多因子模型详细.ppt

* * * * * * * * Barra 风险模型 核心目标：估计股票间收益率的协方差矩阵 对因子收益协方差F做修正 降维 升维 指数衰减加权（exponentially weighted） Newey-West修正 特征值因子修正 （Eigenfactor Risk Adjustment） 波动率区间修正 （Volatility Regime Adjustment） Barra 风险模型 对因子收益协方差F做修正 特征值因子修正 （Eigenfactor Risk Adjustment） 《USE4_Methodology_Notes_August_2011》 特征值（Eigenfactor）修正 Eigenfactor Risk Adjustment 特征值（Eigenfactor）修正 特征组合的因子暴露 特征值（Eigenfactor）修正 Barra 风险模型 《USE4_Methodology_Notes_August_2011》 指数衰减加权 （exponentially weighted） Newey-West修正 + 纯因子组合计算和协方差矩阵估计 投资组合优化理论和编程实现 因子预处理与部分对称正交 投资组合优化 Barra、Axioma（降维、升维） Shrinkage 降维 升维 （模型假设因子收益有动量 、反转、非线性等） 目标函数可选择效用函数最大化，或收益最大化、风险最小化等： 限制条件包括调整后的行业暴露、风格因子暴露、调整量的幅度等： 行业暴露限制 风格暴露限制 个股权重上下限(不能有空头) 和为1 跟踪误差：quadratic 换手率：L1-norm 使用matlab的二次规划函数quadprog()求解 Barra 风险模型 行业暴露限制 风格暴露限制 个股权重上下限(不能有空头) 和为1 因子、行业暴露等：linear 跟踪误差：quadratic 换手率：L1-norm 去掉L1-norm： 于是： 汇总 标准形式 画网格 随机打把 N E(r) 换手率 估计跟踪误差 纯因子组合计算和协方差矩阵估计 投资组合优化理论和编程实现 因子预处理与部分对称正交 winsorize winsorize-cut zscore-cut 取对数 因子预处理 因子预处理 因子预处理 正交化 回归取残差： 优点：在保证与原控制因子正交的前提下，正交后的因子与原因子相关性最高，保留信息最多 缺点：需要人为确定正交顺序 对称正交： 优点：不需要认为确定正交顺序，所有因子同时旋转，旋转后新因子间两两正交 缺点：正交后因子不与原因子正交，无法起到控制风险的作用 数学问题： 解： 正交后因子不与原因子正交 应用于资金流因子 大单流入额、小单流入额 + 风格因子（成交额、市值、换手率、波动率、反转、ROE等） 对称正交不与原风格因子正交 部分对称正交（partial symmetrical orthogonalization）： 需要控制的风险因子不进行旋转 其他因子间无顺序对称正交，并同时与风险因子正交 数学问题： 解： 应用于资金流因子 大单流入额、小单流入额 + 风格因子（成交额、市值、换手率、波动率、反转、ROE等） 部分对称正交 与原风格因子正交 两种新流入额因子相互正交 感谢！ 收益线性分解 –面向历史的 收益率的线性分解 期初因子的值 （个股因子暴露度） 因子收益 期初到期末股票 收益率 面向历史的 Fama-Frech三因子 收益线性分解 –面向历史的 收益率的线性分解 期初因子的值 （个股因子暴露度） 因子收益 期初到期末股票 收益率 面向历史的 Barra USE3、Barra CHE2等 收益线性分解 –面向历史的 收益率的线性分解 期初因子的值 （个股因子暴露度） 因子收益 期初到期末股票 收益率 面向历史的 Barra USE4 、Barra CHE5等 收益率的线性分解 收益率预测 ---- 面向未来的 下一期的多空组合可以在期初构建，但多空组合的收益率未知。 例如：可以构建SMB组合，但组合收益率要期末才知道； 继续使用上一期因子收益率：动量策略 Barra 风险模型 核心目标：估计股票间收益率的协方差矩阵 对因子收益协方差F做修正 降维 升维 指数衰减加权（exponentially weighted） Newey-West修正 特征值因子修正 （Eigenfactor Risk Adjustment） 波动率区间修正 （Volatility Regime Adjustment） 为什么不用历史数据估计协方差 另一种方式：压缩估计 Barra 风险模型 核心目标：估计股票间收益率的协方差矩阵 对因子收益协方差F做修正 降维 升维 指数衰减加权（exponentia