Smart Beta 投資方法

優礦團隊出品,轉載請聯繫作者

摘要

本文從權重優化的角度來實證 Smart Beta 組合在nA 股市場上的效果,在以上證 50 指數 為基準的例子中,幾種不同的 Smart Beta 配權方式,包括等權組合(EqualnWeight)、最小方差組合(Minimum Variance)、風險平價組合(Risk Parity)、最大多元化組合(Maximum Diversification),均取得了高於基準指數的收益風險比表現。此外,四種構建組合的方式均 有各自的特點,對於低風險偏好的投資者來說,最小方差組合、等權組合和風險平價組合 是其可選的方案,對於稍高風險的投資者來說,最大多元化組合是個不錯的選擇。

隨後,本文從風險因子的視角來實證nSmart Beta 組合,分別從價值、成長、質量、股息、規模和動量這六類最基本的風險因子來構建組合,回測組合從 2008 年1月1日以來相對基準的表現。實證結果顯示,六類風險因子組合均取得了高於基準的超額收益,在沒有任何主觀擇時的情況下,風險因子組合均表現得比基準指數 Smart

最後,結合六類風險因子組合各自的表現,將 2008 年 1 月 1 日以來的市場表現劃分為 牛市、熊市、震蕩市三種不同的市場環境,並詳細分析了在不同市場環境下各類風險因子n表現的差異。研究發現,在牛市中,價值、規模和動量因子表現較為優異;在熊市中,價 值、股息和質量因子表現較好;而在震蕩市中,規模、動量和成長因子表現較好,分辨這n些基本風險因子分別適合什麼樣的市場環境對指導我們投資具有重大的價值。

1 Smart Beta 簡介

眾所周知,Beta 在資本資產定價模型中代表單個資產或者投資組合相對整個市場組合 的波動程度,Beta 值越大,代表著相比市場組合波動程度也越大。那麼何為 Smart Beta 呢, 簡單來講就是如何更加聰明的構建投資組合。目前市場上對於nSmart Beta 的定義可以從兩個n方面入手,一方面是從優化權重演算法的角度,另一方面是從組合收益來源的角度,也就是從風險因子的角度。權重優化比較簡單,構建組合時和基準指數成分股保持一致,但是成分股的配置權重有差異,比如常見的滬深 300 指數更偏向於市值加權,一種聰明的做法可能就是採用等權處理。組合收益來源更多則從風險角度入手,一般認為股票收益來源由眾多風險因子所解釋,比如市值、估值、成長性等,從這些風險因子的角度入手構建組合便是 Smart Beta 的另一種途徑,比如可以通過選擇特定股票使組合完全暴露於某一風險因子,以期能獲取對n應的風險溢價。

上述 Smart Beta 的兩種方式都不提倡主動擇時,高透明性、嚴格的紀律性是其投資特點, 這使得其在國外非常的流行,尤其是在被動投資領域,比如在全球範圍內僅交易所交易產品n的總規模就超過n4970 億美元。在我國,市場參與者還是以散戶為主,大部分人的投資理念n還停留在投機交易,這使得被動投資理念在國內被接收的程度不高,對應的相關投資研究和n投資產品也比較匱乏。本文從此入手,結合我國市場實際情況,一方面,將 Smart Beta 的上 述兩種投資模式在 A 股市場進行實證研究,另一方面,將市場周期和 Smart Beta 結合起來, 研究在不同市場環境下各風險因子組合表現的差異。

