【股票基金市场】“学海拾珠”系列之七十六：主成分分析法下的股票横截面定价因子模型.docxVIP

金融工程 专题报告 主成分分析法下的股票横截面定价因子模型 ——“学海拾珠”系列之七十六 报告日期：2022-01-17 报告日期：2022-01-17 主要观点： 分析师：严佳炜 执业证书号：S0010520070001 邮箱： yanjw@ 联系人：钱静闲 执业证书号：S0010120080059 邮箱： wuzy@ 相关报告 《基金组合如何配置权重：能力平价模型——“ 学海拾珠” 系列之六十八》 《持仓技术相似性与共同基金业绩 ——“学海拾珠”系列之六十九》 《双重调整法下的基金业绩评价— —“学海拾珠”系列之七十》 《企业员工流动对股票收益的影响 ——“学海拾珠”系列之七十一》 《贝叶斯动态面板模型下的基金业绩持续性——“学海拾珠”系列之七十二》 《高点锚定效应和跨公司收益预测 ——“学海拾珠”系列之七十三》 《债券基金交易风格与市场流动性风险——“学海拾珠”系列之七十四》 《盈余公告前后的收益特征是否与投机性股票需求有关？——“学海拾珠”系列之七十五》 本篇是“学海拾珠”系列第七十六篇，本期推荐的海外文献开发了一种运用主成分分析法（PCA）从股票收益中提取公共定价因子的方法，使用该方法，作者得到了三个定价因子，它们相比当前使用的主流因子模型在横截面收益解释程度方面表现更好。回到 A 股市场，基于主成分分析法的因子模型有助于更深入了解股票特征因子在横截面中定价中的联动效应，将具有超额收益的因子分离出来。 构建一种在股票收益中分离公共定价因子的方法 模型分为两步构建：第一步，对多个可以预测未来股票收益的特征变量（如公司规模，账面市值比，动量等）进行 Fama MacBeth(1973)回归， 使用回归中的估计系数预测每只股票未来一个月的收益并根据预测的收 益率对股票排序并构造投资组合；第二步，使用主成分分析从这些组合收 益中提取公共因子，作者提取了前三大主成分，并命名为“水平、斜度、曲线”因子模型（level, slope, and curve factor model）。 此命名的来源是，按预期收益排序的投资组合在第一个因子上的因子载荷是一条接近水平的线（“level”），第一个因子类似于一般市场投资组合，与主流模型中市场指数的相关系数为 0.95；第二个因子的因子载荷是一条单调的倾斜的线（“slope”），金融文献中已经确定的大多数因子都属于此；第三个因子的因子载荷是一条中间拱起的曲线（“curve”），这表明极端股票价格往往会同向变动，如果“curve”因子有正的收益收益， 那么预期收益非常高和非常低的股票都会有相对较低的未来收益，而预期收益中等的股票则会有相对较高的未来收益。 水平、斜度、曲线模型与主流模型相比有更好的定价效果 作者发现水平、斜度、曲线模型相比 CAPM 模型、Fama 和French 三因子模型、五因子模型以及 Hou 等人的q 因子模型，在横截面定价时， 未捕捉到的平均 alpha 绝对值更低，并能解释更多的平均收益变化。同 时，在 Barillals 和 Shanken 的夏普比率测试中，该模型相比这些模型也取得了至少一样好或更好的效果。而且在样本外的测试中，水平、斜度、曲线模型显示出了很好的稳健性。 风险提示 本文结论基于历史数据与海外文献进行总结；不构成任何投资建议。 敬请参阅末页重要声明及评级说明证券研究报告 金融工程 金融工程 敬请参阅末页重要声明及评级说明 PAGE 2 敬请参阅末页重要声明及评级说明 PAGE 2 / 18 证券研究报告 正文目录 简介 4 框架 5 排序法构造投资组合 6 “水平、斜度和曲线”因子模型（LSC） 8 因子数量的确定 10 与主流因子的相关性情况 10 资产定价检验 11 与主流模型的比较 12 LSC 模型与 FAMA 和 FRENCH 三因子模型的比较 12 LSC 模型与主流模型的比较 16 7 结论 17 风险提示： 17 图表目录 图表 1 25 个投资组合和前三大主成分 7 图表 2 使用预期收益的排序形成的 25 个投资组合的平均超额收益和特征 8 图表 3 对 25 个投资组合的主成分分析结果 9 图表 4 不同分组数量下前 5 种主成分的相关性展示 10 图表 5 前五个主成分与其他因子的相关性。 11 图表 6 对提取的主成分进行 25 个投资组合的时间序列回归。 11 图表 7 119 个测试投资组合两种模型的拟合比较 13 图表 8 10 个异象投资组合下模型定价能力对比 13 图表 9 模型关于 25 个市值和账面市值比投资组合的定价比较 14 图表 10 模型关于 10 个动量投资组合的定价比较 14 图表 11 模型关于 49 个行业分类投资组合的定价比较 1