资深学者和策略分析师，经常用“基本面因素驱动的市场”或“技术性因素驱动的市场”等术语，来对市场参与者们做出买进或卖出的决定时，所看重的影响市场的基本面因素进行分类。但是，当他们在使用这些术语时，往往忽视了这些术语背后真正的含义。
目前为止，基本面因素或者技术性因素还没有一个普遍接受的定义。这些术语包含了许多可能的变量，以及不同投资者在同一种类中重视不同信息。此外，有些因素既包括基本面，也包括技术面，要理清这些极其困难，或者说几乎不可能。
造成这些困惑的一个原因是，投资学课本教授我们两类分析投资方法。第一种是基本面分析，即通过研究公司的财务报表、运营环境、经营策略来确定它的真实价值（或者叫“内在价值”）——公司的未来现金流以合适的贴现率折现的现值。第二种方法是技术分析，即仅观察公司股票的价格和交易量，而不考虑其本身经营的好坏。做技术分析的人们使用大量技术指标，来指导其交易决策（比如相对强度，滑动平均值等等）。但是无论如何，简单说来就是买入将要涨价的、卖出的将要贬值的，除非技术性指标显示出股票价格反转的动力。
但是，课本中定义的基本面分析和技术分析，和策略分析师们通常说的由市场驱动的这两个因素有所不同。比如说，一个具有很强的价格动力的股票，在课本的技术分析中，是一个很诱人的投资，但是，产生这个驱动力的因素，实际上，是和基本面因素相关的。
根据我们的观点，相对于技术性因素来说，定义基本面因素毫无疑问要简单一些。实际上，基本面因素驱动的市场和课本中所说的基本面分析，是紧密相关的。对比技术因素，基本面因素更加客观，清楚而明确。当一个市场由基本面因素主导，那么股票价格与公司的经营成果紧密相关。常见的基本面因素包括每股收益、每股销售额、边际率、现金流、红利以及折扣率。需要注意的是，前瞻性的基本面数据（比如预期的每股收益以及每股收益增长率）要比“实际数据”更加有用，因为实际数据公布的频率很低，时间滞后。与此同时，由于分析师们使用前瞻性方法来做交易决策，用滞后的数据将会错过分析的完整性。基于此我们发现，关注实时变化分析基本面因素，所得的未来期望值相比用跟踪测量的方法要准确得多。
我们把技术性因素主导的市场，定义为一个市场价格是由非基本面因素所决定的市场。由于各种原因，在技术性因素驱动的市场中，公司股票价格对动态，而不是直接的基本面因素的期望变化，反应剧烈（比如，一些大公司卖出资产来达到计划的资本花费）。并且，有一些技术性因素也受到基本面因素的影响，即他们并不是纯粹技术性。比如说，人们一般认为流动性（如现金流）是技术性因素。（实际上，如果一个人在网上搜索“技术性因素主导的市场”这个术语，流动性往往成为近义或代名词。）但是，考虑到增加的流动性，很可能使未来盈利增加并提升投资者对未来收益的期望，人们会说流动性至少一部分是属于基本面因素。另外，流动性的缺乏有可能是一些极端市场或者经济事件造成的，因此理所当然对公司基本面造成影响。所以说，技术性因素很难被清楚区分。我们把技术性因素定义为，基本面因素以外的因素，这样就明确很多了。
量化市场的影响
当投资者们讨论市场究竟是“基本面因素主导”还是“技术性因素主导”时，他们总是把问题过分简化，认为市场非此即彼。他们认为市场要么是基本面因素主导，要么是技术性因素主导。实际上，市场是很易变，它由成千上万的参与者组成。这些参与者根据自己的状况，追求各自不同的收益。每时每刻，都有与公司本身的经营状况完全不相关因素所导致的买卖行为，，也有依照公司经营状况交易的人。在某个给定的时间里，价值投资者可能选择卖出，因为他们倾向于把注意力集中在基本面，而公司价值看上去很疲软；同时，基于技术分析的投资者们，由于市场上股票价格的动力很强可能会买进。市场往往是由基本面因素和技术性因素混合主导的。问题是他们各占多少比例，以及这个比例随着时间的推移如何变化。
在一次量化市场基本面因素和技术性因素占比的试验中，我们对标普500指数从1980年12月到2012年1月做了一个时间序列回归分析（在指数水平上），如下：
其中
E/P：收益率，标普500的基于由底至顶的每股收益估计（接下来的12个月）
Spread：评级Baa的公司债券收益率—评级Aaa的公司债券收益率
LTEG：由底至顶的分析得到的预期标普500的5年每股收益增长