2 權重優化下的 Smart Beta

在滿足資本資產定價模型假設的情況下,理性的投資者持有的風險資產必須是整個市場組合,在實際中整個市場組合通常用某個具有代表性的市場指數代替,比如 A 股的滬深 300 指數。這種投資理念深受被動投資者喜愛,因為實際中他們就是根據滬深 300 各成分股的權 重來對應著買賣,但市場指數的編製是否合理卻很少有人問津過。通常情況下市場指數都是按照市值加權來構建組合,比如滬深 300 指數,先根據一定的條件挑選出n300 個成分股,然 後主要根據 300 個成分股的總市值來確定各自的權重,總市值大的對應的權重也高。Smart Beta 打破這種局限,還是以這 300 個成分股為基礎,但是成分股的權重選取用其他方法來確定,以期達到構建的組合比傳統的滬深n300 指數要「聰明」些。常見的幾種權重優化方式 有等權重加權(Equal Weight)、風險平價加權(Risk Parity)、最小方差加權(Minimum Variance) 和最大多元化加權(MaximumnDiversification),下面先對各種權重配置的理論演算法做簡單介紹,然後以上證 50 指數為例做實證分析。

2.1 等權重

等權重的做法比較簡單,認為組合中每個股票具有同等的重要性,假設組合中股票個數n為 N ,則組合中個股權重如下式所示:w_{i} =frac{1}{N}

一般來說,等權重構建的組合表現不會太差,又因為其演算法簡單,所以這種加權方式被大家廣泛所使用。

2.2 風險平價

風險評價英文表述為 RisknParity,不同的使用者對其可能有不同的中文翻譯,另外,風n險平價又可以細分為考慮協方差的風險平價和不考慮協方差的風險平價。鑒於考慮協方差風險平價是不考慮協方差風險平價的衍生版本,本文只重點分析考慮協方差情況下的風險平價權重配置方案。

風險平價的構建思想非常簡單,保證股票組合中所有成分股對於組合的整體風險貢獻都n一樣,這樣的好處是組合的整體風險不會偏向單個股票,從大類資產配置的角度去看的話就是保證各大類資產對整體組合的風險貢獻都一致,這樣組合就不會因為某個大類資產表現 太差而出現較大回撤。假設成分股權重為 w ,成分股之間的方差協方差矩陣為 Ω,那麼組合的風險(標準差)可以表示為下式:sigma =sqrt{ w^{`} Omega W}

上式對 w 求導,再經過簡單的數學變換可以得到各成分股的風險分配額為 wi (Ωw)i , 所以風險評價下的權重求解就可以變為如下的優化問題:

在實際應用中,只需估算出成分股的方差協方差矩陣便可以得到優化後的權重,在本節實證分析部分將以上證 50 指數為例進行實例分析。

2.3 最小方差

最小方差的優化方法也比較直觀,算是馬科維茨均值方差優化的簡化版。馬科維茨均值n方差優化算是組合構建過程中的經典方法,但其有個缺點是優化的結果對預期收益率非常敏n感,而預期收益率也是最具有不確定性的。為此,很多學者在實踐中放棄使用預期收益率,在優化過程中只關注組合整體風險,那麼均值方差優化問題就變為簡單的最小化組合方差問題。假設 Ω為組合成分股的方差協方差矩陣,那麼組合風險就可以表示為 sqrt{ wOmega w} ,最小化組合方差問題就可以表述為如下優化問題:

引入拉格朗日乘子,易求得最優權重的封閉解表達式,如下所示:

2.4 最大多元化

最大多元化的思想也比較好理解,這裡先直接給出計算公式,再做說明。同樣假設組合 各成分股的方差協方差矩陣為 Ω,各成分股的標準差為 σ,那麼最大多元化權重可以表示為如下的優化問題:

上述目標函數分母為組合風險,分子為各成分股的波動率加權求和,因為組合的預期收益率等於各成分股預期收益率的加權求和,但各成分股的標準差加權求和值在絕大多數情況 下不等於組合的標準差,這裡目標函數的構建方法不妨理解為組合風險被分解的比率。從上式容易看出,當資產預期收益率與其波動率成正比時,最大多元化就等價於最大夏普比;同n時,當所有資產波動率都相等的話,最大多元化又等同於最小方差。和最小方差相比,這裡 站在最大化組合風險分散程度的角度來衡量,而最小方差站在組合方差絕對值最小的角度來 考慮。

