新浪财经

【华泰金工林晓明团队】5月看好低波动、低换手、价值风格——因子观点月报

财经自媒体

关注

原标题:【华泰金工林晓明团队】5月看好低波动、低换手、价值风格——因子观点月报 来源:华泰金融工程

林晓明   S0570516010001   研究员

              SFC No. BPY421 

何康      S0570520080004   研究员

              SFC No. BRB318

王晨宇   S0570119110038   联系人

报告发布时间:2021年5月5日

摘要

5月因子观点:看好低波动、低换手、价值风格

4月市场面临方向选择,因子风格整体不鲜明;综合内生变量、外生变量、因子周期三重逻辑,5月看好波动率、换手率、估值因子,对应低波动、低换手、价值风格;对A股价值因子收益率进行拆解,结果显示价值风格2019年以来表现低迷源于估值溢价降低,结构性溢价并未失效。内生变量视角短期看好换手率、波动率、小市值、估值因子,不看好成长、财务质量因子。外生变量视角短期看好估值、反转、波动率、换手率因子,不看好财务质量因子。因子周期视角中长期看好大市值、估值、盈利、财务质量、波动率、换手率因子。

价值风格2019年以来表现低迷源于估值溢价降低,结构性溢价并未失效

参考Arnott等(2021)方法,对A股市场价值因子收益率进行拆解分析。任意投资组合收益率可拆解为三部分:估值变化、盈利和均值回复。第一项为估值溢价部分,后两项求和为结构性溢价部分。2019年以来价值因子的低收益率主要归因于估值溢价部分的显著变化。2005~2018年估值溢价平均收益-5.2%,2019年~2021年4月平均收益-23.5%,显著拉低估值因子收益。而结构性溢价部分前后两段区间内的平均收益分别为11.4%和7.8%,说明结构性溢价并未显著失效。换言之,价值因子只是变得更便宜了,并没有变得无效。

内生变量视角:短期看好换手率、波动率、小市值、估值

内生变量视角基于因子动量、因子离散度、因子拥挤度三类指标,预测风格因子未来表现,因子动量反映因子过去一段时间内表现;因子离散度相当于因子估值;因子拥挤度反映因子是否处于拥挤状态。内生变量对大类风格因子5月表现预测结果如下:看好换手率、波动率、小市值、估值因子,不看好成长、财务质量因子。其中,估值、换手率因子在动量指标上占优;小市值、技术因子在离散度指标上占优,处于过度忽视状态;小市值、波动率、换手率、Beta因子在拥挤度指标上占优。

外生变量视角:短期看好估值、反转、波动率、换手率,不看好财务质量

外生变量视角假设风格因子表现受市场变量、宏观变量等外生变量驱动,对每个大类风格因子筛选出具备预测能力的外生变量,使用线性回归预测未来一个月的Rank IC值。外生变量对大类风格因子5月Rank IC预测结果如下:估值、反转、波动率、换手率因子Rank IC预测值超过10%,可能较为有效,建议短期看多上述因子表现;不看财务质量因子未来一个月表现。

因子周期视角:中长期看好大市值、估值、盈利、质量、波动率、换手率

因子周期视角将华泰金工经济周期研究成果应用于风格配置,自上而下构建经济系统周期运行状态与因子表现对应关系的“因子投资时钟”,根据当前周期状态预测因子未来表现的整体趋势。预计未来一年处于库兹涅茨周期向上,经济长期趋势向上的环境,同时朱格拉周期向下,流动性趋于宽松。建议配置大市值、估值、盈利、财务质量因子。另外,波动率、换手率因子在不同的宏观环境下表现都较好,这两个因子建议长期配置。

风险提示:风格因子的效果与宏观环境和大盘走势密切相关,历史结果不能预测未来。金融周期规律被打破。市场出现超预期波动,导致拥挤交易。

正文

5月因子观点:看好低波动、低换手、价值风格

4月市场面临方向选择,因子风格整体不鲜明;综合内生变量、外生变量、因子周期三重逻辑,5月看好波动率、换手率、估值因子,对应低波动、低换手、价值风格;对A股价值因子收益率进行拆解,结果显示价值风格2019年以来表现低迷源于估值溢价降低,结构性溢价并未失效。内生变量视角短期看好换手率、波动率、小市值、估值因子,不看好成长、财务质量因子。外生变量视角短期看好估值、反转、波动率、换手率因子,不看好财务质量因子。因子周期视角中长期看好大市值、估值、盈利、财务质量、波动率、换手率因子。

