本报告基于Black-Litterman(BL)模型,结合Barra多因子模型,提出利用BL模型确定多因子权重的方法。以因子收益率均值作为BL主观观点,因子收益率协方差作为信心水平,求解最优因子权重后进行合成选股。实证中证800指数成分股,BL-Barra多因子组合回测表现显著优于因子等权组合及基准指数,年化超额收益达12.29%,充分体现BL模型在因子配置中的信息融合优势
| 组合 | 累计涨幅(2010-2022/2/28) | 年化涨幅 | 相对中证800累计超额收益 | 年化超额收益 |
|---|---|---|---|---|
| BL-Barra多因子组合 | 430.14% | 14.69% | 397.25% | 12.29% |
| 因子等权组合 | 284.12% | 约11.69% | — | 3.00% |
| 中证800指数 | 33.45% | — | — | — |
| 因子 | 2021.10 | 2021.11 | 2021.12 | 2022.1 | 2022.2 | 2022.3 |
|---|---|---|---|---|---|---|
| Beta | 37.2% | 44.9% | 81.4% | 149.7% | -101.2% | -349.3% |
| 规模 | -6.1% | -13.6% | -62.8% | -131.5% | 141.0% | 600.6% |
| 估值 | 23.4% | 24.4% | 22.2% | 18.4% | -23.8% | -196.1% |
| 成长 | 52.0% | 62.7% | 73.7% | 82.0% | 25.4% | -125.4% |
| 流动性 | -18.0% | -27.6% | -40.2% | -55.1% | 52.1% | 176.4% |
| 长动量 | 8.9% | 11.4% | 17.9% | 31.2% | -17.8% | -18.9% |
| 短动量 | 0.4% | -6.4% | -20.1% | -31.8% | 33.8% | 142.9% |
| 波动率 | 2.3% | 4.3% | 27.8% | 37.1% | -9.5% | -130.1% |
报告标题:Black-Litterman 模型研究系列之六 —— 使用BL模型确定因子权重
作者及分析师:
核心论点与主旨:
报告旨在展示如何将BL模型(基于贝叶斯框架,结合主观观点与均衡市场信息)与Barra多因子模型相结合,解决多因子模型中因子权重确定的问题。具体应用中,BL模型的观点被确定为因子收益率的均值,及其协方差表现观点的信心水平,进而推导出最优的因子权重,最终将权重应用于多因子选股组合构建。实证回测显示,BL模型加权的多因子选股组合在2010-2022年间的表现明显优于因子等权组合及中证800基准指数,表明了BL模型在多因子投资组合优化中的实际有效性。
投资评级及目标价:本报告属于量化策略与方法研究报告,目前未包含具体的股票评级或目标价。
本章简要回顾BL模型的基础数学框架,核心在于贝叶斯式融合均衡收益与分析师主观观点,推导资产的后验收益率均值和协方差矩阵:
分析重点强调相较于股票收益率,因子收益率更平稳且噪声影响较小,适合作为BL模型的主观观点基础,从而使BL模型不仅限于资产配置,也可用于确定因子权重,提高多因子模型的有效性。
通过举例(4个因子,5支股票)完美说明主观观点矩阵与组合收益之间的线性关系,明确BL模型中的观点均为相对观点,强调观点矩阵中各行元素和为0,保证因子纯度及中性策略的要求。
根据He & Litterman(1999)的理论,结合Walters(2009)的证明过程,报告详细推导了BL组合权重w^的表达式并进而推导出因子权重λ的计算公式:
λ=δτΩ−1Q−A−1P1+τΣweq−δ(1+τ)τA−1PΣPTΩ−1Q其中,A=τΩ+1+τPΣPT。
此表达式将因子权重显性化地划分为三部分贡献:观点收益调整项、均衡权重调整项以及协方差加权项,准确反映了市场均衡与投资者主观观点的融合机制。
结合上述推导,作者进一步完善了BL模型的因子权重计算框架,基于均衡权重weq(先验因子权重)实现了BL模型的因子层面优化。
以上内容保障观点权重矩阵Ω的准确反映事先因子风险,增强了BL模型对风险的合理计量。
报告选取涵盖七大类共八个因子(具体见表1),如Beta、规模、估值(PB、PE、PS)、成长、流动性、长短动量、波动率等,并使用中证800成分股2010-2022/2月期间月频因子收益进行模型回测:
选股方式为每月基于最优因子权重构建合成因子,执行行业中性约束选股,平均每期选32只股票。
实际回测数据显示:
此外,BL组合相对于基准指数累计超额收益高达397.25%,年化超额收益率12.29%,明显优于因子等权组合的3.00%年化超额收益。
该图支持文本论断,BL模型融合信息量更丰富,组合表现稳定且超额收益持续累积
图2直观反映了BL模型在收益提升方面的持续优势,是报告的核心量化绩效展示。
该表为多因子构建基础,体现了因子的全面性和多样性。
合理调整因子权重,增强了风险管控与收益提升能力。
本报告并无传统意义上针对股票或行业的估值(如市盈率、市净率、DCF模型)分析,重点在于多因子组合权重优化及策略回测结果。BL模型本身属于资产配置框架,核心侧重组合权重推导与优化而非绝对估值。
报告在开头和结尾均明确提出风险提示,作为量化策略:
报告未具体细化其他风险(如数据质量风险、模型误设风险、极端市场风险等),但明示量化策略应用需持续动态评估历史数据有效性,谨慎处理模型适用性。
观点权重与风险厌恶参数设定可能带来主观性:报告直接设定τ=0.05,δ=0.5,但未详细披露参数选择的敏感性分析或调优依据,可能导致模型表现对参数依赖较重。
有效性依赖因子收益稳定性假设:报告基于因子收益率稳定性高于股票收益率假设构建模型,但实际因子在极端市场环境下可能失效,模型鲁棒性需结合更多测试。
因子权重波动幅度较大:表2数据显示部分因子权重在短期内出现大幅正负切换,可能加剧组合换手率和交易成本,报告无交易成本考量描述。
缺少对市场环境变化影响的深入讨论:如2020年疫情冲击期间模型表现,未进行详细剖析。
报告无详细约束条件处理说明:实际资产组合中均值-方差优化常需加入约束(如行业中性、最大持仓比例等),文中对约束条件处理描述较为模糊。
以上仅为报告潜在改进空间,整体能客观展现模型效能与理论基础。
本报告系统阐释了基于Black-Litterman模型,结合Barra多因子模型构建因子权重优化框架的理论与实践:
总之,基于BL模型的因子权重确定方法为多因子投资提供了一种科学、多信息融合的权重分配框架,具有极高的实用价值和学术贡献价值,推荐相关领域研究者及实务投资者深入学习和应用。
报告主体内容及推导基于第0-11页,所有重要结论及图表均对应具体页码标注,确保文本与数据源的准确映射。
Black-Litterma模型研究系列之六:使用BL模型确定因子权重.pdf