2.5n 實證分析

如上介紹了四種從權重優化的角度來構建組合的 Smart 方式,這些在國外非常成熟的方法在國內表現如何呢?帶著這個疑問與好奇,本文以上證 50 指數為例,從 2006年1月1日至今,每隔三個月調倉一次,看各種組合的構建方式是否真的比基準 Smart2。隨後從年化 收益率、年化標準差、夏普比率、最大回撤等角度來綜合對比分析幾種構建組合方式的差異n以及優缺點。下面首先展示從 2006 年 1 月 1 日至今不同權重優化下組合的收益表現,如下圖所示。

圖 1 不同權重優化視角下的組合累計收益表現

如上圖所示,僅從累計收益率來看,四種優化方式均優於基準指數。同時可以看到,最 大多元化體現了高收益高波動性的特徵,與之相反,最小方差組合表現了極強的穩定性,但n同時其收益表現也顯得一般。下面從各項常見評價指標來更細緻的分析各組合的表現。

如上所示,四種不同權重優化視角下組合的夏普比均高於上證 50 指數,確實說明這些組合相比基準要顯得 Smart 些。從收益角度來看最大多元化表現最優,但同時風險也最高, 年化標準差高達n35.8%,最大回撤高達 35.8%,這兩項在所有組合中均是最高的。另外可以n看到,風險平價和等權組合表現比較一致,綜合考量兩者的收益風險比是最高的,分別為0.572 和 0.571。這一點也很好理解,RisknParity 在構建組合時保證每個資產對於組合的風險n貢獻都相等,所以優化出來的結果和等權差異不大,但對於最小方差和最大多元化組合,優化出來的組合有效持倉多半不足n50 只股票,這也導致其風險程度相比其他組合要大一些。同時,正因為成分股的頻繁變動,也導致最小方差和最大多元化組合的換手率較高,年化換 手率高達 354.3%和 317.7%。

整體上來說,從風險收益比角度來衡量,四種權重優化下的組合均優於基準指數,同時四種構建組合的方式均有各自的特點,對於低風險偏好的投資者來說,最小方差組合、等權組合和風險評價組合是其可選的方案,對於稍高風險的投資者來說,最大多元化組合是個不 錯的選擇。

3 風險因子下的 smart beta

儘管不同權重優化視角下的組合確實顯得比基準指數要 Smart 些,但聰明的投資者絕不 僅滿足於此,於是就誕生了風險因子視角下的nSmart Beta,同樣希望構建的組合比基準要聰 明些。從資本資產定價模型到Fama-French 三因子再到結構化風險模型(Barra、Axioma、 Northfield),投資者對於股票收益的來源越來越清晰,組合在某段時間表現優異很大概率就 是對某個特定風險因子的暴露,比如在nA 股市場等權構建的滬深 300 組合比真實的滬深n300n指數表現要好,一個很重要的原因是nA 股市場規模因子效應特別明顯,長期來看小盤股相 比大盤股有明顯的超額收益。這樣我們對組合的認識可以上升到因子層面,就可以選擇特定 證券使組合盯住某一特定的風險因子,這便是 Smart Beta 的另一種思路。

從因子的角度構建組合最重要的一點莫過於因子的選取,儘管結構化風險模型發展至今n已經非常的完備,但針對任何一個市場依然不能稱之完美。本文作為 Smart Beta 研究的一個 範本,所選取的因子至少在現在看來均是在學界或者業界得到普遍認可的,比如價值、動量、n質量等;而對於這些因子的構建細節儘管市面上有很多版本,我們也盡量採用最通用的方式, 不做過多的優化以盡量保證因子的「原滋原味」。

接下來將對這些公認的風險因子進行單一分析,每個因子分析都通過構建nSmart 組合使 其盡量僅暴露於該因子,從歷史表現來分析這些從因子角度構建的組合是否足夠聰明。這裡n需要強調一點的是,根據 Smart Beta 定義理想的構建組合的方式是使組合僅暴露於某個風險 因子,而對其他風險因子暴露為零,這一點在實際處理中會遇到些困難,主要在於所有的這 些被公認的風險因子之間本身存在著某種相關性,比如動量因子和價值因子之間就存在著明n顯的負相關性,所以我們的處理是使其「盡量」暴露於某個風險因子。另外,鑒於規模因子n在我國市場上表現得格外顯眼,在構建組合時我們採用流通市值加權以盡量減少規模因子對 其他因子的影響3。

