|
研报名称：《基于市场羊群效应的股票alpha探究》
研报作者：中信建投 丁鲁明 陈元骅
主要结论
羊群效应反映了二级市场的一种行为模式。在股票二级市场中，如果投资人在进行决策时选择模仿其它投资人的行为而较少地依赖自身对股票内在价值的判断，就会出现市场行为的高度一致性，即羊群效应。此时市场达到的均衡往往不同于投资人独立做决策时的结果。
A股市场羊群效应的成因。在构建统计模型之前，我们从六个方面分析了A股市场羊群效应背后的可能原因，分别是机构抱团现象、基金管理人声誉理论、明星分析师推荐、宏观政策对股价的传导、概念板块短期炒作以及T+0策略导致的股价联动。
量化市场羊群效应的常见模型。学术文献中对股票市场羊群效应的研究大多集中在统计检验层面，我们一共整理了五个应用较广的模型：CSSD模型、CSAD模型、beta集中度模型、LSV模型以及行业动量增强模型。其中前四个模型是对市场羊群效应不同维度的检验，最后一个模型是基于羊群效应的一个交易策略。
A股市场的行业动量效应。我们参考Jegadeesh和Titman(1993)提出的方法分别构建不同周期的动量策略，计算赢家组合、输家组合的年化绝对收益和年化相对收益以及对应收益序列的信息比率，发现A股的行业动量效应主要体现在以周为单位的短周期上，其显著性随着策略周期的拉长而逐渐减弱。
羊群效应对动量策略的增强作用。为了检验羊群效应较弱的行业是否存在更强的动量效应，我们在赢家行业与输家行业基础上，根据行业羊群效应的强弱做进一步的划分，对比强羊群组和弱羊群组策略的收益差，发现弱羊群组的动量效应确实要强于强羊群组，且其动量效应的衰减速率更加缓慢。
基于羊群效应的个股alpha因子。遵循从个股到板块再到个股的思想，我们分别构建了三个个股alpha因子。其中表现最好的因子是因子2，其月频IC均值达到0.071，年化IR为2.59，多头组合相对基准年化alpha平均值为12.86%。alpha分布最稳定的是因子3，对应多头组合在2004年至2018年的每一年都跑赢基准，且在其中6年有两位数的超额收益。
引言
羊群效应（herding）描述了一种常见的行为模式。在股票二级市场中，如果投资人在进行决策时选择模仿其它投资人的行为而较少地依赖自身对股票内在价值的判断，就会出现市场行为的高度一致性。在这种一致性之下，市场达到的均衡往往不同于投资人独立做决策时的结果，此时短期股价的变化更多地依赖于市场行为的博弈而非基本面价值的波动。本文主要从这样一个动机出发进行研究，着重对A股市场的羊群效应进行建模、实证并尝试构建相应的交易策略。在建立模型之前，我们首先从逻辑上分析A股市场羊群效应背后的成因。下面列举了六点潜在的驱动因素。
机构抱团现象
投资二级市场的大型机构通常内部存在一套流程化的决策体系，尤其是研究团队的支持，基金经理个人的决策受到投资决策委员会的影响，因此同一机构下的不同产品可能在投资风格上有一定的相似性，甚至出现同一机构重仓某一只或某几只个股的现象。
基金管理人声誉理论
市场对机构投资人尤其是公募基金经理投资能力的衡量主要基于区间回报在同业之间的排名。对于一名基金经理而言，假设在极端情况下市场上其它所有基金经理都重仓持有某一只股票，而当他选择不持有这只股票时会出现两种情况：当这只股票的涨幅超过该基金经理持有组合涨幅时，其业绩排名处在市场后50%，反之其业绩排名处在市场前50%。因此对于风险厌恶的基金经理也会选择持有该股票（或基本面相近的替代品）。另一方面，如果持有较多冷门股票也会面临更大的“踩雷”的风险。
明星分析师推荐
机构投资人的投资决策还会参考卖方分析师（尤其是明星分析师）的推荐。同一分析师（甚至不同分析师）对同一只股票的推荐会影响多个机构投资者。此外，卖方分析师组织的上市公司调研和反路演活动在短期也会提高某一只特定股票的关注度。
