本文研究了投资者面对经济动态的不确定性,采用非参数估计消费增长过程,并构建了基于最坏情况模型的资产定价框架。结果表明,最坏情况模型天然包含长期风险特征,能匹配资产价格的高风险溢价、股价过度波动、利率稳定等主要事实。非参数不确定性和模糊厌恶导致投资者对低频波动高度敏感,所决定的最坏情况消费动态表现为ARMA(1,1)形式,实证标定与数据高度吻合,支持长期风险模型的经济合理性和解释力
| 参数 | 数值 | 含义 |
|---|---|---|
| 折现因子 β | ≈0.99¹⁄⁴ | 年贴现率约1% |
| 风险厌恶系数 α | 4.73 | 与模糊厌恶参数绑定校准 |
| 权重参数 λ | 106.8 | 罚函数强度,控制模型不确定性程度 |
| 消费增长波动率(季度) | 1.47% | 假设点估计为白噪声过程 |
| 杠杆参数 γ | 4.806 | 用于杠杆消费权益的收益建模 |
本文着眼于资产定价领域中的长期风险及其对投资者行为的影响,尤其是以一种完全非参数化的视角研究投资者在不确定经济动态模型的情况下如何定价资产。作者提出一个基于投资者对消费增长动态模型的极度不确定性和模糊厌恶(ambiguity aversion)的新型定价模型。在该模型中,消费者对经济模型的理解不仅参数未知,甚至连模型阶数(结构)也不确定,应用非参数估计方法。投资者采用一种极度悲观的“最坏情形”模型进行资产估值,该模型在统计可行性的限制条件下,使终身效用最小化。论文中提出该模型能很精准匹配资产价格的重要特征,包括风险溢价、股价波动性和利率水平。
关键贡献在于为资产定价中存在的长期风险问题(long-run risk)和模型模糊性(ambiguity)建立数学和经济学的桥梁,通过非参数估计结合模糊厌恶,解释现实中的资产价格表现。模型采用Epstein-Zin偏好,风险规避系数取4.7,与实证数据高度吻合。作者还强调,风险或模型不确定性的时变性并非生成收益可预测性的必需条件。,1]
报告开篇指出,经济动态模型的性质在人群间普遍存在巨大不确定性,尤其长期消费增长的动态本质难以确定且极具争议。投资者不仅对参数未知,也对模型形态(阶数)充满不确定性,因此采用非参数方法对消费增长建模,假设该过程可看作是无限阶的ARMA模型。
投资者对模型的未知度通过KL散度(相对熵)来衡量,以统计距离限制合理模型集合范围,运用悲观主义偏好,在所有可接受模型中选择使终身效用最小化的"最坏模型"。该方法源自Gilboa和Schmeidler(1989)的模糊厌恶理论,使用极端事件模型(worst-case scenario)的方法论。
作者理论推导表明:无论点估计模型(point estimate)为何种形式,最坏模型均包含长期风险成分(persistent component),即模型表现出长期趋势且带有持续的风险因子。实质上投资者最害怕的低频冲击,是对未来无穷远的影响,类似于生命期的折现因子带来的长期效应。该结论凸显了长期风险在资产风险溢价形成中的关键作用。,2,3]
文中详细规范了用于描述消费增长的线性时间序列模型,形式为AR(自回归)或MA(移动平均)表示,假设冲击为独立同分布正态变量。将消费增长的模型参数集合定义为 (\Theta = {b, \mu, \sigma^2}),其中(b)涵盖了线性滤波器系数,(\mu)为均值,(\sigma^2)为方差。
通过谱密度函数(spectral density)区分不同频率成分对应的风险大小,并依此衡量模型间的统计距离。统计距离度量采用KL散度并体现为频率加权的平方差异,低频(长期)成分的偏离尤为关键,频率权重体现了不同频率成分对投资者终身效用的影响力。
基于谱分析,投资者偏好动态稳定的消费增长模型,而模型距点估计的偏离以消费增长的频率特征和均值影响为依据量化。该框架有效将时间序列非参数成分和模糊厌恶结合。,6,7,8]
投资者被建模为具有Epstein-Zin偏好结构,允许风险厌恶和互时替代率分离。该偏好形式表达了投资者对时间和风险的复杂态度,且通过损失风险调整项体现风险的加成效应。式中核心为长期风险效应由转移函数 (b(\beta)) 定量,并进入终身效用计算。
投资者决策采用极端稳健(robustness)视角,即在一组统计合理的模型内选择最坏结果模型 (\Theta^{w}),使其效用极小化,但受到KL散度的约束以保持统计合理性,约束强度由参数(\lambda)调节。
与Hansen和Sargent(2001)相比,本报告创新点在于考虑了模型结构(动态)不确定性而非仅冲击分布不确定,且投资者偏好非对数,因而对长期风险尤为敏感,允许最坏模型状态变量与点估计模型不同,具备更丰富的经济学含义。,10,11]
通过严格推导,作者给出最坏模型的谱密度测度公式,式中最坏模型的谱密度由点估计模型的谱密度加上一项依赖于风险厌恶程度、贴现因子及惩罚强度(\lambda)的调整项组成,调整项主要位于低频部分。
具体而言,最坏模型将相当部分权重转移到非常低频率(周期极长),即长期风险成分突出,低频成分权重( |Z(\omega)|^2 )在频率趋近0时趋于极大,这一特征驱动了模型的风险溢价和资产价格的长期波动。作者的Corollary 1在点估计为白噪声时,最坏模型等效于ARMA(1,1)进程,体现出数学简洁的状态空间形式。