最後,將組合構建中的一些細節總結如下4:

  • 回測區間從 2008 年 1 月 1 日至 2016 年 7 月 28 日

  • 股票池為中證 800 指數動態成分股

  • 調倉頻率為每兩周調倉一次,每周第一個交易日調倉

  • 組合經過市場中性化處理,且選股比例為n20%(800 只里挑選出 160 只)

3.1 價值

價值因子著眼於價值被低估的股票,價值的低估或者高估通常用股票的總市值和某個財報科目相除得到的指標來衡量,比如經常選用的財報指標有賬麵價值、凈利潤、銷售額、經營活動產生的現金流量凈額等,這樣就構建了常見的市凈率、市盈率、市銷率、市現率等估值指標。在很多經典的文獻中都有對價值因子相關的探討,比如 Fama-French 三因子模型就將其作為解釋股票收益來的重要因子之一,並認為低估值組合相比高估值組合能夠帶來超額n收益。我們這裡對於價值因子的構建也採用最通用的方法,僅用到優礦因子庫中的市盈率和市凈率兩個因子指標5,等權合成,回測結果如下圖所示。

圖 2 價值因子回測表現

如上圖所示,價值因子在 A 股市場具有非常明顯的超額收益,整體呈上升趨勢,回測 期間累計超額收益率高達 80%。另外,可以明顯看到,價值因子在趨勢市場表現尤為優異,而在震蕩市表現則比較一般。一個比較好的解釋是我國市場的實際情況,在牛市時消滅低估n值股票而在熊市時抱團取暖低估值股票,因而呈現出在趨勢市時低估值股票相比高估值股票n具有明顯的超額收益。這種橫跨牛熊市場的回測分析可以讓我們對因子的表現有一個更深層n次的了解,作為第一個 Smart 單因子,這裡只簡單提一下不同時段因子表現分析,在本篇下 一部分將重點討論六個基本風險因子在不同市場環境下的表現分析。另外,正如本文前面提n到的,構建組合時只是盡量保證組合僅暴露於價值因子,但組合收益和風險的來源肯定也逃n不了其他因子的干預;限於本文的寫作重點和內容連貫性,風險收益的歸因部分將不再本篇 單獨提出,後續文章將詳細介紹如何在優礦上輕鬆實現自定義風險模型、以及如何輕鬆進行 單因子分析,比如常見的收益歸因、風險歸因、因子分組表現、因子 decay 表現,還有一些n諸如因子不同市場環境表現、因子特殊市場時段表現、因子月曆分析等非常有趣且有價值的 功能。

3.2n 成長

成長因子專註於選取具有高成長性的公司,成長性經常由諸如凈利潤增長率、總資產增n長率和銷售收入增長率來衡量。一般來說,成長性投資者通過股票利得而不是股息來獲取收 益。關於投資高成長性股票的支撐者當屬 Thomas Rowe Price,其被認為是成長投資之父,他認為企業會經歷成長、維持和衰退這樣的生命周期,而最佳的投資時期就是公司處於成長期時,此時公司規模不大但盈利水平呈現長期增長狀態,但這時公司的股價也一般呈上漲趨勢,因而風險性相對價值股來說會大一些。在本文中,用到了 5 年收益增長率(EGRO)因子來 代表長期增長水平,同時從規模增長和盈利增長兩個角度來刻畫成長性。為此我們選用n5 年收益增長率、凈資產增長率、歸屬於母公司所有者凈利潤增長率這三個因子來構建成長性n風險因子,同樣等權處理,具體的回測結果如下。

