債券SmartBeta價值因子策略及指數研究

司盛華 韓明赫 蔡海劍

摘要：本文利用個券剩余期限、中債市場隱含評級、所屬行業板塊及債券性質指標，通過橫截面回歸方式獲得其理論利差及作為殘差項的價值因子。實證檢驗表明，在過去10年中，選擇價值因子更高的債券進行投資會獲得較好且穩定的超額收益，以及更好的風險調整收益表現。基于相關策略編制的中債-信用債價值因子精選策略指數和中債-信用債價值因子權重調整策略指數，可以為投資者帶來超額收益。本文對于研究的邊際貢獻，主要體現在結合境內信用債投研框架，補充債券性質作為價值因子計算模型的主要變量等方面。

關鍵詞：Smart Beta價值因子信用債? 指數

2020年春節過后，新冠肺炎疫情疊加油價暴跌，全球避險情緒高漲，全球主要經濟體國債收益率均下行，信用債利差¹被動走闊。隨著國債收益率重新上行，利差又被動收窄。年初至8月末，我國高等級信用債利差整體上已經歷了3輪利差的走闊和收窄（見圖1）。在此背景下，信用債投資常用的策略之一——利差交易策略的應用場景明顯增加。

利差交易策略的核心在于尋找市場價格被低估的債券，通過價格向均值回歸獲得超額收益，但逐一識別符合該策略的發債主體和個券尚需深入研究，對投資者研究水平要求較高，實踐中還有很多附加成本。一個可行的操作方法是，以對應期限國債收益率為基準，在所有信用債樣本中選取利差較大的個券形成投資組合。此操作也存在問題，即并非利差更高的個券就一定是更被低估的，絕對利差的高低還與債券的信用等級相關。

為解決該問題，筆者以價值因子替代絕對利差作為判斷個券價值高低的因子，將價值因子定義為絕對利差與個券理論利差之差，即相對利差。結合既有文獻與實證檢驗，本文利用個券的剩余期限、中債市場隱含評級、所屬行業板塊及債券性質等特征指標，通過橫截面回歸方式獲得其理論利差以及作為回歸殘差項的價值因子。在保持市場中性的條件下，將個券以價值因子進行排序，選擇相應價值因子分位的個券構建組合。此種投資策略為債券聰明貝塔（Smart Beta）價值因子策略。

在應用方面，根據統計網站ETFdb的數據，截至2020年8月末，國際市場上存續的價值因子策略債券交易型開放式指數基金（ETF）產品共2只，管理資產合計2.31億美元，跟蹤的指數分別將價值因子策略應用于美國投資級信用債和高收益信用債。其價值因子的構建主要利用期權調整利差指標。與此同時，國內債券投資也逐步開始關注SmartBeta策略，希望本研究及相應的指數能起到拋磚引玉的作用。

文獻綜述

價值因子是Smart Beta策略在股票領域最常用、被研究最多的因子。在股票市場上，通常采用市盈率、市凈率等指標來衡量公司的相對價值，主要邏輯在于股票相對可比，可以通過股價或市值與基本面的比較來尋找低估的股票。

同樣地，價值因子概念亦可應用到債券市場。具體來說，投資者將投資債券所得的市場回報與承擔該債券信用風險所預期的理論回報進行比較，如果市場回報超過理論回報，則債券相對便宜。與股票不同，受限于票面利率和存續期限等特有性質和利率環境，債券價格并不直接反映其價值。

市場上有不少可直接獲得的表征債券價值的指標，比如交易價格和收益率。投資者通常用信用債收益率利差衡量信用風險和流動性風險。LHoir和Boulhabel（2010），Correia、Richardson和Tuna （2012），Houweling和Zundert （2017）以及Israel、Palhares和Richardson（2018）都曾提出用利差表征信用債的價值。