图示部分(Figure 1)清楚展示了( |Z(\omega)|^2 ) 权重极度集中于多年甚至数十年以上的周期,最坏模型与基准模型的谱密度对比,凸显了在长期频率上的巨大偏离。,13,14]
该模型下的投资者采用Euler方程以最坏模型动态为依据计算随机贴现因子(SDF),其波动性较传统模型高出许多,长期持久冲击放大了贴现因子的波动,影响资产风险溢价及价格波动。
该部分结合文中近似线性估计和Campbell-Shiller框架,解释了长期风险如何嵌入现有资产定价理论。,16,17]
模型参数采用当前金融文献常用的标准值,贴现因子(\beta=0.99^{1/4}),消费增长年化标准差约1.47%,风险厌恶系数(\alpha=4.73),杠杆参数调整以匹配股权风险溢价。惩罚参数(\lambda)标定为106.8,保证模型风险溢价与市场观测值相符。
通过标定,模型产生的价格/股息比、股权风险溢价、资产收益率波动率、利率水平与历史数据高度吻合。模型还生成了符合经验数据的收益预测(R^2)值,尤其在1个季度至10年期的回归分析中对收益可预测性有很好的拟合,表现出较强的长期风险溢价特征。
此外,模型的最坏动态模型难以用常规统计测试拒绝,意味着投资者的悲观模型并非现实市场数据无法接受,增加了模型的现实可信度。文中还对最坏情况模型的统计检验(Ljung-Box,Andrews-Ploberger测试)进行了详细模拟和分析。,19,20,21,22,23,24]
作者利用美国季度消费数据,从贝叶斯信息准则选出的ARMA(1,1)点估计出发,比较了参数性与非参数性最坏模型传递函数。
结果表明,参数性最坏模型在低频部分与点估计非常接近,其风险调节作用有限,无法生成显著的长期风险溢价;而非参数最坏模型允许无限阶动态调整,能够在极低频波段产生更大偏离,产生更高的风险测度(b^w(\beta)),风险溢价更显著。
图示(Figure 3)清楚反映两者在频率域内的显著差异,突出非参数建模灵活性及重要的经济含义。,26]
本文创新地提出了一个交易长期风险与模型不确定性的资产定价框架,结合非参数时间序列估计与模糊厌恶偏好,推导出自然出现的长期风险动态——最坏情况模型内必然包含低频长期趋势,且风险溢价水平与现实数据高度匹配。
该框架为长期风险模型的识别、稳健定价及模糊决策理论提供坚实的经济及数理基础。模型克服了长期风险模型难以检验的争议,通过模糊厌恶驱动的最坏模型选择策略,解释了资产价格长期波动、风险溢价和收益预测现象,丰富了我们对资产定价的理论理解。
该图形精炼地体现了论文的核心发现:最坏情况模型聚焦于经济的长期趋势风险,是投资者最担心的风险源。
图形支持文本论断,即长期风险溢价解释能较好捕捉市场收益预测特点。
该图具象化表达了非参数估计的优势及其对风险测度的放大效应,为长期风险理论提供视觉支撑。
报告运用Epstein-Zin偏好模型结合“稳健控制(robust control)”和非参数模糊厌恶的理论。估值方法基于模型的随机贴现因子(SDF)计算,SDF依赖于存在长期风险的最坏动态模型。
估值过程中,最坏模型选定为在“统计合理模型集合”内使投资者终身效用最小的分布,使用KL散度约束作为判别距离,惩罚系数(\lambda)控制最坏模型相对点估计的偏离程度。风险溢价与SDF波动相关,长期风险存在增强了风险价格。
本文建立了谱密度加权的优化数学表达式,通过优化谱系数,配合非参数Wold分解提供闭式解,弹性极强。标定时风险厌恶系数与惩罚参数通过理论公式互联,消除了部分自由度,得到合理估计。
在非参数最坏模型的定价框架下,估值能捕捉策略的风险溢价强度、股价波动率、预期回报可预测特征及恒定的低利率。由此,该估值方法为理论默认投资风险与价格变动机制提供了充分支撑。,12,15,18,29,30]
报告揭示的主要风险因素包括:
缓解策略隐含于稳健控制理论框架,即投资者通过模型控制维度和统计约束,容忍合理模型集,同时采用最坏模型定价以保护自身免受极端模型风险的冲击。,10,19,23]
整体而言,报告展示了对长期风险与模糊厌恶的原创性整合,但在模型描述的现实应用和动态调整机制上尚留有空间和想象。,23,24,26]
本文提出的非参数最坏情况长期风险模型,突破了传统资产定价理论对长期风险的局限,为资产定价中不确定经济动态提供了全新的研究范式。其核心发现:
图表方面,Figure 1揭示长期风险权重极端集中低频,引发严重的长期风险厌恶;Figure 2展示模型预测能力与数据进吻合;Figure 3反映非参数方法在频域的优势及风险测度增强。
整体而言,作者成功阐明模型模糊和长期风险是资产价格行为的底层驱动力,提出的稳健控制+非参数估计的组合,促使长期风险模型稳健化,带来更为可信的资产定价机制。,27,28,29,31]
详见报告数学附录,包含最坏模型选择的优化推导,谱密度函数Fourier分解、Wold代表定理应用,在白噪声基准下的特别解构,及与传统多重乘数(multiplier)偏好的对比解释等,强化模型理论基础与方法论合理性。
【注】以上分析保证涵盖报告结构的所有关键论点、数据和图表,对核心金融术语和复杂模型原理予以详细解读,理清论文内在逻辑,确保所引用内容均对应具体文献页码以便查证。
ssrn-5290627.pdf