因子投资的未来—进化、创新与破局
由copen创建，最终由copen 被浏览 117 用户
报告摘要
因子是驱动投资组合风险和收益的主要来源，无论在学术界还是在投资界，因子都被广泛研究。因子投资（Factor Investing）主要围绕如下三个部分展开。 因子模型（Factor Models）帮助投资者理解和管理组合风险的来源。 因子策略（Factor Strategies）帮助投资者捕捉因子收益带来的溢价。 因子配置（Factor Allocation）帮助投资者在不同的资产类别之间进行配置，单个资产类别则充当工具型产品。
进化（Evolution）
基本面因子经久不衰的成功，得益于他们既有学术理论的支撑，又有实证经验的支持，重要的是他们还能够反映实际的投资决策。不断有研究在对基本面因子模型和策略进行改进，从而使得他们能够更好地服务于投资者。具体来讲，目前关于对因子投资策略的改进主要分为两个方面：对因子构造的改进和对组合构建的改进。
创新（Innovation）
传统因子模型方法和技术的改进使得其适应市场环境和投资决策的变化。此外，还有一些研究跳脱了对因子模型进行边际改善的框架，转而寻找能够重新定义因子含义并将其融入到投资组合中的方法。具体来讲，这些研究主要致力于寻找另类数据、使用新的建模方法和将ESG等因素融入到投资策略中。
破局（Disruption）
随着指数化投资的发展以及因子投资的不断进化，将因子策略使用到资产配置（Asset Allocation）上正在变得可能。 新的因子配置框架认为组合的风险和收益是由一些共同的因素来驱动的，因此资产配置的风险和收益也同样理应由这些因素来驱动。在选择好对应的因子后，接下来即根据指数基金等工具型产品，帮助投资者实现主观意愿的配置目标。
文献来源
文献来源: Dimitris Melas. "The Future of Factor Investing." The Journal of Portfolio Management. Vol.48(2022):Special Issue. 文献亮点：本文作者对可能影响因子投资未来前景的学术文献和投资趋势进行了讨论。具体来讲，作者主要关注三种趋势：（1）传统因子模型和策略的改进；（2）数据源和建模方法的创新；（3）将因子投资融入到资产配置的可能性。
引言
因子（Factors）是驱动投资组合风险和收益的主要来源，无论在学术界还是在投资界，因子都被广泛研究。因子投资（Factor Investing）主要围绕如下三个部分展开。因子模型（Factor Models）帮助投资者理解和管理组合风险的来源。因子策略（Factor Strategies）帮助投资者捕捉因子收益带来的溢价。因子配置（Factor Allocation）帮助投资者在不同的资产类别之间进行配置，单个资产类别则充当工具型产品。 长久以来，基本面因子（Fundamental Factors）都是现代资产管理研究的中心。不过在此期间，资本市场和投资过程中发生的变化，不断促使着因子模型和因子策略的进化。此外，数据可获得性的提高、投资者对于组合风险和收益来源的深入理解，也在帮助因子模型不断进化（如图1所示）。当前，传统有关传统基本面因子的改进研究主要分为两个领域：对因子构造的改进和对组合构建的改进。我们以权益市场中的价值因子为例，讨论学术研究是如何影响这些因子策略的。
除了对传统基本面因子模型的改进（Evolution）外，当前大量的研究还聚焦在因子模型的创新（Innovation）上。这些文献主要致力于寻找新的另类数据或者采用新的建模方法。新的另类数据（如内部交易数据、社交媒体数据等），可以帮助投资者找到驱动股票市场回报的新的溢价来源。新的建模方法（如机器学习和自然语言处理），可以帮助投资者对非结构化的数据进行捕捉，从而更好地抓住市场热点和投资主题。 随着因子投资理论的发展和对应产品的出现，将因子作为一种投资工具融入到不同的投资决策中正在变得可能，这就为将因子投资融入到资产配置中提供了可能性。在本文的最后一个部分，我们将对因子投资的创新发展是如何影响到传统资产配置的范式进行介绍，同时我们还就因子投资的发展给组合构建和组合管理中带来的挑战进行讨论。
进化（Evolution）
