徐杨:因子投资能否代替大类资产配置?

摘要
单纯的使用Long-Only的因子来替代大类资产进行资产配置,在我看来是一件非常危险的事情。因为100%的使用因子,并不能降低投资组合的相关性。只有在添加了实物资产和债券资产后,组合的整体相关性才可能被有效地降低。

  随着投资市场的发展以及投资理念的进步,越来越多的投资者开始关注因子投资策略。最近有个朋友问我:“因子和行业,有什么区别?”看来,虽然我们一直在说因子投资,还是有很多朋友对因子投资不太熟悉,特别是对【资产类别】、【行业】和【因子】这几个概念,分的不是很清。毕竟,因子投资【factor investing】也是最近5-10年才流行起来的。那么今天我们就这个话题,展开讨论一下。

  到底神马是神马?

  资产类别?

  这个理解起来很简单,好比说股票、固收、实物资产等大类资产;往细点分又会有小盘股、大盘股、国债、公司债、货币市场、另类投资等等。这些资产类别主要是便于:1)投资人选取【类似属性】的投资品,2)跨资产进行配置而进行的分类。

  

  行业分类?

  行业分类指的是,对从事国民经济生产中,同性质经营的单位或者个体组织的,结构体系的详细划分。不同的行业其内在有着非常大的差别,在分析和实践研究方法,判断和预测投资价值上,也会有着非常大的差别。

  

  因子投资?

  简单点说,因子投资的目的是为了更好地、更积极地通过系统性的、基于规则的科学方法来获得某种特定的风险或者是回报。因子就是找极端:回报最差的策略,可以做空;回报最好的策略,可以做多;两者加起来,可以对冲。

  比如我常常谈到的“价值因子“、”小市值因子”、“动量因子”等等。这里要注意到,学术上说的因子,一般都是多空因子,而在实践中,我们操作的因子往往是多头因子,没有空头,因为做空的风险很大。

  

  因子的真相

  最近我们看了一篇论文,名为《Facts about Factors》,暂且翻译为《因子的真相》。这个论文的主要目的,是从资产配置的角度,来讨论到底是【因子】好,还是【资产类别】好?

  It has become fashionable to allocate portfolios to factors rather than to assets. The oftenstated motivation for this approach is that factors are less correlated with each other thanassets; therefore, factors afford greater opportunity for diversification. This argument isspecious, of course, because ultimately the portfolio must be invested in assets....

  文章中提出了不少问题,主要有:

  1.   许多人认为因子投资策略比传统的资产投资手段提供了更好的风险分散化效果,是因为因子之间的相关性较低。这样的说法是正确的吗?

  2.   也有人认为,将一组较大的资产整合成一组较小的因子比整合成一组较小的资产,能更有效地减少数据噪音。这是真的吗?

  3.   相对于预测资产的未来表现,投资者们是否更擅长通过分析现有信息来预测因子子的未来表现?

  4.   因子投资策略产生的数据统计属性比传统资产投资策略的更为稳定吗?

  总体来说,这篇文章对【将因子代替大类资产作为构建投资组合的基石】提出了质疑和分析。

  论文的比较方式

  文章整合了多组不同的因子,然后通过PCA(Principal Component Analysis, 主成份分析) 与不同的资产和行业分类进行比较。作者通过比较各个分类数据中收益,标准差,相关性的间隔误差(interval error),小样本误差(small-sample error),以及独立样本误差(independent-sample error),试图寻找因子和资产类别之间的关系,研究因子投资策略和传统资产投资策略的数据稳定性。

  对比一

  本文的第一组对比将资产,基本因子,主成分构成6维和3维的投资组合,用1990年1月到2014年7月的数据进行对比。主成分投资组合由主成分分析法(PCA)构建。

  

  对比二

  本文的第二组对比中,作者又将因子和资产细分,将维度扩大成49,24以及10个来构建投资组合,用1989年1月至2015年1月的数据进行对比。数据库包括了MSCI U.S. 指数中的222只股票。

  

  PCA(主成份分析),简单来说就是通过统计的方法,在一定概率下,将分析的数据维度降低,整合数据特征,保留数据最重要的方面,而且这些方面相互的相关性也比较小。

  举个栗子,人脸识别中,由于人的脸部特征是一个连续的无穷大的维度,但可以通过PCA来降维,比如鼻子、眼睛、嘴巴、颧骨等,识别面部的主要特征,最后可能用18个维度既能识别和比对人脸。

  

  到底有什么样的结论?

