20201021-天风证券-海外文献推荐第154期_11页_1mb

金融工程：异象策略的相关性结构

核心内容

本文探讨了异象策略的相关性结构，提出了一种基于异象聚类的新方法，以识别当前资产定价模型中未涵盖的收益维度。作者从215个异象策略中筛选出80个显著异象，并通过聚类分析将其划分为28个等权的聚类组合。在五因子模型（Hou等，2020）下，仍有三分之一的聚类组合呈现显著收益。通过最佳优先搜索算法，从41个候选因子中识别出9个因子，能够解释全部28个聚类组合和80个显著异象。其中，预期增长因子（EG）和应计聚类组合是提高模型定价能力的关键因素。

主要观点

• 异象筛选与聚类：通过使用分位数分组和市值加权构建异象策略，筛选出80个在均值上显著的异象，并进一步聚类为28个组合。
• 聚类方法：采用层次聚类（Hierarchical Agglomerative Clustering, HAC）方法，将异象根据相关性划分为不同的聚类组合。相关性阈值设定为0.4，以减少误分类。
• 模型解释能力：通过最佳优先搜索算法，识别出9个因子，能够解释所有28个聚类组合和80个异象。这些因子包括EG、Accruals、SMB、IssuanceAndYield、MKTRF、STREV、seasonality、CapexGrowth和epsconsistency。
• 基准模型比较：HMXZ5模型在基准模型中表现最佳，而通过降维搜索得到的SG9模型在最大平方夏普比（MS比率）方面显著优于HMXZ5模型，表明其在定价能力方面更具优势。
• 降维搜索策略：以减少alpha显著性和无法解释方差为两个目标，分别进行搜索，最终确定能够解释所有聚类组合的因子集合。

关键信息

数据

• 样本期：1963年7月至2019年12月。
• 异象生成：使用分位数分组并以市值加权构建多空组合，生成月收益。
• 候选因子：41个，包括28个聚类组合和13个共同因子（如MKTRF、SMB、HML、RMW、CMA、UMD、ROE、EG、LTREV、STREV、QMJ、BAB和HMLdevil）。

聚类分析

• 聚类方法：使用层次聚类，将每个异象视为一个初始集群，逐步合并最相似的集群。
• 误分类控制：通过设定相关性阈值（0.4）和使用“one-minus”相异性度量，减少误分类。
• 最优聚类数量：28个聚类组合在误分类数量上达到最小，说明该聚类结构能够有效反映异象的收益特征。

收益维度分析

• alpha检验：测试了不同基准模型对异象和聚类组合的解释能力。结果显示，HMXZ5模型在减少alpha方面表现最佳，而SG9模型在最大平方夏普比上显著优于其他模型。
• 无法解释的方差：通过降维搜索，寻找能够减少无法解释方差的因子。结果表明，以减少方差为目标的搜索策略也产生了不同的因子集合，其中ROE、IssuanceAndYield、Accruals等因子表现突出。

降维搜索

• 搜索目标：以减少alpha显著性和无法解释方差为两个目标，分别进行最佳优先搜索。
• 因子选择：最终确定的9个因子包括EG、Accruals、SMB、IssuanceAndYield、MKTRF、STREV、seasonality、CapexGrowth和epsconsistency。
• 模型表现：SG9模型（以减少alpha为目标）的MS比率达到0.512，显著高于HMXZ5模型的0.373，表明其在解释异象方面更有效。

结论

通过聚类分析和最佳优先搜索算法，本文识别出9个因子，能够有效解释28个聚类组合和80个显著异象。这些因子不仅提高了模型的定价能力，还揭示了当前基准模型未能捕捉到的收益维度。EG和Accruals因子在解释异象方面尤为重要，表明它们在资产定价模型中具有显著的影响力。本文为构建更准确的资产定价模型提供了理论支持和实证依据。