指数+因素+α(总结)

本文提出了一种新的方法结合市值指数(或“指数”),因素,alpha-seeking基金。程序补充传统的优化过程,而不是取代它。

贝叶斯框架用于模型的结合投资者的信念在技能和观察记录的基金经理。投资者集夏普比率或先验信息比率(IRs)超过指标和因素的策略,使用的优势,这些都是重要的统计评估基金经理和资产配置。

这个框架背后的直觉是,信念越高对alpha-seeking基金投资者,之前之前越高意味着和更严格的标准偏差在活动基金的国税局和更积极的风险预算将被分配到α与因素的策略。

因素的策略,另一方面,经济基本原理和悠久的历史。他们可以实现在低成本和透明的车辆,如交易所交易基金(etf)。因此,投资者的信心度的因素可能是不同于他们的信念alpha-seeking策略。α应该提供收益超过风险因素为了资金分配给alpha-seeking策略。

作者的夏普比率得到后验分布实施之前的均值和方差,并明确模型管理成本。

作者说明股票的方法,但方法是适用于其他索引/因素/α在其它资产类别和在一个投资组合。

的说明他们所使用的方法,标准普尔500指数市值指数。

他们使用标准的做多因素动量投资策略,跟踪minimum-volatility,价值,体积小,质量因子都通过etf是容易的。他们回归因子指数回报指数,然后使用和残差表示的因素。

作者使用晨星数据库为美国上市股票共同基金的潜力α从事基金。他们计算月度频率活跃返回的总基金回报率减去所述主指定的基准指数。alpha-seeking基金的超额收益相对于学术文献中常用的系统因素的先验形式alpha-seeking基金。方法可以适应任何明确的先知先觉。在这种情况下,作者利用学术出版的悠久历史因素通知上的先验因素但他们使用可投资的因素指标的投资。

作者使用一组不同的先验信念因素和α国税局和比较结果后和预测均值和方差。前国税局是设置为完整的数据平均值。他们引导使用禁止掉头抽样(坚果)生成后和预测信息比率,阿尔法,协方差矩阵。他们使用自动微分变分推理(ADVI)来初始化采样,设置目标的接受率80%。后的预测分析,产生50000个模拟的回报。

最后,他们使用预测时刻构造均值-方差投资组合:最大化组合活跃net-of-fee返回做多约束和限制持有的数量到10或更少。

说明组合预测3.8%的超额回报和积极的风险2.0%,代表超额return-to-active风险比1.9以上大型基准。在本示例中,投资组合分配只有一个因素,动力,没有直接分配的市场因素。最小波动作为稳定剂:活跃的风险增加时,优化器使用更高的风险预算持有更多的头寸alpha-seeking基金和高风险的职位由低风险最低波动性大的头寸。

作者证明投资者可以把前三个返回的信息来源(索引、因素和α)和实现在现有的投资组合构建技术相结合。