學界和業界機構對理論利差的估計做了研究，主要包括結構化（Structural Method）和橫截面回歸兩種方法。

結構化方法有一定的局限性。其一，該方法采用企業會計報表披露的基本面信息估算企業風險，信息更新頻率低且有一定的滯后性。其二，該方法需要用股價數據來計算股權波動率，因此僅適用于上市公司，對發債企業的覆蓋度有限。

橫截面回歸方面，Houweling和Zundert（2017）提出影響利差的主要因素為信用等級、剩余期限和3個月的信用風險溢價變化。Israel、Palhares和Richardson（2018）提出影響利差的主要因素為久期、信用等級和12個月的債券超額收益（相較于期限匹配國債）波動率。

上述兩種方法對債券上市期限有一定要求，不能覆蓋全部債券。Shen等（2019）借鑒上述方法將影響利差的因素歸集為信用等級、剩余期限和行業，經測試發現，在中國市場價值因子可獲得較為顯著的超額收益。

由于中國債券市場與美國等發達國家債券市場存在一定的差異，梳理國內研究利差相關成果顯得十分重要。明明（2019）指出，關注利差需要從宏觀（資質與久期）、中觀（行業與區域）、微觀和品種四個層面出發。張繼強等（2020）認為，信用利差可以拆分為行業利差和個券利差，其中行業的預期損失和市場流動性等因素共同影響行業利差，企業的信用風險、債券品種影響個券利差。

價值因子策略作用機制分析

價值因子策略的本質是將信用債投資領域常用的利差交易策略規則化后，實施于信用債樣本。該策略主要通過捕捉兩類變動來獲得超額收益。

一是捕捉不同等級間、期限間利差變動幅度，結合一類債券2平均收益率的趨勢性變動，進行收益率的“低拋高吸”。本策略需要保持風險敞口與市場基準組合基本一致，因此無法簡單地超配或舍棄某類債券，但可以捕捉在某一時間截面上某類債券與其他債券的平均利差差異。例如，將期限相同的中債市場隱含評級AAA+、AAA、AA+級企業債個券放在一起考察，如果AA+級相較于其他等級的平均利差收窄更快，則判斷該信用等級個券可供進一步收窄的利差會相對減少，由利差帶來的收益將減少。

二是捕捉個券利差的特質性變動。個券與同類債券平均收益率之間利差的特質性變動會帶來收益或損失。直觀上，當個券利差高于同類債券時，應買入該債券，并在利差收窄時賣出。此類高利差主要來源于個券發行主體受到市場上類似主體負面消息或行業負面預期等沖擊。后續發展主要有兩種情形：第一種是市場負面預期未實現，個券市場隱含評級不變，個券與曲線間利差收窄，可在實現收益后將個券從組合中剔除;第二種是市場負面預期實現，個券市場隱含評級下調并對應到低評級曲線，個券與曲線間利差同樣收窄，從而將個券從組合中剔除。第二種情形發生概率較小，經測算年均不足5%，因此對策略影響有限。

價值因子模型及數據

（一）構建價值因子模型

綜合國內外相關文獻，筆者認為人民幣信用債的理論利差主要驅動因素有四項：行業、債券性質、信用等級和期限。圍繞驅動因素，參考Shen等（2019）的設定，采用橫截面回歸模型（1）來構建個券價值因子模型，并檢驗驅動因素的有效性。

（1）

其中， 表示第 只債券， 表示債券所在行業， 表示第 只債券與期限匹配國債的利差， 表示第 只債券的中債市場隱含評級虛擬變量， 表示第 只債券的債券性質虛擬變量， 表示第 只債券的待償期。

將上述回歸模型應用于不同行業板塊的債券樣本，回歸獲得的各樣本券殘差項 為該券的價值因子，即絕對利差 與理論利差（模型擬合值）之差。

（二）測算數據介紹

為實現模型計算，本文采用2009年12月至2019年11月的中債-信用債總指數成分券作為數據樣本，可包含所有中國境內公開發行的信用債。由于中債市場隱含評級在BBB以下等級的債券違約風險很高，且該范圍內債券只數占比僅為0.5%，在價值投資的框架內不予考慮。最終，筆者將中債-信用債總指數成分券剔除中債市場隱含評級在BBB以下以及剩余期限不足1個月的債券作為數據樣本，亦為基準組合。