内生变量视角基于因子动量、因子离散度、因子拥挤度三类指标,预测风格因子未来表现,因子动量反映因子过去一段时间内表现;因子离散度相当于因子估值;因子拥挤度反映因子是否处于拥挤状态。内生变量对大类风格因子5月表现预测结果如下:看好换手率、波动率、小市值、估值因子,不看好成长、财务质量因子。其中,估值、换手率因子在动量指标上占优;小市值、技术因子在离散度指标上占优,处于过度忽视状态;小市值、波动率、换手率、Beta因子在拥挤度指标上占优。

外生变量视角假设风格因子表现受市场变量、宏观变量等外生变量驱动,对每个大类风格因子筛选出具备预测能力的外生变量,使用线性回归预测未来一个月的Rank IC值。外生变量对大类风格因子5月Rank IC预测结果如下:估值、反转、波动率、换手率因子Rank IC预测值超过10%,可能较为有效,建议短期看多上述因子表现;不看财务质量因子未来一个月表现。

因子周期视角将华泰金工经济周期研究成果应用于风格配置,自上而下构建经济系统周期运行状态与因子表现对应关系的“因子投资时钟”,根据当前周期状态预测因子未来表现的整体趋势。预计未来一年处于库兹涅茨周期向上,经济长期趋势向上的环境,同时朱格拉周期向下,流动性趋于宽松。建议配置大市值、估值、盈利、财务质量因子。另外,波动率、换手率因子在不同的宏观环境下表现都较好,这两个因子建议长期配置。

价值风格19年以来低迷源于估值溢价降低,

结构性溢价未失效

价值因子收益拆解

A股市场2019年初以来,价值风格持续表现低迷。2020年7月~11月顺周期行情下曾有一波反弹,但2020年12月~2021年1月继续回调,并创下2005年6月以来最大回撤。2021年2月以来方才有所修复。

而在美股市场,价值风格自2008年以来陷入长期回撤。价值因子是否失效的问题引发市场热议。Arnott等人2021年于Financial Analysts Journal发表Reports of Value’s Death May Be Greatly Exaggerated研究,对价值因子收益进行归因,分析价值因子回撤原因。

Arnott等(2021)将任意投资组合的收益率拆解为三部分:估值变化、盈利和均值回复。其中第一项为估值溢价部分,后两项求和为结构性溢价部分(分解式的详细数学推导请见后文)。将价值因子收益视作Fama-French因子模型中的HML项,即通过做多高账面市值比个股(价值股),做空低账面市值比个股(成长股)构建的投资组合收益。

分解式中:

1.      估值溢价部分可理解为“估值泡沫”,反映多空两头短期相对估值的变化,即当期与上期投资组合PB值的对数之差。长期来看,相对估值的变化应该是平稳的,不会对估值因子收益始终贡献显著,否则价格将无限偏离基本面。

2.      盈利部分反映多空两头股票账面价值和股息收益率变化的差异。

3.      均值回复部分反映价值股和成长股因估值均值回复而在多空两头之间的迁移,由Fama和French在2007年提出,被认为在价值因子收益率中贡献较大。

A股市场实证分析

我们仿照Arnott等(2021),选择2018年12月28日为分界时点,对其前后A股价值因子构造的投资组合收益率进行拆解分析。结果显示,2019年以来价值因子的低收益率主要归因于估值溢价部分的显著变化。2005~2018年估值溢价平均收益-5.2%,2019年~2021年4月平均收益-23.5%,显著拉低了估值因子的HML收益。而结构性溢价部分在前后两段区间内的平均收益分别为11.4%和7.8%,说明结构性溢价并未显著失效。换言之,价值因子只是变得更便宜了,并没有变得无效。

投资组合收益分解方法

对任一投资组合策略,可以进行如下分解:

估值因子投资组合构建及收益率计算方法

以某一截面期T依据估值因子构建投资组合为例,具体说明投资组合的构建过程:

1.      根据股票规模区分大盘股和小盘股:根据时刻T各支股票的总市值进行排序,排名前30%的股票为大盘股,排名后30%的股票为小盘股;

2.      根据估值因子构建新的投资组合:分别针对大盘股和小盘股,对时刻T的股票估值因子进行排序,排名前30%的股票依据其市值进行加权,构成价值策略的投资组合;排名后30%的股票依据其市值进行加权,构成成长策略的投资组合;排名中间40%的股票依据其市值进行加权,构成均衡策略的投资组合;

