学海泛舟基于横截面和时间序列 预测变量的因子择时
Posted HARVESTTIMES
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了学海泛舟基于横截面和时间序列 预测变量的因子择时相关的知识,希望对你有一定的参考价值。
博士后工作站 臧金娟
嘉实—学海039号介绍的是 《基于横截面和时间序列预测变量的因子择时》 的相关内容。该论文认为对因子策略的择时需要包括两个层面的信息。
第一,在某个时点的横截面上,不同特征的投资组合效果的差异较大,比如,长期来看价值股票会比成长股票表现较好。
第二,价值股票相对成长股票的收益会随时间变化,价值因子相对其他因子(动量)的收益也是随时间变化的。因此基于横截面和时间序列对因子的预测和择时是十分必要的。该论文分析了如何综合横截面和时间序列的信息对因子收益进行预测,这些因子策略包括价值、质量、规模、动量和最小波动性策略。这几个因子都是通过MSCI的Smart beta指数来表示的。
该研究分析了四个指标——经济周期、估值、相对强度和离散度的择时效果。具体来说,通过经济增速和衰退的概率来表示经济周期的不同阶段,可以发现在每个经济周期阶段每种因子的表现情况,这就是对因子来自时间序列层面的预测变量。通过在时间序列上确定经济所处的阶段,然后做多该经济阶段表现较好的因子,而同时最空表现较差的因子,从而时间对因子的择时。横截面层面,论文构建了估值(Valuation)、相对强度(Relative strength)和离散度(Dispersion)三个指标。通过三个指标可以判断因子的相对收益从而实施择时策略。另外,论文还构建了四个指标综合考虑的择时策略,结果表明利用多个择时指标进行的因子择时策略会比单一的择时指标效果更好。原因是几个择时策略的相关性较低,能够起到成分分散化的效果。另外,论文也证明了利用估值和相对强度指标进行因子择时并不会导致投资组合过多的暴露于价值和动量因子上。
本次推荐的论文对于资产配置方法中因子投资的收益预测和因子配置有借鉴意义。目前被动投资盛行,因子投资和smart beta受到越来越多的关注,而对这些因子的择时是提高组合收益的有效途径,值得我们投资和研究的关注。可以针对文中的方法检验中国市场上对因子择时的有效性和适用性。
改进了基点价值中性法计算套期保值比例的不足,依据利率期限结构的变动情况动态选择是否需要建立期货空头头寸并调整套期保值比例。实证结果表明动态择时套期保值策略能够有效的控制利率风险并获得稳健的策略回报,有助于更好的发挥国债期货利率风险规避和资产配置职能。
以上是关于学海泛舟基于横截面和时间序列 预测变量的因子择时的主要内容,如果未能解决你的问题,请参考以下文章
R语言glm拟合logistic回归模型实战:基于glm构建逻辑回归模型及模型系数统计显著性分析每个预测因子对响应变量的贡献
论文研读1.0 基于神经网络与因子分解机的点击率预估应用研究(陈检)
R语言广义线性模型函数GLMglm函数构建逻辑回归模型(Logistic regression)构建仿真数据集控制所有其它预测变量进而评估单个预测因子对结果概率的影响