金工专题报告：因子方法论之四，组合优化中被低估的风险.docxVIP

内容目录 前言 4 一个简单的案例——中证 500 指数增强 4 组合风险低估的理论推导和实证证据 6 正确模型下的公共因子收益率协方差矩阵的估计 7 错误模型下的公共因子收益率协方差矩阵的估计 8 两模型下的公共因子收益率 f 协方差估计的差异 8 两模型下特质波动率估计的差异 9 两模型下股票组合的跟踪误差估计的差异 10 实证证据 11 一个自然的但是错误的解决方案 13 正确可行的解决方案——修正后的 AAF 模型 15 理论部分 15 实证分析 19 6. 总结 25 风险提示 25 图表目录 图 1：最优组合预设风险与实际风险对比 5 图 2：各个预设风险下的 Bias 统计量 6 图 3：因子 Z 在横截面上的解释度 R 方 12 图 4：alpha 信号和最终权重中能被因子 Z 所解释的 R 方 12 图 5：alpha 信号完全被风险因子解释的情形下的预设波动与实际波动 14 图 6：alpha 信号下波动率对比 19 图 7：alpha 信号下 Bias 统计量 19 图 8：alpha_span 信号下波动率对比 19 图 9：alpha_span 信号下 Bias 统计量 19 图 10：alpha_ortho 信号下波动率对比 20 图 11：alpha_ortho 信号下 Bias 统计量 20 图 12：alpha 信号输入模型后正交因子暴露 20 图 13：alpha_span 信号输入模型后正交因子暴露 21 图 14：alpha_ortho 信号输入模型后正交因子暴露 21 图 15：alpha 信号输入模型后的有效前沿 22 图 16：(1.0)span_alpha+(0.0)ortho_alpha 的有效前沿 23 图 17：(0.8)span_alpha +(0.2)ortho_alpha 的有效前沿 23 图 18：(0.6)span_alpha +(0.4)ortho_alpha 的有效前沿 23 图 19：(0.4)span_alpha +(0.6)ortho_alpha 的有效前沿 23 图 20：(0.2)span_alpha +(0.8)ortho_alpha 的有效前沿 24 图 21：(0.0)span_alpha +(1.0)ortho_alpha 的有效前沿 24 前言 通过多因子体系为股票打分，结合风险模型做组合优化，生成最终投资组合，是指数增强和股票多空策略的标配框架，该方法在业界已经相当成熟，。 但是，组合优化得到的股票组合，往往会在一些方面呈现与模型预设不符的现象， 很多研究者会发现，当设置跟踪误差约束为不超过年化 3%时，实际的组合实现年化波动却常年维持在 4%以上，实现的年化跟踪误差始终显著高于预设的水平，这显然不能被正常的随机扰动所解释。其背后必然隐藏了其它原因。 本篇报告，我们将带领读者探索这个领域，从理论和实证两个角度，解释模型低估组合实际跟踪误差的原因，并提供相应的解决方案。 一个简单的案例——中证 500 指数增强 为了直观展示常规组合优化问题会低估组合的实际跟踪误差，我们提出一个典型的案例作为说明。该案例所使用的 alpha 信号，及优化问题中的约束条件，也将在下文的改进方案的实证中继续使用。 我们使用 9 个常见因子对截面上的股票收益率进行预测，包括 5 个基本面因子：单季度营业收入同比增长率，单季度营业利润同比增长率，ROE_TTM 季度环比变化， PE_TTM 的倒数，PB 的倒数。同时纳入了 4 个情绪因子：过去 20 个交易日的对数日均换手率，过去 20 个交易日个股相对万得全A 指数的特异度，过去 20 个交易日个股相对万得全A 指数拟合 CAPM 模型后剩余残差的波动率，过去 20 个交易日的个股涨跌幅。 上述 9 个因子在使用前均完成了市值和行业的中性化处理，并进一步执行了去极值 和标准化的动作，之后，将 9 个因子按照收益方向等权重相加，得到每只股票的综合打分??。 将综合打分??输入组合优化问题，求解下述优化问题： max ?????? ???? = ?? ????Σ??? ≤ ??2 s. t. ??? ≤ ?? ≤ ?? ?????? = 0 {?? + ???????????????????? ≥ ?? 其中，??为每只个股相对于基准的超配权重，为该优化问题的待求解变量；???? = ??为行业和风格等式约束，我们限制其为行业中性以及Beta/规模中性；??为年化跟踪误差限制； ?? 为个股最终权重相对于基准的偏离上下限， 设置为 2% ； ?????? = 0