很可以！JPM因子投资特刊

很可以！JPM因子投资特刊

量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，连续2年被腾讯云+社区评选为“年度最佳作者”。

Journal of Portfolio Management在2022年的开年给大家送出了因子投资特刊。本期特刊也是因子投资的第七本特刊，总共包括了14篇关于因子投资文章，其中有8篇来自业界，5篇由业界和学术界共著，还有1篇来自学术界。

The Future of Factor Investing

作者从三个角度探讨了因子投资的未来：传统因子投资模型与策略的演进、数据源与建模技术的发展及因子投资与资产配置结合的多样化。因子投资的三大基石为因子模型、因子策略与因子配置。当前的创新集中在新的非结构化数据源的挖掘，及采用更先进的机器学习模型。传统的资产配置框架下，也逐渐融入因子配置。关于本篇文章，详情点击公众号之前的分享：

因子投资的未来！

The Quant Cycle

作者发现因子的拐点往往是投资者的情绪造成的，而不是经济周期。作者由此推断出了因子收益的三个阶段，其中包括被价值因子的偶然回撤及随后的反转所打断的正常阶段。价值因子的回撤，在牛市行情中是因为成长因子的上涨，在熊市行情中是因为其本身的溃败。在随后的反转中，作者也分别从牛市和熊市的市场环境进行讨论。作者的实证研究表明，这个简单的三阶段模型能够捕获大部分时间因子收益的变动，所以作者建议投资者应该更多的关注因子本身的周期，而不是传统的经济周期。

下载地址：

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3930006

Investing in US Core Fixed Income with Macro and Style Factors

作者讨论了三种通过固定收益组合获取有效收益的方法。第一种方法是根据某些宏观因子，采取战略增持或减持头寸。对利率(或期限)和信贷因子的战略性增持，导致了固定收益基准的优异表现。不过，两位作者发现，长期国债是获取利率风险敞口的最有效方式，而短期公司债券则是信贷风险敞口经风险调整后的最大回报。在核心固定收益投资组合中获取风险溢价的第二种方法，是选择对利率和信贷因子进行配置的时机，同时改变高收益和抵押贷款敞口。第三种方式是运用风格因子来选择证券。这两位作者将美国国债的价值倾向，以及投资级和高收益行业的价值和质量因子纳入其中。在2007年1月至2021年3月期间，以这三种方式纳入因子，并构建一个优化的投资组合来控制相对于市场指数的偏差，其信息比为1.67。

Price Informativeness with Equity Market Factors

价格信息量指的是信息如何以及何时反应在资产价格中。本文作者对1975年至2019年美国最大的1000只股票的多个因子的价格信息量进行了实证研究，使用了大约18万个公司净利润观察数据。作者关注的是那些历史上表现优于市场指数的因子。他们证明，动量股的已实现收益增长率高于市场平均每年12%的水平，而价值股的已实现收益增长率低于市场平均水平，与动量股的近期价格上涨和价值股的较低市盈率一致。作者然后对价值、动量、小规模、低Beta及盈利因子的主动收益进行分解，分成可以被盈利解释和不可解释的部分，从而检验他们相对于市场的超额收益。他们发现，(1)动量股的积极回报在很大程度上归因于未来几个季度实现收益的增长，(2)低贝塔系数、小规模和盈利股票的积极回报很少可以用实现收益解释，(3)用同时收益和未来实现收益来解释的价值型股票活跃收益在未来几个季度为负。低贝塔系数、小规模和盈利能力强的股票的结果表明，这种异常与股票回报的其他驱动因子有关，比如预期长期收益增长和贴现率的变化。

下载地址

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3861918

Macro Factor Investing with Style?

投资者受到各种宏观经济因子的影响。在投资组合构建中，认识到宏观经济因子的第一个问题是确定收益的关键驱动因子。虽然能够确定，但无法直接投资于这些因子，因为它们这些经济指标没有相应的投资工具，可以用来减轻宏观经济因子的风险。在本文中，作者建议构建一个宏观因子模拟投资组合，在不同资产类别和风格因子之间实现多样化，以应对这种风险控制问题。他们关注三个主要的宏观经济因子(增长、通货膨胀和防御)，研究旨在这三个宏观经济因子上实现高度多样化的宏观因子策略，并能够控制投资者群体所广泛关心的多种经济情况。更具体地说，他们发现，他们的方法能够平衡这三个宏观经济因子的风险来源，提高了投资组合的风险调整收益。

下载地址

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3930295

Factor Construction Zoo: Are Factor Exposures Created Equal?

