【005】“茴”字有三種寫法,低風險異象因子呢?
本文為我們的公眾號【因子動物園】的第 5 篇推文,也是
低風險因子
專題的第 2 篇文章。原文請戳【【005】“茴”字有三種寫法,低風險異象因子呢?】。歡迎關注我們的公眾號,獲取更多關於因子投資文獻和本土化實證研究。
1。 低風險異象基礎
目前,大量文獻發現股票市場存在低風險異象(low risk anomaly),即風險低的股票反而能獲得更高的收益,這和CAPM的假設相悖,也不符合人們的常識。
利用低風險異象進行投資已經變成了一種流行的方式,主流的指數公司幾乎都設計和編制了相關指數,相關的基金產品也早已上市。
千里之行,始於足下,研究該異象的第一步便是度量股票風險。討論低風險異象的文獻比較多,提出了各色各樣衡量指標。本文介紹一些經典定義方式。這些指標形狀各異,既有共同的基因,又各自別具一格。
2。 因子列表
表1列出了因子定義及參考文獻,後續我們也將提供國內市場上相關因子的資料。
表1 因子列表。資料來源:因子動物園
3。 因子定義
接下來讓我們來逐個認識這些因子。
3。1。 總波動率(Total Volatility)
總波動率,又稱為簡單波動率,常常用過去T個交易日收益率的標準差進行估計,在 Blitz 和 Van Vliet(2007)有討論。T的選擇可長可短,越短估計結果變動越劇烈,越長結果變動越平滑。
利用日度收益率,年化總波動率的計算公式:
3。2。 特質波動率(Idiosyncratic Volatility)
因子模型認為個股收益同時受到共同因子和特異因子影響,前者作用於每一支個股,後者則是個股獨有的因素,且兩者不相關。相應地,個股的風險也由共同風險和特質風險組成。總波動率衡量的是個股整體的風險,但沒有對兩者進行區分,特質波動率則試圖將個股的特質風險從總體風險中剝離出來。
根據共同因子的不同定義,可以有多個版本的特質波動率。常見的有超額收益、單因子模型(CAPM)、Fama-French 三因子模型、Carhart 四因子模型和 Fama-French 五因子模型。例如,Ang、Hodrick、Xing 和 Zhang(2006, 2009)在計算特質波動率時,採用的就是Fama-French三因子模型殘差。
以Fama-French三因子模型為例,計算特質波動率的步驟如下。
首先,利用迴歸模型得到特質收益率,即下式中的
:
然後,計算特質收益率的標準差並年化,即為特質波動率:
3。3。 特異度(Idiosyncratic $R^2$)
按照朱劍濤(2015)的定義,特異度因子定義為1減去因子模型的擬合優度,即
特異度反映了個股收益中不能被共同因子解釋的程度。特異度越高則說明個股的漲跌和市場大盤及主要風格的相關性越低,特有因素的貢獻越高,特質性風險越大。依據因子模型的不同選擇,特異度也可以有多種計算方式。
3。4。 離散度 (Dispersion)
離散度指標由特異度和特質波動率合成,劉富兵(2015)在其報告中測試過這個因子,其計算方式為:
同樣,依據因子模型的不同選擇,離散度也有多種計算方式。
3。5。 累計振幅(Cumulative Range)
在 Barra 的結構化風險因子模型中,累計振幅為波動因子的一部分,用來區分不同個股的價格波動範圍寬窄,詳細定義可見 Orr,Mashtaler 和Nagy (2012)。
首先計算累計超額收益序列:
首先計算累計超額收益序列
:
進一步按照如下方式計算累計振幅:
從累計振幅的定義可以看出,其衡量了個股價格波動的振動幅度,和最大回撤很相似。需要注意的是,Barra 在計算時採用的是過去12個月的月度資料,21個交易日表示1個月。
3。6。 市場貝塔(Market Beta)
