本报告基于215个美股异象策略构建数据库,筛选出80个显著异象并通过层次聚类方法划分为28个聚类组合。研究发现即使在五因子模型下,依然有超过三分之一聚类组合表现显著,表明现有模型未涵盖全部风险维度。通过最佳优先搜索算法,识别了包括预期增长因子和应计项目相关组合在内的9个核心因子,能够解释所有聚类组合和显著异象,显著提升资产定价模型的解释能力和定价效力。此外,模型新增因子后最大平方夏普比显著提升,体现了该方法的有效性与实用价值
| 因子类别 | 因子名称 | 备注 |
|---|---|---|
| 共同因子 | EG(预期增长) | 重要的增长因子 |
| 聚类组合因子 | Accruals(应计项目) | 尽显异象特征 |
| 共同因子 | SMB(市值规模) | 传统因子之一 |
| 聚类组合因子 | IssuanceAndYield | 发行与收益率溢价组合 |
| 共同因子 | MKTRF(市场因子) | 市场整体风险体现 |
| 聚类组合因子 | STREV(短期反转) | 反转特性组合 |
| 聚类组合因子 | Seasonality(季节效应) | 季节性市场行为 |
| 聚类组合因子 | CapexGrowth(资本支出增长) | 资本开支相关组合 |
| 聚类组合因子 | Epsconsistency(EPS持续性) | 长期盈利增长异象 |
报告首先指出目前资产定价领域通过提出新风险因子模型来解释日益丰富的异象(异常收益现象)。Fama & French(1993)的三因子模型即基于异象。文章提出了一种基于“异象之间的相关性”来将异象聚类的新方法,旨在识别传统模型未能涵盖的维度。
作者构建了涵盖215种异象策略的数据库,这些异象基于美股多空组合策略,利用分位数分组并采用市值加权组合方式。通过5%显著性水平的筛选方法,选出80个均值显著的异象,再利用聚类分析合并成28个等权的异象聚类组合,为后续分析提供了结构化基础。
使用1963年7月至2019年12月期间在NYSE、Amex或Nasdaq交易的普通股数据。异象通过分位数排序变量分组构建,排序变量来自企业特征、股票变量以及宏观经济因子载荷。215个初始变量经过筛选后,80个异象进入后续分析,平均月收益0.49%。尽管整体异象间相关性较弱,但存在明显强相关异象,支持聚类合并的合理性。
聚类分析采用层次聚类(hierarchical agglomerative clustering),基于异象收益序列间的相关系数进行衡量。定义相异性度量d(xi,xj)=(1−ρi,j)/2,取值范围[0,1],越小表示越相关。平均连锁法(average linkage method)用于计算不同簇间距离,并通过迭代合并相关性强的异象组合。
为了确定最佳聚类数,设定相关阈值为0.4,将强相关异象划为一类。误分类定义为“假阳性”(簇内实际弱相关对)和“假阴性”(簇外实际强相关对),在相关阈值0.4下,各项误分类计数随聚类数变化,最优聚类数为28,此时误分类对数最低(236对,占总3160对的4%)。该方法有效地平衡了组内相关性和组间差异性,为异象组合提供了更合理的维度划分。
使用六种不同资产定价基准模型(包括CAPM、Fama-French三因子和五因子模型等)对三个数据集(全部异象、80个过滤异象和28个聚类组合)进行alpha检验,考察模型对异象和聚类组合收益的解释能力。
结果显示,尽管HMXZ5模型(与Hou等2020有关的高维模型)表现最佳,仍有36%的聚类组合在5%显著水平下表现显著alpha,说明当前基准模型仍有遗漏风险因子,缺少解释收益的维度。聚类组合相较个别异象表现出更高比例的显著alpha,说明聚类组合的更平衡结构更准确反映基准模型的解释能力不足。
针对41个候选因子,通过贪婪式的最佳优先搜索算法,选出一组能够最大限度减少显著alpha和降低聚类组合无法解释的方差的因子子集。
最终确定的九因子包括:
该模型能够解释所有28个聚类组和全部80个筛选后的异象,实现了对原始215个异象的有效降维表达。进一步分析发现预期增长(EG)与应计项目(Accruals)因子对模型的提升贡献最大。
引入新因子显著提升了资产定价模型的有效性。采用Barillas和Shanken(2017)提出的最大平方夏普比(Maximum Squared Sharpe Ratio, MS比)指标进行检验,结果表明,在1972年7月至2019年12月的样本期间,传统最好基准模型HMXZ5的MS比为0.37,而基于九因子降维搜索得出的增强模型(SG9)MS比提高至0.51,显著超越传统模型,提升定价准确度。重抽样模拟(100,000次)进一步确认此结论的稳健性。
基于215个异象筛选出80个重要异象并进一步聚类为28个聚类组合,通过严格统计测试确认当前资产定价模型尚有解释不足。采用最佳优先搜索算法从41个候选因子中筛选出具有最大增益的9个因子,建立了更具解释力的资产定价框架。预期增长因子和应计项目聚类组合为模型核心,极大提升了对异象收益的解释能力,实现了理论与实证的结合,推动异象策略的系统整理和定价模型的升级。
此外,报告还提醒投资者关注该研究结论基于历史数据和选定样本,具体应用时需结合实际市场环境及风险考量,且报告仅供参考,不构成投资建议。
整体报告具有较强的理论深度和实证支持,聚类方法与降维策略为复杂异象策略体系的研究提供了有力工具。
报告未详细展开各风险因素,但结合内容,可以归纳出核心风险点如下:
本报告系统梳理和分析了股票市场中丰富的异象策略的相关性结构,通过聚类分析归纳成28个代表性聚类组合,从而为资产定价模型的改进提供了坚实基础。利用最佳优先搜索算法从候选因子库中筛选出9个核心因子,包括预期增长、应计项目等关键因子,大幅提升了模型对异象收益的解释能力。改进后的模型最大平方夏普比显著提高,展现出较传统五因子模型更强的定价能力和业绩解释力。
聚类图表清晰展示了误分类随聚类数变化过程,为精确定义异象之间的相关结构提供了数据支持,降低了多重异象的干扰。收益维度分析和alpha检测结果进一步确认了新模型的必要性和有效性。总之,本文的研究框架和方法为深入理解和利用异象策略提供了创新且实用的途径,尤其是强调了预期增长及应计项目相关因子的核心价值。
该报告结论对金融工程和量化投资实践具有重要启示意义,鼓励通过系统性方法解析资产定价异象,完善风险定价工具,推动资产管理模式优化。
(全文引用标注:)
异象策略的相关性结构.pdf