《资产配置vs.因子配置 我们能否构建一类两者兼顾的策略?》详尽分析报告
一、元数据与概览
报告标题 :《资产配置vs.因子配置 我们能否构建一类两者兼顾的策略?》
作者 :吴先兴
发布机构 :天风证券股份有限公司
发布日期 :2020年11月4日(对外发布时间)
主题 :基于资产配置和因子配置的融合策略构建,聚焦多资产组合管理和因子投资理论
依托文献 :Jennifer Bender, Jerry Le Sun, Rick Thomas, Asset Allocation vs. Factor Allocation – Can We Build a Unified Method? 《The Journal of Portfolio Management》,2018年第45卷第2期,页码9-22
核心论点 :
报告探讨了传统资产配置方法与基于因子的资产配置方法的区别与融合可能,提出一种兼顾战略性资产配置与战术性因子配置的统一框架,验证其在多资产跨因子组合中的优越表现,挖掘系统性风险因子在多样化投资中的核心作用,弥补了传统资产类别配置多元化在市场极端冲击时失效的缺陷。报告同时强调围绕因子暴露和因子收益分布的建模与预测是实现该框架的关键,最终生成风险调整收益优异的投资组合。
二、逐节深度解读
1. 引言
关键内容 :报告开篇指出,传统多元化投资组合主要基于股票和债券等资产类别的分散配置,但近年市场大幅波动中,这种多元化效果显著削弱,引发“最需要多元化时多元化消失”的经典业界认知。基于上述现象,报告提出了因子资产配置的理念,将资产配置视角从宏观资产转向微观因子层面,以期实现对多元化和收益提升的优化。
逻辑与依据 :这段背景说明了传统资产类别多元化的局限性,强调因子驱动资产回报的关键性。因子暴露能直接反映资产间的系统性关联,比仅仅不同资产类别划分更具解释力。
数据或定性陈述 :无具体数据,强调多元化的实操挑战及理念转变。
2. 从传统资产配置到因子模型
关键论点 :
传统资产配置通常涉及在股票、债券、商品、现金及另类投资间进行分配,结合历史回报与风险预测构建战略组合,同时辅以短期轮动及技术指标进行战术调整。
因子模型则将资产回报视为宏观经济因子与风格因子的线性组合,公式为:R t = B t F t + ϵ t R_t = B_t F_t + \epsilon_t R t = B t F t + ϵ t ,其中B t B_t B t 代表资产对因子敏感性,ϵ t \epsilon_t ϵ t 为不可解释的残差。
扩展残差项以引入内生异质因子、投资经理观点和非系统性剩余收益,最终分解为战略(持久性因子暴露)和战术(短期因子偏离及裁定观点)部分,即:
R t = B t F ‾ t + B t Δ F t + Γ t I t + V t + η t R_t = B_t \overline{F}_t + B_t \Delta F_t + \Gamma_t I_t + V_t + \eta_t R t = B t F t + B t Δ F t + Γ t I t + V t + η t
推理依据 :
该模型综合了宏观经济状态(如经济增长、通胀)与风格因子(如动量、波动率),并允许投资经理自由裁定对模型的适度修正,体现资产收益的长期趋势与短期变动。
定性解释 :
战略部分反映资产对长期因子的整体暴露。
战术部分综合短期因子波动、异质因子影响以及经理见解,体现动态调整。
3. 基于因子的多资产Alpha框架
论点 :本文提出的框架旨在结合因子预测和资产预期收益,跨资产纳入宏观及风格因子,实际步骤包括:
选择宏观和风格因子
估计资产对因子暴露
构建因子模拟投资组合
预测因子组合收益
创建最优因子组合
推断资产类别预期回报
构建最终投资组合
逻辑 :
