桑土之防：结构化多因子风险模型-华泰证券-20190612
由qxiao创建，最终由qxiao 被浏览 119 用户
摘要
华泰金工多因子风险模型能够实现准确可靠的风险预测和投资组合优化
在经典多因子模型框架的基础上，参考Barra多因子风险模型，构建华泰金工多因子风险模型。模型选择恰当、有效的共同因子，回归计算因子收益和特异性收益，进而估计因子收益协方差矩阵和特异性收益方差矩阵。之后，模型以波动率偏误统计量作为风险预测准确度的衡量指标，对因子收益协方差矩阵和特异性收益方差矩阵分别进行多步修正，有效提升风险估计的准确度。华泰金工多因子风险模型能够实现准确、可靠的风险预测和投资组合优化。
风险模型对因子收益协方差矩阵和特异性收益方差矩阵分别进行多步修正
多因子风险模型将对股票收益协方差矩阵的估计转换为对因子收益协方差矩阵和特异性收益方差矩阵的估计。为了保证风险预测的准确度，模型对因子收益协方差矩阵依次进行Newey-West调整、特征值调整和波动率偏误调整，对特异性收益方差矩阵依次进行Newey-West调整、结构化调整、贝叶斯压缩调整和波动率偏误调整。调整后的风险矩阵风险预测能力良好，在2011-02-01至2019-05-31区间内，模型对于沪深300指数和中证500指数的预测波动率与真实波动率的相关性为0.70和0.73。
应用多因子风险模型构建最小化风险和最大化风险调整后收益组合
组合优化允许投资者精确控制组合风险暴露。在组合优化中应用多因子风险模型，可以构建最小化风险和最大化风险调整后收益组合。本文使用华泰多因子风险模型和XGBoost收益模型构建最大化风险调整后主动收益组合，在2011-02-01至2019-05-31区间内，行业市值中性及持仓上限约束组合的年化超额收益率17.08%，年化跟踪误差4.53%，信息比率3.77，与不使用风险模型相比，信息比率提升0.20；仅持仓上限约束组合的年化超额收益率23.24%，年化跟踪误差5.53%，信息比率4.20，与不使用风险模型相比，信息比率提升0.65。
考察组合优化主要参数对最优投资组合表现的影响
组合优化主要参数包括：基准指数、股票池、风险厌恶系数、收益模型、约束条件。不同基准指数的跟踪难度可能不同。除了最小化主动风险以外，全A股选股均比指数成分股内选股效果更好。风险厌恶系数的选取取决于优化目的。当组合优化约束条件较多时，风险厌恶系数调整能力相对有限。收益模型决定了最优组合获取收益的能力。当约束条件过多时，股票选取空间可能为空集或目标函数不收敛，导致截面不可解；当约束条件过少或无约束条件时，组合优化对收益模型和风险模型的估计误差非常敏感，可以根据实际情况放松或增强约束。风险提示：多因子风险模型是历史经验的总结，如果市场规律改变，存在风险预测滞后、甚至模型彻底失效的可能；报告中的沪深300和中证500指数只是作为常见指数，并不能完全代表A股市场全部指数的情况，请投资者谨慎、理性地看待。
正文
/wiki/static/upload/8e/8e738aa3-dc06-450a-bd15-24875794c1ea.pdf
\