公司资讯

您的位置 > 首页 > 公司资讯 > 研究视点
公司资讯

研究视点

专栏:风格预测模型的构建思路

来源:基金视窗 作者:摩根士丹利华鑫基金数量化投资部 王联欣 发布日期:2017-12-12

多因子模型的一个基本假设是可以用一系列因子作为解释变量,来对股票的收益进行分析和预测。而通常来看,多因子模型会使用到的因子类别主要包括了行业因子、规模因子、估值因子、成长因子、盈利因子、动量反转因子等,它们分别代表了上市公司可能面临的不同风险来源,如行业风险、规模风险、财务风险等。
  但众所周知,除了上述列举的因素外,宏观经济层面风险也会对上市公司的运作和业绩造成或多或少的影响,这通常能够通过资本成本、投资者预期和企业盈利等因素反映出来,其中影响股票收益的具体宏观因素可能包括GDP、PPI、CPI、经济周期、利率水平等。不过鉴于大多数多因子模型都是从截面出发,尝试挖掘不同因子水平对股票收益的影响,而显然宏观因素在截面上对所有上市公司来说都是无差异的,因此这些模型也就没有必要将宏观变量纳入解释因子范畴,进而不可避免的在模型构建中丧失掉部分宏观层面信息。
  尤其是在最近几年,宏观层面因素对不同类别股票收益造成的差别影响愈发明显。例如,我们可以观察到在货币政策宽松的背景下,更富价格弹性的股票会具有更强的上涨动力,相反在货币趋紧的背景下低贝塔股票的收益更高;其次在市场波动放大、投资者情绪逐渐高涨的市场中小市值股票具有更大的上涨空间,相反在持续低迷的市场中大市值股票更具配置优势;再次在经济快速增长、经济周期向上的条件下计算机等高科技成长型企业的表现有更多机会跑赢市场,相反在经济增长放缓的时期,防守能力突出的价值型股票配置价值更高。总体而言,尽管宏观变量难以被直接纳入到传统的截面分析框架中,但在时间序列上与不同类别股票的收益所存在的相关关系却值得重视,而对于不同类别的股票收益我们常常会用股票风格来进行表征。
  既然可以观察到股票风格与宏观变量在时间序列上的相关关系,那我们自然就可以建立一个宏观变量对股票风格的预测模型,进而对股票的风格收益做出更为精准的预测,同时并入传统的多因子框架,这样也能在股票收益的最终预测中纳入宏观层面因素的影响,以弥补原有截面多因子模型的部分信息缺失。当然,模型构建思路相对来说比较简单,但具体操作流程仍较为繁杂,一方面可能影响风格收益的宏观变量数量众多,如何取舍以及使用怎样的预测模型进行训练都值得商榷,另一方面则在于如何能够更有效地将风格预测的结果与传统多因子模型相结合也会是一个技术活。无论如何,要想让手中的投资模型更加智能,确实也必要在背后付出更多的努力。