一个流行的因子风险的衡量方法是因子暴露，这是一个从股票特征构建的衡量方法。因子暴露由于其简单易行，被广泛用于产品的评价。本文主要探讨因子暴露所提供的信息，以及因子暴露是否相等。作者认为，虽然因子暴露可以提供信息，但它对基金产品特征的描述是不完整的，投资者应该认识到它有两个局限性。首先，尽管因子暴露是使用股票特征构建的，但这些特征是与因子共振的代理，因此它们不是真正的潜在因子。第二，虽然投资者倾向于根据收益在因子暴露中是线性的假设，将因子暴露解释为收益的线性函数，但因子收益与因子风险暴露是正相关的，但这种关系并不总是线性或单调的。通过分析价值基金、动量基金和优质基金的投资组合选择，作者提供了一个评估因子暴露有效度的框架。作者发现，不同投资组合构建方法的不同组合可以产生相似的目标因子暴露，具有相似目标因子暴露的基金可以产生显著的预期收益、溢价和风险离散。此外，离散度随目标因子暴露而增加。她发现目标因子暴露与收益之间的关系是非线性的，因此在构建或评估因子基金时考虑非线性是很重要的。

下载地址

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3753616

Factor Investing Using Capital Market Assumptions

资本市场假设(CMA)在投资组合管理中起着至关重要的作用。应用CMA(即资产类别的长期风险和收益预测)来构建投资组合是具有挑战性的本文论证了CMA在使用因子方法构建投资组合方面是有用的。他们提供了一种方法，表明CMA的收益可以由一小组潜在的宏观经济因子进行横断面定价，这表明CMA的风险和收益假设遵循一个因子结构。然后，他们表明，这些因子为CMA的预期收益定价，均值-方差因子配置比均值-方差资产组合更稳定。作者概述了一种建立资产组合的新方法，该方法尊重理想的因子配置。他们的方法通过提供一个构建因子模型和使用公开可用的CMA构建基于因子的投资组合的流程，该流程帮助减少了基于因子的投资组合构建的障碍。

Why Are High Exposures to Factor Betas Unlikely to Deliver Anticipated Returns?

在选择因子投资策略时，投资者主要通过两个方面来理解该策略。第一种是看该策略的风格暴露，比如价值、盈利或动量因子的暴露。第二种是看收益与纯因子收益回归后的归因系数（Beta）。本文解决了与因子暴露和因子收益归因相关三个问题。首先，他们研究基于这两种方法的投资组合的表现。其次，他们研究基于因子暴露和基于beta方法与风险之间的关系。最后，他们解释了投资者如何利用暴露和贝塔值来构建投资组合。他们报告说，因子暴露能更好地预测超额回报，而贝塔则能更好地为管理因子风险敞口提供信息。他们发现，寻求增加对贝塔因子的敞口是一种获得因子投资回报的错误手段，因为对贝塔因子的敞口捕获了更多的风险而不是收益。作者总结说，这两种方法提供了互补的信息。在设计基于因子的投资策略时，投资者应寻求对基本因子特征的暴露，并利用因子贝塔的统计度量来管理因子风险。

下载地址

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3783925

How Valuable Are Target Price Forecasts to Factor Investing?

金融服务行业一直争辩的是，金融分析师是否能为股市投资者带来价值。虽然有研究关注于分析师盈利预测和股票推荐的信息量，但本文通过研究目标价格预测来研究这个问题。这些预测为量化投资组合经理提供了方向，以便将这些预测提供的信号整合到系统的和基于规则的投资策略中。虽然有几项研究通过评估目标价格的预测能力及其在投资组合管理中的有效性来研究这个问题，但结果最多也是好坏参半。使用欧洲和北美从1999年到2019年的目标价格数据，作者首先记录了分析师对大多数股票因子表现的看法的下降，发现他们的预测具有风格偏见。他指出，根据共识目标价格隐含预期回报(CTPER)选择排名最佳的股票的多头策略，在大盘股、低特质风险和非周期性股票中产生了可观的阿尔法。将CTPER信号嵌入到动量因子中，极大地改善了风险和回报状况，支持了目标价格预测可以充分用于设计自上而下的多因子投资组合构建框架的观点。

Socially Responsible Investing and Factor Investing, Is There an Opportunity Cost?

本文研究了环境、社会和治理(ESG)叠加的因子投资。作者就因子投资中是否存在社会责任的机会成本这一问题，为投资者和基金经理提供了见解。他们通过实证检验ESG筛选对因子投资的影响，通过使用众所周知的因子测试未筛选的基准因子组合和ESG筛选的因子组合的业绩差异是否具有统计或经济意义。在构建ESG筛选因子组合时，他们根据Kinder、Lydenberg和Domini (KLD)的ESG评分使用了两种不同的筛选方法:(1)阳性筛查，即允许ESG评分正向的公司被纳入ESG投资组合;(2)阴性筛查，即排除ESG评分为阴性的公司，但保留未被评级的公司。两种ESG筛查方法的结果不同。当使用第二种方式进行ESG筛选时，作者发现，几乎没有收益下降或交易成本增加。然而，当筛选过程变得更加活跃，并且只包括ESG正向的公司时，就会出现严重的风险导致的绩效问题和高交易成本。这一发现适用于单独构建的因子组合、因子组合的综合基准和由因子得分构建的股票选择模型。这两种ESG筛选方法都能显著提高ESG组合分数。他们发现，通过对不良公司进行ESG筛查，营业额会有非常温和的增长，而采用更积极的ESG筛查方法，营业额会大幅增加。作者得出结论，对负面公司进行ESG筛选，对于寻求将ESG加入其基于因子的投资组合的投资者来说是一种积极的前进方式，实施ESG的方法对结果有很大的影响。

