基于状态变量的因子模型.docxVIP

目录 TOC \o 1-3 \h \z \u 因子模型回顾 5 基于个股特征的因子模型概述 5 个股特征因子模型的缺陷 6 基于状态变量的因子模型 7 理论基础 7 SDF，CCAPM 与 ICAPM 7 因子：表征经济景气度的状态变量 9 一般方法 10 模型框架 10 因子暴露与风险溢价的估计 10 状态变量因子模型的应用 12 哪些变量可以承载系统风险？ 12 状态变量的相关性分析 13 风险暴露的估计 15 风险溢价：整体回归法 16 Fama-MacBeth 回归 17 系统风险因子的历史表现 18 实证分析小结 21 对模型的进一步思考 22 状态变量的选择 22 风险暴露和因子溢价的估计 22 函数形式的选择 23 总结：对选股模型的启示 23 图表目录 图 1：状态变量相关系数矩阵热力图 13 图 2：筛选后状态变量相关系数矩阵热力图 14 图 3：风险暴露相关系数矩阵热力图 16 图 4：整体回归法估计的因子风险溢价与 t 统计量绝对值（风险溢价单位：%） 16 图 5：Fama-MacBeth 回归法估计的因子风险溢价与 t 统计量绝对值（风险溢价单位：%） 17 图 6：“市场组合”的风险溢价（风险溢价单位：%） 19 图 7：Wind 全 A 历史表现（收益率单位：%） 19 图 8：“工业增加值:当月同比”的风险溢价（风险溢价单位：%） 19 图 9：“市净率:万得全 A”的风险溢价（风险溢价单位：%） 19 图 10：“期限利差”的风险溢价（风险溢价单位：%） 20 图 11：“消费者预期指数”的风险溢价（风险溢价单位：%） 20 图 12：“PPI:全部工业品:环比”的风险溢价（风险溢价单位：%） 20 图 13：“宏观经济景气先行指标”的风险溢价（风险溢价单位：%） 20 图 14：“信用利差”的风险溢价（风险溢价单位：%） 20 图 15：“CPI 环比”的风险溢价（风险溢价单位：%） 20 表 1：系统风险因子库中的基本指标 12 表 2：风险暴露相关性分析后保留指标 14 表 3：个股在状态变量上的风险暴露统计结果 15 表 4：整体回归法下具有显著风险溢价的系统风险因子（风险溢价单位：%） 17 表 5：Fama-MacBeth 回归中风险因子的表现（风险溢价单位：%） 18 选股是构建投资组合的重要环节。由于股票价格变化和收益率具有随机性，因而利用历史信息准确预测个股未来收益率来选股是难以实现的。所以从根本上来说，投资组合的构建关注的是期望收益，而不是精确预测未来收益率1。无论是采用线性形式的多因子模型还是非线性的机器学习模型，事实上都是对收益率的期望建模，即： ??(????|??) = ??(??1, ??2, … , ????) 其中?? = (??1, ??2, … , ????)是可能影响个股期望收益的变量。可见，决定模型质量的因素包括两个方面：一是函数形式??(?)的选择，另一个则是模型输入变量??的选择。目前大部分的应用研究往往追求新颖的函数形式，包括各种复杂的非线性机器学习模型甚至深度学习模型，然而如果模型输入??的质量不高，往往是“Garbage in, Garbage out”。 模型的输入??中应该包括哪些变量？哪些因素可能影响个股的期望收益？这既是一个实证问题，更是一个理论问题，因而需要从理论和实证两个角度去分析，然而大部分的选股实践往往忽视理论，随意选择大量所谓的“因子”扔进模型（特别是一些复杂的机器学习和深度学习模型），构建出的模型虽然在样本内表现良好，但样本外表现不佳，出现模型过拟合，陷入“数据挖掘”的陷阱。 本文从资产定价理论出发，尝试构建与传统的“基于个股特征的因子模型”不同的“基于状态变量的因子模型”。从定价理论出发构建的模型在一定程度上能回答有关期望收益??(????|??)的实证模型??(?)中，输入变量??的选择问题。本篇旨在构建模型的整体框架， 后续研究中我们将利用该模型进行选股实证。 因子模型回顾 在构建基于状态变量的因子模型前，本小节首先简单回顾一下目前在量化投资实践中占据统治地位的因子模型。 基于个股特征的因子模型概述 实践中应用最广的量化模型关注个股自身的特征属性，其一般形式如下： ?? ??(????|??) = ∑ ?????????? ??=1  (1) 其中??(????|??)是股票??的期望收益，??????为因子暴露，????为因子的风险溢价。在上述模型中， 因子暴露??????是个股本身的可观测特征，这些可观测特征大都可以从个股的财务报告中获取，或者经过简单的计算得到，例如股票市值、估值指标（P/B、P/E 等）、资产负债率