宏观政策对股价的传导
宏观政策影响实体经济的供求，也会影响二级市场股票的供求。而通常情况下，宏观政策是针对某一行业或某一类公司而言的，因此反映在股价上是一篮子股票短期走势的趋同。虽然有时政策的影响是间接的，但是机构投资人对政策的关注度通常极高，其对政策解读的及时性和相应的买卖行为会影响股价的走势。
概念板块的短期炒作
A股长期以来存在“概念板块”效应，该效应显著影响股票之间的相关系数。当某一题材的热度上升时，与该题材相关的一篮子股票的走势相关性会短期突然上升，而这种相关性很难通过历史数据进行建模，因为概念题材一直在变，难以通过建立公共因子的方法进行量化。
T+0策略导致的股价联动
A股市场存在大量短线投资者，其中一类以做日内T+0为主。如果开盘前持有某只股票的底仓，则可以在当日进行（不超过底仓数量的）高抛低吸，保证收盘后持有该股票数量不变，变相实现T+0交易。在选择日内交易的高低点时，一种策略是监控与该股票在历史上走势较为接近的其它股票，捕捉交易价差短期波动可能带来的机会。该策略会使股票之间走势的相关性进一步加强。
本文接下来主要从三个方面针对羊群效应这种行为模式进行量化分析。在第二部分，我们对相关学术文献中的常用模型进行整理，分析各个模型的主要逻辑、数学方法以及对交易策略的启示。在第三部分，我们将借鉴其中一篇文献中提出的逻辑在A股市场构建行业动量增强策略，检验羊群效应对行业动量效应的影响。在第四部分，我们回到个股，利用个股所在板块羊群效应的量化指标分别建立三个alpha因子，并在传统因子模型的框架之下测试其有效性。
文献综述及模型梳理
学术文献中对股票市场羊群效应的研究大多集中在统计检验层面，这一部分中我们一共整理了五个在学术界应用较广的模型：CSSD模型、CSAD模型、beta集中度模型、LSV模型以及行业动量增强模型。其中前四个模型是对市场羊群效应不同维度的检验，最后一个模型是基于羊群效应的一个交易策略。以下我们依次对这五个模型中的核心逻辑和数学模型进行介绍，并在第三部分对最后一个模型提出的逻辑在A股市场进行实证。
CSSD模型
CSSD(cross-sectionalstandarddeviation)模型由Christie和Huang(1995)提出，它利用股票收益在横截面的分散度衡量市场羊群效应的强弱。特别地，我们关心市场在出现极端涨幅或极端跌幅时是否会有显著的羊群效应。
首先定义CSSD为股票收益横截面的标准差：
然后对每个交易日计算出的CSSD进行时间序列回归，解释变量为市场涨跌状态哑变量：
其中在市场跌（涨）幅最大的前1%交易日为1，其余交易日为0。我们关心市场状态哑变量前的系数是否显著为负。该模型的直观含义是市场出现极端涨幅和跌幅时，如果股票涨跌分散度显著低于平均值，则表明此时存在明显的羊群效应。
CSAD模型
CSAD模型由Chang，Cheng和Khorana(2000)提出，该模型与CSSD模型的主要区别在于收益分散度的衡量和解释变量的选取。模型中定义CSAD为股票收益横截面的平均离差：
离差值相对标准差的一个优点是对单个极端样本的敏感度较弱。接下来同样是对CSAD进行时间序列上的回归，解释变量为市场收益的绝对值，以及市场收益的平方：
在回归式中，我们主要关心市场收益平方项前系数的显著性，该系数显著为负表明股票收益分散度的增加速率随着市场收益绝对值的增加（极端程度的增加）而逐渐放缓，即随着市场涨跌幅度的增加，股价走势之间的一致性越强，意味着市场存在羊群效应。