利用因子模型直接预测资产未来收益,克服传统资产类别定性判断的局限,增加投资组合的系统性韧性和收益潜力。
4. 跨资产Alpha模型实证分析
4.1 选择宏观状态变量和风格因子
选取宏观因子包括经济增长(GRWTH)、通胀(INFLTN)、实际利率(REAL)。
风格因子采用动量(MMT)、波动性(VOL)。
这种因子组合既囊括了宏观经济周期影响,也吸收了市场行为风格因素,强化策略对系统性变化的响应能力。
4.2 估计资产对因子的暴露程度
以时间序列回归测定资产对因子的敏感度,考虑长期稳定性与短期变动。
风格因子分为基于回报和基于基本面的两大类,后者通过计算分位点或z值实现跨资产类别可比。
通过量化暴露,资产收益可以映射到因子维度,为后续因子模拟组合构建提供数据支撑。
4.3 构建因子模拟投资组合及收益表现(图表解读)
因子因其不可被直接投资,故构建模拟组合实现因子暴露。
图5(战术因子组合累计收益)解读 :
战术因子组合收益波动显著,体现其针对短期风险调整的特征。各因子均表现为正超额收益,验证承担系统性风险的溢价存在。
图6(战略因子组合累计收益)解读 :
战略因子组合收益较为平稳且持续上涨,反映长期因子暴露带来的稳健回报。
战术因子的高波动反映了短期配置灵活性与收益不确定性权衡。
4.4 预测模拟投资组合的收益
采用历史均值法分别预测短期(一年)与长期因子收益。
该方法简单透明,结合因子收益的不同时间尺度,合理推断未来组合表现。
4.5 构建最优因子组合
约束不同,战略组合限制权重非负且总和1以降低风险,战术组合权重相对自由以争取更大收益。
目标是最大化风险调整后回报。
通过对因子模拟组合权重优化,提升整体组合的收益-风险特性。
4.6 资产类别的期望收益推断
利用资产方差协方差矩阵Σ \Sigma Σ 及最优因子权重λ \lambda λ 计算资产权重:
ω O F P = Σ − 1 α , α = Σ P γ λ \omega_{OFP} = \Sigma^{-1} \alpha, \quad \alpha = \Sigma P^{\gamma} \lambda ω OFP = Σ − 1 α , α = Σ P γ λ
该数学表述将因子组合收益映射至资产类别,体现组合理论中的基于协方差优化原理。
4.7 构建最终最优组合及实证结果(图表解读)
最终投资组合通过最大化风险调整收益进行权重分配,权重限制在1%-35%区间,权重合计为1。
三类策略:
SAA QUANT:长期因子暴露,较严格约束;
TAA QUANT:短期因子暴露,宽松约束;
TAA DISC:自由裁定增强版。
图9解读 :
三种策略累计收益均较为可观,夏普率在0.82至0.94之间,显示策略在风险调整后表现出色;
年化换手率低,约23%,说明组合稳定且交易频率合理;
战术策略信息比率保持0.52至0.75,突出战术调整的增值空间。
三、图表深度解读
图1:典型资产配置框架(第2页)
展示传统资产配置方法中资产类别的分层分配与预测调整流程。
说明传统资产配置侧重资产级别分散,而非因子层面深入理解风险。
图2:各类资产累计收益(第4页)
时间跨度:2012年1月至2016年10月。
资产包括美国大盘(R1000)、小盘(R2000)、REIT、新兴市场、债券指数(AGG,高收益债券HYLD,TIPS)、黄金、大宗商品及现金。
趋势及解读:
美国大盘股和小盘股表现明显优于债券和现金,累计收益约1.7-1.8倍。
高收益债券表现最差,低于1倍基线,显示显著回撤。
黄金表现亮眼,稳健上涨,符合其避险属性。
新兴市场波动较大但总体处于震荡区间。
该图表展示了不同资产类别间收益差异及波动,为后续因子建模提供背景。
图3:备选因子(第5页)
展示了宏观因子(经济增长、通胀、实际利率)与风格因子(动量、波动性)等候选因子框架。
