“学海拾珠”系列之一百六十一：因子间相关性与横截面资产回报-20231012-华安证券-23页_2mb

因子间相关性与横截面资产回报总结

核心内容

本文探讨了因子间相关性对因子配置和筛选的影响，并提出了一种基于LASSO的有序加权LASSO（OWL）估计器，以在高维因子模型中提升因子选择的稳健性和组合表现。研究重点在于识别哪些因子对横截面资产回报具有显著影响，并通过实证分析验证OWL估计器的有效性。

主要观点

• 在高维环境下，因子通常高度相关，但传统方法（如Fama-MacBeth回归和LASSO）在处理这种相关性时存在不足，容易导致估计不稳定。
• OWL估计器具有分组特性，可以将高相关的因子赋予相似的系数，从而提升模型的稳健性。
• OWL估计器在放宽假设条件下具有渐近一致性，其估计误差和预测误差均被严格控制，且收敛速率良好。
• 在实证分析中，OWL估计器在样本外对冲组合中表现最优，夏普比率比其他基准方法高出20%-30%。
• 市场因子在传统模型中常被误判为不显著，但在OWL框架下，其仍是横截面资产回报的重要驱动因素。
• 流动性因子、资产增长率相关因子、盈利因子和投资因子是横截面平均回报变化的主要驱动因素。
• 规模效应在1980-2000年间消失，但剔除更多小盘股后再次显著，表明小市值垃圾股可能掩盖了规模效应。
• OWL估计器不需要先验因子聚类信息，相较于分组LASSO等方法更具优势。

关键信息

因子相关性分析

• 80个因子中，64%的因子间相关系数（绝对值）大于0.5。
• 在Fama-MacBeth框架中，68%的因子相关系数绝对值高于0.5，表明存在严重的多重共线性问题。
• OWL估计器在因子高度相关的情况下，能更稳健地识别有效因子。

OWL估计器特性

• OWL估计器通过在损失函数中引入有序权重惩罚项实现因子选择。
• 具有分组特性，相似因子被赋予相似系数。
• 在放宽假设条件下具有渐近一致性，适用于金融和经济研究。
• 在样本外测试中，OWL估计器表现优于LASSO、自适应LASSO和Elastic Net等方法。

实证分析

• 使用1980-2017年美股数据进行实证。
• 构建80个异象因子，通过市值加权投资组合作为测试资产。
• 采用OWL估计器识别出市场因子是横截面资产回报的重要驱动因素。
• OWL构建的对冲组合样本外夏普比率显著高于其他方法。

方法论

风险价格与风险溢价

• 风险价格（SDF系数）用于判断因子是否对资产回报有解释力。
• 风险溢价是Fama-MacBeth回归中的斜率系数。
• 当因子相关时，风险溢价不能准确反映因子的重要性，因此应采用风险价格方法。

OWL估计器模型

• 模型形式为：最小化 $\frac{1}{2} (\mu_R - C b)^{\prime} (\mu_R - C b) + \Omega_{\omega}(b)$。
• $\Omega_{\omega}(b) = \omega^{\prime} |b|{\downarrow}$，其中 $|b|{\downarrow}$ 是风险价格向量按绝对值降序排列。

模拟实验

• 设计了90个候选因子，其中30个为有效因子（bk1），30个为无用因子（bk2），30个为不相关的有效因子（bk3）。
• 三种样本规模：N=70（高维）、N=100（近似高维）、N=1000（低维）。
• OWL估计器在所有设定下均优于其他方法，特别是在因子高度相关的情况下。

相关报告

1. 《信息不确定性、投资者情绪与分析师报告——“学海拾珠”系列之一百五十四》
2. 《通胀是否会影响会计信息-股票价格间的相关性？——“学海拾珠”系列之一百五十五》
3. 《使用机器学习识别基金经理投资能力——“学海拾珠”系列之一百五十六》
4. 《基于隐含波动率和实际波动率的系统风险指标——“学海拾珠”系列之一百五十七》
5. 《因子投资中所蕴含的宏观经济风险——“学海拾珠”系列之一百五十八》
6. 《基金定期报告中的文本语气能否预测未来业绩？——“学海拾珠”系列之一百五十九》
7. 《交易量对波动率的非对称效应——“学海拾珠”系列之一百六十》

风险提示

• 文献结论基于历史数据与海外文献，不构成投资建议。
• OWL估计量在小样本下是有偏的，需进一步开发无偏版本以进行统计检验。

图表目录

• 图表1：模拟结果（MSE对比）
• 图表2：异象因子列表
• 图表3：因子相关系数热图（按时间序列和因子载荷）
• 图表4：估计结果
• 图表5：不同方法的因子选择对比
• 图表6：五因子模型的样本外组合表现

结论

• OWL估计器在因子高度相关的情况下，能有效识别出重要的因子，尤其是市场因子。
• OWL估计器在样本外测试中表现优异，夏普比率显著高于其他方法。
• 因子相关性显著影响横截面资产回报的稳定性，OWL方法为因子筛选提供了一种更稳健的替代方案。
• 未来研究可进一步开发无偏OWL估计器以提升统计检验能力。