每个月进行一次投资组合的调整,计算的收益率为年平均收益率。

因子表现回顾

4月大类风格因子表现

大类风格因子4月在全A股票池的Rank IC值和因子收益率如下图所示。4月因子风格整体不鲜明。反转因子Rank IC值超过10%,但是因子收益率仅为0.6%。波动率、换手率、技术因子Rank IC值为正,但是因子收益率为负。成长、盈利因子Rank IC值为负,但是因子收益率为正。财务质量因子表现平淡。估值、Beta因子出现回撤。

近1年大类风格因子表现

对大类风格因子近12个月的Rank IC值做累加,得到各月累计Rank IC值,如下图所示。总的来看,波动率、换手率因子近1年表现良好;成长、盈利、财务质量因子2020年下半年以来表现平淡;估值、反转因子2020年下半年以来表现良好;Beta、技术因子整体表现平淡;小市值因子波动较大,大小盘风格整体较为均衡。

近期细分因子表现

计算34个细分因子4月Rank IC值,以及近12个月的月频Rank IC值。将近12个月Rank IC的均值除以标准差,得到近1年IC_IR。近期细分因子表现如下图所示。

因子表现计算方法

因子T月表现的计算方法可以简要描述为:

1.      以T-1月最后一个交易日为截面期,以全A股为股票池,计算附录一中10大类共34个细分因子值。对每一大类风格因子内部各细分因子做去极值、标准化预处理及因子方向调整,再等权合成,得到截面期大类风格因子值。

2.      计算T月股票池内个股区间收益。

3.      对大类风格因子或细分因子做去极值、标准化和行业市值中性化预处理,计算T-1月预处理后因子与T月个股区间收益的Spearman秩相关系数,即T月因子Rank IC值。

4.      对大类风格因子值、个股总市值做去极值和标准化预处理,以T-1月预处理后大类风格因子值、预处理后个股总市值、中信一级行业哑变量为自变量,以T月个股区间收益为因变量,以流通市值平方根为权重,做加权线性回归,大类风格因子值对应的回归系数即为T月大类风格因子收益率。

详细计算方法请参见附录二。

内生变量视角

内生变量视角基于因子动量、因子离散度、因子拥挤度三类指标,预测风格因子未来表现。因子动量反映因子过去一段时间内表现;因子离散度相当于因子估值,高因子离散度反映因子被过度忽视,低因子离散度反映因子被过度投资;因子拥挤度反映因子是否处于拥挤状态。一般看好高因子动量、高因子离散度、低因子拥挤度因子短期表现,三项指标在截面和时序上均有预测效果。

内生变量综合预测结果

基于因子动量、因子离散度、因子拥挤度三类指标,分别从截面和时序角度,对大类风格因子5月表现进行打分预测,综合预测结果如下表所示。看好换手率、波动率、小市值、估值因子,不看好成长、财务质量因子。其中,估值、换手率因子在动量指标上占优;小市值、技术因子在离散度指标上占优,处于过度忽视状态;小市值、波动率、换手率、Beta因子在拥挤度指标上占优。

综合预测得分是以下6项细分指标的均值:

1.      归一化截面因子动量;

2.      因子动量历史分位数;

3.      归一化截面因子离散度;

4.      因子离散度历史分位数;

5.      1-归一化截面因子拥挤度;

6.      1-因子拥挤度历史分位数。

其中,归一化采用min-max归一化,根据截面上各类因子相应指标最小值和最大值,将其缩放至[0, 1]范围内;历史分位数取每个因子最新月末截面期相应指标,在其历史上(自2007年1月末截面期开始)所处分位数,本身在[0, 1]范围内;因子拥挤度为反向指标,故用1减去相应指标。

因子动量

定义因子动量为因子在过去12个月末截面期的21日Rank IC均值。从截面角度看,估值、波动率、换手率因子动量较强,成长、盈利、财务质量、小市值、Beta、技术因子动量较弱。从时序角度看,估值、换手率因子动量仍处于历史高位,超过2007年以来90%分位数水平;反转、技术因子动量处于历史低位,接近2007年以来的20%分位数水平。

因子离散度

因子离散度计算方式为:

1.      在月末截面期,取每个中信一级行业因子值排名前20%个股的因子值中位数,以及因子值排名后20%个股的因子值中位数,两者求差值;

2.      30个行业的差值求平均值,得到当前截面期该因子离散度原始值;

