投资于一个多维的市场

26年前,金融分析师期刊发表我们的发现在股票市场的回报“异常”——股票价格行为,被认为是异常的有效市场假说。我们发现市场洋溢着这种价格的复杂网络的行为,反映了许多基本的交互和行为因素,以及监管环境等制度特征。

当时已知的异常约为25日,但没有人认为他们共同。我们是第一个认识到的重要性,同时分析多个异常。我们开创了理清返回的大量异常之间的关系,推导”纯“回报每一个独立于所有其他异常的影响。控制异常之间的互关联提供了一个清晰的return-predictor关系和区分异常是真实的从那些仅仅是代理其他效果。

我们的研究结果显示更大的维度股市比单因素提出的资本资产定价模型(CAPM)或通过先前的研究,只看着一个或几个异常。与更大的维度模型能更好地解释股票收益的横截面。此外,我们发现的结果纯化返回异常提供更好的预测股票收益比单独分析每个异常的结果。哈利马科维茨前言中指出资产管理:股票选择的定量分析”,这样的理清多个股权属性提高预期收益的估计。“最近的实证研究证实了这一发现Lewellen(即将到来的),谁表明,使用更多的因素提高了模型的解释力,旨在预测回报。

这些发现质疑“智能β”今天的投资趋势策略,目标有限数量的异常,或因素,如体积小、价值、价格动量,低波动性——历史上表现良好。智能测试策略假设股票市场中选择几个因素产生持久的回报。我们将讨论,这种假设并不是一个好的近似所观察到的现实。

市场的多重空间

在过去的几十年里,研究人员已经发现了数以百计的因素。但这些因素可以被解雇,因为他们不能被复制或他们无法返回的样本外预测——在其他时间或在其他市场。

许多的因素的重要性也可能有问题。例如,哈维、刘、朱说许多因素被“发现”,因为研究人员经常忽略的可能性一定数量的因素必然会显示统计上显著的结果仅仅是出于偶然。他们建议,鉴于大量因素测试到目前为止,使用t统计数据是3.0,而不是传统的阈值为2.0,可以帮助清除因素出现有效但实际上是只有数据挖掘的结果或机会。即使采取了更严格的标准,卓越的维度存在于市场。

在我们最初的研究中,我们发现9 25因素测试是重要的一个t统计的3.0或更高版本,通过多变量分析纯化因子的回报。我们的重要因素包括低市盈率,但不是低股价;sales-to-price比率,但不是book-to-price比率;在上个月收益惊喜,但不是在前几个月;相对强度(价格动量);修正在分析师的盈利预测;并返回逆转。小尺寸略大。(t统计对小尺寸是2.7。由于小数量的因素被检测的时间,t这级无疑是重要的统计)。与CAPM相反,市场β不显著甚至在牛市。现在我们列出的因素覆盖大部分的因素包括智能β保护伞,我们多次确认为显著因素的数量通常今天追求的智能测试策略。

最近,绿色,张手,证实了非凡的多重空间的股票市场。他们在100多元测试执行因素,发现24因素t统计超过3.0。有趣的是,一些流行的智能β因素,如规模、book-to-price比率,和价格动量,不是最重要的因素之一。

一个多维方法的优势

factor-investing方法保持一个常数倾向于一个或几个因素是简单和直观。然而,这种方法忽略了潜在的回报可以从其他重要因素,以及随时间变化返回到目标的因素。

多维组合可以达到接触大量的因素,因此将利用更多的机会比一个聪明的测试策略是基于只有一个或几个因素。此外,多维组合收益多元化等多个因素。它比智能测试组合不受任何一个表现不佳的因素。因为一些因素表现不佳,其他人可能比,促进更大的性能的一致性。(因为暴露因素是通过持有的标的证券,在多维因素多样化投资组合是通过多样化的安全资产。)

例如,价格动量因子用于一些精明的测试策略,偶尔很容易崩溃。当市场逆转方向在2009年触底后,坠毁的动力因素。但是返回到动量因子与返回值因素往往是负相关,因为动量策略买过去卖输家和赢家而价值策略通常买过去的输家和赢家出售。实际上,当动量因子产生巨额亏损,2009年book-to-price价值因素表现良好。

