因子投資策略：解析資產類別、行業與因子的區別
更新時間：2024-05-28 16:17:55作者：佚名
這到底是什么？
資產類別？
這個很好理解，比如資產類別主要有股票、固定收益、實物資產，再細分的話，還有小盤股、大盤股、國債、企業債、貨幣市場、另類投資等等，這些資產類別主要是為了方便：1）投資者選擇屬性相近的投資產品，2）跨資產配置。
類別？
行業分類是對從事國民經濟生產的同一性質的單位或個體組織的結構體系的詳細劃分，不同行業具有截然不同的內在特性，分析實踐的研究方法、投資價值的判斷與預測也有很大差異。
因子投資？
簡單來說，因子投資的目的是通過系統、有規則的科學方法貝語網校，更好、更積極地獲取一定的風險或收益。因子就是尋找極端：收益最差的策略可以做空；收益最好的策略可以做多；兩者結合起來可以對沖。
比如我經常講的“價值因子”、“小市值因子”、“動量因子”等等，這里要注意的是，學術界提到的因子一般都是多頭空頭因子，但是實際操作中我們操作的因子往往都是多頭因子，而不做空頭倉位，因為做空的風險非常高。
關于因素的真相
最近看了一篇論文，題目是《關于因子的事實》（暫譯為《關于因子的真相》）方差越小越穩定嗎，這篇論文主要目的是從資產配置的角度討論一下，到底是【因子】更好，還是【資產類別】更好？
將投資組合分配給因子而不是資產已成為一種時尚。這種方法的動機通常是因子之間的相關性低于資產；因此，因子提供了更大的多樣化機會。當然，這種說法是似是而非的，因為最終投資組合必須投資于資產……
文章提出了許多問題，主要是：
許多人認為因子投資策略比傳統資產類別能更好地分散風險，因為因子之間的相關性較低。這是正確的嗎？
還有人認為，將較大的資產集合聚合成較小的因子集合比聚合較小的資產集合更能有效地降低數據噪音。這是真的嗎？
投資者通過分析現有信息來預測因子的未來表現是否比預測資產的未來表現更有能力？
因子投資策略產生的數據的統計特性是否比傳統資產投資策略更穩定？
總體而言，本文提出了問題，并分析了使用因素而不是主要資產類別作為構建投資組合的基石。
論文比較
文章整合多組不同的因子，通過主成分分析（PCA）將其與不同的資產和行業分類進行比較，通過比較各分類數據的區間誤差、小樣本誤差、獨立樣本誤差、標準差、相關性等指標，尋找因子與資產類別之間的關系，并研究因子投資策略與傳統資產投資策略的數據穩定性。
比較 1
本文第一組比較比較了由資產、基礎因子和主成分組成的六維和三維投資組合，使用的數據時間為1990年1月至2014年7月。主成分投資組合采用主成分分析（PCA）構建。
比較 2
在本文的第二組比較中，作者進一步細分因子和資產，擴大維度為49、24和10來構建投資組合，并比較了1989年1月至2015年1月的數據。數據庫包括MSCI美國指數中的222只股票。
PCA（主成分分析），簡單來說就是利用統計學的方法，對所分析的數據按照一定的概率進行降維，整合數據特征，保留數據中最重要的方面，并且這些方面之間的相關性比較小。
例如在人臉識別中，由于人的五官是連續無限維的，可以用PCA降維，比如鼻子，眼睛，嘴巴，顴骨等，來識別人臉的主要特征，最后得到18個維度，既可以識別人臉方差越小越穩定嗎，也可以比較人臉。
結論是什么？
這是一個很長的故事。文章的最后，通過對比上述數據，我們得出以下結論。
因子投資之所以能提供更好的分散化效果，是因為因子投資策略往往包含空頭倉位，在數據分析時直觀地會表現出較低的相關性，而多頭因子并不能帶來明顯的風險分散效果。
預測因子的未來表現是一項非常困難的任務，無論你如何研究因子，最終的投資都要落實到資產上，這必然會導致估計誤差。在實踐中，為了與預測方向保持一致，投資者需要不斷修正模型、調整倉位，這會產生額外的誤差和交易成本。
因子表現整體穩定性不如主要資產類別，因此根據本文的研究結果，如果單純將資產池納入因子構建投資組合，并不能有效降低數據噪音，獲得更好的效果。
