“拾穗”多因子系列报告（第11期）：多因子风险预测，从怎么做到为什么-20190507-财通证券-25页_2mb

多因子风险预测：从怎么做到为什么

核心内容

多因子风险预测是量化投资中的重要组成部分，旨在更准确地估计资产组合的风险。传统的样本协方差矩阵存在三大不足：运算量大、不可逆、存在较大偏差，而基于多因子模型的协方差矩阵估计方法能够有效解决这些问题。

主要观点

1. 最优投资组合：在相同期望收益下，波动率最小的资产组合即为最优投资组合。其权重和风险预测的准确性依赖于对期望超额收益（一阶风险）和真实协方差矩阵（二阶风险）的准确估计。
2. 偏差统计量：偏差统计量用于衡量实际风险与预测风险之间的比值。在正态分布假设下，偏差统计量的95%置信区间为 $[1 - \sqrt{2 / T}, 1 + \sqrt{2 / T}]$，但实际金融数据多服从“尖峰厚尾”分布，导致偏差统计量难以落在该置信区间内。
3. 收益分布对偏差统计量的影响：随着收益分布的峰度增加，偏差统计量落入95%置信区间内的概率下降。因此，应允许一定的偏离。
4. 调整方法：
   • 指数移动加权平均（EWMA）：赋予近期数据更大的权重，以更及时地反映市场变化。
   • Newey-West调整：解决协方差矩阵估计中的自相关性问题，通过蒙特卡洛模拟验证其有效性。
   • 特征值调整：通过模拟识别出特征组合的风险偏误，并进行相应的放大或缩小调整。
   • 贝叶斯压缩调整：将股票的特质风险向其所在市值分组的加权平均风险压缩，基于股票特质风险与市值的强相关性。

关键信息

• 样本协方差矩阵：存在运算量大、不可逆、偏差大的问题，需通过多因子模型进行稳健估计。
• 偏差统计量计算：基于样本外标准化收益的标准差，用于衡量风险预测的准确性。
• 调整逻辑：
  • EWMA调整：通过指数加权平均提高近期数据的影响。
  • Newey-West调整：处理自相关性，确保协方差矩阵为半正定。
  • 特征值调整：通过模拟识别风险偏差并进行修正。
  • 贝叶斯压缩调整：基于市值分组的平均特质风险对个股进行压缩，提高预测的稳定性。
• 市场风格与风险预测：
  • 上周市场风格偏向大盘指数，表现最好的三只指数为大市值指数，其在规模因子上的暴露较高，而在波动率和非线性规模因子上暴露较低。
  • 表现较差的三只指数则偏向中小市值股票，非线性规模因子暴露较高，对指数收益造成拖累。
  • 财通金工预测样本指数在未来一个月的年化波动区间在 $23% - 33%$ 之间，波动率较上周显著上升，提醒投资者保持谨慎。

市场风格与指数风险预测

• 市场风格解析：上周市场风格以大盘指数为主，而小盘成长股表现较差。
• 指数风险预测：基于多因子模型，将股票风险拆分为共同风险和特质风险，通过稳健调整后进行预测，结果较为可靠。
• 风险暴露分析：不同指数在风格因子上的暴露差异显著，有助于识别市场风格变化。

指数成分收益归因

• 表现最好的三只指数：在规模因子上暴露较高，而在波动率和非线性规模因子上暴露较低，从而获得稳健收益。
• 表现最差的三只指数：在非线性规模因子上暴露较高，同时在规模因子上暴露较低，导致收益拖累。

附录与图表说明

• 图1展示了多因子风险矩阵估计的主要框架。
• 图2展示了不同收益分布下偏差统计量落入95%置信区间的比例。
• 图3展示了指数移动加权平均中各样本点的权重分布。
• 图4展示了自相关性对协方差估计的影响。
• 图5展示了Newey-West调整对波动率估计的改善效果。
• 图6和图7展示了特征组合的风险偏误统计量。
• 图8和图9展示了调整后的特征组合和最优投资组合的偏差统计量。
• 图10和图11展示了标准正态分布和结构化模型的示意图。
• 图12展示了不同市值分组的特质风险加权平均。
• 图13展示了压缩系数对压缩密度的影响。
• 图14和图15展示了上周主要指数和中信一级行业指数的收益情况。
• 图16和图17展示了近两周和最近一个月风格因子的收益走势。
• 图18展示了风格因子的累计收益。
• 图19展示了样本指数未来一月的波动预测。
• 图20展示了样本股票占指数成分股的比例。
• 图21和图22展示了表现最好和最差三只指数的因子暴露度。

总结

本报告通过详细探讨多因子模型在协方差矩阵估计中的各种调整方法，揭示了其在风险预测中的重要性。同时，结合市场风格分析与指数风险预测，为投资者提供了关于当前市场风险水平的参考。财通金工强调，多因子模型在实际投资中具有广泛应用，包括资产定价、绩效归因、风险控制等，一套完整、精细的多因子系统是每位量化研究者必备的工具。