“琢璞”系列报告之四十八：哪些基金具有真正显著的Alpha？-20220223-招商证券-18页_1mb

报告摘要

“琢璞”系列报告之四十八：哪些基金具有真正显著的 Alpha?

核心内容

本文分析了 Stefano Giglio、Yuan Liao、Dacheng Xiu 在 2020 年发表于《The Review of Financial Studies》的论文《Thousands of Alpha Tests》，探讨了如何在对冲基金（私募基金）的大量 Alpha 检验中，识别出真正具有显著正 Alpha 的基金。文章提出了一种基于 FDR 控制的算法，以解决多重检验中常见的数据窥视偏差（Data-Snooping Bias）问题。

主要观点

实证结果：
- 在 Lipper TASS 数据集中，约有 23% - 46% 的对冲基金具有显著为正的 Alpha。
- 平均 Alpha 约为每月 20.5 - 35.5 个基点（bp）。
- 作者提出的 FDR 控制算法在样本内和样本外均表现出良好的性能，并能识别出更多表现优异的基金。
方法贡献：
- 解决了传统 B-H 算法中的遗漏变量问题：使用主成分分析（PCA）来估计潜在因子，从而修正 Alpha 的偏差。
- 开发了矩阵补全算法：用于填补收益数据中的缺失值，假设收益矩阵为低秩结构，能够有效处理高维缺失数据。
- 引入 Wild-Bootstrap 算法：用于提升算法在有限样本上的稳健性，相较于传统 Bootstrap 算法，它在处理缺失值和遗漏变量时表现更优。
- 设计 Alpha 筛查方法：通过剔除深度负值的 Alpha，提高 B-H 算法的检验功效。
算法步骤：
- 步骤 1：采用矩阵补全算法填补缺失值，并估计潜在因子和 Beta。
- 步骤 2：使用 Fama-MacBeth 横截面回归估计因子风险溢价和 Alpha。
- 步骤 3：计算 t 统计量和 p 值，或使用 Wild-Bootstrap 算法生成 p 值。
- 步骤 4：应用 Alpha 筛查方法，剔除深度负值的样本。
- 步骤 5：运行 B-H 算法，控制 FDR 在预设水平以下（如 5%）。

关键信息

Alpha 检验问题：在多重检验中，由于数据窥视效应，假阳性（FDP）显著增加，传统方法（如 Bonferroni）过于保守，影响了检验的功效。
FDR 控制：FDR 是控制错误发现比例的统计方法，相较于 FWER（家庭错误率），其在控制错误发现比例的同时，提高了检验的敏感性。
算法适用范围：该方法不仅适用于对冲基金的 Alpha 检验，还可用于公募基金的绩效评估、异常检测、风险调整后收益预测等问题。

算法比较与性能

模拟数据实证：
- 在 11 种不同情景下，评估了各种 Alpha 检验方法的表现。
- 矩阵补全算法（算法6）在处理缺失值时优于 PCA（算法5）。
- Wild-Bootstrap（算法8）在处理缺失值和遗漏变量时表现更稳健。
- Alpha 筛查（算法2）显著提升了检验功效，尤其是在基金表现一般时。
- 传统 Bootstrap 方法在缺失数据和遗漏变量问题上表现不佳。
结果指标：
- FDR：控制在 5% 以内，算法 6 和 8 的 FDR 优于传统方法。
- FDP 标准误差：算法 6 和 8 的标准误差较低，表明其稳健性。
- 平均功效（Power）：算法 6 和 8 的平均功效较高，尤其在缺失数据情景下。
- 假阴性率（FNR）：在没有 B-H 控制的情况下，FNR 可能较低，但 FDR 显著偏高。