3.      对当前截面期因子离散度原始值做标准化,计算其在过去72个月末截面期的Z分数。

从截面角度看,换手率、技术因子离散度相对较高,估值、成长、财务质量、Beta因子离散度相对较低。从时序角度看,小市值、技术因子离散度处于历史高位,超过2007年以来的80%分位数水平,可能处于过度忽视状态;估值、成长、财务质量因子离散度处于历史低位,低于2007年以来的20%分位数水平,可能处于过度投资状态。

因子拥挤度

因子拥挤度计算方式为:

1.      在每个月末截面期,分别计算个股a)过去63个交易日的日度涨跌幅标准差作为波动率指标,b)过去63个交易日的日均换手率作为换手率指标,c)过去63个交易日个股收益与万得全A收益线性回归的回归系数作为Beta指标;

2.      取各个中信一级行业因子值排名前20%个股的波动率/换手率/Beta均值,以及因子值排名后20%个股的波动率/换手率/Beta均值,两者求比值;

3.      对波动率、换手率、Beta的三个比值求均值,得到当前截面期该因子拥挤度。

从截面角度看,成长、盈利、财务质量因子拥挤度相对较高,波动率、换手率因子拥挤度相对较低。从时序角度看,成长、盈利、财务质量因子拥挤度超过2007年以来的80%历史分位数水平,可能处于交易拥挤状态;小市值、波动率、换手率、Beta因子拥挤度低于2007年以来的20%历史分位数水平,交易相对不拥挤。

外生变量视角

外生变量视角假设风格因子表现受市场变量、宏观变量等外生变量驱动,对每个大类风格因子筛选出具备预测能力的外生变量,使用线性回归预测未来一个月的Rank IC值。以下分别展示最新一期预测方法及预测结果。

外生变量选取

选取6项市场指标和13项宏观指标作为外生变量。选择沪深300和中证500月涨跌幅、月波动率及月均换手率,用于表征市场行情的变化。从国民经济核算、工业、价格指数、银行与货币、利率与汇率5个方面,选择较常用的13项宏观指标。

时间序列回归模型的一个重要前提是自变量为平稳时间序列,而大部分宏观指标和市场指标在时间序列上的分布非平稳,不符合预测模型对自变量的假设,因此我们针对不同的外生变量,进行一定差分处理或计算变化率,使得外生变量在单位根检验下均为平稳时间序列。另外,部分宏观变量数据发布具有滞后性,我们在建模时将这部分宏观数据按其实际发布时间滞后使用。例如,T-1月的M1同比数据通常在T月中旬公布,因此我们在T月末建模时用到的是T-1月的M1同比数据。

下表展示具体19项外生变量及其所属类别和变量处理方法。为了更清楚地展示部分宏观变量的滞后期,我们以T月末为截面期,最右列为外生变量能取到的最新数据时间。

外生变量预测方法

参考Hua,Kantsyrev和Qian于2012年发表论文Factor-Timing Model,使用外生变量预测大类风格因子Rank IC值。首先使用条件期望模型和AIC准则,在T-1月最后一个交易日,对每个大类风格因子筛选出可能影响因子Rank IC值的条件变量;其次将大类风格因子与筛选出的条件变量做线性回归,预测T月的因子Rank IC值。

条件期望模型

假设单个风格因子Rank IC时序向量Y与外生变量时序向量X的联合分布服从多元正态分布,即:

则在给定X=x的情况下,Y的条件分布仍为正态分布,条件数学期望和条件方差分别为:

其中E(Y|X=x)称为Y关于X的回归,它是x的线性函数。

AIC和AICc准则

使用AIC赤池信息量准则衡量统计模型拟合优良性。相比其它模型评价指标,AIC的优势在于兼顾模型简洁性和准确性。在进行多个模型比较和选择时,通常选择AIC最小的模型。

基于条件期望模型的AIC计算公式如下:

其中T为样本窗口长度,N为风格因子数量(这里固定为1),K为外生变量数量。

当样本数量较小时,基于AIC的方法可能会产生模型过拟合问题。为避免此问题,研究者提出AICc指标,在AIC上添加小样本误差修正量。基于条件期望模型的AICc计算公式如下:

外生变量筛选流程

样本区间内筛选外生变量流程如下图所示,具体步骤为:

1.      最优外生变量集合S_0初始为空集,AICc初始值AICc_0=T·log(|Σ_XX|);