TSYL：低于“最优”利率的10年国债利率（见附录）
TSYH：高于“最优”利率的10年国债利率（见附录）
MPL：低于“最优”利率的联邦基金利率（见附录）
MPH：高于“最优”利率的联邦基金利率（见附录）
该模型来自于假设的收益率，风险溢价，以及收益增长的预期之间的关系（在控制货币政策的条件下）。
通过使用回归系数以及观察到的变量，我们计算出标普500的收益率（E/P）的估计值。标普500的估计值是每股收益的估计值除以收益率的预测值。只用基本变量的系数和量值，我们可以计算出由基本面因素推出的标普500价格（来自基本面因素的价值）。用每一时点的标普500的实际价格，减去来自基本面因素的价值，我们可以得到技术性因素的价值。再用之前计算出来的来自基本面的价值和来自技术性的价值分别除以标普500的实际价格，得到的就是根据我们模型的各种因素对于实际价格的贡献占比，如图1所示。
图1：基本面因素和技术性因素对标普500的实际价格的影响的贡献占比
1980.12至2011.1
基本面因素的贡献占比
基本面因素的平均贡献占比
技术性因素的贡献占比
技术性因素的平均贡献占比
换句话说，我们观察基本面因素实时的预期变化，根据历史数据所体现的，其与实际价格的关系，来计算每一时点的“来自基本面的价值”。实际价格和来自基本面的价值做差，得到的就是技术性的，或者说非基本面因素的影响。
正如之前讨论的，我们的收益变量使用的是未来估计收益，而不是过去的数据。另外，分析师们往往把注意集中在近期受益，但是我们认为，考虑长期收益期望增长的变化也很重要。
比如说，在科技股泡沫期间（又称互联网泡沫1995-2001年），忽略长期收益的期望增长造成了模型预测价格和实际价格之间很大的差额（即很大的技术性因素影响）。而当我们加入了长期增长变量，模型对于该阶段后期的市场峰值的预测就准确的多。除了近期增长外，分析师们开始大幅的提升他们对长期增长预期。在他们看来，这也就为更高的价格提供了合理性。1980到1998年间，5年平均每股收益期望增长率达到11.8%，而标准差仅为0.8%。但是，在科技股泡沫期间，2000年8月市场峰值时，5年每股收益期望增长达到了18.6%——标准差翻了接近9倍。尽管这些错误的收益期望是事后的，但是1999到2000年之间股票价格的增长，与长期增长期望的之前关系是基本一致的。我们并不是要责怪那些期望与客观事实相背离的时期，我们的目的也并不是要人们基于这种估计方法来投资。投资者们依然必须要去判断分析师们的估计是否与事实相符，但是很明显，他们并不总是这样做。我们想要做的仅仅是，量化公司的基本面因素的估计与其股票市场价格之间的关系。
实验结果与投资启示
此前，总的来说，市场主体倾向于根据期望基本面因素的变化来做交易。实际上，来自基本面因素的价值与实际价格的平均比率也几乎为1。因此，从长期来看市场价格反映的还是基本面因素。当然，确实也有一些时期，技术性因素表现出很大的作用。（这种情况发生在基本面因素的期望变得荒诞的时候，比如1999年）。根据我们的模型，剧烈的技术性因素影响经常发生于大的市场转折点。比如说，2009年2月，刚好在熊市的谷底到来之前，我们的基本面因素价格超过了市场价格，这意味着技术性因素将市场价格压低，并低于历史基本面因素的价格。很快，随着市场从其3月的谷底迅速回升，来自基本面因素的价格比市场价格低了20%，这意味着技术性因素将股票价格推高了25%。一个可能的解释是，当转折点来临时，分析师和投资者们（至少在他们发布的收益预测中）倾向于滞后于市场，因为他们倾向于，用现在正在发生的事情来推断近期的情况。所以，当市场于2009年早期触底，由于分析师们预测转变较慢，股票价格的增长并不直接归功于，已经公开的关于基本面因素的增长的期望。
模型给出的另一个有趣的结果是，在2008年中期到晚期（即金融危机的关键时期）。雷曼兄弟，房利美，房地美，以及美国国际集团（AIG）都处于困难时期，市场波动极大。我们模型估计的用基本面因素推出的标普500价格，比当年6月至12月的实际交易价格高出了大概10-20%。换言之，技术性因素（例如畏惧、恐慌抛售等）使得股票价格显著低于，已经公开发布的公司基本面估计数据的变化所推断出的价格。当然这也可能是由于当时情况变化非常快，以至于分析师们的估计根据最新的情况做了调整。但是我们所用的月度数据更新的太慢，没能够反映出这种期望的变化。