市場 Beta 用來衡量股票收益相對於基準指數的波動情況,是評估股票風險的最常用指標之一。如果某個股票和市場組合價格波動完全一致,那麼其 Beta 值變為 1 ;如果某個股票價格波動小於市場,那麼 Beta 小於 1 ;如果某個股票價格波動大於市場,那麼 Beta 大於 1 。作為一種特殊情況,市場組合的 Beta 等於 1 。
常常用月度收益率估計CAPM,模型中的
即為市場Beta。Fama 和 French(1992)在估計個股市場 Beta 時,就採用的這種方式。
即:
Frazzini 和 Pedersen(2014)在估計市場Beta時,細節上做了最佳化。首先,用日度收益率估計市場beta,精確性更高;其次,因為不同程度的估計誤差,分別使用不同長度的資料估計個波動率和相關係數,再合成 Beta ;為了控制異常值的影響,對 beta 進行壓縮處理 (shrinkage estimator)。
3。7。 下行貝塔(Downside Beta)
Ang, Chen 和 Xing (2006)認為,用市場 Beta 來度量個股系統風險存在缺陷,因投資者往往更關注下行風險,故在計算市場 Beta 時,他們剔除了市場收益向上的樣本,只考慮下跌的交易日,即:
其中
為市場收益率的平均值。Ang et al。(2006) 的實證結果表明,下行 Beta 能較好地度量個股的系統性風險,能獲得明顯的下行風險溢價。
3。8。 總偏度
傳統的金融學理論假設資產收益率服從正態分佈,因此用均值和方差就能完全衡量其分佈特徵。但收益率的非正態分佈已經是公認的事實,因此收益率的高階矩包含著有用的資訊,其中最典型的便是收益率偏度(收益率的三階矩),該指標也稱為總偏度(Total Skewness)。
總偏度在 Bali, Engle 和 Murray(2016)的書中有詳細討論,由於投資者追求具有正偏度的股票,導致其價格容易被高估,預期收益率也因而較低。透過做空偏度大的股票,做多偏度小的股票,能獲得顯著超額收益。
總偏度的計算公式為:
3。9。 特質偏度(Idiosyncratic Skewness)
和特質波動率類似,不考慮總收益率能被風險因子解釋的部分,只考慮特質收益率的偏度情況,即為特質偏度(Idiosyncratic Skewness)。因為特質收益率可以由不同的因子模型得出,因此特質偏度也可以有多個版本,例如 Boyer, Mitton 和Vorkink (2010) 的研究使用的Fama-French三因素模型殘差計算。
特質偏度的計算和總偏度相同,只是將收益率換為特質收益率,具體計算公式如下:
3。10。 協偏度(co-skewness,systematic skewness)
協偏度又被稱為系統偏度,用來刻畫個股對基準的相對偏態,考慮了比較基準的影響。其基本邏輯是,投資者在進行個股選擇時,當相對於整個市場具有明顯的正偏度時,其“彩票型”性質才會更具吸引力。
依據 Harvey 和 Siddique (2000) ,協偏度即為如下回歸中的
[^1]。
3。11。 潛在虧損(VaR)
VaR,即 Value at Risk,即風險價值模型,也稱在險價值模型,早在1993年被提出,已經被眾多金融機構用來測量市場風險。其更確切的含義是,在一定機率水平(置信度)下,某一股票在未來特定時期內可能收到的最大損失。
VaR的一般數學表示式為:
其中,
為收益率
的累計分佈函式。上式的含義是,在置信水平為0。05的情況下,未來一段時間內,資產或組合的最大損失,故VaR用於度量資產或組合的潛在損失(尾部風險)。
3。12。 最大收益率(MAX)