使用收益的绝对值而不是哑变量的主要原因是在CAPM模型下，CSAD在平均意义上与市场收益绝对值之间存在线形关系，那么即使市场存在羊群效应，CSAD也可能随着市场收益绝对值的增加而增加，只是增加的速率可能相对放缓（CSAD对市场收益的二阶导数小于0）。
beta集中度模型
beta集中度模型由Hwang和Salmon(2002)提出，它用来衡量过去一段时间羊群效应的强弱变化，出发点是股票beta值在横截面上的分散程度。当一只股票过去一段时间与市场走势越像时，其beta值越接近于1，当很多只股票同时出现这种情况时，表现在它们beta值的方差减小。因此横截面上股票beta值的方差越小，对应区间的羊群效应越强。用类似的思想还可以衡量在某一个风格因子上羊群效应的强弱，方法是将CAPM模型推广到多因子的情形：
其中，fktfkt代表第k个因子在t日的多空收益差。当某一个风格因子在短期解释力度增加时，它对股票收益的区分度提高，即对应因子前面系数beta的横截面方差增大。模型考虑到对beta做估计时可能在统计上不显著，以回归系数t值的分散度作为最终的估计量：
H(m,t)越小，市场整体羊群效应越强。H(k,t)越大，在因子k上的羊群效应越强。
LSV模型
LSV模型由Lakonishok,Shleifer和Vishny(1992)提出，它的命名取了三位作者名字的首字母。该模型从基金持股变动数据出发判断一只股票是否被集中买入或集中卖出。作者认为机构投资者相对个人更倾向于“抱团”，因为它们更关注同行的投资行为、有业绩排名考核且更关心宏观政策和分析师观点。
我们可以通过基金季度公布的持仓数据计算出每只基金每个季度在每只股票上是净买入还是净卖出。如果市场在某一只股票上没有出现集中买入或卖出，则该季度买入该股票的基金数量占交易该只股票基金总数量的比例应该不会偏离市场均值太多，因此可以用如下统计量H(i)衡量该股票上羊群效应的强弱：
其中B(i)和S(i)分别是当季度买入和卖出股票i的基金数量，p(t)为所有股票买入交易占交易总数的比例。AF(i)为绝对值项在原假设（每只基金买卖每只股票的概率都等于p(t)，在基金总数一定的情况下，买入该股票的基金数量服从二项分布）下的期望值。
行业动量增强模型
前面四个模型都是对市场羊群效应的检验模型，最后一个模型主要考察羊群效应对行业动量策略的影响，它由Yan，Zhao和Sun(2012)提出。该模型认为动量策略的收益来源于基本面价值逐渐释放的过程，如果当前某一行业羊群效应较强，则其基本面价值可能会被提前透支，相应地动量效应会逐渐减弱。这意味着，羊群效应较弱的行业上可能动量效应相对更加明显。
为了检验这一假说，模型对过去收益排名前50%的赢家行业和后50%的输家行业再按照羊群效应的强弱进行划分，分别得到赢家行业中的强羊群组合和弱羊群组合以及输家行业中的强羊群组合和弱羊群组合，最后考察两个强羊群组合的收益差和两个弱羊群组合的收益差之间是否存在显著差异。以下，我们将参照该模型提出的逻辑在A股市场进行相应的实证。
基于羊群效应的行业动量增强策略
A股市场的行业动量效应
首先我们需要检验A股市场是否存在行业动量效应，如果存在是偏长期还是短期。这里参考Jegadeesh和Titman(1993)提出的方法构建不同周期长度的动量策略。
每个动量策略依赖于三个参数：形成期长度（J个月）、持有期长度（K个月）和调仓周期（1个月）。在当前时间点T，对过去J个月（形成期）各个行业的涨跌幅进行排序，涨幅前50%定义为赢家行业，涨幅后50%定义为输家行业，然后将赢家行业与输家行业分别等权构建赢家组合与输家组合，每个组合的持有期为未来K个月。1个月（调仓周期）之后，我们站在时间点T+1可以按照同样的方法得到新的赢家组合和输家组合（图1中的组合2），此时将新的赢家组合与旧的赢家组合的权重调整为等权（只有两个组合时，每个组合各50%，随着数量的增加，每个组合的权重为1/n，n为调仓时间点持有赢家组合或输家组合的数量），依此类推对组合进行月频的更新。这样，我们可以分别得到整个回测期赢家组合和输家组合的收益净值曲线。
