报告来自微信文章《股票市场的“高beta异象”——High beta is low alpha | 专题报告招银资管研究》

报告的重要内容是指出了，中国的A股市场确实存在“高beta异象”——高beta的股票会带来低alpha，高beta与低beta组别的超额收益（alpha）显著不同，无论是单个市场因子，或者三因子模型。

计算方法

我们使用2005年以来，上市超过两年的股票数据，截止到2016年9月底，包括主板、中小板、创业板共有近3000只股票。在估计事前beta与计算事后alpha时，我们都使用月度数据。

估计事前beta

我们通过滚动线性回归来估计事前beta，被解释变量是资产超额收益，解释变量是市场超额收益，beta的估计值如下：

$\hat{\beta}=\hat{\rho}\frac{\hat{\sigma}}{\hat{\sigma}_m}$

其中，$\hat{\sigma}$是资产收益$y_i$波动率估计值，$\hat{\sigma}_m$是市场收益$x_i$波动率估计值，$\hat{\rho}$是两者的相关系数。$\hat{\beta}$实际上是回归系数，注意到

$\hat{\beta}=\frac{l_{xy}}{l_{xx}}=\frac{\sum x_i y_i}{\sum x_i x_i}=\hat{\rho}\frac{\hat{\sigma}}{\hat{\sigma}_m}$

如果熟悉一元回归，那么可以证明$\hat{\beta}$其实是一元回归系数。

因子模型计算alpha

每月月初，按照事前beta对股票进行排序分组，分为10组，每个组组内股票等权配置，以组合的月度超额收益作为被解释变量，市场超额收益作为被解释变量，进行线性回归，回归的常数项即为这一组股票组合的alpha，回归的一次项即为事后beta。可以知道，每个股票都有一个事前beta，每个投资组合（这里是10个）都有一个事后beta。
紧接着，我们使用三因子模型来估计股票组合的alpha，用以观察在市值、估值等因子可解释的收益外，是否仍然具有“高beta异象”。

“高beta异象”——high beta is low alpha

我们发现国内A股市场确实存在“高beta异象”——高beta的股票会带来低alpha，高beta与低beta组别的超额收益（alpha）显著不同，无论是单个市场因子，或者三因子、四因子模型。
1.beta的特征
全市场A股的beta值大约分布在0.7到1.4这个区间内，我们统计了beta值的各个分位数的时间序列的变化。beta值在时间序列上的变化大致稳定，只有在市场行情剧烈波动的2006年与2015年出现了极端变化。

high beta is low alpha
我们可以从下图中看到“高beta异象”在国内市场上的存在。
我们按照beta从低到高进行排序，可以观察到明显的alpha的上升。更加详细的收益与其他信息展示在了下面的表格中

下面的表格展示了更加详细的信息。
1.实际的股票组合的beta值顺序基本与事先beta一致；
2.超额收益（alpha）、夏普率（sharpe ratio）随着beta的降低而逐步增加；波动率（vol）随着beta的降低而逐步降低；beta最高的第一组股票组合月度超额收益0.42%，beta最低的第十组股票组合阅读超额收益1.02%，并且t值显著。beta最高的第一组股票组合年化夏普率0.33，beta最低的第十组股票组合年化夏普率0.56。