中債市場隱含評級變量的獲取最早可追溯至2009年末。模型（1）基于自2009年12月至2019年11月逐月末的指數樣本券數據進行計算，獲得個券價值因子。而后基于模型（1）中4組變量指標對樣本進行劃分，進而在特征類似的細分債券組合中根據價值因子進行排序獲取下月策略指數成分券。

（三）模型變量的統計描述

在模型（1）覆蓋的變量中，利差和待償期為連續變量，其余均為虛擬變量。下文將對變量的選擇及合理性加以描述。

1.行業

設置行業變量的主要目的在于選擇有區分度的行業劃分標準，減少行業內部差異，從而在篩選債券的過程中做到行業中性化，避免指數中某些行業權重過高。

目前國外指數機構（WisdomTree、FTSE等）通常采用將行業三分類的方法構建債券指數，即分為公用事業、金融、普通工商企業三類，方法簡單易行且支持行業細化后進一步拓展。該劃分邏輯基于企業信用評估操作——金融企業信用由資產驅動，普通工商企業信用由營收、銷售驅動，公用事業企業信用情況受自身經營狀況和政府支持力度雙重影響。

在中國信用債市場上，城投債與國外公用事業企業發行的債券的性質類似。此外，根據市場經驗，房地產業景氣度與融資情況等相關性高，與其他非金融行業存在差異，因此將其作為單獨的行業板塊。由此，筆者構建了四分類的行業板塊，并根據中債行業（門類）將債券進行分配（見表1）。

為驗證該四分類體系的合理性，筆者對樣本券利差做了多重比較分析，比較各行業債券的利差均值是否有顯著差異。結果表明，在控制其他變量的情況下，不能拒絕房地產業與普通工商業利差均值相等的原假設，而其他兩兩比較均能夠拒絕原假設，說明房地產與普通工商業利差具有類似的利差水平。因此，最終的行業分類采用城投、金融和普通工商業的三分類。

2.信用等級

信用等級反映了發行主體或個券的資質，該指標會顯著影響個券收益率，進而影響其利差。

值得指出的是，為增強信用等級指標對利差的解釋力，需要信用等級存在區分度。然而，我國評級公司發布的主體及債項評級結果存在“擁擠”現象，難以區分信用資質。而中債市場隱含評級的分布更趨于正態化，對債券的實際信用資質反映更及時、準確。因此，筆者在模型中采用中債市場隱含評級結果表征信用等級（見圖2）。

3.債券性質

與國外利差研究成果不同的是，國內的研究者和投資者通常將債券性質納入分析體系中。其主要考慮在于，不同類型債券在發行場所、發行制度安排、是否可質押等方面存在差異，因而會對其流動性溢價等造成影響，進而影響利差水平。

4.待償期

結合債券收益率曲線形態可以發現，債券剩余期限會明顯影響其收益率，進而影響利差。由于收益率曲線并非是線性的，因此模型（1）中還考慮了債券待償期二階項對利差的影響。

（四）模型效果描述

結合以上數據和變量，筆者利用模型（1）對樣本券進行了橫截面回歸，總共進行33次回歸，結果表明模型對理論利差的解釋力度較高（見表2）。

策略有效性回測檢驗

（一）回測組合構建

通過上述模型測算，可以獲得2009年12月—2019年11月逐月末中債-信用債總指數成分券及其系數。為降低策略對短期市場異常變動的敏感性，在保證時效性的同時適度壓縮樣本調整幅度，在構建回測組合時筆者采用6期（T-5至T期）模型系數的均值，代入最新一期（T期）的變量數據獲取其價值因子。

需要說明的是，為保證回測結果的置信度，測算組合的主要特征指標應與基準組合基本保持一致，即保持市場中性。為實現這一目的，筆者依據待償期（分段）、中債市場隱含評級（分組）、行業板塊及債券性質對樣本進行了劃分（見表3）。

