海外文献推荐系列之六十九：西学东渐-20200326-兴业证券-26页_2mb

文档总结

核心内容

本文提出了一种系统化的评估新因子对资产定价贡献的方法，该方法特别适用于高维数据环境。研究指出，传统的因子评估方法由于模型选择错误可能导致遗漏变量问题，从而影响评估结果的准确性。因此，作者创新性地结合了双重选择Lasso（DS Lasso）与Fama-MacBeth两步骤回归方法，以提高因子评估的可靠性。

主要观点

• 高维因子库问题：随着因子数量的增加，传统的资产定价模型（如Fama-MacBeth两步骤回归）在处理高维数据时可能失效，因为它们无法有效应对维数的诅咒问题。
• 因子冗余与无效性：在最近五年（2012-2016）提出的大量因子中，大多数是冗余或无效的，仅有少数因子对资产定价具有显著贡献。
• 双重选择Lasso方法：该方法分为两个阶段，第一阶段用于筛选出对横截面收益有解释能力的控制因子，第二阶段用于识别可能对新因子产生偏差的因子，从而减少遗漏变量偏差。
• 经济解释与统计推断：通过DS方法可以更准确地估计SDF载荷，从而更好地判断因子的边际贡献。SDF载荷与风险溢价具有不同的经济含义，因此应使用不同的方法进行评估。
• 稳健性测试：作者对模型进行了广泛的稳健性测试，包括不同参数设定下的因子显著性检验、不同因子筛选方法的对比等，结果表明该方法在实际数据中表现良好。

关键信息

因子筛选方法

• 第一阶段（Lasso回归）：通过横截面数据选择能够解释资产收益的因子，通常保留4个因子。
• 第二阶段（Lasso回归）：在第一步选择的因子基础上，进一步筛选出可能对新因子产生偏差的因子，平均保留20-80个因子。
• 双重选择Lasso（DS Lasso）：结合两阶段筛选，有助于更准确地估计SDF载荷并减少偏差。

实证分析

• 因子库构建：包含150个风险因子，其中135个为基于企业特征构造的多空投资组合。
• 新因子评估：
  • 评估了2012-2016年提出的因子，发现大部分因子对资产定价没有显著贡献。
  • 有效因子包括盈利能力因子（RMW、ROE）、IA因子（HXZ IA）、QMJ因子、不可交易中间资本因子等。
• 递归因子评估：
  • 从1994年开始，每年使用DS方法评估新因子的边际贡献。
  • 在过去30年中，仅17个因子被认定为有效，其余多为冗余或无效。

方法优势

• 减少遗漏偏差：通过双重选择机制，降低由于因子遗漏或冗余带来的偏差。
• 提升解释能力：相比传统的Lasso方法，DS方法在因子选择和统计推断上更具优势。
• 适用于高维数据：该方法能够有效处理高维因子库，避免传统方法在高维下的失效问题。

方法应用与对比

• 对比其他方法：
  • SS方法（单阶段Lasso）：仅使用一个Lasso回归，结果偏差较大。
  • FF方法（使用Fama-French因子）：选择的因子数量较多，但缺乏系统性筛选。
  • OLS方法（无筛选）：未考虑因子筛选，结果偏差明显。
• 稳健性测试：
  • 使用不同参数进行交叉验证，确保模型稳健性。
  • 通过不同因子筛选方法（如主成分分析、神经网络）验证方法的广泛适用性。

结论

本文提出了一种基于双重选择Lasso的因子评估方法，该方法在处理高维因子库时具有显著优势，能够有效筛选出对资产定价有贡献的因子，同时减少遗漏变量偏差。实证结果显示，最近五年提出的因子中仅有少数具有实际意义，而传统方法可能因模型选择不当而产生偏差。该方法不仅适用于学术研究，也具有实际投资应用价值。

图表概览

• 图表1：因子被选概率，显示大部分因子在不同模型中被选中的概率较低。
• 图表2：检验2012-2016年提出的新因子效果，展示不同方法下的SDF载荷与显著性。
• 图表3：按发布时间递归测试因子，显示每年新增因子中仅有少数被认定为有效。

风险提示

文献中的结果基于历史数据统计和建模，模型在政策或市场环境变化时可能存在失效风险。因此，在实际应用中需注意模型的稳健性与适应性。