量化实战入门（76）ROE增长率是否可以洞察企业成长

股东回报新视角：ROE增长率是否可以洞察企业成长

在前述文章《成长因子：寻找明日之星》中，我们介绍了成长因子的概念和成长因子的具体指标，本文将对成长因子的具体指标——ROE同比增长率进行评价。关于ROE同比增长率的介绍详见上文。
本文进行因子评价的工具为Alphalens库，Alphalens库的用法详见《量化工具箱：因子评价神器Alphalens库超详细教程》。本文进行因子评价的相关代码在上述文章中已有详细讲解，如果对这些代码不清楚的可以查看以前的文章，本文不再对代码进行过多的解释。

使用Alphalens库进行因子评价的代码

#导入相关的库

import numpy as np
import pandas as pd
import statsmodels.api as sm
import alphalens as al

#关闭警告信息

import warnings
warnings.filterwarnings(‘ignore’)

#从CSV文件读取数据

file_path = ‘e:temp/growth_factor.csv’ # 文件的路径和文件名，注意：此处要换成你的文件地址
data_df = pd.read_csv(file_path, encoding=’gbk’, index_col=0)
data_df[‘日期’] = pd.to_datetime(data_df[‘日期’]) # 将日期统一为datetime格式

#设置将要评价的因子

factor_name = ‘roe同比增长率’

#生成符合Alphalens要求格式的因子值数据

factor = data_df.set_index([‘日期’,’股票代码’])[factor_name]

#生成符合Alphalens要求格式的交易价格数据

prices = data_df.pivot(index=’日期’, columns=’股票代码’, values=’开盘价’)
prices = prices.shift(-1) # 将第二天的开盘价作为交易价格，避免用到“未来数据”

#预处理因子数据，得到符合Alphalens需要的数据格式。

factor_data = al.utils.get_clean_factor_and_forward_returns(
factor=factor,
prices=prices,
quantiles=10,
periods=(1, 10))

#生成因子性能报告

al.tears.create_full_tear_sheet(factor_data)
在上述因子评价的代码中，我们按因子值将全部股票等分为10组，调仓日设置为1天(1D)和10天(10D)。
02

ROE同比增长率因子评价分析
Alphalens生成的因子评价内容很多，这里选主要内容分析如下：
（一）因子收益率分析

这个表格是一个收益分析报告，它展示了因子在1天(1D)和10天(10D)的时间区间内的表现。

Ann. alpha:
Alpha是超额收益，即在调整了市场风险后的收益。在这里，1D和10D的年化Alpha分别是-0.012和-0.020，这意味着因子在1天和10天的持有期的预期超额收益为负。
beta:
Beta是市场风险，衡量的是因子收益与市场收益的相关性。在这里，1D的Beta是0.027，说明在1天的持有期内，因子与市场的收益有微弱的正相关性。而10D的Beta是-0.053，说明在10天的持有期内，因子与市场的收益有微弱的负相关性。
Mean Period Wise Return Top Quantile (bps):
最高分位数组的平均期间收益率。在这里，1D和10D的值分别为1.642和0.970，这意味着ROE同比增长率最高的股票组在1天和10天的持有期内有正的收益。
Mean Period Wise Return Bottom Quantile (bps):
最低分位数组的平均期间收益率。在这里，1D和10D的值分别为-0.942和-0.428，这意味着ROE同比增长率最低的股票组在1天和10天的持有期内有负的收益。
Mean Period Wise Spread (bps):
最高和最低分位数组的平均期间收益差。在这里，1D和10D的值分别为2.584和1.430，这表明ROE同比增长率最高的股票组相较于最低的股票组有较高的收益。
（二）因子分组收益情况
Mean Period Wise Return By Factor Quantile：

这张图展示了该因子的不同分组在未来1、10期的平均收益率。图的X轴为因子分组，Y轴为每组的平均收益率。
Alphalens的收益默认是做市场中性处理的，即这里的收益率为”超额收益率”，指在截面上对所有股票收益率做中心化处理后的收益率。
具体来说，因子被分成十组，每组包含相同数量的股票。然后，计算每组在未来1、10期的平均收益率，并减去所有股票收益率的平均值，得到超额收益率。
Cumulative Return by Quantile：

该图展示的是各个因子分组的累计收益。在这个图表中，我们关注的是每个分组在不同时间段的收益表现。这个图表中可以帮助我们更好地理解因子在不同分组的表现。
与前面相同，Alphalens的收益默认是做市场中性处理的，即在计算收益时，会扣除所有股票的整体均值，这样可以消除市场整体的影响。
因子的分组收益评价：
通过分析上述图表，我们可以得出该因子的分组收益有以下几点结论：
(1）该因子总体上呈现初因子值越高分组收益越高的趋势，多头组的收益显著高于空头组。
(2）因子收益的单调性：从因子1到因子6，平均收益呈现出负到正的趋势，这表明ROE同比增长率较高的股票在这个区间内的收益率较高。但在因子6到因子10的区间内，收益并未严格增加，反而在因子10处略低于因子8和9，这可能表明在ROE同比增长率较高的部分，其预测能力可能并不强。
(3）因子在不同持有期的表现：比较1天和10天的收益，可以看出，尽管两者的趋势大致相同，但是在10天的持有期内，收益的差距更为明显，这可能表明ROE同比增长率因子在更长的时间尺度上的预测能力更强。
（三）因子IC值分析

Information Analysis表用来评估一个因子的预测能力。IC是因子值与未来收益的相关系数，衡量了因子预测未来收益的能力。一个因子的IC越高，说明其预测能力越强。这里的1D和10D指的是在1天和10天的持有期内的IC。
根据这个表格，我们可以得出以下信息：
IC Mean：
IC的平均值，这表示了因子预测能力的平均水平。在这里，1D和10D的IC Mean分别为0.007和0.018，这意味着因子有一定的预测能力，且在10天的持有期上预测能力更强。但不管是1D还是10D，IC的平均值都不高，这说明该因子的线性预测能力并不强。
IC Std.：
IC的标准差，这表示了IC的波动性。在这里，1D和10D的IC Std.分别为0.052和0.067，这意味着因子的预测能力具有一定的不稳定性，且在10天的持有期上不稳定性更大。
Risk-Adjusted IC：
风险调整后的IC，这是IC Mean与IC Std.的比值。在这里，1D和10D的Risk-Adjusted IC分别为0.135和0.266，这意味着在考虑了预测能力的不稳定性后，因子在10天的持有期上的预测能力更强。但风险调整后的IC仍然不高，说明经过风险调整后，该因子的线性预测能力仍不强。
综上，ROE同比增长率因子在整体上具有一定的预测能力，因子值较高的股票往往能获得较高的收益。但是，投资者在使用该因子进行投资决策时，应注意其在因子值较高的区间内可能的预测能力减弱，并可能需要结合其他信息和因子进行综合判断。