将赢家组合的日收益率序列减去输家组合的日收益率序列可以得到动量策略的收益率序列，并由此计算动量策略的年化alpha和信息比率，用来评判给定持仓周期行业动量效应的强弱。
以季度为单位的中长期动量效应
我们提取2003年1月1日至2018年12月31日每个交易日A股的复权涨跌幅数据，并按照中信一级行业标准（共29个行业）进行划分。赢家行业定义为形成期内涨幅最大的14个行业，输家行业定义为形成期内涨幅最小的14个行业。每个行业在建仓时点采用个股等权配置。
首先我们检验A股市场是否存在以季度为周期的长期动量效应。形成期长度（J）与持有期长度（K）分别取3个月、6个月、9个月和12个月，策略更新频率取1个月，这样一共得到16个不同周期的动量策略。下表为16个策略中赢家组合、输家组合的年化绝对收益和年化相对收益以及对应收益序列的信息比率。
从表中的统计结果可以看出，虽然16个策略在历史期的表现都是赢家组合强于输家组合，但是平均年化收益最高（9m/3m）仅有2.76%，且信息比率低于0.5，因此长期动量效应无论是从alpha值还是t值来看都不显著。下面我们将参数的周期缩短为周频，考察A股行业在短期是否存在动量效应。
以周、月为单位的短期动量效应
将形成期长度（J）和持有期长度（K）分别取1周、2周、3周和4周，策略更新频率取1周，我们可以计算16个短周期动量策略的收益及其信息比率。结果如下表所示：
从周频策略的表现来看，赢家组合相对输家组合的年化alpha有明显的提升。其中平均年化收益最高（2w/1w）达到10.78%，信息比率为1.54。策略1w/2w的信息比率为所有策略最高，达到1.65，年化收益8.71%。除此之外，我们发现赢家组合相对输家组合的alpha值和信息比率随着形成期（J）和持有期（K）长度的拉长出现明显的衰减。这说明A股的行业动量效应主要体现在以周为单位的短周期上，其显著性随着策略周期的拉长而逐渐减弱。
行业羊群效应指标构建
接下来我们研究行业羊群效应如何影响动量策略的表现，首先需要对每个行业羊群效应的强弱给出量化的定义。这里采用的方法是以CSAD值的移动平均衡量行业羊群效应的强弱。在第二部分，我们已经介绍了CSAD的计算方法，它是股票收益在横截面的平均离差：
在计算某一行业的CSAD时，上式中的下标i遍历该行业中的每一只成份股，市场收益以行业成份股等权平均收益替代。为了对行业CSAD值的历史走势有一个直观的认识，我们挑选了5个具有代表性的行业，计算它们CSAD值的60日移动平均，结果如下图所示：
不难发现，不同行业的CSAD值是天生存在差异的，例如银行板块内个股表现的一致性显著强于其它行业，反映在其CSAD序列在图中长期处于其它行业之下。相反，计算机行业在2013年、2014年和2015年的CSAD值显著高于其它行业。那么，如果只是简单地通过比较不同行业的CSAD值而去判断羊群效应的强弱，则选出的组合可能会长期偏向某一行业，这样无法得知组合收益是受到羊群效应的影响还是行业风格偏离的影响。因此我们需要对CSAD进行时间序列上的标准化，计算每个交易日CSAD值在过去60个交易日的zscore：
其中j代表行业，t代表交易日，下图为标准化后行业CSAD值zscore的60日移动平均：
由于对行业CSAD做了标准化处理，我们发现不同行业的zscore值都大致围绕着0上下波动，从而它们进出组合的概率也更加均等。以下我们就以zscore值的大小作为衡量行业羊群效应的量化指标。