MAX衡量股票異常正收益,表示潛在的收益可能性。Bali, Cakici 和 Whitelaw(2011)用過去一月中的最大日度收益率定義MAX,Asness、Frazzini、Gormsen 和 Pedersen (2016) 則用過去一個月中最大的5個日收益率均值定義MAX。
為了測試MAX的穩健性,Asness et al。(2016) 將計算週期拉長,在過去1年的裡選擇20個最大日收益率的平均值,作為MAX的替代方案。從結果來看,雖然更長的時間視窗降低了換手率,但因子收益也降低了。
另外,和市場beta等於相關係數乘以波動率一樣,一個股票的高MAX即可能是由高波動引起的,也可能是由於正偏度造成的,因此Asness et al。(2016) 定義了 Scaled MAX,即MAX/波動率。
3。13。 大盤相關性(BAC)
為了更深入地討論低 beta 異象,Asness、Frazzini、Gormsen 和 Pedersen (2016) 將 BAB 分解為 BAC 和 BAV 兩個部分,前者從大盤相關性的角度衡量系統性風險,後者從個股波動率的角度衡量投資者行為。
在計算個股和大盤相關性因子時,Asness採用了滾動5年資料計算,並透過3日收益率消除交易不同步的問題。
3。14。 尾部風險因子(Tail Risk Loading)
Kelly 和 Jiang (2014) 將 Tail Risk (尾部風險)納入到傳統的定價模型,這裡 Tail Risk 為整個市場的尾部風險,是一個潛在的系統性風險因子。
個股的尾部風險暴露透過兩個步驟估計。
首先,估計整個市場的尾部風險
。在每個月,將所有股票日收益率放在一起,Kelly 和 Jiang 透過如下公式計算每個月的市場尾部風險:
其中,
為所有股票日收益率的25%分位數,
為收益率小於
的個數,
為第
個小於
的收益率。直覺上來講,
可以理解為相對於
的距離,如果整個值越大,說明有很多股票相對於
很遠,市場尾部風險較大。
然後,透過迴歸模型,計算個股在市場尾部風險上的暴露,便得到了尾部風險因子,即
[^2]。
3。15。 系統風險變動因子(Innovations in Market Volatility)
如果市場波動率是一個系統風險,那麼對市場波動不同反應程度的股票,應該具有不同的收益率。Ang、Hodrick、Xing 和 Zhang(2006)討論了市場波動率在股票橫截面是如何定價的。
Ang et al。(2006)將市場波動率納入股票定價模型,並對理論模型進行了經驗簡化,用市值加權組合代替市場因子,用VIX的變化替代市場風險變動因子。透過估計如下模型中的
,即得到每個個股的系統風險變動因子:
3。16。 價格時滯(Price Delay)
價格時滯,顧名思義,衡量股票價格對市場資訊的反應快慢。如果價格時滯較大,表明股票價格對市場資訊的反應存在滯後,過去的市場收益能顯著解釋當前股票收益;相反,如果股票價格時滯較低,那麼股票收益和市場收益變動同步性較高。Hou 和 Moskowitz (2005) 利用過去1年的周度收益率資料估計價格時滯,結果表明,具有高價格時滯的股票,能獲得顯著的超額收益[^3]。
Hou 和 Moskowitz (2005) 的研究定義了三個價格時滯因子。
首先,估計如下兩個迴歸模型:
其中
表示滯後期數,
表示滯後$l$期的市場收益率,
為相應的係數。
接下來,計算如下三個因子:
其中,
為模型1的擬合優度,
為模型2的擬合優度。
其中
為迴歸係數估計的標準誤差。
4。 總結
本文梳理了16個常見的低風險異象因子,如果考慮到不同的計算細節,因子數量會進一步爆炸增長。無論如何,研究員需要時刻保持敬畏之心,以科學的態度和工匠的精神,反覆思考每一個因子的邏輯和定義。畢竟因子型別就那麼多,玩出花樣細節很重要。
若您也對因子研究感興趣,不妨關注我們哦!
