20231012-华安证券-_学海拾珠_系列之一百六十一_因子间相关性与横截面资产回报_23页_2mb

因子间相关性与横截面资产回报

“学海拾珠”系列第一百六十一期研究报告
2023年10月12日 星期四

核心观点

1. 高维环境下，因子间通常高度相关，传统方法（如LASSO）在因子选择时效率低下，可能导致模型不稳定和估计偏差。
2. 提出有序加权LASSO估计器（OWL）模型，在放宽假设下保持分割一致性和渐近一致性，能够有效识别高维特征下相关因子的显著性。
3. 使用1980-2017年美股数据回测，与其他基准方法对比，OWL模型样本外对冲组合表现最佳，夏普比率最高，收益率分布更接近正态。
4. 国内市场因子筛选中，应借鉴OWL方法应对因子间的高相关性问题，尤其是尾部相关性对组合业绩稳定性的影响。

导读

• 研究背景: 因子动物园中的80个因子高度相关性问题及其对横截面资产回报分析的影响。
• 核心问题: 因子间高相关性如何影响因子有效性和模型选择效率？
• 解决方案: 提出OWL估计器处理因子相关性，保持因子选择的一致性和鲁棒性。
• 实证证据: 美股样本期内，样本外对冲组合指标优于传统方法。
• 投资建议参考: 国内市场在因子配置时需要考虑因子间相关性的影响。

方法论

• 核心方法: 引入有序加权LASSO估计器（OWL），结合随机折现因子（SDF）框架进行因子选择。
• 数据: 使用CRSP/Compustat数据（1980Q1-2017D），构建80个异象因子。
• 模型特点: OWL估计量具有分组效应，能将高相关因子分配相似权重，并证明其在放宽条件下的渐近一致性。
• 基准方法: LASSO、自适应LASSO、ElasticNet、Fama-MacBeth回归、OLS。

实证分析与发现

1. 因子相关性: 80个因子中，64%呈高度相关性（|相关系数|>0.5），市场因子与其他众多因子高度相关。
2. OWL性能:
   • 模拟结果: OWL在因子高度相关时表现最优，有效识别因子显著性，优于LASSO和ElasticNet。
     • 具有分组特性，高相关因子获得相似系数。
     • 样本外对冲组合获得最高夏普比率（比其他基准高出20%-30%），收益率分布更接近正态分布。
   • 宏观经济因素、流动性、盈利增长、投资行为、规模效应均被实证识别为横截面资产回报的重要驱动因素。
3. 样本外测试: 无论在含所有小盘股、剔除部分小盘股后，或不同时段子样本中，仅考虑五因子模型，OWL方法构建的因子对冲组合表现最佳，能够稳健识别市场因子的重要性，其他基准方法对市场因子识别失败，通常将其忽略。
4. 因子动物园挑战: 高秩因子间的相关性削弱了标准模型的鲁棒性，传统剔除法存在主观阈值设定问题。

结论与启示

• OWL估计器提供了一种处理高维、高相关因子的有效工具，能够同时识别相关性和实现因子选择稀疏性。
• 基于实证，样本外投资组合表现证明OWL方法具有较好的经济价值。
• 对于国内市场，应研究并借鉴OWL估计法进行因子配置，关注因子间尾部相关性对组合稳健性的影响。

• 华安证券研究中心 金融工程团队
• 严佳炜 等*