>> 華創(chuàng)證券-宏觀專題：因子投資與機器學習及業(yè)績歸因-230323
| 上傳日期： |
2023/3/24 |
大?。?/td>
| 2934KB |
| 格式： |
pdf 共26頁 |
來源： |
華創(chuàng)證券 |
| 評級： |
-- |
作者： |
張瑜 |
| 下載權限： |
此報告為加密報告 |
|
|
前言。
第十五期海外論文雙周志聚焦因子投資，包括因子模型在機器學習發(fā)展背景下的研究進展以及因子投資的業(yè)績歸因。第一篇論文梳理了因子投資的經(jīng)典模型，并介紹了機器學習在資產(chǎn)定價領域的最新進展，強調機器學習在解決高維實證資產(chǎn)定價模型中的重要作用；第二篇論文介紹了一種度量主動型對沖基金獲取貝塔收益能力的指標BA，發(fā)現(xiàn)主動型貝塔基金相比主動型阿爾法基金提供了更好的風險調整后收益，而且BA能夠更好地預測基金未來的業(yè)績表現(xiàn)。
因子模型、機器學習和資產(chǎn)定價
因子模型是資產(chǎn)定價中實證分析的主要框架。靜態(tài)因子模型是最基礎的因子模型，常見的研究框架包括三個方面，一是因子已知且可觀測，二是因子及其暴露是隱含的，三是因子暴露是可觀測的，但因子是隱含的。條件因子模型相比靜態(tài)因子模型更適合去描述單個資產(chǎn)以及時變的因子風險暴露，需要施加約束來識別模型，常見的建模方法包括Barra和工具變量PCA（IPCA）方法。
機器學習在實證資產(chǎn)定價方法中的貢獻包括測度預期收益、估計因子和風險暴露、估計風險溢價以及估計隨機折現(xiàn)因子及其暴露。測度預期收益方面，機器學習方法的發(fā)展催生出股票收益預測的第三種方法，側重于變量選擇和降維技術；估計因子和風險暴露方面，包括PCA、IPCA、自編碼器學習等；估計風險溢價方面，包括三步回歸、弱因子等；估計隨機折現(xiàn)因子及其暴露方面，包括PCA、懲罰回歸、深度學習等方法。
因子模型、風險溢價和阿爾法的統(tǒng)計特性的漸近識別方案。文獻中有三種主要的漸近方案來表征因子模型、風險溢價和阿爾法的統(tǒng)計特性。傳統(tǒng)的推斷依賴于常用的大T、固定N的漸近性，第二種方案允許N和T同時無限增長，第三種方案采用大N固定T的設計。在傳統(tǒng)的OLS、GLS估計方法之外，許多文獻開始采用PCA、風險溢價PCA以及有監(jiān)督的PCA等機器學習方法對大N大T和大N小T類型的漸近形式進行識別。
主動貝塔對沖基金管理
兩類投資風格的對沖基金：主動貝塔和主動阿爾法。本文將主動阿爾法定義為獲取最終沒有反映在因子暴露的收益，將主動貝塔定義為采取與宏觀風險因子相關的方向性頭寸。此外，本文在業(yè)績歸因、市場時機以及業(yè)績預測領域對現(xiàn)有文獻做了擴展，發(fā)現(xiàn)主動貝塔是對現(xiàn)有高級組合管理方法的補充。
數(shù)據(jù)選擇以及統(tǒng)計梳理。從數(shù)據(jù)選擇看，本文使用彭博的1994-2013年期間的對沖基金數(shù)據(jù)，彭博要求所有基金報告自成立以來的所有業(yè)績，同時采取相關方法處理了幸存者偏見和回填偏差的影響。從樣本統(tǒng)計看，代表性基金管理資產(chǎn)7300萬美元，管理費為1.5%，對投資者高于水位線以上的所有利潤收取20%的激勵費用，最低初始投資額為25萬美元，贖回期為30天。
主動貝塔管理的測度。主動貝塔管理是試圖采取與未來產(chǎn)生最高絕對回報的因子相關的持倉。本文引入兩個變量以捕捉基本模型中所有因子不同方面的主動貝塔，其中SBS測度當期成功，而DBR捕捉因子擇時的動態(tài)效應，然后引入SBS和DBR的平均等權平均值作為主動貝塔的綜合度量。
主動阿爾法和主動貝塔的比較。根據(jù)主動貝塔管理的測度BA，本文創(chuàng)建了按照BA排名的基金組合，發(fā)現(xiàn)頭部BA組合明顯優(yōu)于底部組合，同時提供更高的長期回報率、夏普比率以及信息比率。此外。頭部主動貝塔基金在長期表現(xiàn)上優(yōu)于頭部主動阿爾法基金，并且在短期表現(xiàn)方面經(jīng)常比頭部主動阿爾法基金表現(xiàn)得更好。
風險提示：論文理解和翻譯偏差。
|
|
