“学海拾珠”系列之七十六：主成分分析法下的股票横截面定价因子模型-20220117-华安证券-18页_1mb

主成分分析法下的股票横截面定价因子模型总结

核心内容

本文提出了一种基于主成分分析法（PCA）从股票收益中提取公共定价因子的新方法。该方法通过两步构建：首先，利用多个股票收益预测因子对股票进行排序并构造投资组合；其次，使用主成分分析从这些投资组合中提取公共因子。提取的三个因子被命名为“水平、斜度和曲线”因子模型（LSC），分别代表股票收益的共同变动趋势。

主要观点

• 该模型在横截面收益解释上优于主流因子模型（如CAPM、Fama-French三因子、五因子模型和Hou等人的q因子模型）。
• 通过比较不同模型的定价能力，LSC模型在样本内和样本外测试中均表现良好，尤其在夏普比率测试中表现优异。
• 该模型提供了一种将收益预测指标转换为定价因子的策略，每个指标的权重反映其预测能力的边际贡献。

方法概述

构建投资组合

1. Fama-MacBeth回归：对股票的横截面收益进行回归，使用多个预测变量（如公司规模、账面市值比、动量等）。
2. 排序与构造投资组合：根据回归预测的收益对股票进行排序，形成25个异象投资组合。
3. 主成分分析：从这些投资组合中提取前三大主成分，分别命名为“水平”、“斜度”和“曲线”。

因子解释

• 水平因子：类似于市场投资组合，与市场指数相关系数为0.95。
• 斜度因子：捕捉高预期收益和低预期收益股票的反向运动。
• 曲线因子：反映极端股票价格的同向变动，具有非线性特征。

因子数量的确定

作者通过计算三个检验统计量（BIC1、BIC2、BIC3）来确定因子数量，结果表明前三个主成分能够充分解释投资组合的收益变化，且具有统计显著性。

与主流因子的相关性

• LSC模型中的三个因子与主流因子（如SMB、HML、MOM）具有一定的相关性，但并不完全重合。
• “斜度”因子与多数已知因子高度相关，而“曲线”因子与主流因子相关性较低。

资产定价检验

• LSC模型在横截面收益解释上显著优于Fama-French三因子模型，平均R平方从75%上升到86%。
• 在样本外测试中，LSC模型表现出良好的稳健性。
• 与主流模型相比，LSC模型在解释平均收益变化和减少alpha方面效果更佳。

与主流模型的比较

• LSC模型：在多个测试投资组合中表现出色，平均绝对alpha为15个基点，R平方为70%。
• Fama-French三因子模型：平均绝对alpha为21个基点，R平方为72%。
• Carhart模型：平均绝对alpha为16个基点，R平方为74%。
• Hou等人的四因子模型：平均绝对alpha为18个基点，R平方为72%。
• LSC模型在夏普比率测试中表现最佳，尤其是在样本外和滚动窗口测试中。

结论

本文提出的方法通过主成分分析法从股票收益中提取定价因子，能够更准确地解释横截面收益变化，并表现出良好的稳健性和解释力。该方法在不依赖公司特征的情况下，提供了另一种构建因子模型的思路，有助于理解股票收益的联动效应。

风险提示

本文结论基于历史数据和海外文献进行总结，不构成任何投资建议。