簡化復雜
我們經常會看一些研究報告，只要涉及到要素投資、大類資產，必然會附帶一個年度周期收益圖，比如下面這三張。
圖 1：市值加權因子年回報率
第二：各主要資產類別年度回報率
圖3：12個行業板塊的年回報率
是不是看上去很酷很眼熟？不過沒關系，看完之后是不是感覺像是在看一幅畢加索的抽象畫？
一個詞：混亂。
其實這也從側面說明，不管是因子、主要資產類別還是行業，其周期性都非常明顯。注意我說的周期性是很明顯，不是很強。明顯的周期性，并不代表投資者能夠很好的預測各個因子或者行業未來的漲跌。越是明顯的事情，就越有可能發生黑天鵝事件。
小測試
我認為兩張圖可以說明因子、行業、主要資產類別之間的關系，這里我們采用1973年至2017年因子、行業、主要資產類別的月度收益數據。
因子類別：高價值、高質量、高動量、低波動、小市值。
行業類別：快速消費品、耐用品、制造業、能源、化學品、信息技術、通信、公共事業、零售百貨、醫療保健、金融等。
股票類別：標準普爾 500 指數、小型股、發達國家指數、發展中國家指數。
債券：國庫券、通脹保值債券、10年期債券、30年期債券。
實物類：黃金指數、房地產指數、商品期貨指數。
簡單隨機聚類分析
我們在每個類別中總共進行了 1,000 次隨機組合，然后將所有隨機組合繪制在平均值（縱軸）-方差（橫軸）圖中。
可以明顯地看到，不同類型的投資標的的均值-方差模式存在非常明顯的差異，同時也存在很多非常有趣的現象。
從歷史上看，基于因素的隨機組合具有最高的預期回報，但其波動性也最高。
股票隨機組合均值低于因子組合：在相同風險（方差）的情況下，因子組合具有較高的均值，而在相同均值的情況下，因子組合的方差并不顯著高于股票組合。這也在一定程度上說明，一些風險因子并非簡單地承擔較高的風險，而可能是錯誤定價。
隨機組合的行業分類的均值高于純股票分類的均值，主要是因為該行業分類的收益純粹來自美國市場，而股票分類包含了發達國家市場，因此整體平均收益率較低。
實物資產的隨機組合比較特殊，其他資產的均值與方差呈現明顯的正相關性（方差越大，收益越高），而實物資產的隨機分布則呈現出更明顯的逆相關性（方差越大，收益越低）。
債券的平均收益和風險明顯低于其他資產。
滾動 10 年相關性
上圖從靜態角度展示的是各類資產的均值與方差的關系，我們反復強調資產間的相關性是資產配置的基礎，相關性需要動態地看待。
我們計算了上述五種資產類別的平均收益率，然后以股票平均收益率為基準，計算股票資產與其他資產類別的滾動10年相關性。
10年基本上是一個大周期，10年的周期里有很多有趣的現象。
因子平均收益與股票平均收益的相關性一直很高，基本維持在80%左右，主要原因是這里選取的因子均為多頭看漲因子。
由于行業類別的平均回報率只是美國股市的一部分，因此與股票類別相比，平均相關性也非常高。
但實物資產、債券與股票的相關性明顯較低，尤其是債券，呈現明顯的負相關性。
最后的想法
我們通過數學證明，在一個理想化的世界中，風險因子回報完全由資產類別回報來解釋，反之亦然，這兩種方法本質上并不優于另一種方法?！盎谝蜃拥馁Y產配置與基于資產類別的資產配置”。
縱觀過去100年的歷史，有誰能準確、持續地預測股市的漲跌？因子構建的過程其實就是股票凈化的過程。也正因為如此，因子未來的表現確實很難預測。因為在凈化過程中，主要資產類別的屬性都會發生變化，這增加了模型估計的誤差。
我認為單純用多頭因子替代主要資產類別進行資產配置是非常危險的。因為100%使用因子并不能降低組合的相關性。只有加入實物資產和債券資產后，才能有效降低組合整體的相關性。
但因子（風險因子和異常因子）作為增強股票資產的手段，有著很大的現實意義。我們必須分析大量的數據，了解因子與主要資產類別的相同點和不同點；通過科學的匹配，因子才能在資產配置中發揮應有的作用。詳情可參考下文的資產配置白皮書。
相關文章
為您推薦
加載中...