`

因子视角的资产配置系列二 高相关资产配置中的因子预算

创建于 更新于

摘要

本报告围绕基于因子视角实现高相关资产配置的因子风险贡献预算方法,重点探讨投资者如何根据因子定价倾斜组合风险暴露,实现收益风险比优化。以中信29个一级行业为样本,选取市值、反转、估值、市场四因子,证实市值与反转因子溢价较高,通过因子预算调整提升组合夏普比率与Calmar比率。两类优化组合回测显示因子预算方式显著优于传统Markowitz模型,收益提升的同时风险指标略升但整体性价比改善。风险提示包括系统风险及模型误设风险[page::0][page::4][page::11][page::12]。

速读内容


因子溢价与风险贡献的基本逻辑 [page::0][page::4]

  • 因子收益来源于承担风险,因子的定价存在高低估差异,A股中市值因子溢价突出。

- 通过线性因子模型,将资产组合风险分解为各因子的风险贡献,便于风险预算。
  • 投资者可根据因子溢价进行风险预算调整,提高组合性价比。


因子风险贡献推导与标的实证结果 [page::6]



  • 基于Markowitz切线组合计算四因子权重及风险贡献,市场因子风险占比约50%。

- 投资者主观体验显示通过风险贡献调整组合因子敞口的有效性。

因子溢价效应分析与市值因子优势体现 [page::7]



  • 市值因子表现出最高夏普比率,预示性价比较高。

- 横截面回归系数与t值支持市值优于估值、反转因子。

因子预算1组合成果与风险收益提升 [page::7][page::8]






| 组合类型 | 年化收益率 | 年化波动率 | 最大回撤 | 夏普比率 | Calmar比率 |
|--------------------|------------|------------|-----------|----------|------------|
| 基于资产的Markowitz模型 | 10.25% | 34.57% | 56.05% | 0.22 | 0.18 |
| 基于因子的Markowitz模型 | 15.01% | 32.93% | 53.50% | 0.38 | 0.28 |
| 因子预算模式1 | 20.09% | 36.15% | 57.83% | 0.49 | 0.35 |

因子预算2组合——更优预算方案 [page::9][page::10]






| 组合类型 | 年化收益率 | 年化波动率 | 最大回撤 | 夏普比率 | Calmar比率 |
|--------------------|------------|------------|-----------|----------|------------|
| 基于资产的Markowitz模型 | 9.75% | 32.07% | 53.35% | 0.23 | 0.18 |
| 基于因子的Markowitz模型 | 12.59% | 32.69% | 53.50% | 0.31 | 0.24 |
| 因子预算模式1 | 20.09% | 36.15% | 57.83% | 0.49 | 0.35 |
| 因子预算模式2 | 23.76% | 35.25% | 55.66% | 0.60 | 0.43 |

组合表现与策略总结 [page::11][page::12]



  • 因子预算组合显著提升收益和夏普比率,且风险指标在可控范围内。

- 基于因子的Markowitz模型虽理想但受限历史窗口,无法超越因子预算组合表现。
  • 推荐策略:无主观判断时用Markowitz优化,有倾向性判断时用因子风险预算倾斜,实现更优组合配置。

深度阅读

关于《因子视角的资产配置系列二 —— 高相关资产配置中的因子预算》研究报告的详尽分析



---

1. 元数据与报告概览


  • 报告标题: 因子视角的资产配置系列二 - 高相关资产配置中的因子预算

- 作者及机构: 冯佳睿,海通证券研究所金融工程研究团队
  • 发布日期: 未明示具体日期,但文中有2016年至2017年相关研究引用,报告为该时期作品

- 主题领域: 资产配置,因子投资,风险预算模型,A股市场的因子定价与组合管理
  • 核心观点与目的: 本文立足因子视角,延续系列一基于因子的均值-方差模型的思路,重点探讨因子风险贡献预算在高相关资产组合管理中的应用,特别是通过给予高溢价因子更大风险暴露以提升组合的风险调整收益,实证了基于市场与投资者主观因子倾斜的资产配置优化方法。

- 主要信息传达: 介绍如何通过因子风险贡献的预算,将投资者对因子定价的观点转化为具体的组合风险管理策略,以提升组合的收益率和风险回报比,尤其适用于投资者具备主观因子预期时。通过实证展示因子预算模型相较传统基于资产或因子均值-方差模型的优势。

---

2. 逐节深度解读



2.1 因子视角的本质与因子倾斜


  • 章节核心: 重新阐释因子作为资产收益与风险的内驱动,因子的溢价即为投资者承担的风险所获补偿。以市值因子为例,强调A股特定市场环境(壳资源价值)下,市值因子的溢价显著度。指出因子定价存在相对被低估现象,进而提出投资者可以基于因子定价的差异进行“因子倾斜”,将更多组合风险配置于溢价高的因子,实现收益风险的优化。

- 关键论据与假设: 海通证券数据及Wind终端显示,从Carhart四因子的多空收益净值曲线(图1)中,市值因子表现远超其他因子,实证支持其溢价更高,溢价差异可作为因子预算调整的依据。
  • 方法论基础: 借鉴Black-Litterman模型概念,将因子风险预算视作“付出风险代价以期获得因子溢价回报”的策略,理性投资者通过选择风险预算实现优化性价比。


2.2 因子的风险贡献


  • 章节核心: 根据线性因子模型结构(式$\pmb{U}t=\pmb{C}\pmb{V}t+\pmb{\varepsilon}t$),给出因子收益与资产收益的关系,进而推导组合中因子风险贡献的表达形式。

- 数学模型与公式简介:
- 利用因子载荷矩阵$\pmb{C}$与协方差矩阵$\pmb{\Omega}$、$\pmb{D}$描述资产协方差结构。
- 组合资产权重向量$\pmb{x}$可分解为因子投资头寸$\pmb{y}$及残差因子$\widetilde{\pmb{y}}$。
- 风险贡献$RC(F
j)$定义:因子$j$的投资头寸与边际风险的乘积。
  • 关键数据与图表:

- 图2展示14期换仓中各因子的权重分布,市场因子占比接近50%。
- 图3展示对应的因子风险贡献,其中市场因子贡献最大且稳定,其他因子风险贡献较低,四因子未能解释的风险(残差)也有体现。
  • 结论逻辑: 推导为实现风险预算目标奠定了理论基础,指出风险贡献可以被量化并做调整。


2.3 基于因子预算的资产配置


  • 章节核心: 阐述如何基于因子的夏普比率高低对风险预算进行调整,以提升组合表现。

- 实证对比与方法:
- 图4显示市值因子(SMB)年化收益率与波动率的夏普比率最高,属于相对溢价因子。
- 通过横截面回归(图5)进一步确认因子收益定价,市值因子最高,估值因子最低。
- 因子预算1设定(市场20%、市值50%、估值10%、动量20%),调整组合优化目标函数为风险贡献与预算差的平方和。
  • 实证效果:

- 图6、图7显示提权市值因子的因子权重及风险贡献变化,虽受卖空杠杆限制,风险贡献目标未完全达成,但有明显提升趋势。
- 图8、图9即时序净值曲线,显示风险预算1组合相较于基于资产和基于因子的Markowitz组合有明显收益提升。
- 表1、表2的统计指标显示,因子预算1组合6个月和12个月内均实现收益和风险回报比(夏普、Calmar)显著提升,最大回撤及波动率略有增加。
  • 逻辑推理: 因子风险预算体现了投资者有主观倾向时风险配置的合理优化方案,可改善组合收益风险特征。


2.4 探寻更优的因子预算与资产配置


  • 章节核心: 在承认资产卖空限制导致无法完全实现预算目标的情况下,尝试进一步优化因子预算,增加反转因子的风险预算比例,以探寻更优组合。

- 预算调整: 对比市值因子(因子2)与反转因子(因子4),设定因子预算模式2为(0%,66%,0%,34%),即完全剔除市场和估值因子,集中暴露高溢价的市值和反转因子。
  • 图表展示与对比:

- 图10、图11显示该组合的因子权重和风险贡献,市值因子风险贡献进一步提升,反转因子也有微小上升,市场因子风险贡献有所下降。
- 图12、图13模型净值表现优于因子预算1组合。
- 表3、表4显示因子预算2组合的绩效进一步提升,6个月年化收益率达到23.76%-25.29%,夏普比率高达0.60-0.63,Calmar比率0.43-0.45,且最大回撤略微改善。
  • 分析与总结: 适当将组合风险暴露集中在溢价更高的因子(市值、反转)能够带来更优配置效果,因子倾斜为提升组合表现的有效路径。


2.5 总结与讨论


  • 文章总结:

- 采用因子风险贡献预算的方法,结合投资者对因子溢价的主观判断,动态调整风险暴露,有助于提升组合的风险调整后收益表现。
- 实证表明,四种配置方式中(基于资产Markowitz,基于因子Markowitz,因子预算1,因子预算2),因子预算2组合表现最佳。
- 尽管承担的风险(波动率、最大回撤)稍有增加,但由于收益提升更显著,夏普比率与Calmar比率均有明显改善,反映有助于提高投资性价比。
  • 理论与实际的对比:

- 报告指出基于因子Markowitz模型虽然是每期理论最优组合(最大夏普目标),但由于基于过去窗口优化,并非历史全样本最优,实际表现逊于因子预算模型。
  • 应用建议:

- 投资者无明确因子观点时采用因子均值-方差模型。
- 具备因子主观预期时,采用风险贡献预算模型主动风险配置,实现组合优化。

---

3. 图表深度解读



图1:四因子的多空收益净值曲线(第4页)


  • 描述:展示了 Carhart 四因子模型中市场(MKT)、市值(SMB)、估值(HML)和动量(UMD)四个因子在A股市场构建的多空组合的净值走势。

- 解读:
- SMB 市值因子的曲线明显领先,标志其收益累积远超其他因子,且表现大幅优于市场因子。
- 估值因子(HML)表现最弱,曲线几乎持平甚至略有下滑。
  • 关联结论:

- 充分支持报告论断:市值因子在A股市场具有较高溢价,明显优于其他因子,为因子预算提供方向指引。

图2:基于因子的Markowitz切线组合中的因子权重分布(第6页)


  • 描述:显示14个换仓期内四因子(市场、 市值、动量、估值)在基于因子的Markowitz优化组合中的权重分布。

- 解读:
- 市场因子深蓝色权重稳定且最大,约占50%比例。
- 市值因子(浅蓝)、估值(黄)、动量(紫)因子权重相对较低,波动较大。
  • 关联结论:

- 标准Markowitz模型倾向于维持较大市场因子暴露。

图3:基于因子的Markowitz切线组合中的因子风险贡献分布(第6页)


  • 描述:显示对应组合各因子的风险贡献占比分布。

- 解读:
- 市场因子风险贡献绝对最大,占组合总风险的约50%左右。
- 其他因子风险贡献较小,说明市场因子在组合风险结构中主导地位。
  • 关联结论:

- 该分布结构结构为之后风险预算调节的基准。

图4:四因子多空组合的风险收益特征指标(第7页)


  • 描述:以散点图形式展示四因子多空组合的年化收益率(纵轴)与年化波动率(横轴)。

- 解读:
- SMB市值因子在收益和波动率平衡上表现优异,夏普比率估计最高。
- 估值因子波动率中等,收益非常低。
  • 关联结论:

- 夏普比率最高的市值因子定价优势明显,理应配置更多风险预算。

图5:四因子横截面回归系数与t统计量(第7页)


  • 描述:以柱状图与曲线图展示因子横截面收益回归系数及其统计显著性。

- 解读:
- 市值因子系数最高,t统计量显著,反转因子次之,估值因子最低且统计显著性弱。
  • 关联结论:

- 进一步验证市值、反转因子在A股的定价溢价,指导风险预算调整。

图6、7:因子预算1组合的因子权重和风险贡献(第7页)


  • 描述:展示因子预算1组合提升市值因子权重后的因子权重分布(图6)及风险贡献(图7)。

- 解读:
- 市值因子权重和风险贡献均有所提升,但未达预算目标。
- 市场因子风险贡献仍较高,表明限制存在。
  • 关联结论:

- 卖空与杠杆限制阻碍精确达成预算,但趋势明显。

图8、9:因子预算1组合的净值曲线(6个月与12个月)(第8页)


  • 描述:三种组合(基于资产Markowitz、基于因子Markowitz、因子预算1)在净值走势上的对比。

- 解读:
- 因子预算1组合净值明显领先,未来表现更佳。
  • 关联结论:

- 表明因子风险预算调整提高组合表现。

表1、2:因子预算1组合的统计指标(6个月、12个月)(第8页)


  • 关键指标显示:

- 因子预算1组合年化收益率显著高于两种Markowitz组合。
- 波动率和最大回撤略升,但夏普比率和Calmar比率均获得明显提升。
  • 说明调整风险暴露后的收益风险提升明显。


图10、11:因子预算2组合的因子权重与风险贡献(第9页)


  • 说明:

- 市值因子权重和风险贡献进一步提升。
- 反转因子风险贡献和权重微增。
- 市场因子贡献比例有所下降。
  • 说明组合调整更为集中于溢价最高因子。


图12、13:因子预算2组合模型净值曲线(6个月、12个月)(第10页)


  • 净值表现优于因子预算1,领先于其他组合。


表3、4:因子预算2组合统计指标(6个月、12个月)(第10页)


  • 因子预算2组合年化收益率进一步提升至23.76%-25.29%区间。

- 波动率略有下降,最大回撤有所改善。
  • 夏普比率提升至0.60-0.63,Calmar比率提升至0.43-0.45,风险调整表现优异。


图14、15:四种组合配置方式的统计指标对比图(6个月、12个月)(第11页)


  • 结合图表综述四类组合的收益率、波动率、最大回撤、夏普比率及Calmar比率。

- 可见因子风险预算2组合表现明显优于其他组合,收益率最高,夏普与Calmar均明显领先,虽然波动率和最大回撤稍高,但因收益提升幅度更大,总体性价比最佳。

---

4. 估值分析



本报告属于量化研究,未进行传统的企业估值(如DCF、市盈率等),估值分析主要体现在组合风险收益的优化和绩效指标的比较。通过因子风险贡献预算模型调整组合结构,以实现风险预算与收益的平衡优化,体现在夏普比率和Calmar比率的提升上。

---

5. 风险因素评估


  • 市场系统性风险: 由于组合基于市场及公开因子构建,市场整体波动与系统性风险仍主导组合风险。

- 模型误设风险: 因子模型的有效性、因子定义与数据质量、本报告假设线性因子模型等均可能带来模型风险。
  • 实施限制: 卖空与杠杆约束使得投资者难以精确达到风险预算目标,可能导致实际风险暴露与预期不符。

- 主观判断风险: 投资者对因子未来收益的主观倾向若判断失误,可能带来配置偏差和损失。

报告虽然提及市场风险和模型风险,但未深入讨论风险缓解措施和风险发生概率,投资者应对此保持警觉。

---

6. 审慎视角与细节


  • 样本内偏差风险: 因子预算模型的表现显著提升基于全样本历史数据,这可能导致样本内过拟合,现实中未来因子表现或变动不及预期。

- 卖空限制下的实现难度: 虽强调模型无法完全实现预算目标,但未细致量化该约束对模型稳定性的长期影响。
  • 因子市场代表性: 本报告主因子为市场、市值、估值及动量,未涉及更多因子,可能限制模型的广泛适用性。

- 模型假设简化: 使用线性因子模型,忽略可能存在的非线性、时变关系及因子间相互作用,存在模型风险。
  • 实证期较早: 数据时间覆盖至2016年中,未涵盖更多市场环境变化,可能影响模型适用性。


---

7. 结论性综合



本文立足于因子视角,深刻阐述并实证验证了基于因子风险贡献预算实现高相关资产配置的有效性。通过实证发现,A股市场中的市值因子和反转因子具有显著较高的溢价,给予这两个因子更多的风险预算将显著提升组合收益表现。虽然实际操作受限于卖空及杠杆限制,难以绝对精准执行风险预算目标,但调整趋势和组合表现均表明该方法的有效性。

详细推导了因子风险贡献的数学表达,并辅以多期换仓实证,结合多种风险预算方案做对比,结果显示因子预算模型尤其是第二种优化预算方案,在6个月和12个月的窗口期内,均能显著提高年化收益率(20%-25%+),同时风险指标虽有所增加,但因收益增强远超风险,致使夏普比率和Calmar比率均显著提升,组合风险调整性能得到优化。

图表和实证结果严密支持了作者的重点论断:投资者可通过因子风险贡献的预算,将风险合理配置于市场被低估的因子,提升组合的风险调整表现。相较于传统的基于资产或因子的Markowitz均值-方差优化,因子预算模型更能体现投资者对未来因子收益的主观判断,适应性更强。

最终,报告给出了投资决策上的建议:在无主观因子预期时,采用基于因子的Markowitz模型;有明确因子预期时,采用因子预算模型主动进行因子倾斜,获得更优的资产配置效果。

---

整体而言,该报告结构严密,结合理论推导与实证分析,创新性地将因子风险贡献预算引入资产配置领域,丰富了因子投资和组合风险管理的研究实践,具有较高的专业价值和应用指导意义。[page::0,4,5,6,7,8,9,10,11,12]

---

附图示例



图1 四因子的多空收益净值曲线:



图4 四因子多空组合的风险收益特征指标:



图14 四种不同的组合配置方式的统计指标对比图(6个月):



---

(注:本解读严格依据报告内容,不含任何额外主观意见)

报告