投資分析模型專題：因子投資與機器學習及業績歸因.pdf

投資分析模型專題：因子投資與機器學習及業績歸因。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展背景 下的研究進展以及因子投資的業績歸因。第一篇論文梳理了因子投資的經典模 型，并介紹了機器學習在資產定價領域的最新進展，強調機器學習在解決高維 實證資產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，發現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績表現。

因子模型、機器學習和資產定價

因子模型是資產定價中實證分析的主要框架。靜態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 靜態因子模型更適合去描述單個資產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因子及其暴露。測度預期收益方面，機 器學習方法的發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計特性。傳統的推斷依 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，本文在業績歸因、市場時機以及業績預測領域對現 有文獻做了擴展，發現主動貝塔是對現有高級組合管理方法的補充。

數據選擇以及統計梳理。從數據選擇看，本文使用彭博的 1994-2013 年期間的 對沖基金數據，彭博要求所有基金報告自成立以來的所有業績，同時采取相關 方法處理了幸存者偏見和回填偏差的影響。從樣本統計看，代表性基金管理資 產 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。根據主動貝塔管理的測度 BA，本文創建了按 照 BA 排名的基金組合，發現頭部 BA 組合明顯優于底部組合，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 上優于頭部主動阿爾法基金，并且在短期表現方面經常比頭部主動阿爾法基金 表現得更好。