羊群效应对动量策略的影响
为了检验羊群效应较弱的行业是否存在更强的动量效应，我们在3.1中定义的赢家行业与输家行业基础上，根据行业羊群效应的强弱做进一步的划分。
站在时间点T，之前定义的赢家行业是形成期涨幅最大的14个行业。为了比较这14个行业的羊群效应强弱，我们分别计算每个行业CSAD值的zscore在形成期的平均值，并按照该值对14个行业进行排序，定义zscore均值最大的5个行业为赢家行业中的弱羊群行业，zscore均值最小的5个行业为赢家行业中的强羊群行业，对输家行业也做类似的定义。这样一共得到了4个组合，分别是赢家行业中的弱羊群组合、输家行业中的弱羊群组合、赢家行业中的强羊群组合和输家行业中的强羊群组合。接下来我们分别计算弱羊群组合和强羊群组合形成的动量策略的收益，结果如下表所示：
从不同周期策略的表现对比来看，弱羊群组中的动量策略收益（赢家减输家）都高于强羊群组，为了更清楚地看到两者的收益对比，我们将两张表格的对应部分做差，下表为弱羊群组收益减去强羊群组收益的结果：
从赢家组合的绝对收益来看，较短周期上（形成期和持有期为1w或2w）强羊群组表现更好，其它周期上弱羊群组表现更好。对于输家组合，所有周期上都是强羊群组表现更好。从赢家减输家的表现来看，所有周期上都是弱羊群组表现更好，并且二者差值随着形成期的逐渐拉长而增加。这表明弱羊群组的动量效应确实要强于强羊群组，且其动量效应的衰减速率更加缓慢。
至此，我们完成了对行业动量增强模型在A股上的实证。第四部分的内容将转向个股alpha因子的挖掘，尝试从羊群效应的角度构建有效的市场行为因子。
针对A股市场的alpha因子构建
因子构建思路
在之前的第二部分中，我们曾经对学术文献中和股票市场羊群效应相关的模型进行了整理，其中前三个模型（CSSD模型、CSAD模型和beta集中度模型）对于羊群效应的衡量都是基于一篮子股票的，它们在统计量的构造上都有横截面样本分散度的思想，因此对于判断走出独立行情的个股无能为力。LSV模型虽然基于个股买卖数据，但基金持仓公布一般有滞后，对于实时交易策略的参考价值不是很大。为了针对个股构建alpha因子，我们对基于分散度的模型做一些小的改进。
一个自然的想法是针对每一只个股构造一个“小型板块”，该板块包含的股票数量不多，但都和当前要研究的这只股票走势相近，那么该板块上羊群效应的强弱能够近似反映这只股票近期关注度是否出现明显变化。计算出板块上的羊群效应指标后再做适当加工就可以形成个股alpha因子。以下我们就遵循这种从个股到板块再到个股的思想分别构建三个股票alpha因子，并对其有效性进行回测。
股票之间相似度的衡量
首先我们需要量化地衡量两只股票之间走势的相似性，从而可以根据该指标的大小选出和给定股票走势最相近的一篮子股票。这里我们简单以两只股票过去120个交易日的日涨跌幅序列相关系数作为衡量指标，相关系数越接近于1，认为两只股票走势越接近。为了保证计算相关系数时的样本数量，我们在样本中剔除了过去120个交易日不活跃交易时间超过20个交易日的样本。这里的不活跃交易日包括停牌日、上市日以及在复牌和上市交易后没有打开涨停或跌停板的交易日。对于非停牌或新上市情形的涨跌停日，我们在计算相关系数时不予剔除，而是在构建组合时进行处理。
对于每只股票，如果将其过去120个交易日的日收益率系列看成一个向量，可以证明不同股票所对应的向量在标准化后的欧氏距离与相关系数指标等价。假设data-mathml='(x1,x2,…xn)'>(x1,x2,…xn)(x1,x2,…xn)和 data-mathml='(y1,y2,…yn)'>(y1,y2,…yn)(y1,y2,…yn)分别是两只股票过去n个交易日的收益率序列，则：