说明因子选择涵盖经济基本面与市场行为特征。
图4:资产对因子的暴露(2016年9月)(第6页)
展现各资产类别对应四个宏观和风格因子的标准化暴露。
突出资产间的差异性因子暴露,为构建因子组合提供基础。
图5 & 图6:战术与战略资产配置因子模拟组合累计收益(第6页)
对比两种策略下因子组合的收益发展,展示短期与长期配置表现差异。
短期波动更大但潜在收益爆发更明显;长期更稳健。
图7 & 图8:战术与战略资产配置因子模拟组合收益表现(第7页)
图9:战略和战术策略表现(第8页)
汇总三种策略的累计收益和风险调整结果。三者均表现不俗,验证框架有效性。
四、估值分析
本报告核心不涉及直接的企业估值或传统股价预测,而是聚焦宏观层面的资产配置优化模型。估值部分泛指通过因子暴露、因子组合权重及方差协方差矩阵构建的理论资产权重估计和预期收益推断。所用方法包括:
因子模型分解资产回报
时间序列回归估计因子暴露
解算最优因子组合权重以最大化风险调整收益
利用协方差矩阵及因子模型推导资产最优权重
上述过程类似于多因子模型的组合优化,涉及对Σ − 1 \Sigma^{-1} Σ − 1 矩阵的计算及约束条件下的权重分配,体现投资组合理论与资产定价理论的结合。
五、风险因素评估
报告提醒因子预测模型可能失效,尤其在遭遇黑天鹅事件(如英国脱欧、国家违约)时,因子模型无法完全捕捉。
模型的预测基于历史数据及因子稳定性,若宏观经济或市场结构发生根本变化,模型效果将受影响。
投资经理的自由裁定因子提供一定缓冲空间,但其主观性也带来额外风险。
因子模型的构建及因子选择依赖高质量数据与稳健统计方法,不当操作可能导致过拟合或信息误用。
换手率虽低,但仍存在市场流动性、交易成本风险。
六、批判性视角与细微差别
报告积极强调因子配置优势,但也须警惕因子预测准确性的瓶颈及模型对极端事件的脆弱性。
战术因子组合带来的高波动性虽然可能提升收益,但也有加大回撤风险的隐患。
自由裁定部分虽增加灵活度,但若裁定观点频繁失误,可能抵消因子配置带来的超额收益。
研究中未详述交易成本、税收及实际操作摩擦对策略表现的影响,这在实务中不可忽视。
多因子模型的因子选择与权重调整或存一定主观判断,不同模型间可能存在表现差异。
七、结论性综合
本报告基于Jennifer Bender等人的学术研究,详细探讨了资产配置与因子配置的结合路径,提出了一套融合战略性(长期因子暴露)与战术性(短期因子调整及自由裁定)的多资产跨因子配置框架。通过数学模型建立资产回报与宏观及风格因子的映射关系,利用时间序列方法估计因子暴露,构建因子模拟组合,并以风险调整收益最大化法选取最优因子组合,最终推断资产预期收益及投资组合权重。
实证分析涵盖了十种典型资产类别,研究期间2012年至2016年,证实该框架可以显著提升投资组合的风险调整后收益,夏普率达到0.82至0.94,换手率低,显示策略兼具稳健性和效益性。
图表解读显示,传统资产收益虽然存在波动且部分资产回撤明显,因子组合尤其是战略因子组合表现出较稳健且持续的正收益。短期战术因子组合则展现更高波动但也带来超额收益的可能。组合优化后的最终投资策略有效融合了战略与战术因子信息、市场观点与预期收益,生成高度多元化且具有系统性风险调整能力的投资组合。
总的来看,报告全面系统地验证并展示了将资产配置决策基于因子的理论与实践框架,既克服了传统资产类别多元化的局限,也整合了定量与定性分析思路,为资产管理者提供了创新且务实的资产配置工具。
溯源参考:
引言及因子配置框架介绍:1 ,2 ,3 ,4
多资产Alpha框架与步骤:4 ,5 ,6 ,7 ,8
图表解读详见页面4、6、7、8的图片及说明
结论及策略表现总结:9
以上分析系统覆盖了报告的主要内容、论点、数据、模型框架及实证验证,力求客观、全面且深入,符合专业金融分析师的解读要求。