【002】高风险高收益,常识or谎言?


(sonyzh) #1

本文为我们的公众号【因子动物园】的第2篇推文。原文请戳【002】高风险高收益,常识or谎言? 欢迎关注我们的公众号,获取更多关于因子投资文献和本土化实证研究。


30秒速览】“低风险低收益,高风险高收益”,大概是众所周知的常识。但真的是这样吗?也许您也曾对此有过疑惑,那就对了,学术圈一帮机智如您的大佬们,也都对此颇有疑虑,并亲自出马做了诸多检验,指出事实或许没有那么简单,高风险并不总意味着高收益,甚至常常相反。

1. 低风险异象


无论是大到人生重要的抉择,还是小到股票投资理财,人们都坚定不移一个信念:冒的风险越大,得到的回报越多;勇敢搏上一把,香车美女应有尽有。

也许正因为如此,许多专家或者大佬,喜欢推荐热门股票,它们往往有着很高的换手率,近期波动也较大,看起来非常具有吸引力,让人恨不得马上冲进去,压上全部身家。

然鹅,高风险真的能带来高收益吗?至少在股票市场不是这样。研究者们并没在股票市场发现风险和收益成正比的证据,恰恰相反,风险较小的股票未来收益较高,风险较大的股票未来收益反而低不少,这和传统资产定价理论矛盾,因此被称为低风险异象(low-risk anomaly)。

2. 经典理论


上世纪六十年代,Sharpe、Lintner、Treynor和Mossin等学者,在Markowitz均值方差理论的基础上,提出了资本资产定价模型(CAPM),探讨资产风险和预期收益率之间的关系,是现代资产定价理论的基础。

经典的CAPM可以用下式表达,即一个股票相对于无风险收益率的超额收益,等于市场超额收益乘以贝塔。贝塔用来反映股票相对整体市场的敏感程度,贝塔大于1表明股票相对市场收益波动较大,小于1表明相对市场收益波动较小,市场本身的贝塔则等于1。每个股票的贝塔不一样,是常见的风险衡量指标。

![](data:image/svg+xml;utf8,)

换言之,股票预期收益率和风险呈明显的正向关系,随着贝塔的上升,预期收益率也随之增加。根据传统金融学理论,如果想要获得可观的回报,就必须选择贝塔较大的股票,暴露更多的系统风险。也因此,贝塔是最常用的风险指标。

3. 背道而驰


经典CAPM无论是理论上,还是直觉上,看起来都无懈可击,但实证结果却背道而驰。在Fama和French (1992) 两位大神的论文中,按照股票贝塔从低到高分为10组,并统计每组股票的月平均收益。结果发现,贝塔和股票收益之间的关系并没有像预想那样,从第1组到第10组并没有单调上升,而是呈现非常平坦的关系,并且第10组收益最低,第1组收益最高,和理论模型完全不符。

![](data:image/svg+xml;utf8,)

表1:贝塔分组表现. 资料来源:Fama和French (1992)

除了贝塔,另外一个常用的风险度量指标是波动率,常用收益率的历史标准差估计。Blitz和van Vliet (2007) 利用1985到2006富时发达国家指数成分股(包括日本、美国和欧洲等市场)数据,计算每支股票过去三年的历史波动率,并从小到大分为10组。

从分组结果来看,收益率单调性并不明显,波动率最低组明显高于均值,波动率最高组远远低于均值,最低和最高收益率之差为5.9%;而已实现波动率和夏普比率的单调性规律却非常突出,低波动率组合显著优于高波动;CAPM回归结果表明,低波动率组合实现β为0.56,阿尔法收益率为年化4%,而高波动组合对应为1.58和-8%,此结论显然也和CAPM相悖。

![](data:image/svg+xml;utf8,)

表2:历史波动率分组表现. 资料来源:Blitz和van Vliet (2007)

4. 无处不在的低风险异象


低风险异象是数据挖掘而来还是符合经济学直觉?从目前的文献来看,该异象在形形色色股票因子里,属于稳健性较好的一小波,像一个幽灵,在不同时间区间、不同市场环境、不同经济周期、不同国家和不同资产中广泛存在。

特别地,除了贝塔,波动率也是十分常用且易于理解的风险指标。而结合CAPM定价模型,异质波动率也经常被用于刻画股票的非系统性风险。按照经典理论,异质波动率应不包含关于股票未来收益的信息,但Ang、Hodrick、Xing和Zhang (2006) 利用美国股票数据进行的实证研究表明,低异质波动率股票有着显著的超额收益。且进一步的稳健分析指出,无论在哪个子区间,牛市或者熊市,经济扩张或萧条,异质波动率对股票收益都有很好的区分能力,高波动组合相对低波动组合表现差得多。

![](data:image/svg+xml;utf8,)

表3:异质波动率分组在不同时间段的表现. 资料来源:Ang、Hodrick、Xing和Zhang (2006)

为了检验异质波动率效应的普适性,Ang、Hodrick、Xing和Zhang (2009) 将研究拓展到了23个MSCI发达国家指数成分股。研究结果表明,无论是在美国还是其他国家,异质波动率和股票超额收益存在较强的负相关关系,不同国家的异质波动率表现具有同步性特征。

AQR两位大神Frazzini和Pedersen (2012) 在多个资产类型里定义了贝塔因子,包括不同国家或地区的股票市场、不同国家股票指数、外汇市场、美国国债、全球各国国债、美国公司债、信用债指数和商品等。结果发现贝塔因子具有很好的普适性,在绝大多数资产中单调性明显,多空组合能获得显著的风险调整后收益。

![](data:image/svg+xml;utf8,)

图1:贝塔因子在不同资产的表现. 资料来源:Frazzini和Pedersen (2012)

5. 不只是贝塔和波动率


讨论低风险异象的文献比较多,除了上文提及的贝塔和(异质)波动率等常见指标,也有不少新的衡量指标被用于检验低风险异象,下表列出了一些典型的代表。这些指标分别从不同角度衡量股票风险,既有共同的基因,又各自别具一格。在后续的系列文章中,我们也将进行细致的对比。

![](data:image/svg+xml;utf8,)

表4:不同的低风险因子列表. 资料来源:因子动物园

6. 结语


因子投资是一个庞杂的研究方向,光因子类型的划分就有多种方案,同一类型又有多个不同计算公式的子因子,形成了庞大的因子动物园。低风险异象是动物园里面让人有点琢磨不透的成员,高风险的股票是魔鬼并不会带来高收益,低风险的股票是天使却能带来惊喜。

作为低风险异象的第一篇,本文对此异象的基本含义和表现进行了基本介绍,后续的内容则会更加精彩,涉及低风险因子的定义和计算、异象的特征和解释、与其他因子的关联以及A股港股的实证分析等方方面面,而在广泛覆盖的同时,也会注重对关键细节的精细剖析。您是否也跟我们一样,期待着了解更多呢?


参考文献:

  • 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.
  • 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.
  • 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.
  • 刘富兵. (2015). 如何将阿尔法因子转化为超额收. 国泰君安.
  • 朱剑涛. (2015). 投机、交易行为与股票收益(上). 东方证券.