  扯远了。文章最后通过将以上的数据进行比对,得出的结论如下。

  因子投资之所以能提供较好的分散性,是因为因子投资策略常常包含了空头头寸,在数据分析的时候就会直观的表现出较低的相关性。而多头因子并不会带来明显的风险分散的效果。

  预测因子未来的表现,是一个非常难的事情。无论如何研究因子,最后的投资都要落实到资产上,这难免就会产生估计误差。而在实践中,为了保持和预测方向一致,投资者需要不断的修正模型,并且调整头寸,这中间会产生额外的误差和交易费用。

  因子表现的整体稳定性不如大类资产。所以根据这个文章的研究结果,如果单纯的将资产池整合成因子来构建投资组合的话,并不能有效地减少数据噪音,从而获得更好的结果。

  化繁为简

  我们经常看一些研究报告,但凡涉及到因子投资和大类资产的,都免不了来一张基于年份的周期性回报图,好比下面这三张。

  第一张:市值加权因子年度回报

  

  第二张:大类资产的年度回报

  

  第三张:12个细分行业的年度回报

  

  是不是看起来很酷很熟悉?然并卵,看完之后,有没有一种看毕加索抽象主义画的感觉?

  一个字:乱。

  其实这也从侧面说明了,不管是因子、大类资产,还是行业,其周期性都非常的【明显】。这里注意我说的是周期性【非常明显】,而不是【强】,明显的周期性不代表投资人能够很好的去预测每个因子或者是行业未来的涨跌。越是你觉得明显的事情, 越有可能出现黑天鹅事件。

  小测试

  在我看来,两张图片就可以说明因子、行业、大类资产之间的关系。这里我们使用了1973年-2017年间,因子、行业、大类资产的月度回报数据。

  因子类:高价值、高质量、高动量、低波动、小市值。

  行业类:快消品,耐用品,制造,能源,化工,信息技术,通讯,公共事业,零售百货,医疗健康,金融,其他。

  股票类:标普500,小市值、发达国家指数、发展中国家指数。

  债券类:短期国库券,通胀保护债券,10年期国债,30年期国债。

  实物类:黄金指数,房地产指数,大宗商品期货指数。

  简单的随机聚类分析

  我们在每一类的标的中,一共进行了1000次的随机组合,然后在均值(纵轴)-方差(横轴)图中画出了所有的随机组合。

  

  可以非常明显的看到,在各类不同的投资标的之间,他们的均值-方差形态有非常明显区别,也有很多非常有趣的现象。

  1.   历史上,因子类随机组合具有最高的预期回报,当然了,他们同时也具有最高的波动率。

  2.   股票类随机组合的均值低于因子类:在同等风险(方差)下,因子类具有更高的均值,而在同等均值下,因子类的方差并没有特别明显的高于股票类。这也充某种程度上说明,一些Risk Factor(风险因子),并不是单纯的承担了更高 风险,有可能是Mis-Pricing(错误定价)。

  3.   行业分类的随机组合均值比纯股票类高,这里主要是因为这个行业分类的回报是纯美国市场的,而股票类中包含了发达国家市场,因此整体的平均收益率被拉低了一些。

  4.   实物类资产的随机组合比较特殊,其它的资产都是具有明显的均值-方差正相关性(方差越高,回报越高),而实物类随机分布,显示出了较为明显的逆相关性(方差越高,回报反而越低)。

  5.   债券类的平均回报和风险都明显低于其它的资产。

  滚动10年期相关性

  上面的图是从静态的角度,展示了各类资产均值和方差间的关系。我们也一再强调,资产间的相关性是资产配置的基础,而相关性需要动态的看。

  我们计算了上面五大类资产类的平均收益,然后以股票类的平均收益为基准,分别计算股票类资产和其它类资产的滚动10年期相关性。

  

  10年基本上是一个大的周期,在10年的大周期上,也有很多有趣的现象。

  1.   因子类平均回报,跟股票类平均回报的相关性,一直非常高,基本保持在80%左右。这里的主要原因在于,这里所选的因子,都是Long-Only的看涨型因子。

  2.   行业类平均回报,既然只是美国股票市场的细分,那么平均相关性跟股票类的相比,也是非常高的。

  3.   而实物资产类和债券类表现出了跟股票里类明显的低相关性,特别是债券,有明显的负相关性。

  写在最后

  We mathematically proved that in an idealized world in which risk-factor returns are completely explained by asset-class returns and vice versa, neither approach is inherently superior to the other. - "Factor-Based Asset Allocation vs. Asset-Class-Based Asset Allocation".

  看过去100年的历史,有谁能够真正准确并且持续预测股票市场的涨跌呢?因子的构建过程,其实就是股票的提纯过程。正是因为如此,预测因子未来的表现真的是一件非常难的事情。因为在提纯的过程中,改变了大类资产的属性,增加了模型估计的误差。

  单纯的使用Long-Only的因子来替代大类资产进行资产配置,在我看来是一件非常危险的事情。因为100%的使用因子,并不能降低投资组合的相关性。只有在添加了实物资产和债券资产后,组合的整体相关性才可能被有效地降低。

  但是因子(Risk Factor和Anomaly)作为股票类资产的增强手段,是具有非常大的实践意义的。我们必须通过大量的数据分析,来认识到因子和大类资产的异同点;通过科学的搭配,让因子能够在资产配置中,发挥其应有的作用。详情可以参考下面的资产配置白皮书。

关键词阅读:因子投资 大类资产配置

责任编辑:Robot RF13015
精彩推荐
加载更多
全部评论
金融界App
金融界微博
金融界公众号