因子1——行业情形的简单类比
在明确了如何衡量个股之间的相似性之后，我们站在一个时间点，通过计算股票之间的相关系数矩阵，可以选出和给定股票走势最接近的9只股票，连同这只股票本身构成一个10只股票的小型板块。在第三部分中，我们以行业板块CSAD值的zscore作为衡量羊群效应强弱的量化指标，该方法可以应用到任何一篮子股票中，于是我们可以用小型板块CSAD值zscore在过去20个交易日（月频因子）的均值作为该股票当前的因子值，这就形成了我们的第一个alpha因子，其具体计算步骤如下：
注意到板块的形成依赖于过去滚动120个交易日的股票涨跌幅数据，因此在不同的时间点，同一股票对应的板块可能不同，它的优点是保证了板块内成份股收益的关联度。该因子的直观含义是股票所在的概念板块关注度在过去20个交易日相比过去120个交易日的变化，因子f值越大，板块近期的CSAD越小，认为受关注程度的提升越明显。
下面我们对因子有效性进行测试。每个月末，将股票按照因子值进行排序，排名前20%的股票等权构建多头组合，排名后20%的股票等权构建空头组合，基准为所有股票等权构建的组合。这样可以计算多头组合累计收益、空头组合累计收益、基准组合累计收益以及组合之间的相对强弱，结果如左图所示。因子的月频IC值序列如右图所示：
下表为因子组合的各年收益的分布：
从测试结果看，因子1月频IC的历史平均值为0.056，年化IR为1.58。虽然多头组合相对基准的平均年化alpha高达9.6%，但从分布来看主要集中在2007年和2015年的两年牛市，且在2005年和2013年失效。因此该因子存在一定改进空间。注意到因子的含义是股票对应板块羊群效应的强弱，如果当前个股不能很好地代表这个板块，例如其走势持续弱于板块或强于板块，则不适宜使用板块指标作为个股的alpha因子。
因子2——突出个股在板块中的地位
为了突出个股在板块中的地位，我们对因子1的构建方法稍作调整。具体是在计算CSAD时，将绝对值项的被减数改为因子对应个股的收益，也就是将个股收益看作板块中的市场收益。做了这样的改变之后，股票收益越接近中位数，CSAD越小，一定程度上减轻了股票偏离板块的问题。这形成了第二个alpha因子，其计算步骤如下表所示：
按照之前的方法，我们计算因子2的多空收益及月频IC，结果如下图所示：
下表为因子2组合的各年收益的分布：
因子2的月频IC历史均值为0.071，年化IR为2.59，多头组合相对基准的平均年化alpha为12.86%，有效性相对因子1有显著提升。从alpha各年分布来看，虽然因子2仍然没有解决在2005年和2013年失效的问题，但是分别在2006年、2009年和2010年获得了两位数的超额收益。为了进一步提高alpha的稳定性，我们需要在构建统计量的方法上做新的尝试。
因子3——借鉴回归模型的思想
到目前为止，在与策略相关的模型中，我们都是以股价收益分散度衡量羊群效应的强弱。而在第二部分提到的文献中，对羊群效应的检验主要基于时间序列上回归系数的显著性。这里之所以不用过去一段时间样本回归系数作为量化指标的原因主要有两点：一是历史序列的长度不容易确定，取太短不能保证回归系数的准确性，而取太长与策略的及时性相矛盾。二是回归结果容易受到异常值的影响，即使是单日极端值的影响也是不可忽略的。但是我们可以借鉴回归式的思想构建统计量，因子3就是这样形成的。
在CSAD模型中，对羊群效应的检验主要基于市场收益平方项前的系数正负及其显著性：
现在假设回归式中没有包含收益平方项，即：