长久以来，基本面因子都是现代投资管理理论的基石。对于权益资产而言，除了国家因子和行业因子之外，在学术研究和业界投资者被广泛采用的因子包括价值因子、市值因子、动量因子、波动率因子、质量因子、成长因子和流动性因子等。同样的，在不同的资产类别（如股票、利率、信贷和实体投资）中也有类似的宏观驱动因子。 基本面因子经久不衰的成功，得益于他们既有学术理论的支撑，又有实证经验的支持，重要的是他们还能够反映实际的投资决策。不断有研究在对基本面因子模型和策略进行改进，从而使得他们能够更好地服务于投资者。具体来讲，目前关于对因子投资策略的改进主要分为两个方面：对因子构造的改进（Improved Factor Identification）和对组合构建的改进（Efficient Portfolio Construction）。 在因子构造的改进上，目前研究界中很大一部分文献都在致力于对价值因子进行改进，学术界和投资界一直在致力于寻找价值因子长期回撤的原因（Blitz and Hanauer，2021）。例如，在科技类公司中无形资产占据绝大部分，这就会导致传统的价值组合中几乎不会出现科技类公司的身影。基于此，研究者们开始将目光聚焦到如何采用其他的方法来度量公司的价值，以及不同的会计政策是如何影响价值因子的计算的。 在传统的方法中，公司的估值通常采用公司市值与账面价值比来衡量。这种方法无法捕捉到公司在无形资产上的投资，因为无形资产出现在利润表中而非资产负债表中（The Economist，2019）。这种会计准则将会使得在构造价值策略时，天然地会偏向于实业投资更多的基建行业，而并不会选到无形资产投资更多的科技行业。 为了解决这一问题，目前最好的方式是从多个维度、采用不同的度量方法来进行衡量（Melas，2018）。例如，除了账面市值比（Price-to-Book）之外，MSCI Global Equity Model还采用其他几个指标来衡量公司的价值，如市盈率（Price-to-Earnings）、市现率（ Price-to-CashFlow）、市销率（ Price-to-Sales）、企业价值与EBITDA之比等。该模型中甚至采用一种与财务数据无关的技术面指标——长期反转（Long-Term Reversal），来衡量公司的价值。在这些衡量方法中，有些指标与公司的无形资产支出有关（如PE、PCF等），有的则与之无关（如PS、长期反转等）。 此外，最近有一些研究建议将研发投入支出（Research and Development）从利润表中移除，加入到资产负债表中。这种做法的主要问题在于如何对不同公司的资本研发费用选择合适的折旧率。为了解决这一问题，Li and Hall（2020）提出了一种针对不同行业的研发费用折旧率的方法。 在组合构建的改进上，如果不管因子的表现到底如何，只是根据估值这一个指标来构建价值投资策略，那么就不可避免地会带来很多结构性的偏差和意想不到的风格暴露。例如，如何在全球股票池中根据任一绝对估值指标来构造价值投资组合，那么该组合将会在国家、板块和因子上有较大的暴露。 好的组合构建方法能够解决这些问题。例如，在不同的板块内部根据估值指标来筛选股票，可以解决组合在板块上系统性的偏差。通过多元线性回归来剥离其他因子的影响，能够帮助投资者捕捉到纯因子收益的表现。然而，这种纯因子组合在实际投资中可能并不具备投资性，因为其包含了多头和空头组合，并且换手率也相对较高。在实际投资中，我们主要通过设置约束条件，采用组合优化的方法来控制组合在其他因子上的暴露。 总的来看，研究者们认为过去15年价值策略的持续回撤并不是由无形资产开支的计算、低利率环境等单一原因引起的，尽管这些理论确实能够解释价值因子失效的一部分原因（Maloney and Moskowitz，2021）。在一些可能的影响因素中，有的是周期性的，有的是结构性的。
有的结构性因素可以通过研究者对因子构造的改进和组合构建的改进来得到解决，而有的周期性因素则会随着市场环境的变化而发生变化。例如，随着市场通胀和加息，低利率环境对价值策略的负面影响将不复存在。有关市场环境变化和投资策略的变化如何影响基本面因子投资的研究，将会给策略的实践带来新的思路和潜在的帮助（Jain，Alighanbari and Katiyar，2021）。
创新（Innovation）
