多因子模型的业绩归因评价体系-20180410-天风证券-21页

报告摘要

金融工程：多因子模型的业绩归因评价体系总结

核心内容

本文主要探讨了金融工程中用于评估投资组合业绩的归因模型，重点介绍了Brinson模型与多因子模型的结合应用，以更全面、多维地分析组合收益来源和风险构成。通过业绩归因，投资者能够识别组合收益与风险的来源，评估策略的有效性，并在出现波动时快速定位问题根源，从而优化投资决策。

主要观点

业绩归因的重要性
即使风格相似、收益表现相近的组合，其收益来源可能不同。通过归因分析，可以更清晰地了解超额收益的来源，判断其持续性，并分析组合波动原因。
归因模型的分类
常见的归因模型包括：
- 风格分析：通过回归确定投资风格，需组合与基准的收益率数据。
- 收益分解：将收益拆分为配置效应和选股效应，需组合与基准的收益及权重数据。
- 多因子分析：将收益归因于因子（如估值、成长、市值等），需组合权重、个股因子暴露等详细数据。
Brinson模型
Brinson模型将超额收益分为三部分：
- 配置效应：板块权重偏离基准带来的收益。
- 选股效应：在板块内超配或低配个股带来的收益。
- 交互效应：配置与选股共同作用带来的收益。
该模型能清晰反映投资决策流程，并在实践中被广泛应用。但其在风格分类上存在不确定性，且当风格与行业组合较多时，归因分析复杂度上升。
多因子模型的优势
多因子模型能够更细致地分析收益来源，尤其适用于风格与行业共同影响的场景。它将股票收益率分解为因子收益和特质收益，通过期初因子暴露与期末因子收益的乘积计算收益贡献。
Brinson模型与多因子模型的结合
两者结合使用可提供更全面的收益归因分析，同时帮助识别低效风险暴露。这种归因方式有助于将事后业绩与事前策略偏好进行比较，从而改进投资过程。
风险归因
风险可分解为系统性风险（因子相关）和特质风险（个股相关）。通过计算边际风险贡献（MCR）和风险贡献比例（PCR），可以评估不同因子对总风险的贡献。

关键信息

1. 收益归因

Brinson模型：将超额收益分解为配置、选股和交互效应。例如，在2017年7月，组合A的超额收益主要来源于选股效应，而组合B则主要来自行业配置效应。
多因子模型：通过因子暴露和因子收益的乘积计算收益贡献。例如，组合A在2017年10月的收益贡献中，市值因子的负向影响较为显著。

2. 风险归因

系统性风险：由因子暴露与因子收益协方差矩阵共同决定，如组合A的系统性风险贡献由BP、一致预期EP、ROE、市值因子等构成。
特质风险：由个股的特质收益构成，组合A的特质收益为-0.65%，组合B为1.16%。
风险分解方法：基于欧拉定理，总风险可分解为各变量的边际风险贡献之和。

3. 应用实例

组合A：2017年10月的超额收益为-2.27%，主要由市值因子的负向影响导致，而其在BP、一致预期EP、ROE等因子上的高暴露也对其收益产生影响。
组合B：2017年10月的超额收益为2.57%，主要受益于行业配置效应，且市值因子对其影响较小。

4. 因子分析

因子类型：包括Beta、Book-to-Price、Earnings Yield、Growth、Leverage、Liquidity、Momentum、Nonlinear Size、Profit、Reverse、Size等。
因子暴露：组合在因子上的暴露是其在该因子上的权重，例如组合A在BP、一致预期EP、ROE、市值因子上的暴露更高。
因子收益：通过横截面回归估计，例如2017年7月，BP、一致预期EP、成长因子的收益为正，而市值因子的收益为负。