那么市场羊群效应越明显，残差项 data-mathml='μt'>μtμt和解释项 data-mathml='β1|Rm,t|'>β1|Rm,t|β1|Rm,t|之间的负相关性越强。对上式两端分别求方差可得：
上式右边最后一项反映羊群效应的强弱，协方差负向越明显，CSAD的方差相对于收益的方差越小，因此可以通过计算该比值在时间序列上的变化值构造因子。下图为因子3的具体计算步骤：
建立因子3的前四个步骤与因子2完全相同，区别在于最后一步用CSAD标准差除以个股收益标准差作为衡量区间羊群效应强弱的指标，再计算过去20个交易日该指标相对于过去120个交易日的比值，旨在考察短期相对于长期的变化。
因子3的多空收益和月频IC如下图所示：
因子3的多空组合的各年收益分布如下表所示：
因子3的月频IC历史均值为0.047，年化IR为2.36，多头组合相对基准的平均年化alpha为10.50%，虽然在平均意义上不及因子2，但是从alpha的分布来看每一年相对基准都有正超额收益，且各年alpha值的分配相对前两个因子更均匀，在稳定性上胜出。
以上3个因子都是为了刻画个股所在特定板块羊群效应强弱的统计量，更新频率为月频，感兴趣的读者可以用类似的方法研究更加微观层面的数据。
理解alpha的来源
从因子测试结果来看，对应板块羊群效应越强的股票未来表现越好，这似乎与第三部分行业的结论有些冲突。第三部分的实证结果是羊群效应越弱的行业未来动量效应越强，在选行业时偏向羊群效应较弱的。应该如何解释这种差异？
对于行业动量增强策略，我们在第二部分介绍的逻辑是：羊群效应强的行业短期基本面更容易被提前透支，因此更大概率出现反转。严格地说，弱羊群效应本身没有产生alpha，而是对原有动量效应的alpha进行了放大。除此之外，羊群效应的强弱排序是在做完赢家行业和输家行业划分之后的，不是直接在全行业进行比较，因此与个股因子的alpha并不矛盾。剩下的问题是如何直观地理解个股因子alpha的来源？
对于个股alpha因子的解释可以类比特质波动率异象。我们知道特质波动率对于个股而言反映的是公共因子（如Fama-French3因子）无法解释的部分，这部分的不确定性越低，股票未来超额收益越高。但是公共因子的缺点是灵活性较差，它无法捕捉到在短期影响股价的一些局部因素以及一些难以量化的指标，这可能导致回归出的残差在不同股票上的相关性仍然很高。对于这一问题，本文采用的方法是从收益率数据出发找到一个小型板块，用这个板块作为公共因子的一个代理变量，那么CSAD可以看作是该板块特质收益率的离差，反映的也是一种收益的确定性。
总结
二级市场资产价格的均衡是市场供求的结果，而影响供求背后的因素是人的行为模式，人的行为上的一些共性能够弥补传统因子不能解释的定价规律。本文主要研究的课题是股票二级市场中的羊群效应现象。
首先我们梳理了量化市场羊群效应的经典模型，其中检验模型主要分为三类：第一类是以股价涨跌幅分散度为基础的CSSD模型和CSAD模型，第二类是以因子敏感性分散度为基础的beta集中度模型，第三类是以机构持仓变动为基础的LSV模型。接下来我们针对A股市场检验了羊群效应强弱对行业动量策略的影响，发现A股的行业动量效应主要体现在以周为单位的短期，且羊群效应越弱的行业，动量策略带来的收益越高，动量效应随时间的衰减速率越慢。最后我们探索羊群效应模型在选股策略上应用，遵循从个股到板块再到个股的思想，分别构建了三个alpha因子。其中表现最好的是因子2，其月频IC均值达到0.071，年化IR为2.59，多头组合相对基准年化alpha平均值为12.86%。alpha分布最稳定的是因子3，对应多头组合在2004年至2018年的每一年都跑赢基准，且在其中6年有两位数的超额收益。
| 
