因子投资豆瓣(因子投资指导手册)

因子投资豆瓣(因子投资指导手册)已关闭评论

A+

领500g书库，关注公众号:程叫兽的宝藏 (长按可复制！)

目录（点击切换）

本文节选自《因子投资豆瓣》

在时序上取均值，但这种方法效果并不好)。除此之外，FamaandFrench(2020)还研究了另一种“四不像”的模型，即使用截面回归计算因子收益率，得到因子收益率序列后再使用股票和因子收益率时序回归计算因子暴露，以取代公司特征。这个“四不像”模型对资产预期收益率的解释能力和“时序回归多因子模型>相似，但却不如“截面回归多因子模型”。这个结果说明,“和截面回归多因子模型”优于“时序回归多因子模型”，原因可能源于两点:〈1)截面回归的因子收益率优于排序法的因子收益率;〈2)时变公司特征相比时序回归;是更好的因子暴露代理变量。二者缺一不可。自FamaandFrench〈1993)三因子模型问世以来，学术界便采用了“时序回归多因子模型\"这一传统。而在27年后，如今，EugeneFama和KennethFrench又通过FamaandFrench(2020)一文打破了这一传统，引领了今后实证资产定价模型的研究方向。虽然其结果更多地建立在纯粹的实证分析之上，但该文还是清晰地回答了学术界和业界都非常关心的两个问题:到底如何计算因子收益率以及用什么作为因子暴露。从上述结果来看，基于截面回归得到的纯因子组合作为因子投资组合、使用公司特征作为因子暴露在未来或大有可为。此外,“和截面多因子模型”也更符合业界的做法〈例如Barra多因子模型)。本书第3章将遵循学术界惯例，采用投资组合排序法检验因子，而第4章将使用公司特征作为因子暴露，j通过Fama-MacBeth回归

因子投资静电书籍

检验因子，以帮助读者理解不同方法的差异。在使用个股的数据进行截面回归时，市值通常会被对数市值代蔡，以此降低极值的影响。-|筷在原文中，Jegadeeshetal〈2019)在进行Fama-MacBeth回归时还加入了市场因子暴露以及截距项作为解释变量。但由于它们不是此处关注的重点，因而没有被纳入表2.4中。国公众号引总写量化”的文章《WhichBeta?》以中证$00的成分股为基准验证了Jegadeeshetal〈2019)的方法，并在A股上观察到了类似的现象。4[用参考公众号“川总写量化”的文章《Whichbeta?》。[引公众号<“川总写量化”的文章《WhichBeta(JI)?》对FamaandFrench〈2020)进行了详细解读。2.4异象检验学术界对于异象的研究是十分狂热的。在过去30年的时间里，学者们在美股市场中\"控\"出了数百个异象。Houet引《2020)一文伦了非常大的精妃复制了452个异象，是一篇很好的总结。不幸的是，他们发现绝大多数被发表的异象并不能获得多因子模型无法解释的显著wx收益率，这意味着很多学术研究并没有带来真正RE吉果。本书第6章会对学术界的这种风气进行介绍，本节先来看看如可检验。2.4.1时序回归检验异象通过第1章的介绍可知，如果茶个资产能够获得多因子模型无法解释的显著超额收益，那么就称该资产为一个异象在股票多因子研究的范畴内，上述录象资产通常是按照如下几个步骤构造投资组合的:(1)选择一个潜在的财务指标或者量

因子投资方法与实践讲解

价指标，以它作为异象变量〈anomalyvariable)。《2)根据异象变量取值的高低，将股票在截面上排序，使用排序法构建异象投资组合，并获得异象收益率的时间序列。(3)检验该异象收益率能否被多因子模型解释。在给出具体的检验之前，有一点关于异象研究的重要趋势值得一提。在过去，最溃见的做法是使用单一异象变量来构建异象。然而，在近些年的研究中，一个主流的趋势是使用多个〈即复合》变量来构造异象。当然，这种做法有利也有浆。好的一方面是这些使用多指标构建的异象往往有更强的金融学含义，因此更能够帮助人们理解上市公司基本面和技术面信息与未来预期收益率之间的关系。比如Asnessetal.(2019)一文以Oualipmizarxsyjuak[为题提出的质量异象。该文三个维度使用了众多指标，最终得出了一个总分对股票排序，构造了异象投资组合。又如PiotroskiandSo〈2012)的研究，它使用两个变量的独立双重排序构建了一个预期差异象，而其中一个排序变量本刁就是一个应用了多个财务指标的复合变量。不好的一方面则是使用复合变量更容易出现过拟合。从某种意义上说，研究异象和因子)其实是对着历史数据进行数据挖气。一旦使用的变量过多，就容易出现过度挖掘，使得发现的所谓异象仅仅是样本内过拟合的结果。尽管如此，从本书的目标来看，复合变量构成的异象仍然比单一变量构成的异象更加值得探讨。为此，在本书第5$章研究异象时，会针对学术界一些非常经典的复合变量异象在A股进行实证。