圖 3 成長因子回測表現

如上圖所示,成長性因子相比基準也顯示出了足夠的nSmart,回測期間累計超額收益高n達近 40%。另外,可以看到成長因子在趨勢市場表現一般,但在震蕩市表現卻非常優異,這 一點正好前面的價值因子情況相反。而這也是我們非常樂意看到的一種情況,搞清楚各個風n險因子在不同市場環境下的表現對提高組合表現是非常有價值的。

3.3 質量

質量因子試圖尋找「高質量」的公司來獲取超額收益,但和其他因子不一樣,對於「高質 量」的定義目前還沒有達到完全的統一。比如從包含廣泛的「令公司有價值的特徵」(Asness、 Frazzini 和 Pedersen, 2013)到更精確的「盈利穩定且盈利較高,同時債務較低」(Calvert, 2012), 都存在一定的質疑。因此,對於高質量公司的評價多半都會涉及一些投資經理的主觀因素在n裡面。但儘管如此,高質量公司還是具有某些共性。從最寬泛的角度來講,這些公司應該有 較好的盈利、現金流充裕、具有競爭力、透明度高且具有清晰的股權結構來融資發展。為此,n對於質量因子的構建我們也是從多方面入手,從常見的財務分析角度入手,綜合公司的償債 能力、資本結構、盈利能力和營運狀況等方面來衡量一個公司的質量,所選取的因子包括流 動比率、營業利潤率、權益收益率和總資產周轉率,和前面一樣,等權處理構建質量因子,n回測結果詳見下圖。

圖 4 質量因子回測表現

回測結果和預想中的不大一樣,質量因子在回測期間的表現並不是很好,整體的超額收 益也只有 15%,在所選的 6 個風險因子里表現是最差的,這一點和最開始的直觀感覺是相違 背的。另外值得關注的一點是,在 2014 年下半年至 2015 年上半年的大牛市中,質量因子n出現了非常大的回撤,這一點或許在nA 股市場非常貼切,因為剛過去的這一波牛市以滬港 通的券商為發起點,隨後便由一帶一路、國企改革等概念股接過漲幅,但漲幅驚人的這些諸 如鋼鐵、煤炭、軍工等大國企經營效益並不好,在經濟放緩去產能背景下這些企業凈利潤甚n至是負的,導致質量因子出現明顯回撤也自然不足為奇。

3.4 股息

從更廣泛的意義來講,股息因子也可以歸為價值因子,有時候就是將個股分紅率作為一n項估值指標。與常見的估值指標不同的是,高分紅率意味著額外且穩定的現金流收入,這對 於偏好現金流的投資者來說是個不錯的選擇。對於股息因子的處理,我們綜合考慮短期分紅 和長期穩健分紅兩個方面,分別對應的因子指標是現金流市值比(CTOP)和 5 年平均現金流市n值比(CTP5),然後等權處理構建股息因子,其回測結果如下所示。

圖 5 股息因子回測表現

從上圖可以看到,股息因子表現非常優異,能夠長期持續穩定的帶來超額收益,整個回n測期間累計超額收益高達 50%。此外,股息因子表現也非常的穩健,尤其是在熊市時,比如n在 2008 年和 2015 年,股息因子都能明顯的獲得比較高的超額收益,真正能夠做到穿越牛 熊,這一點和前面介紹的價值因子非常類似。這一點也和一般的邏輯思維一致,在熊市中,n低估值、高股息的藍籌股永遠是市場的香餑餑。結合當下的市場環境,市場取向好像也正演n繹著低估值、高股息的故事。