以2020年6月30日成分券為例，根據以上操作，將樣本劃分為360（=5×3×3×8）個組，進一步對各組中的債券按照價值因子進行排序，并按照市值權重分10個檔位。具體地，自價值因子排序最高的債券開始，依次向下累加個券的組內市值權重，直至達到10%為止取為第一分檔，以此類推。再將360個組中同分檔成分券匯總，得到10個檔位的測算組合（以下簡稱“分檔組合”）。這樣，分檔組合在市值加權特征值上基本與基準組合保持一致（見表4—7）。同時，該操作也捕捉了同一組合中不同等級間、期限間利差變化幅度的差異。

（二）回測結果

基于上述10個分檔組合，筆者按照月度換券頻率對2010年7月至2019年12月的樣本全進行歷史回測。圖3的投資回報回測結果顯示，排序靠前的組合表現更好，且保持單調遞增，其中組合1明顯表現更好。基準組合表現弱于組合5而強于組合6。

圖3投資回報回測結果（2010年6月30日取100）

將回報數據更精準地列示為表8，可以發現各分檔組合回報率排序與價值因子排序基本一致。

簡單計算回報仍不足以證明策略有效。由于價值因子策略選擇了相對利差更高的個券，需要證明排序較高分檔組合的更高收益不僅僅是對更高風險的補償。為此，筆者計算并比較了各組合的夏普率。由表9可見，該策略確實具有更好的風險調整后收益表現。

此外，筆者還發現較高分檔組合的最大回撤指標表現也相對更好，不過其單調性不及收益指標（見表10）。

由于樣本包含了違約債，一個自然的疑問是，表現更差的分檔組合中是否更大概率地出現了違約債？為了解實際情況，筆者對納入計算的違約債在分檔組合中的分布進行了統計（見表11）。可以看到，歷史上出現的違約債無規律地分布在各分檔組合中，基本消除了違約債導致組合回報存在系統性偏差的可能。

（三）對照檢驗

為進一步檢驗價值因子策略的有效性，筆者為該策略選擇了一個參考系。目前市場上存在基于絕對利差排序篩選成分券的策略指數，參考其構建策略，筆者將價值因子替換為利差絕對值，并復制其余步驟獲取10個分檔測算組合（以下簡稱“參考組合”）。

經回測發現，參考策略雖然也可以獲取可觀的超額收益，但檔位之間的回報不再滿足單調性（見表12）。同時，相較于絕對利差策略，價值因子策略的各分檔組合大都可以獲得更高收益（見表13）。

價值因子策略指數的構建

在確定價值因子策略的有效性之后，接下來要考慮的是如何將該策略應用于投資。其中可操作性最強、最符合SmartBeta兼顧主動和被動管理特色的方法就是構建策略指數，進行指數化投資。由于價值因子策略是交易型策略，實施過程中組合調倉率勢必較高，因此構建指數時需要在超額收益和調倉交易成本之間做權衡。筆者提出兩種方案及產品。

（一）精選方案——中債-信用債價值因子精選策略指數

根據上文的回測結果，在價值因子策略下排序前五的分檔組合表現均優于基準組合，將前五個分檔組合合并，可獲得價值策略精選指數成分券。為適當降低交易成本，提高指數跟蹤的可行性，筆者采用每季度換券方式，同時在成分券違約當日將其剔除，由此構建中債-信用債價值因子精選策略指數。如圖4所示，截至2019年末，相對于基準指數——中債-信用債總指數，該策略指數可以為投資者提供超額收益以及更高的風險調整后收益（見表14、15）。不過，該策略指數在換券時的調整幅度比較大，近兩年年化單向調倉率為119.28%，而同期基準指數的年化單向調倉率約為17.76%。