2.      遍历不在S_i中的每个外生变量k,计算将k加入到集合S_i后模型AICc值,取最小值AICc_min;

3.      若AICc_min小于AICc_i,则转向第4步;否则筛选结束,集合S_i为最优外生变量集合;将AICc_min对应的外生变量k加入S_i,即S_(i+1)=S_i∪{k},AICc_(i+1)为基于外生变量集合S_(i+1)计算得到的AICc,并转至第2步。

回归预测模型构建

对于每个大类风格因子,取样本区间为过去72个月,分三步预测未来一个月Rank IC值:

1.     使用AICc在样本区间内筛选出对因子Rank IC值具有解释能力的外生变量;

2.     将筛选出来的全部外生变量纳入回归模型,在样本区间内构造因子Rank IC值序列关于外生变量的多元线性回归模型;

将最新一期的外生变量代入回归模型,得到未来一个月的因子Rank IC预测值。

外生变量预测结果

外生变量对大类风格因子5月Rank IC预测结果如下图所示。估值、反转、波动率、换手率因子Rank IC预测值超过10%,可能较为有效,建议短期看多上述因子表现;不看财务质量因子未来一个月表现。

因子预测结果解读

下面展示各个大类风格因子Rank IC预测值,以及进入回归模型的外生变量对预测结果的贡献情况,贡献度定义为自变量与回归系数的乘积。

下面尝试对预测Rank IC绝对值超过10%的风格因子进行解读。在构建回归模型前,我们对部分外生变量进行了差分处理或计算变化率,在解读预测结果时,我们应关注这些外生变量取值的边际变化,而非变量值本身。

1.       估值因子:回归模型截距项为6.3%,对Rank IC预测值有较大的正向贡献,说明长期看估值因子存在正收益。M2同比新值(3月,9.4%)较前值(2月,10.1%)降低0.7pct,为Rank IC预测值提供4.5%的正向贡献。

2.       反转因子:回归模型截距项为8.6%,对Rank IC预测值有较大的正向贡献,说明长期看反转因子存在正收益。CPI同比的环比增速提升(新值3月环比增长0.6pct,前值2月环比增长0.1pct),为Rank IC预测值提供1.5%的正向贡献。

3.       波动率因子:回归模型截距项为8.9%,对Rank IC预测值有较大正向贡献,说明长期看波动率因子存在正收益。M2同比新值(3月)较前值(2月)降低0.7pct,为Rank IC预测值提供4.9%的正向贡献。

4.       换手率因子:回归模型截距项为9.2%,对Rank IC 预测值有较大正向贡献,说明长期看换手率因子存在正收益。M2同比新值(3月)较前值(2月)降低0.7pct,为Rank IC预测值提供3.1%的正向贡献。PPI同比新值(3月,4.4%)较前值(2月,1.7%)提升2.7pct,为Rank IC预测值提供6.1%的正向贡献。

因子周期视角

因子周期视角将华泰金工经济周期研究成果应用于风格因子表现预测。预测分为两部分:自上而下构建经济系统周期运行状态与因子表现对应关系的“因子投资时钟”,根据当前周期状态预测因子未来表现的整体趋势;自下而上对风格因子去趋势累计收益率进行三周期回归拟合,外推因子未来表现的边际变化。与前述内生变量、外生变量视角不同,因子周期视角侧重于对因子中长期表现的预测。

自上而下预测整体趋势:因子投资时钟

对因子周期的研究发现,大部分因子的中长期走势与经济形势挂钩,影响较为明显的两个因素是经济增长和流动性,前者可使用库兹涅茨周期刻画,后者可使用朱格拉周期辅助判断。我们借助这两个变量将经济环境分为四种情况,不同经济周期下因子表现分类如下图所示,称之为因子投资时钟。因子投资时钟的详细构建方法请参考华泰金工研究报告《周期视角下的因子投资时钟》(20181011)。

在不同资产类别中,商品是靠近实体经济的一种资产,商品价格长周期上的波动在一定程度上反映了实体经济的总需求,因此可借助商品识别经济的中长期波动。CRB综合现货指数三周期分解结果如下图所示,预计未来一年处于库兹涅茨周期向上,经济长期趋势向上的环境,同时朱格拉周期向下,流动性趋于宽松。当前周期运行状态处于因子投资时钟的第四象限,建议配置大市值、估值、盈利、财务质量因子。另外,波动率、换手率因子在不同的宏观环境下表现都较好,这两个因子建议长期配置。综合来看,预测未来一年大市值、估值、盈利、财务质量、波动率、换手率因子有效。