光滑的回报,投资者可能选择使用动力智能测试策略和价值智能测试策略。但使用独立的策略可能是一个问题。虽然不同的策略专注于不同的因素,他们的安全资产可能重叠,增加安全风险,或贸易相同的安全策略可能在相反的方向,增加交易成本。

另一种方法是结合因子和动量因子的值在一个投资组合。这种方法还顺利返回,同时避免重叠和不必要的交易安全。然而,这样的策略可以提高二维因素维度通过使用额外的因素。例如,2009年市场低谷后,小型的因素将进一步增强性能的策略。结合动力、价值、大小和其他重要因素多维策略,可以获得更一致的性能比β可以通过智能策略基于几个因素。

尽管回报因素随时间(就像我们之前的例子突出),一些因素的变化可能是可预测的因素之间的关系和经济或市场条件。纯返回到小型的因素,例如,可能是可预测的基础条件的基础上。因为智能测试策略持有一个常数暴露于一个或几个因素,不管基础条件,他们的表现可能会受到因素的可变性的回报。

智能测试策略的调整规则也会限制他们的获利机会。考虑回报收益惊喜和回报逆转,而迅速衰减。这些因素很难获取与大多数智能β的罕见的平衡策略。策略可以贸易机会出现时能更好地利用时间敏感因子的回报,提供的交易预计将盈利的净交易成本。

智能测试策略通常是基于普遍,一般很多管理者使用的因素。这种方法让他们容易表现因素拥挤:太多的投资者买入(或卖出)相同的证券的基础上相同的因素。这可能导致危机因子高估和因素,就像很多投资者追逐任何资产会导致高估和修正。例如,Khandani和罗认为,在2007年8月,被迫去杠杆化一些量化对冲基金需要清算股票与常用的相关因素,导致性能问题其他量化管理器使用类似的因素。

此外,通用的自然因素所使用的智能测试策略,结合他们的平衡规则,可能使他们更容易受到前运行。前运行会发生当交易员预期的再平衡需要智能测试策略和股票交易将被添加到或从智能β组合在不久的将来。众所周知,最突出的小型股票指数的年度平衡影响前运行。最近的证据记录不良智能测试策略,价格压力平衡的基础上,这种法玛—弗伦奇大小和账面值对市值因素的价值。随着智能测试资产的增长,不利的价格压力可能会增加,从而导致更高的调整成本。更大的价格压力将创造更大的机会面前跑步者获利的智能测试策略。

过度拥挤和前面跑的问题使用专有的策略,而不是通用的,因素。专有因素定义不公开和不同经理经理和经理使用专有因素一般关闭策略新资产时接近容量限制。因为智能测试策略依赖于常用的因素,他们更有可能遇到其他经理人交易带来的价格压力或从跑步者面前。

智能测试策略的简单性和透明度提供更大的可访问性和可能导致降低管理成本。然而,尽管每年通常组合流失率低智能测试策略,交易成本在周期性的再平衡可能加剧了价格压力和前运行。多维策略,使用众多因素,既不简单也不透明。因此,评估投资过程是资产拥有者的要求更高。但这种策略可以受益于专有因素,也使他们更容易受到因素拥挤和前运行。

最后,智能测试策略转变的决定因素和时间因素的选择风险资产拥有者从投资经理。在承担这些责任,资产所有者可能承担新的风险和承担成本超出了低费用收取的智能测试经理。相比之下,多维策略经理负责投资决策。

结论

许多年前,我们开创了理大量因素在股票市场上,许多人是巨大的。后续的研究已经证实了市场的惊人的多重空间:市场有许多因素都是凭直觉明智的和统计和经济意义。

我们相信投资策略基于众多专有因素动态适应市场环境有几个优势智能测试策略基于一些常见的、通用的因素。使用专有因素可以提供独特的价值,同时减轻因素拥挤和前运行。这样一个动态的、多维的方法也可以提高性能的一致性,因为它允许多样化在许多专有因素和调整暴露于这些因素。

上面的客座社论发表在2014年11月/ 12月出版的金融分析师期刊。

如果你喜欢这篇文章,别忘了订阅有事业心的投资者。

---

所有文章作者的观点。因此,他们不应该被视为投资建议,也不代表CFA协会的观点表达的观点或作者的雇主。爱游戏安全吗

图片来源:©iStockphoto.com/blackred