20180105-天风证券-海外文献推荐_15页_1mb

金融工程：海外文献推荐 第26期

核心内容

本期推荐的两篇文献分别探讨了收益的可预测性和协方差矩阵的非线性压缩估计，旨在揭示金融市场中收益率预测机制和投资组合优化方法。

收益的可预测性

主要观点

1. 股息率对收益率和股利增长率的预测能力：

   • 股息率在长期是平稳的，围绕5%波动。
   • 在1945年之前，股息率对股利增长率有显著的预测能力。
   • 1945年之后，这种预测能力消失，说明贴现率对价格变动的影响逐渐增强。

2. 收益率的可预测性：

   • 收益率在整个样本期内具有一定的可预测性，且预测系数在不同时间段内相对稳定。
   • 价格波动在早期主要受分红信息驱动，近期则更依赖贴现率信息。

3. 非线性预测模型：

   • 使用向量自回归（VAR）模型对收益率、股息增长率和股息率进行估计。
   • 通过分解协方差项，分析股息率和贴现率在预测收益中的贡献。

4. 实证结果：

   • 在全样本期内，股息率对收益率和股利增长率的预测系数显著。
   • 1945年之后，股息率对股利增长率的预测能力消失。
   • 使用三年期数据时，结果与年度数据相似，表明预测模式具有一定的稳定性。

协方差矩阵的非线性压缩：当Markowitz遇见Goldilocks

主要观点

1. 协方差矩阵估计的挑战：

   • 当资产数量大于样本量时，样本协方差矩阵不可逆且误差大。
   • 当资产数量小于样本量时，样本协方差矩阵的特征值分布较广，导致条件数偏高。

2. 非线性压缩估计方法：

   • 提出一种非线性压缩估计方法，使协方差矩阵的自由参数数量与资产数量一致。
   • 该方法在高维数据下是渐近最优的，且具有唯一性。

3. 损失函数的使用：

   • 使用损失函数优化每个特征值的压缩强度，该函数基于投资者的股票筛选过程。
   • 通过最小化损失函数，能够得到更精确的协方差矩阵估计。

4. 实证分析：

   • 评估了多种投资组合策略的性能，包括等权重投资组合（1/N）、样本协方差（Sample）、线性压缩（Lin）、非线性压缩（NonLin）等。
   • 非线性压缩方法（NonLin）在标准差和夏普比率方面表现优异。
   • NL-SF（基于单因子预处理的非线性压缩）是进一步的优化方法，在多个案例中表现最佳。

关键信息

文献1：收益的可预测性

• 时间范围：1629年至2012年。
• 数据来源：荷兰、英国、美国的股票市场数据。
• 主要变量：
  • 收益率（$r_t$）
  • 股息增长率（$dg_t$）
  • 股息率（$dp_t$）
• 方法：使用VAR模型和协方差分解。
• 结论：股息率对收益率的预测能力持续存在，但对股利增长率的预测能力在1945年后消失，说明贴现率对价格变动的影响增强。

文献2：协方差矩阵的非线性压缩

• 方法：基于Stein（1975,1986）提出的非线性压缩法。
• 目标函数：最大化收益与风险的比率，即夏普比率。
• 数据来源：CRSP的日频数据，时间范围为1972年1月1日至2011年12月31日。
• 关键发现：
  • 非线性压缩方法（NonLin）在标准差和夏普比率方面优于其他方法。
  • NL-SF（单因子预处理非线性压缩）是更优的估计方法。

图表目录简要说明

• 图1：显示收益率、股息增长率和股息率的时间序列。
• 图2、图3：展示VAR模型的估计结果，年度和三年期数据。
• 图4、图5、图6：展示不同协方差估计方法在GMV投资组合中的表现，包括平均值、标准差、夏普比率等。
• 图7：展示压缩特征值与样本特征值之间的关系。

结论

• 收益预测：股息率在长期是平稳的，对收益率有预测能力，但对股利增长率的预测能力在1945年后消失。
• 协方差估计：非线性压缩方法在样本外表现更优，特别是在高维资产情况下，能够有效减少估计误差。
• 投资组合优化：NonLin和NL-SF方法在多个指标上表现突出，是当前推荐的投资组合优化方法。