20180314-天风证券-金融工程_海外文献推荐_11页_1mb

报告摘要

金融工程：海外文献推荐第31期

核心内容概述

本期推荐的两篇文献分别探讨了因子正交化方法与情景基本面模型在金融工程中的应用，旨在提升风险分解的准确性与主动管理的绩效。

因子正交与系统性风险分解

主要观点

本文提出了一种新的因子正交方法，相较于传统的主成分分析（PCA）和施密特正交（GS）方法，具有以下优点：
- 公平性：对所有因子平等看待。
- 相似性：正交后的因子与原始因子保持最大的相似性。
- 系统性风险分解：便于将资产的系统性风险分解到各个因子上，并衡量各因子对系统性风险的相对贡献。

关键信息

正交过程：通过线性变换矩阵 $S_{K\times K}$，使得正交后的因子之间协方差为0，同时保持方差不变。
数学表达：
- 正交化公式：$\tilde{F}{T\times K}^{\perp} = \tilde{F}{T\times K} S_{K\times K}$
- $S_{K\times K}$ 的构造基于协方差矩阵 $M_{K\times K}$ 的特征分解，即 $S_{K\times K} = O_{K\times K} D_{K\times K}^{-1/2} O_{K\times K}^{\prime}$
- 最终的正交化因子进行缩放，使其方差与原始因子一致。
实验对比：
- 对称正交（SW/L）方法在因子相关性保持方面优于PCA和GS方法。
- 正交前后因子的协方差为0，而原始因子之间存在较高的相关性。
- 在不同资产组合中，正交后因子的波动率分解更加准确，且各因子的解释能力保持不变。

情景基本面，模型与主动管理

主要观点

本文提出了一种基于情景划分的模型构建方法，旨在更好地捕捉资产收益的横截面差异，提高主动管理的表现。
情景划分：通过三个风险维度（估值、成长、盈利稳定性）划分情景，形成六个情景组合。
模型构建：
- 步骤一：根据股票的条件定价选择划分情景的维度。
- 步骤二：确定各情景下最佳的因子权重。
- 步骤三：将股票与各情景联系，从而确定股票的最终得分。
模型评估：
- 通过最大化信息比率（IR）来确定最优因子权重。
- 采用重复抽样（Bootstrapping）和卡方检验（Chi-square test）来比较不同模型之间的差异。

关键信息

风险调整后IC：
- 不同风险维度下的因子表现存在显著差异。
- 例如，在价值维度下，EF因子的IC显著高于其他因子。
因子权重比较：
- 在不同情景下，因子权重差异显著。
- 通过均方根（RMSE）和卡方检验来评估模型之间的差异。
- 模型距离：
  - 通过计算权重差的均方根来衡量模型之间的距离。
  - 例如，在价值维度下，High和Low情景模型之间的距离为21.2。
- 卡方检验：
  - 用于检验模型之间的差异，结果表明部分模型之间存在显著差异。
  - 例如，在价值维度下，High和Low模型之间的卡方检验统计量为69.0，p值为0.000，表示显著不同。
情景模型的合成与股票打分：
- 情景模型的合成涉及构建不同情景下的因子权重。
- 例如，High Growth Model 和 Low Growth Model 的权重分别为10%和90%，以及70%和30%。
- 通过情景模型的权重分配，可以得到股票的最终得分，用于构建alpha模型。

总结

本期文献推荐聚焦于因子正交化与情景基本面模型在金融工程中的应用，分别从风险分解和主动管理两个角度提出了新的方法和模型。对称正交方法在保持因子相似性与消除因子共线性方面表现优异，适用于系统性风险的精确分解。情景基本面模型则通过情景划分与因子权重优化，提高了alpha模型的构建质量，为资产配置和投资决策提供了新的思路。

展开完整摘要