因子分析报告: dv_ttm
筛选条件：剔除ST/*ST、北交所、科创板、创业板，剔除上市不足3年次新股，剔除无分红股票
生成时间: 2026-05-25
→ 查看回测报告
数据概况
| 指标 | 1年 (2025-05~2026-05) | 3年 (2023-05~2026-05) | 5年 (2021-05~2026-05) |
|---|---|---|---|
| 交易日数 | 180 | 664 | 1,148 |
| 分析股票数 | 2,478 | 2,653 | 2,780 |
| ST过滤移除 | 30,519 (4.0%) | 68,111 (3.1%) | 110,731 (3.2%) |
| 零值过滤比例 | 53.4% | — | — |
IC 统计（跨时段对比）
IC（截面秩相关系数）: 每个交易日计算因子值（如 dv_ttm）与下期股票收益的 Spearman 秩相关。 IC > 0 表示高因子值的股票下期涨得更好，IC < 0 表示方向反了。
| 周期 | 指标 | 1年 | 3年 | 5年 |
|---|---|---|---|---|
| 1D | IC均值 | 0.0059 | 0.0181 | 0.0199 |
| 1D | IC标准差 | 0.2229 | 0.1827 | 0.1639 |
| 1D | IR | 0.026 | 0.099 | 0.121 |
| 1D | 正占比 | 43.4% | 50.9% | 52.6% |
| 5D | IC均值 | 0.0067 | 0.0178 | 0.0191 |
| 20D | IC均值 | 0.0095 | 0.0171 | 0.0185 |
IR（IC信息比率 = IC均值 ÷ IC标准差）：衡量因子预测力的信噪比。 注意：这不是投资组合的信息比率。IR > 0.5 才具备实际交易价值，本报告仅有 0.026~0.121，远低于阈值。
为什么自相关≈0.998（因子值极稳定）而 IR 却很低（预测力弱）？ 两者不矛盾。自相关衡量的是因子值自身变化快慢（股息率当然不会天天变），IR 衡量的是因子值对未来的预测能力。好比一个人每天身高变化极小（自相关≈1），但不代表身高能预测他明天的考试分数。
关键观察: IR 随观察期延长从 0.026 提升至 0.121，但即使 5 年的 IR=0.121 仍远低于 0.5（实际交易阈值），因子信号偏弱。
各时段 IC 时间序列对比
因子截面相关（共性特征）
截面相关: 在同一交易日（截面）上，两个因子在所有股票之间的相关系数。 反映因子间的信息重叠程度，高度相关的因子不应同时作为独立信号使用。
dv_ttm 与其他因子的截面相关性在三个时段高度一致，取其均值呈现：
| 因子 | total_mv | turnover_rate | pe_ttm | pb |
|---|---|---|---|---|
| dv_ttm | 0.17 | -0.38 | -0.69 | -0.40 |
核心结论: dv_ttm 与 pe_ttm 高度负相关（≈-0.69），高股息≈低市盈率，本质上高度重叠于价值因子。
各时段截面相关热力图
因子正交化分析
正交化 / 因子剥离：将目标因子（dv_ttm）对控制因子（市值、换手率等）做回归，取残差作为”纯因子”。 回答的问题是：剔除其他因子的影响后，dv_ttm 还剩多少独立的预测力？
控制市值和换手率后，dv_ttm 纯残差部分对收益的预测力几乎消失：
| 步骤 | 控制因子 | 1年 IC | 3年 IC | 5年 IC |
|---|---|---|---|---|
| Step 0 | 原始(dv_ttm) | 0.0178 | 0.0215 | 0.0218 |
| Step 1 | +total_mv | 0.0173 | 0.0216 | 0.0223 |
| Step 2 | +total_mv + turnover_rate | -0.0123 | 0.0004 | 0.0034 |
| IC衰减率 | 169% | 98% | 84% |
IC衰减率 = 1 − IC残差 / IC原始：衡量原始因子中有多少预测力来自与被控制因子的重叠。 84% 意味着原始因子 84% 的预测力来自与被控制因子的重叠；>100%（如 1 年期的 169%）说明残差 IC 变负，剥离后方向都反了。
关键观察: 三个时段均显示控制换手率后 IC 几乎归零。IC衰减率随时段延长逐渐降低（169%→84%），但仍说明 dv_ttm 的预测力绝大部分来自与其他因子的重叠。
各时段正交化瀑布图
Fama-MacBeth 因子收益
Fama-MacBeth 两步法截面回归：
- 每个交易日做一次所有股票的因子→收益截面回归，得到该日的”因子收益”
- 对所有交易日的因子收益做 t 检验，判断是否统计显著异于零
H₀: 因子收益 = 0（因子无定价能力）。|t| > 1.96 才能在 95% 置信水平下拒绝 H₀。
| 周期 | 1年 | 3年 | 5年 |
|---|---|---|---|
| 1D 因子收益 | -0.00075 | -0.00014 | -0.00003 |
| t值 | -0.138 | -0.031 | -0.007 |
| 显著性 | ❌ 不显著 | ❌ 不显著 | ❌ 不显著 |
三个时段均不显著，因子收益偏负。dv_ttm 的截面定价能力在统计上不可证实。
因子稳定性（共性特征）
自相关: 因子值前后两天之间的相关系数。 自相关高（≈1）说明因子值变化缓慢——股息率当然不会天天变。 但自相关高 ≠ 预测力强，它和 IR 衡量的是两件完全不同的事。
| 指标 | 1年 | 3年 | 5年 |
|---|---|---|---|
| 自相关均值 | 0.9981 | 0.9980 | 0.9982 |
| 日衰减速率 | 0.0019 | 0.0020 | 0.0018 |
| 半衰期(交易日) | ~361 | ~354 | ~380 |
因子自相关≈0.998，高度稳定，但变化缓慢不等于预测力强。
行业中性化分析（共性特征）
行业中性化: 在每个行业内对因子值去均值（消除行业间的差异），再用调整后的因子值计算多空收益。 回答：因子的选股能力是来自”买对了行业”还是”行业内选对了股票”？ 如果中性化后多空收益大幅下降，说明因子本质上是行业因子，而非个股选择因子。
| 指标 | 1年 | 3年 | 5年 |
|---|---|---|---|
| 涉及行业数 | 110 | 110 | 110 |
| 中性化后多空收益 | 0.00053 | 0.00012 | 0.00004 |
| t值 | 0.082 | 0.030 | 0.011 |
| 显著性 | ❌ | ❌ | ❌ |
行业中性化后因子预测力消失。dv_ttm 的选股能力完全来自行业配置，非因子本身。
综合结论
| 维度 | 结论 |
|---|---|
| IC分析 | IR 均 < 0.15，因子预测力偏弱，但随观察期延长有所提升 |
| 因子独立性 | 与 pe_ttm 高度重叠（-0.69），本质是价值因子代理变量 |
| 正交化 | 控制换手率后 IC 衰减 84%~169%，纯 dv_ttm 无预测力 |
| Fama-MacBeth | 因子收益不显著，三个时段均无法验证截面定价能力 |
| 行业中性化 | 行业配置收益被剥离后因子无预测力 |
| 总体 | dv_ttm 在 A 股不具备独立的多头选股能力，不应作为单一选股信号使用 |
报告由 XM Finance 量化框架自动生成