Toward Tax-Efficient Low-Volatility Investing

低波动率投资是一种流行的投资方式，可以获得类似于市场的股票回报，但与更广泛的市场相比风险更小。这种策略深深根植于各种资产定价异常，涉及更多地投资于低贝塔系数和波动性的股票，以寻求提高经风险调整后的收益率。作者在本文中对低波动率投资策略进行了重新评估。显性税务管理可以极大地提高策略绩效，因为在低波动率策略中，低波动率策略的收益较低，但其营业额和税负较高。然而，有效的税务管理并不是免费的午餐，因为它可能需要增加运营成本，这可能会影响管理费用。鉴于与税务管理相关的运营挑战，张教授提出了两套税务管理的低波动性投资策略，它们需要不同数量的记录。第一种策略，她称之为“净税负收益感知策略”，其目标是将投资组合波动率和税负收益的加权总和最小化。计算应纳税净收益所需的唯一信息是每个头寸的成本。第二种策略的目标是最小化投资组合波动率和纳税义务的加权和，张称之为“税务意识策略”。为了区分短期收益和长期收益，纳税义务的计算需要详细的成本基础信息以及每个税种的时间。作者发现，这两种税收管理策略在税后基础上比不了解税收的基础策略带来了相当大的改善。

下载地址

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3890487

Factor Investing in Sovereign Bond Markets: Deep Sample Evidence

虽然关于风险溢价的实证研究多数集中在股票市场，但最近的几项研究考察了债券市场的因子。特别值得关注的是政府债券市场，它是世界上主要的资产类别之一，约占所有资产类别总市值的30%。本文中，作者对主权债券市场的因子溢价进行了实证调查，以确定哪些因子可以用于政府债券市场，这些因子是否会持续存在，以及它们是否会增加价值。他们的研究涵盖了1800年1月至2020年12月期间的所有主要政府债券市场。作者研究的因子，在其他资产的应用场景中已经研究过，但这里的研究主要着眼于用于债券市场的因子，包括价值、趋势和低风险因子。他们发现:(1)在研究涵盖的221年里，这三个因子确实在债券市场上提供了有吸引力的溢价;(2)在样本内外，在收益率上升或下降的时期，以及在其他市场或宏观经济状态下，债券因子溢价都是强劲的。(3)组合多因子债券策略为被动主权债券投资组合提供了强大的增值。

下载地址

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3873863

Latent Factors in Equity Returns: How Many Are There and What Are They?

因子模型可分为基本面模型、宏观经济模型和隐含因子模型。对于使用隐含因子模型的从业者来说，确定数据集中隐含因子的数量是一个尚未解决的问题。本文通过实证研究认为隐含因子通常有10到20个。作者检验隐含因子的经济解释，并比较模型相关性在应用最小方差投资组合构建的有效性。隐含因子中，因子1是市场因子，因子2-4是区域因子，因子5-20是反映地域因子的主要因子，其中有少量的行业因子。与通过估计已实现的相关性来确定隐含因子数量的方法相比，作者发现信息准则和随机矩阵理论方法提供了最好的结果。研究结果还表明，与使用样本相关矩阵估计相关性相比，过滤相关矩阵仅提供一个边际优势。

Finding Value Using Momentum

本文提出了一种基于“相对价值”概念的进行价值选股的方法。使用1965年1月至2019年12月期间的数据，我们发现使用多值比率作为基础块比使用单一比率(如Fama-French HML因子所使用的比率)提供更好的风险调整收益。分析基本比率的趋势可以用一种新的方式来获取股票投资组合的价值。价值指标的趋势不仅是那些相对于横断面更便宜的公司，而且是那些随着时间的推移变得更便宜的公司。结果表明，这种相对值方法对单个值参数和组合时建立的复合值模型是有效的。趋势携带着公共因子模型和控制变量无法捕捉到的增量信息。我们构建了一个综合价值模型，使用六种价值比率的趋势(按公司市值计算的账面权益价值、EBITDA与公司市值之比、现金流与价格之比、盈利与价格之比、利润率与价格之比和销售与价格之比)。正如文献中所记载的那样，动量与价值相结合会产生更强的回报表现。我们用三种不同的方法扩展了动量与值结合的讨论。具体参考公众号文章：

价值因子的改进：结合动量的思想

以上文章，其中有部分文章，网上能够公开下载到，公众号给出了下载地址。还有两篇文章，公众号之前进行了解读。

对于其他文章，大家如果感兴趣可以留言，公众号也会选择有价值的文章进行分享。

周末快乐！

相关阅读

重磅！2021年度『量化』关键词揭榜

见字如面！84家量化私募管理人『虎』年寄语