投资分析模型专题：因子投资与机器学习及业绩归因.pdf

投资分析模型专题：因子投资与机器学习及业绩归因。第十五期海外论文双周志聚焦因子投资，包括因子模型在机器学习发展背景 下的研究进展以及因子投资的业绩归因。第一篇论文梳理了因子投资的经典模 型，并介绍了机器学习在资产定价领域的最新进展，强调机器学习在解决高维 实证资产定价模型中的重要作用；第二篇论文介绍了一种度量主动型对冲基金 获取贝塔收益能力的指标 BA，发现主动型贝塔基金相比主动型阿尔法基金提 供了更好的风险调整后收益，而且 BA 能够更好地预测基金未来的业绩表现。

因子模型、机器学习和资产定价

因子模型是资产定价中实证分析的主要框架。静态因子模型是最基础的因子模 型，常见的研究框架包括三个方面，一是因子已知且可观测，二是因子及其暴 露是隐含的，三是因子暴露是可观测的，但因子是隐含的。条件因子模型相比 静态因子模型更适合去描述单个资产以及时变的因子风险暴露，需要施加约束 来识别模型，常见的建模方法包括 Barra 和工具变量 PCA（IPCA）方法。

机器学习在实证资产定价方法中的贡献包括测度预期收益、估计因子和风险 暴露、估计风险溢价以及估计随机折现因子及其暴露。测度预期收益方面，机 器学习方法的发展催生出股票收益预测的第三种方法，侧重于变量选择和降维 技术；估计因子和风险暴露方面，包括 PCA、IPCA、自编码器学习等；估计 风险溢价方面，包括三步回归、弱因子等；估计随机折现因子及其暴露方面， 包括 PCA、惩罚回归、深度学习等方法。

因子模型、风险溢价和阿尔法的统计特性的渐近识别方案。文献中有三种主 要的渐近方案来表征因子模型、风险溢价和阿尔法的统计特性。传统的推断依 赖于常用的大 T、固定 N 的渐近性，第二种方案允许 N 和 T 同时无限增长， 第三种方案采用大 N 固定 T 的设计。在传统的 OLS、GLS 估计方法之外，许 多文献开始采用 PCA、风险溢价 PCA 以及有监督的 PCA 等机器学习方法对大 N 大 T 和大 N 小 T 类型的渐近形式进行识别。

主动贝塔对冲基金管理

两类投资风格的对冲基金：主动贝塔和主动阿尔法。本文将主动阿尔法定义为 获取最终没有反映在因子暴露的收益，将主动贝塔定义为采取与宏观风险因子 相关的方向性头寸。此外，本文在业绩归因、市场时机以及业绩预测领域对现 有文献做了扩展，发现主动贝塔是对现有高级组合管理方法的补充。

数据选择以及统计梳理。从数据选择看，本文使用彭博的 1994-2013 年期间的 对冲基金数据，彭博要求所有基金报告自成立以来的所有业绩，同时采取相关 方法处理了幸存者偏见和回填偏差的影响。从样本统计看，代表性基金管理资 产 7300 万美元，管理费为 1.5％，对投资者高于水位线以上的所有利润收取 20％的激励费用，最低初始投资额为 25 万美元，赎回期为 30 天。

主动贝塔管理的测度。主动贝塔管理是试图采取与未来产生最高绝对回报的因 子相关的持仓。本文引入两个变量以捕捉基本模型中所有因子不同方面的主动 贝塔，其中 SBS 测度当期成功，而 DBR 捕捉因子择时的动态效应，然后引入 SBS 和 DBR 的平均等权平均值作为主动贝塔的综合度量。

主动阿尔法和主动贝塔的比较。根据主动贝塔管理的测度 BA，本文创建了按 照 BA 排名的基金组合，发现头部 BA 组合明显优于底部组合，同时提供更高 的长期回报率、夏普比率以及信息比率。此外。头部主动贝塔基金在长期表现 上优于头部主动阿尔法基金，并且在短期表现方面经常比头部主动阿尔法基金 表现得更好。