从图2可以看到，传统因子模型方法和技术的改进使得其适应市场环境和投资决策的变化。此外，还有一些研究跳脱了对因子模型进行边际改善的框架，转而寻找能够重新定义因子含义并将其融入到投资组合中的方法。具体来讲，这些研究主要致力于寻找另类数据、使用新的建模方法和将ESG等因素融入到投资策略中。 传统的因子投资主要依赖于财务数据和市场数据。这些数据类型有几个天然的优势，如数据标准化、以连续型变量呈现、能够被投资者直观地理解、定期更新、不同公司之间具备可比性、可以采用线性模型对其高效建模从而生成可用的信号。线性模型也具有几个天然的优势，如模型直观性、简洁性，并且可以简单地从单个证券推广至整个投资组合。 在过去的几年中，我们见证了另类数据研究的井喷。有一些另类数据是之前很难获取到的市场数据（如分析师盈利预测数据、内部交易数据、期权交易数据、信贷互换数据、对冲基金仓位数据等）。这些数据集以数字的形式呈现，并且可以从数据供应商处获取。然而，有一些另类数据则是以新的数据形式提供（如文字、音频、视频等），这些数据只能通过互联网、社交媒体获取。投资者们还可以通过非结构化的另类数据（如新闻报道、产品调查、员工调查、岗位发布、监管文件、通话记录、卫星图像等）获取一些新的信息（Jain，Kouzmenko and Bonne，2020）。 对新数据的处理需要采用新的建模方法和更高效的计算资源。信息科技的创新（如云计算、定制微处理器）使得现代计算机能够通过机器学习、自然语言处理及其他数据科学方法来对新的、非结构化的另类数据进行处理（如图3所示）。这些创新可以帮助投资者快速识别新的商业模式、系统性地捕捉到市场热点和投资主题，从而不断推动着因子投资的前沿向前发展（Kumar等，2019）。
如何将业绩持续性和气候因素融入到组合的构建中可能是下一个因子投资创新的方向。在过去几年中，通过ESG因子来进行投资已经获得了越来越多的认可，因为投资者意识到环境、社会的变化对投资方式产生的影响正在变得越来越深远。最近，极端天气变化带来的影响和向碳中和经济转型的需求，被认为是本世纪社会和投资者面临的最大挑战（Giese，Nagy and Rauis，2021）。 因子模型和策略可以在帮助投资者面对碳中和经济和天气等环境风险中起到重要的作用。对非结构化数据集和非线性模型的使用，能够帮助投资者们开发出很多创新型的因子，如气候在险价值（Climate Value at Risk）、潜在的升温幅度（Implied Temperature Rise）和主题关联度得分（Thematic Relevance Scores）等。这些信号都可以融入到因子投资策略中，从而使投资者在新经济形式下更好地应对气候变化风险、捕捉市场投资热点等。
破局(Disruption)
随着指数化投资的发展以及因子投资的不断进化，将因子策略使用到资产配置（Asset Allocation）上正在变得可能。 如图4所示，在过去的30年中，指数化投资在内涵和使用方式两个方面都得到了很大的发展。在指数的使用方式方面，指数最开始作为表征市场表现的指标，随后被作为业绩比较基准，近年来被作为投资工具的基准而使用。在指数的内涵方面，随着时间发展其主要分为2类：市场指数（Market Indexes）表征市场结构，策略指数（Strategy Indexes）表征系统性的投资策略。本部分，我们将讨论这两类指数及与之相关的投资策略是如何使得基于因子的资产配置方式变得可能。
在传统的资产配置范式中，投资者主要对不同的资产类别进行配置，如权益市场、固定收益市场、房地产市场和其他。这种投资决策方式主要围绕不同的资产类别和不同的市场进行展开。基于此的组合分析主要关注在不同资产类别上的暴露情况。例如，在传统的角度来看，总的组合风险可以被归因于权益资产、固定收益资产、房地产资产和股权资产。在这种框架下，投资者无法取理解影响不同资产类别的共同因素（如某一共同的因素能够在何种程度上对权益资产和股权资产产生影响，Melas，2021）。
新的因子配置范式如图5所示，该框架认为组合的风险和收益是由一些共同的因素来驱动的，因此资产配置的风险和收益也同样理应由这些因素来驱动。宏观因子反映的是宏观影响因素，包括经济增长、通货膨胀、市场利率、气候变化等。国家和行业因子能够反映地理因素和行业因素的影响。风格因子反映的是资产之间的共同风格特征如成长性、资产负债表质量等。主题因子则反映了市场结构的变化趋势和市场投资热点的变化行为。最后，不能被这些因子所解释的部分被归结为特质因子，如公司的产品质量、执行能力、管理水平等。 在因子配置框架中的下一个阶段即为将不同的因子对应到投资策略上，如宏观策略、国家配置、行业轮动、风格投资、主题投资和个券选择等。