RROC时，剔除了企业收入增长率的影响之后，依然发现因子有良好的选股性质。

△剔除收入增长影响之后的RROC因子

数据来源：倍发科技投资研究系统（Betalpha BAR）

总的来说，RROC的例子表明，我们可以通过类似的方法，克服传统上基于比率指标进行选股存在的各种弊端，能够更好地分析不同变量之间的关系，这样的线性特征无论在统计学还是在金融学上都有丰富的含义，并且这样的方法可以在BAR上得到全面的检验和印证。