factor models in empirical asset pricing.pdf

In the last post we performed several steps in downloading and analyzing the fund performance data. We used the Fama French’s 3 factor model to analyze Fidelity Contrafund Fund (FCNTX). In this post we will repeat the same steps without all the explanation. We will try to make things clear using the 因子模型在实证资产定价中的应用 因子模型是实证资产定价的核心，它们为资产间的协方差与预期回报之间提供了桥梁。资产定价条件E[Ri] = β'iλ指出，资产i的预期回报E[Ri]与其因子贝塔向量β'i及因子风险溢价向量λ相关联。在投资组合管理中，因子投资策略旨在通过降低搜索空间的维度来简化投资组合构建问题。因子模型将从数千个资产和交易策略中寻找最优风险收益权衡的任务转化为在少数几个因子中进行选择的更易处理的问题。 然而，因子的实证识别是一个复杂的问题。因子的数量过多。Cochrane（2011）提出了“因子动物园”的概念，指的是迄今为止发现的数百种因子。因子的发现方式多样： 1. Fama-French因子基于公司特征的经济直觉，这些特征可能预示着预期回报。 2. 统计方法通常从一组回报的主成分估计开始。 3. 许多因子源于曾表现出异常回报的交易策略，如动量策略、价格反转、低贝塔和异质性波动性。 4. 更基础的是来源于宏观经济均衡资产定价模型的因子模型，例如长期消费增长、宏观经济不确定性或过去的消费习惯。 实证资产定价中常见的问题都与因子相关： - 存在多少个因子？考虑到已发现的大量因子，如何“驯服因子动物园”成为了一个关键问题。 - 如何选择和验证因子？如何确定哪些因子是有效的，哪些只是数据挖掘的产物？ - 因子的风险溢价是如何决定的？这些溢价如何反映在资产的价格中？ - 因子模型的解释力如何？它们能多大程度上解释资产收益的差异？ - 因子模型的预测能力如何？能否用于指导投资决策？ Fama-French三因子模型是其中最著名的例子，它包括市场因子（Market）、小市值因子（Small minus Big, SMB）和高市净率因子（High minus Low, HML）。这个模型提出除了市场风险外，股票的市值和账面市值比也是影响回报的重要因素。 统计方法如主成分分析（PCA）则从大量资产的回报中提取主要驱动因素，这些主成分可能被视为潜在的因子。这种方法可以减少噪音，提取出对资产回报影响最大的共同因素。 交易策略产生的因子，如动量因子，是指股票的过去表现可能会影响其未来收益，即“强者恒强，弱者恒弱”。低贝塔因子则表明低风险资产可能有较高的回报，这与传统的风险与回报正相关的观点相悖。 宏观经济因子模型则考虑了宏观经济变量对资产价格的影响，如消费增长率、经济不确定性等，这些因素可能影响投资者的风险偏好，从而影响资产价格。 在实证研究中，一个重要的任务是识别出那些具有稳定预测能力且能广泛解释资产回报差异的因子。这需要大量的数据、严谨的统计方法以及对经济理论的理解。此外，还需要关注因子的有效性是否会随着时间、市场环境的变化而变化。 因子模型在资产定价和投资决策中扮演着至关重要的角色。理解并运用这些模型，有助于投资者更好地评估风险，构建有效的投资组合，并对市场动态有更深入的认识。