（二）權重調整方案——中債-信用債價值因子權重調整策略指數

為進一步控制指數的調倉率，筆者采取權重調整方式構建指數。在已有的10個分檔組合中，分別對價值因子排位前3個、中間4個以及最后3個分檔進行組合，對應市值權重分別為30%、40%和30%。而后，將最后3個分檔組合的一半權重調整給最前面3個分檔組合，即調整后前3個分檔、中間4個分檔以及最后3個分檔組成的3個組合對應市值權重分別為45%、40%和15%。截至2019年末，該策略指數回報同樣好于基準（見表16），但超額收益不及精選指數，夏普率并不持續優于基準（見表17）。該策略指數近兩年年化單向調倉率降為79.55%，相對較低的調倉壓縮了交易成本，可以對所獲超額收益形成較好的保護。

總結與市場應用展望

受信用債利差交易策略的啟發，本文利用個券剩余期限、中債市場隱含評級、所屬行業板塊及債券性質指標，通過橫截面回歸方式獲得其理論利差及作為殘差項的價值因子。進而通過實證檢驗表明，在過去10年中，選擇價值因子更高的債券進行投資會獲得較好且穩定的超額收益，以及更好的風險調整收益表現。同時，中債估值中心發布的中債-信用債價值因子精選策略指數和中債-信用債價值因子權重調整策略指數，可以提供超額收益。

本文在模型設定及策略有效性檢驗等方面重點參考了相關文獻，并作出以下三點邊際貢獻：一是結合境內信用債投研框架，補充債券性質作為價值因子計算模型的主要變量。二是綜合考察調倉前6個月的模型參數，在捕捉趨勢性變化的同時避免短期沖擊對持倉的過度影響。三是采用準確性和預示性均更強的中債市場隱含評級代替評級公司評級，提高模型準確度。

本研究為驗證策略的有效性，選擇了表征中國信用債市場的最寬基指數——中債-信用債總指數成分券作為樣本。但在實際投資過程中，很難有投資者可以或愿意復制一個包含超過1.3萬只債券的指數。因此，本研究中的指數更多具有策略有效性的表征意義。在之后的市場應用中，投資者可以根據自身的投資偏好，例如信用評級范圍、發行人區域、發行人行業甚至是發行人白名單、可投資債券清單等實際情況，靈活應用該策略構建新的指數或投資組合。（本文感謝中金公司沈軼烜³在研究過程及方法論上的幫助，感謝牛玉銳、王超群、趙凌、余立凡、李喬、孫明潔、陳寧、廖倩蕓、黃山、李妍、周舟等在研究中的討論和給予的建議。文責自負）

注：

1.在本文研究中，信用債利差為信用債到期收益率與期限匹配的國債到期收益率之差。

2.一類債券指期限、信用等級、債券性質、行業等均相同的個券，直觀地講即一條估值曲線上一個特定期限點對應的所有債券。

3.為參考文獻Shen等（2019）的作者。

作者單位：中債估值中心指數部

中債估值中心指數部

中債估值中心金融工程部

責任編輯：劉穎? 鹿寧寧

參考文獻

[1]程晨， 趙天彤，肖樂鳴， 張繼強. 行業利差的構建與應用[EB/OL]. 2020-3-17.

[2]明明.信用債手冊之一：常用利差體系詳解[EB/OL]. 2019-11-18.

[3]CORREIA M， RICHARDSON S and TUNA I. Value Investing in Credit Markets[J]. Review of Accounting Studies， 2012， 17（3）.

[4]HOUWELLING P， ZUNDERT JV Factor investing in the corporate bond market[J]. Financial Analysts Journal， 2017， 73（2）： 100-115.

[5]ISRAEL R， PALHARESD，RICHARDSONS. Common Factors in Corporate Bond and Bond Fund Returns[J]. Journal of Investment Management， 2018， 16（2）： 17-46.

[6] L'HOIR M and BOULHABEL M. A Bond-Picking Model for Corporate Bond Allocation[J]. The Journal of Portfolio Management， 2010， 36（3）：131-139.

[7] SHEN S， PATHAMMAVONG A， CHEN A. Fixed-Income Value Factor[J]. The Journal of Fixed Income， 2019， 29（1）：21-43.