3.5 規模

早在上世紀 90 年代,Fama-French 就在其論文中提出,公司規模是股票收益來源的一個 重要因素,並且指出長期來看低市值股票相比高市值股票具有更高的收益。後來,各類結構n化風險模型更是在股票總市值上做大文章,將對數總市值和非線性總市值均作為股票收益來n源的風險因子,足以可見規模因子的重要性。在我國,規模因子更是神奇,在美國市場上典n型的風險因子在nA 股市場卻是高信息比的 Alpha 因子。這裡僅展示一個數據,2010 年 5 月31 日至今,代表小盤股的創業板指數累計漲幅達 125%,而同期滬深n300 指數累計漲幅僅16.3%,巨大的差異足以說明規模因子在 A 股市場的顯著性。回到本部分最開始的地方,正 因為規模因子在我國市場上超額收益比較顯著,為了在分析其他因子時盡量「隔離」規模因 子的影響,所以我們構建組合時使用的是按流通市值進行加權。當然,在本小結單獨分析規 模因子時,還是回到最通用的等權處理方式,這裡僅用對數總市值這個單因子指標。最後,n得到的規模因子回測結果如下所示。

圖 6 規模因子回測表現

如前面描述,從收益上來講規模因子完全可以「秒殺」另外 5 個風險因子,回測期間累 計超額收益高達 120%,年化超額收益更是高達 12.6%,若不考慮貼水,僅用規模因子就可 以實現每年平均n12.6%的絕對收益!但規模因子也有不足之處,其收益表現也並不是「一帆 風順」,在 2014 年 12 月隨著大盤股的強勢崛起,小盤股遭遇了滑鐵盧,這一點也給投機小n盤股的投資者提了個醒,沒有哪個因子能在任何時候都能跑贏市場。另外關於規模因子有個非常有趣的現象,就是每到年末小盤股因子都會表現得低於平均水平,同時在年初又有著非n常不錯的表現,從下圖上很直觀的可以看到,在 2009 年、2010 年、2011 年、2014 年年末 規模因子累計超額收益均出現了不同程度的回測,而在每年的n2 月份,規模因子的表現都是 非常不錯的。這一點正是在介紹價值因子里提到的因子月曆效應分析,我們可以在優礦上非n常方便的得到這個分析結果6。作為一個簡單樣例,這裡也展示下規模因子的月曆效應分析n圖。

圖n7 規模因子月曆效應分析

3.6 動量

動量因子相對比較容易理解,這也是趨勢交易者常關注的因子之一,他們認為強者恆強、n弱者恆弱。研究表明,動量效應在不同地區和不同時期都是持續存在的。Jogadeesh 和 Titman(1993)發現在 1965 年至 1989 年的美國市場,動量策略獲得了非常具有吸引力的收益。 Fama 和 French(2012)對 1989 年至 2011 年的亞太地區、北美和歐洲都進行了研究,也得到 了類似的結論。實證研究普遍認為,動量因子在較短的時間內非常值得關注,尤其是 3 到12 個月,往後動量效應會逐漸消失,股票表現會恢復到長期均值水平(Asness, 1997)。在本 文的研究中,採用短期動量和長期動量來合成動量因子,根據我們的直觀假設這裡先默認動 量因子具有正向效果7(即構建組合時選取動量排名前 20%的股票),回測結果如下所示

圖 8 動量因子回測表現

回測結果和我們的直觀感覺完全相反,動量因子在 A 股市場上反轉效應更加明顯。簡單來說就是,在前期漲幅較高的個股在接下來的短時間內出現回調的概率非常高,從操作上來說就是抄底優於追漲。帶著好奇,我們將前面的動量因子以反轉因子來處理,得到了新的回測效果如下。

圖 9 反轉因子回測表現

可以看到,反轉因子在 A 股市場能夠長期穩健的獲取超額收益,回測期間累計超額收 益高達n70%。同時和上述動量因子形成了鮮明的對比,從側面驗證了動量因子的分組表現8非 常符合預期,短期來看,在 A 股市場確實存在穩定的反轉效應。