这些投资策略的实现都需要借助大量的投资工具，包括指数基金、共同基金、ETF、衍生品、公司证券等。最后，在因子配置框架的最底层，不同的资产类别只不过是帮助实现因子配置决策的证券池而已。 从上述介绍的因子配置框架中，我们可以看到两个有趣的观察。第一个发现在于，在这一框架中，业绩持续性、气候变化等并不是新的因子类别，他们可以很好地被划分到现有的近似的因子类别中。具体来看，气候因子成为了一类重要的宏观因子，ESG得分是一类新的风格因子，业绩持续性可以被当做一类主题因子。 第二个发现在于，因子配置框架完全揭穿了关于被动投资会降低市场有效性的误解。实际上，这一框架恰恰证明了市场关于主动投资和被动投资的争论完全不在点上。有说法认为尽管指数基金带来了透明性和低费率，但是批评者声称指数基金是完全被动的，因此会对证券进行不加区分的配置，从而伤害市场的有效性。事实上，因子配置框架恰恰说明了这一说法的反面才是对的。如图6所示，在驱动组合业绩和风险的因素中，共同因子风险的影响比特质因子风险的影响更为重要，而投资者可以通过指数型产品来对这些共同因子进行主动管理。
由此，如图7所示，指数型产品不仅没有影响价格发现和降低市场有效性，其通过为投资者提供高效率的工具型产品，帮助投资者可以从不同维度来表达自己的主观观点。
在主动管理型资产配置和组合构建过程中被动指数型产品的广泛使用，给指数型产品的管理带来了挑战。对于市场指数而言，其主要面临的挑战在于如何保证其能够持续地在客观、透明、全面的基础上保持其最初的代表性初衷——即表征不同市场结构股票收益。我们可以通过持续地对市场划分和成分股构成的可投资性进行检验，来保证这一目标的实现。
对于策略指数而言，其主要面临的挑战在于如何保证策略指数能够代表投资者所需要的风格，以及这一风格是否能够长期持续。我们可以通过不断地对采用的因子进行改进，对建模的数据进行挖掘并将学术理论、实证经验和投资实践进行结合，来保证策略指数能够满足投资者的风格配置需求。主题策略指数最近也受到越来越多人的认可，主题指数面临的问题在于如何在纷繁复杂的市场主体中找到影响力持续时间长的主题。这一过程需要我们设置标准的主题坚定标准和严格的组合构建方法。
结论
过去很长一段时间里，投资理论和组合管理都将大量的精力关注金融资产的特质特征和内在价值。其中比较有代表性的为Graham and Dodd（1934）内在价值理论，其展示了如何对证券进行分析并对组合进行管理。这种投资方法将每个资产视为单独的来看待，投资经理根据他们的特有信息来筛选股票。 20世纪60年代后期和70年代初期，随着资本资产定价模型和套利定价理论的发展，金融理论从关注个股选择转到关注组合的分散化投资，市场开始意识到诸如公司所属行业、资产负债表质量、成长性等基本面因子可能是驱动个股和组合收益的主要因素。 基于新的金融理论衍生出的实证研究为因子投资的演变提供了基础。Fama and MacBeth（1973）提出的基本面因子模型成为理解和管理组合风险的标准化工具。Fama and French（1993）及其相关的研究成果认为诸如价值、市值等因子可以带来长期的风险溢价，从而为捕捉因子的风险溢价提供了方向性和实证性的参考。 在指数投资中的发展过程中，同样伴随着理论和研究的进步。传统来看，指数仅仅作为表征市场走势的指标，其被当做是市场指标或业绩基准来看待。从20世纪70年代开始，投资者意识到指数可以当做获取市场风格溢价的工具。自此之后，指数化投资就开始大幅发展。除了表征市场板块的整体走势之外，不断有新的指数被提出来反映投资策略的表现。这一进化使得被动指数型产品，成为投资者实现主动资产配置观点时最有利的投资工具。 本文中讨论的实证研究和投资实践中的发展，为投资者通过宏观因子和市场因子来控制组合风险收益提供了新的方法。因子配置的范式使得投资者可以通过因子模型的角度来理解组合的风险来源，并且通过因子策略来追求风格溢价和市场溢价。越来越多的投资者采用因子模型和配置策略来实现一系列的投资目标，如管理气候风险，对冲通胀风险，寻找不同国家资产的配置机会，在周期性和防守性行业中进行轮动，对成长型和价值型策略进行配置，对新的主题进行主动暴露等等。 注：本文选自国信证券于2022年3月1日发布的研究报告《因子投资的未来——进化、创新与破局》 分析师：张欣慰 S0980520060001 分析师：张 宇 S0980520080004
风险提示：本报告内容基于相关文献，当市场环境发生变化时存在模型失效风险。
本文转至量化藏经阁