科技泡沫期间，也可以观察到技术性因素在标普500价格中发挥的作用大大增加。这些效应可能归功于散户投资者盲目的买进大量的科技股份，以及主要投资科技股的共同基金，把股票价格推高到远超出公司本身经营业绩的水平。正如之前所述，专业分析师们确实应该受到批评，因为他们对于这些公司的长期收益增长的期望达到了天文数字。在1998年中到1999年初，我们观察到市场价格的技术性因素贡献占比经历了很大的峰值。这说明股票的价格增长大大超过了分析师们已经夸大的预期。投资者们买进的速度甚至超过了分析师们的期望增长的速度。但是之后，从1999年初到2000年8月市场达到顶峰，来自基本面因素的价格增长超过了100%！这意味着分析师们长期收益增长的预期已然失控。又一次，1980到1998年的历史数据显示，基于长期收益增长估计的市场峰值的期望几乎达到了9标准偏差。
结论
我们的模型对于预测股票市场有什么帮助呢？实际上，就像每一个其他的投资法则、指标、或模型一样，它不能完全占卜未来。但是，它确实告诉我们，基本面因素正越来越多的主导着市场价格。在2009年早期的牛市中，市场表现的确实更像是技术性因素驱动。公司的收益情况整体比较低迷，分析师们估计的增长也很缓慢。而今天，市场又一次表现出投资者们把精力集中在公司基本面上的情景。而且较历史水平，对于基本面因素的期望也表现的更加理性（不像科技泡沫时期那样）。
当有重要的宏观经济或地缘政治事件发生时（比如中东动乱、日本地震海啸），投资者更倾向于暂时抛弃基本面因素，转而根据技术性因素进行交易。但是这样的转变持续时间很短，基本面因素最终会重新成为市场的主导力量。并且，即使是在技术性因素更具有影响力的时期，其对市场价格的贡献占比也远低于基本面因素。对于投资者，将注意力集中于基本面因素是值得的——尤其是其他投资者不怎么关注基本面的时候。并且，投资者能够去辨别，分析师关于最近市场驱动因素的预测是否合理也很关键。
附录
TSYL和TSYH：投资者在计算未来现金流现值时，使用的折现率会受到市场利率的影响。具体来说，更高的（或更低的）的利率意味着更高的（或更低的）折现率以及更低的（或跟高的）股票现值。由于利率水平对于定价如此关键，我们希望在模型中加入利率因素。但是仅仅加入利率变量并不能很好地反映利率对现值的影响。根据费城联邦储备银行的“对于专业预测者的预测”，长期通胀预期大致在2-3%，而实际经济增长率预期同样为2-3%。这就意味着最优名义利率大约为4-6%。我们认为当利率的绝对值较低时，增加的利率是对市场的正向激励，因为此时市场正在回归到长期可持续的通胀与经济增长率上。换言之，低名义利率可能意味着对于低增长或者通货紧缩的预期。而当名义利率逐渐升高至一个转折点时——由于通胀和经济增长率过高——此时，对于未来利率变化的预期是下降的。因此，我们在模型中用即期的度量指标来计算某一时间点的利率水平，而不是简单地用一个静态利率（比如说5%）。在我们数据样本的所在时间段内，平均“最优”10年国债利率为5.66%，标准差为0.17%。在计算中，我们将即期利率假设为一致增长率的期望值的线性函数，通过网格搜索方法寻找最佳的相关系数来最小化整个模型的决定系数，即.
MPL和MPH：这些指标代表货币政策的影响。我们比较当前联邦基金利率与曼昆规则下的理论联邦基金利率。该理论由格里高利?曼昆在2001年的学术文章中提出，权衡了联邦政府提高就业率与稳定物价的双重调控目标。理论的一个假设，为20世纪90年代的货币政策为相对“好”的政策。以对应10年间的联邦基金利率为因变量、失业率变化值、和通胀率为自变量进行多元回归分析，我们得到对应的回归系数和常数项后，可以计算出其他年间较“好”的理论联邦基金利率值。即理论假设，如果联邦政府要像20世纪90年代那样应对失业率和通胀，则它应该将联邦基金利率定位X%。加入MPL和MPH变量可以衡量货币政策的“质量”。不同质量的货币政策（比如QE2第二次量化宽松政策！）对市场的影响相差甚远。我们在计算“来自基本面因素的价值”时没有使用这些指标，但是想要模型中考虑货币政策对定价带来的影响。
(作者：汤姆·比文，本文发表于《对冲基金》特刊。)