如上我們可以看到,風險因子視角下的 Smart Beta 確實取得了不錯的成績,上述最通用n的 6 類風險因子均取了相比基準指數不同程度的超額收益,同時需要注意到,上述的組合構 建均沒有主觀擇時因素在裡面,完全了體現了 Smart Beta 的特性。總的來看,對於不同風險偏好的投資者,風險因子視角下的投資組合是個不錯的選擇。但這裡又留給我們一些疑問,結構化風險模型已經將股票收益的來源解釋的非常清楚,既然我們能夠識別很多已知的風險,為何不利用起來呢?比如最具代表性的規模因子,既然已經知道了小盤股長期來看比大盤股n具有超額收益,那麼為什麼不按照前述規模因子回測來構建組合呢?一個很重要的原因是不n同時間段市場的風格偏向不同,另外歷史結果也不代表著未來情況,投資者可能無法承受長n期不盈利或者出現較大回撤的情況。為此,分析上述不同風格因子在不同市場環境下的表現 差異顯得非常重要,這也是本文接下來的分析重點。

4 市場周期下的因子表現

如前文描述,以風險因子的角度構建組合長期來看會顯得更加 Smart,但是不管是哪一 類風險因子都不可能時時刻刻跑贏市場。在 A 股市場表現最好的規模因子來看,在 2014 年12 月也發生了黑天鵝事件,因子組合超額收益發生了明顯的回撤。基於此,有必要對這些n有代表性的風險因子進行市場周期分析,即在不同市場環境下因子表現的差異,這對我們更n加深入了解因子的有效性以及適用市場環境是非常有幫助的。作為此類分析的一個範例,這裡僅根據市場最常見的三種市場狀態來劃分市場周期,即n熊市、牛市、震蕩市,市場選用之前定義的指數基準中證 800 指數,時間段也完全和之前定義的因子回測區間一致。這裡需要解釋一下,儘管我們是從事後人的角度來劃分市場周期,存在使用未來信息的情形,但從現實中可以看到,對於大市場周期的定義通常存在某些共識,另外市場周期的時間跨度都比較長,偏離一兩個月其實影響並不大。這裡的重點在於分析在n不同市場環境下各因子的表現,最後以中證 800 指數劃分的市場周期圖如下所示。

圖 10 中證 800 指數市場周期劃分圖

劃分好市場周期之後,結合前面的單風險因子分析,分別統計各風險因子在不同市場環n境下的累計超額收益,最後將結果匯總到牛市、熊市、震蕩市三個維度,從這三個不同的市n場維度看各風險因子的累計超額收益表現,具體結果如下表所示。

從上表可以看出,各風險因子在不同市場環境下表現差異確實很大,比如成長性因子在

牛市下面市表現一般,但在震蕩市中表現尤其突出,而這一點也正好反應本部分內容的價值所 在,下面將對各個因子做具體分析。

價值:對價值因子而言沒有過多的分析,因為價值因子可謂是穿越牛熊,低估值股票相 比高估值股票有比較穩定的超額收益。在牛市中,以「消滅低價股」為口號帶來了低估值股 票的超額收益;在熊市中,抱團取暖低估值藍籌股同樣帶來了超額收益。

成長:成長因子的表現情況讓人異常興奮,因為其在不同市場階段呈現出了不同的收益n表現,這一點對於指導實盤具有非常大的價值。從數據上看,成長因子在震蕩市表現異常突 出,這一點回頭來看也很好解釋,在指數不上不下的環境下,市場熱衷於「講故事」,那麼n有高成長性的公司或許或者為故事的話題從而獲得了超額收益。

質量:可以看到質量因子在除牛市階段表現都還尚可,這一點也很直觀,在牛市中高質n量的股票吸引力並不是很大,這牛市行情下更多是一種資金驅動下的普漲行情,低估值股票 潛力得到充分釋放。

股息:股息因子的表現和質量因子比較類似,理解起來也比較一致,在熊市和震蕩市時,高股息的股票因為穩健的經營和分紅顯得格外有價值,市場重心向藍籌股轉向,因而在這兩 個階段質量因子和股息因子表現突出。比如在經歷過 2014~2015 年大牛市之後,股息因子n表現就異常突出。