【因子動物園】公眾號二維碼
參考文獻
Asness, C。 S。, Frazzini, A。, Gormsen, N。 J。, & Pedersen, L。 H。 (2016)。 Betting Against Correlation: Testing Theories of the Low-Risk Effect。 Social Science Research Network,。
Ang, A。, Chen, J。, & Xing, Y。 (2006)。 Downside risk。 Review of Financial Studies, 19(4), 1191-1239。
Ang, A。, Hodrick, R。 J。, Xing, Y。, & Zhang, X。 (2006)。 The Cross-Section of Volatility and Expected Returns。 Journal of Finance, 61(1), 259-299。
Ang, A。, Hodrick, R。 J。, Xing, Y。, & Zhang, X。 (2009)。 High Idiosyncratic Volatility and Low Returns: International and Further U。S。 Evidence。 Journal of Financial Economics, 91(1), 1-23。
Bali, T。 G。, Cakici, N。, & Whitelaw, R。 F。 (2011)。 Maxing Out: Stocks as Lotteries and the Cross-Section of Expected Returns。 Journal of Financial Economics, 99(2), 427-446。
Bali, T。 G。 , Engle, R。 F。 , & Murray, S。 。 (2016)。 Empirical asset pricing: the cross section of stock returns。
Blitz, D。, & Van Vliet, P。 (2007)。 The Volatility Effect: Lower Risk Without Lower Return。 ERIM report series research in management Erasmus Research Institute of Management,。
Boyer, B。 H。, Mitton, T。, & Vorkink, K。 (2010)。 Expected Idiosyncratic Skewness。 Review of Financial Studies, 23(1), 169-202。
Barberis, N。, & Huang, M。 (2008)。 Stocks as Lotteries: the Implications of Probability Weighting for Security Prices。 The American Economic Review, 98(5), 2066-2100。
Fama, E。 F。, & French, K。 R。 (1992)。 The Cross‐Section of Expected Stock Returns。 Journal of Finance, 47(2), 427-465。
Frazzini, A。, & Pedersen, L。 H。 (2014)。 Betting Against Beta。 Journal of Financial Economics, 111(1), 1-25。
Harvey, C。 R。, & Siddique, A。 R。 (2000)。 Conditional Skewness in Asset Pricing Tests。 Journal of Finance, 55(3), 1263-1295。
Hou, K。, & Moskowitz, T。 J。 (2005)。 Market Frictions, Price Delay, and the Cross-Section of Expected Returns。 Review of Financial Studies, 18(3), 981-1020。
Hou, K。, Xue, C。, & Zhang, L。 (2017)。 Replicating anomalies。 Social Science Electronic Publishing。
Kelly, B。 T。, & Jiang, H。 (2014)。 Tail Risk and Asset Prices。 Review of Financial Studies, 27(10), 2841-2871。
Orr, D。 J。, Mashtaler, I。, & Nagy, A。 (2012)。 The Barra China Equity Model (CNE5)。 MSCI BARRA。
劉富兵。 (2015)。 如何將阿爾法因子轉化為超額收益。 國泰君安。
劉富兵。 (2018)。 基於不同域研究的多因子選股體系。 國泰君安。
朱劍濤。 (2015)。 投機、交易行為與股票收益(上)。 東方證券。
註釋:
[^1]:更多協偏度的計算方法和推導,可以見Bali, Cakici 和 Whitelaw(2011)、Bali, Engle 和Murray(2016)以及 Hou、Xue 和 Zhang(2017)。
[^2]:需要注意的是,按照原論文,在估計迴歸模型時,尾部風險
需要滯後一個月,即因變數為
月個股收益率,自變數為
月尾部風險。
[^3]:Hou 和 Moskowitz (2005)的研究表明價格時滯和股票收益正相關,劉富兵(2018)得出了相同的結論,但朱劍濤(2015)的研究結果卻相反。經過對比,朱劍濤(2015)的研究採用是過去1個月的日度資料計算,這可能是兩者結果不同的主要原因。