自下而上预测边际变化:因子周期回归拟合

下面展示各个大类风格因子三周期回归拟合结果。三周期回归拟合详细方法请参考华泰金工研究报告《因子收益率的周期性研究初探》(20180605)。图中红线为去趋势后因子累计收益率,灰线为回归拟合曲线,灰线相对红线的延伸部分为因子未来一年表现边际变化情况预测。综合来看,Beta因子处于周期上行状态,成长因子处于周期上行的尾声,换手率因子处于周期下行状态,估值、小市值、反转、技术因子处于周期下行的尾声,波动率因子即将触底回升,盈利、财务质量因子即将见顶回落。

风险提示

风格因子的效果与宏观环境和大盘走势密切相关,历史结果不能预测未来。金融周期规律被打破。市场出现超预期波动,导致拥挤交易。

附录

附录一:所有细分因子计算方法

上表第四列因子方向解释:取值为1代表因子值越大越好,-1代表因子值越小越好。当采用等权法合成风格因子时,需将因子值乘以因子方向之后再相加。

附录二:风格因子合成、Rank IC值计算、因子收益率计算方法

我们以某一截面期T估值类风格因子的合成为例,具体说明风格因子合成过程:

1.      因子原始值计算:设第T期指定股票池(全A股)内共存在N只股票,首先根据附录一表格计算细分因子EP、BP、SP、股息率在第T期的值,均为N×1维向量;

2.      因子的行业与市值中性化处理:用OLS线性回归拟合

取上述回归方程的残差向量替代原始计算的因子值X^T作为第T期因子X的新值,仍记为X^T,这里的X指代EP、BP、SP、股息率等细分因子(特别地,若因子X为‘对数总市值’因子,则它只对行业哑变量回归,亦即对该因子只进行行业中性化处理);

3.      因子去极值、标准化:

a) 中位数去极值:对于经过中性化处理之后的因子值X^T(N×1维向量),先计算其中位数D_M,再计算|X^T - D_M|的中位数D_M1,接下来将向量X^T中所有大于D_M + 5D_M1的元素重设为D_M + 5D_M1,将向量中所有小于D_M - 5D_M1的元素重设为D_M - 5D_M1;

b) 标准化:将去极值处理后的因子值X^T(N×1维向量)减去其现在的均值、再除以其现在的标准差,就得到了标准化后的新因子值,仍记为X^T;

4.      风格因子合成与Rank IC计算:将属于估值类的四个细分因子值(经过以上所有处理之后)乘以各自的因子方向(1或-1)之后直接等权相加,就得到了估值风格因子的值,与个股下期收益率向量r^(T + 1)计算Spearman秩相关系数,即得到估值风格因子的Rank IC值;

5.      细分因子的Rank IC值即用第2步处理结束后得到的因子值X^T乘以因子方向(1或-1)再与个股下期收益率向量r^(T + 1)计算Spearman秩相关系数。

6.      将T期因子值与T+1期个股收益率进行线性回归,得到的回归系数即为因子收益率。回归模型为:

在截面期对因子d进行回归测试,能够得到该因子的因子收益率。

免责声明与评级说明

风险提示

风格因子的效果与宏观环境和大盘走势密切相关,历史结果不能预测未来。金融周期规律被打破。市场出现超预期波动,导致拥挤交易。

公众平台免责声明

本公众平台不是华泰证券股份有限公司(以下简称“华泰证券”)研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求,本公众号内容仅面向华泰证券客户中的专业投资者,请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者,请取消关注本公众号,不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限,若给您造成不便,烦请谅解!本公众号旨在沟通研究信息,交流研究经验,华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。

本公众号研究报告有关内容摘编自已经发布的研究报告的,若因对报告的摘编而产生歧义,应以报告发布当日的完整内容为准。如需了解详细内容,请具体参见华泰证券所发布的完整版报告。

本公众号内容基于作者认为可靠的、已公开的信息编制,但作者对该等信息的准确性及完整性不作任何保证,也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期,华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。

在任何情况下,本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断,应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料,有可能会因缺乏解读服务而对内容产生理解上的歧义,进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果,华泰证券及作者均不承担任何法律责任。

本公众号版权仅为华泰证券股份有限公司所有,未经公司书面许可,任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失,华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格,经营许可证编号为:91320000704041011J。

林晓明

执业证书编号:S0570516010001

加载中...