規模:規模因子也沒太多解釋的,一個在 A 股市場異常「奇葩」的因子。這裡提供兩 個可供參考的解釋,一個是nA 股的上市制度,在現行的核准制下小盤股都具有難得的殼資源,借殼上市、併購重組等話題讓他們具備了異常的超額收益;另一方面是 A 股的投資者 構成,以散戶為主導的 A 股市場炒作風味尤其濃厚,而小市值股票則是最優的炒作對象。 至於小盤股在未來是否還會有如此高的超額收益,本文不做主觀預測,但至少在註冊制推行n的情況下,小盤股的超額收益還是值得我們當心的。

動量:如前面描述,這裡的動量因子應該理解為反轉效應。可以看到,動量因子表現一 直都很好,尤其是在震蕩市,這一點和震蕩市的名稱不謀而合。

不同市場環境下各風險因子的表現差異能夠讓我們更清楚什麼時候應該偏向於什麼因子,收穫該收穫的風險溢價,規避不該承擔的風險損失。雖然歷史並不代表未來,但本文從 歷史中發現的規律能夠指導我們在未來的決策,下面,就本部分的重要結論總結如下,以圖表現形式更直觀展示何時該偏向於哪種風險因子。

5 總結

本文首先介紹了 Smart Beta 的一些基本概念,隨後從權重優化的角度來實證幾種不同配 權方式在 A 股市場上的效果,在以上證 50 指數為基準的例子中,可以看到,幾種不同的 SmartBeta 配權方式,包括等權組合(Equal Weight)、最小方差組合(Minimum Variance)、風險 平價組合(Risk Parity)、最大多元化組合(Maximum Diversification),均取得了高於基準指n數得收益風險比。另外,四種構建組合的方式均有各自的特點,對於低風險偏好的投資者來n說,最小方差組合、等權組合和風險評價組合是其可選的方案,對於稍高風險的投資者來說, 最大多元化組合是個不錯的選擇。

隨後,本文從風險因子的視角來實證 Smart Beta 組合,分別從價值、成長、質量、股息、 規模和動量這六類最基本的風險因子來構建組合,回測其從 2008 年 1 月 1 日以來相對基準的表現。實證結果顯示,六類風險因子組合均取得了高於基準的超額收益,在沒有任何主觀擇時的情況下,風險因子組合均表現得比基準指數 Smart。 緊接著,我們將分析更進一步,結合六類風險因子組合各自的表現,將n2008 年 1 月 1日以來的市場劃分為牛市、熊市、震蕩市,並詳細分析了在不同市場環境下各類風險因子的 表現差異。研究發現,在牛市中,價值、規模和動量因子表現較為優異;在熊市中,價值、n股息和質量因子表現較好;而在震蕩市中,規模、動量和成長因子表現較好,分辨這些基本 風險因子更適合什麼樣的市場環境對我們的實際投資具有重大的價值。

參考資料及釋義:

【1】A Global Guide tonStrategic-Beta Exchange Traded Products, Morningstar, September 2015.

【2】實證數據來源於通聯數據商城,實證過程在優礦量化平台完成。

【3】更嚴謹的做法是在得到單因子組合收益後進行歸因分析,細化組合風險和收益的真實來源,限於本文寫作重點和內容連貫性,後續文章將重點介紹如何利用優礦量化平台輕鬆實現因子歸因分析。

【4】更多組合構建細節參見優礦量化平台 long_only()函數說明文檔。

【5】本文所有因子數據均來自於優礦量化平台,優礦提供了近300個因子。

【6】優礦量化平台上,只需給定收益率序列,並可得到諸如月曆分析、前五大回撤分析、不同頻度收益分布等實用功能。

【7】這裡假設在過去一段時間內漲幅居前的股票在接下來的時間內會延續上漲的趨勢。

日常廣告位:2000萬實盤FOF基金投資經理正在招募中,感興趣的朋友歡迎報名參加 報名地址


推薦閱讀:

給Python小白看的10個使用案例,入門Python就在這裡
【信號】神策alpha No.2
TaLib在股票技術分析中的應用
時間序列分析----結合ARMA的卡爾曼濾波演算法
在中國,量化到底有沒有用?

TAG:智能投顾 | 指数 | 量化 |