金融与财务机器学习 第14章 基于机器学习的因子投资.pptVIP

案例：因子动物园*主要因子的描述性统计案例：因子动物园*下表PanelA为Fama五因子的横截面回归检验结果，PanelB和PanelC分别展示了本案例的五因子模型、七因子模型的截面回归情况案例：因子动物园*案例：套利投资组合*Kim,KorajczykNeuhierl（2018）这篇文献提出了一种形成套利投资组合的新方法，这种新方法利用了包含在企业特征中的异常收益和因子过载的信息。具体而言，新的方法是Fan,LiaoWang(2016)的投影主成分程序(PPCA)的扩展。该估计器可以同时适应多种特性，可以使用个人资产或投资组合，并对企业特征的现值进行系统风险估计。PPCA程序首先将回报降低到公司特有的横断面特征上。然后，通过将标准的主成分分析(PCA)程序应用于预期收益，估计因子负荷函数。Fan,LiaoWang(2016)表明，即使对于小的时间序列样本，估计的因子负荷函数也会随着横截面样本的增加而收敛到真因子负荷函数。所以可以使用滚动的数据块来实现这个过程，以估计下个月的投资组合权重。它还考虑到因素风险溢价的时间变化，以及任何特定特征在多大程度上可以预测异常回报。Kim,KorajczykNeuhierl（2018）扩展了PPCA估计器，不仅可以估计因素，还可以估计错误定价函数案例：套利投资组合*表中给出了不同特征向量(潜在因素)个数下套利组合收益的汇总统计案例：套利投资组合*收益结果如下图所示，该图显示了从1968年1月到2018年12月的套利组合(6个特征向量)的月超额收益和时间趋势(红色)。*第三节构建因子投资组合Markowitz投资组合理论*均值-方差投资组合模型*几种标准的评估指标*不可忽略的估计误差*在对Markowitz投资组合理论的求解过程中，由于因为μ,Σ是未知的，我们通常使用μ?,(Σ)?来替代他们。值得注意的是，DeMiguel(2009a)提出，对于一个N=100的投资组合，为了使均值方差模型的样本外表现达到基准模型的表现，通常需要T1200，然而在现实世界中，由于资本市场存在明显的结构变迁问题，在估计参数时通常只能使用滚动窗口，需要舍弃部分数据。另一方面，在部分发展中国家，资本市场只有一二十年的完整数据，T1200是一个无法完成的任务。因此，为了适应现实世界的情况，使用新的统计方法，在有限样本的情况下对参数进行更精确的估计很有必要不可忽略的估计误差*几种统计方法：最小方差模型1/N投资策略权重限制方法二次组合方法大数据时代:新的挑战*在这个大数据时代，高维数据集给投资组合问题的研究带来了新的机遇，也带来了新的挑战。因子方法假设N个资产的收益率内部存在着因子结构，存在因子结构的收益率协方差可以用以下形式表示：Σ=vμμ^?+σ^2I_Ns(w_mv)-s(w?_mv^P)=[s(w_mv^P)-s(w?_mv^P)]+[s(w_mv)-s(w_mv^P)]其中s(w_mv)、s(w_mv^P)、s(w?_mv^P)分别为全局最优夏普比率，子空间最优夏普比率，子空间样本外夏普比率大数据时代:新的挑战*求解切点组合的回归方法对于一个特殊的OLS回归(因变量为常数1，自变量为资产收益，没有截距项)β?=(X^X)^(-1)X^?=(Σ?+μ?μ?^)^(-1)μ?=(Σ?^(-1)-(Σ?^(-1)μ?μ?^Σ?^(-1))/(1+μ?^Σ?^(-1)μ?))μ?=(Σ?^(-1)μ?)/(1+μ?^Σ?^(-1)μ?).为了求解tangencyportfolio的权重，我们对β?实行归一化处理：w?=β?/(?^β?)=(Σ?^(-1)μ?)/(?^Σ?^(-1)μ?)其中?是N*1且值为1的向量。对于Markowitz资产组合模型，其最优解为β=(1/γ)Σ?^(-1)μ?，由此易得，这两种方法得到的tangencyportfolio的权重相同大数据时代:新的挑战*求解切点组合的回归方法YingyingLi(2016)提出了投资组合问题的另一种等价回归形式。这种新的回归方法一方面可以直接对风险进行约束；另一方面，这种新的回归方法得到的截距即为所求资产组合的权重，而不必像Britten-Jones(1999)中提出的回归方法一样进行归一化主成分分析（PCA）PCA方法按照各因子收益的协方差矩阵的特征值大小排列，得到与因子数量相同的相互正交的主成分大数据时代: