因子选股系列研究之三十一：风险模型在时间序列上的改进-东方证券-20171201
由qxiao创建，最终由qxiao 被浏览 15 用户
风险模型有三个功能：控制风险暴露、估计收益率协方差矩阵、绩效归因。不是所有功能都要用到风险因子，估计协方差矩阵可以采用纯统计方法，报告把这个领域最新学术成果和业界常用的因子模型在A股进行了实证对比
由于股票数量多，收益率样本数量少，样本协方差矩阵的估计误差比较大，导致其矩阵条件数（最大特征值除以最小特征值）较高，输入组合优化器进行数值求解时会让结果对数据误差十分敏感。压缩估计方法即是去调整样本协方差矩阵的特征值，压缩其分布区间，同时降低估计误差。我们之前研究中一直采用线性压缩方法（LS），报告里新测试了Ledoit(2017)提出的非线性压缩估计(NLS)。
因子模型(FM)的构建参考了BARRA CNE5 文档，在估计因子收益率协方差矩阵和特质方差矩阵时采用非线性压缩方法，并增加了EWMA时变结构
协方差矩阵估计也可以采用多元GARCH模型，但参数估计方法需要做大的改进。我们采用CL方法进行参数估计，BEKK和DCC GARCH模型已经可以较快估计出参数，具备实盘价值，但历史回溯太耗时，最后实证采用的是简化版的CCC-GARCH，股票数量较多时，它和DCC GARCH差别不显著。我们用不同协方差矩阵估计量构建全局最小方差组合（GMVP），看哪种方法得到的GMVP组合的真实方差最小，判断协方差估计量的优劣
LS，NLS和不加时变结构的因子模型表现基本相当，差距在统计上不显著。鉴于NLS方法在仿真测试的优越性，我们预计横截面方向风险模型的改进空间可能很有限。
FM和CCC-GARCH表现显著比LS和NLS强，时间序列上改进风险模型的作用明显，把这两者等权组合在一起可以减小模型设定偏误，进一步显著增强模型风控能力，并降低组合换手。
时间序列方向上改进风险模型的代价是增加组合换手。究竟是时变模型带来风险下降的利好多，还是换手率增加带来的损失多，取决于alpha模型、组合约束条件、产品规模、交易成本等因素，不同的问题可能会有不同的结论，但至少这是一个值得尝试的改进方向，特别是那些交易便利的机构
/wiki/static/upload/66/66539009-4e60-47ae-b3c7-1e48005c2f07.pdf
\