20180606-天风证券-海外文献推荐第43期_20页_1mb

金融工程海外文献推荐第43期总结

核心内容

本期报告围绕“价值投资的事实和流言”以及“机器学习与资产定价”两个主题展开，旨在澄清关于价值投资的误解，并探讨机器学习在资产定价中的应用潜力。

价值投资的事实和流言

主要观点

• 价值投资的定义：价值投资是通过系统性方法识别“廉价”证券并构建投资组合，而非仅限于集中投资少数股票。
• 价值投资的多样性：价值投资可以与动量、盈利等因子结合使用，以提高投资组合的收益表现。
• 基本面指数化（FI）：是系统性价值投资的一种形式，通过基本因素加权而非市值加权，能够更准确地反映价值效应。
• 价值策略的适用范围：不仅适用于股票，还可以应用于其他资产类别，如债券、商品等。
• 价值的衡量方式：单一变量（如账面市值比）可能不足以准确衡量价值，应采用多个变量综合评估。

关键信息

• 价值因子与动量、盈利因子的组合：如图1所示，价值与动量和盈利因子组合可显著提升夏普比率。
• 价值在大盘股中的表现：单一价值因子在大盘股中表现较弱，但结合动量因子后，其表现显著提升。
• 价值因子的非冗余性：在新的Fama and French五因子模型中，价值因子（HML）通过引入动量因子和非滞后的价格措施，显示出其非冗余性。
• 价值溢价的来源：价值溢价既可以视为风险溢价，也可以视为行为偏差的结果，二者可能共同作用。

机器学习与资产定价

主要观点

• 机器学习的应用价值：机器学习方法在预测股票收益方面表现优于传统方法，尤其在处理非线性关系和复杂因子交互方面具有优势。
• 主要算法：包括广义线性模型、降维法、回归树、随机森林、神经网络等。
• 模型表现：神经网络和回归树在样本外预测中表现最佳，其中神经网络（NN3）的R²达到0.39%。
• 因子重要性：不同模型中，净值市价比（BM）是最具影响力的因子，其次是股利价格比（DP）和收益价格比（EP）。

关键信息

• 模型选择与验证：样本集被划分为训练集、验证集和测试集，通过调整超参数优化模型表现。
• 降维法的优势：通过减少因子数量，提高模型的稳定性和预测效果。
• 非线性模型的适用性：机器学习模型能够捕捉传统方法难以识别的非线性关系，如动量与价值因子的交互效应。
• 风险因子的重要性排序：图10和图11展示了不同模型中因子的重要性，其中BM、DP、EP等因子在多数模型中具有较高权重。

关键信息总结

• 价值投资：

  • 价值投资是一种系统性策略，适用于多种资产类别。
  • 价值因子可以与动量、盈利因子等结合使用，提升收益表现。
  • 价值在大盘股中表现较弱，但结合动量后可显著改善。
  • 价值因子并非冗余，而是基于风险溢价或行为偏差的有效投资工具。

• 机器学习：

  • 提供了比传统方法更准确的预测能力，尤其在处理非线性关系方面。
  • 神经网络和回归树表现最佳，能够捕捉因子间的复杂交互。
  • 通过降维和规则化方法，可有效避免过拟合，提高模型的泛化能力。
  • 净值市价比（BM）、股利价格比（DP）和收益价格比（EP）是最重要的因子。

图表概览

• 图1：价值与动量、盈利因子组合的夏普比率。
• 图2：Fama and French五因子模型的复现与价值因子的非冗余性验证。
• 图3：不同价值度量方式的收益和夏普比率对比。
• 图4：不同价值度量方式在不同十年中的表现。
• 图5：小/大盘股的价值收益率对比。
• 图6：价值与动量组合在小/大盘股中的夏普比率。
• 图7：回归树案例展示。
• 图8：样本外表现结果展示。
• 图9：不同模型在不同时段的模型复杂度。
• 图10：不同模型中影响个股的因子重要性排序。
• 图11：不同因子在所有模型中的综合重要性排名。
• 图12：宏观因子在不同模型中的相对重要性。

风险提示

• 本报告内容基于相关文献，不构成投资建议。
• 投资者需自行评估报告中的信息，并结合自身需求进行决策。

作者信息

• 吴先兴，分析师，SAC执业证书编号：S1110516120001，邮箱：wuxianxing@tfzq.com，电话：18616029821。

相关报告

1. 《金融工程：金融工程-海外文献推荐第42期》（2018-05-30）
2. 《金融工程：金融工程-海外文献推荐第41期》（2018-05-23）
3. 《金融工程：金融工程-海外文献推荐第40期》（2018-05-16）