因子大觀園

因子大觀園

 

因子factor 是近二三十年的投資取向，是除了市場及alpha 之外的回報來源，直1990年由 Fama 及 French 兩位教授提出之後，過往20年不斷有新的因子被發現，成為目撩亂的factor zoo,  本文稱為因子大觀園。

 

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4605976

Factor Zoo (.zip)

 

 

此研究論文於2023年11月發表，作者們應為現時市面上有太多factor,  於是想嘗試找出當中比較重要的。首先文章搜集了153個factor, 覆蓋了93個國家的投資市場。

 

論文的作者們先將所有153個factor 於美國市場的表現一字排開，成為了下圖：

 

 

 

然後按上圖將不同的factor 歸類，成為13個組別(cluster) 再進行一些歸納統計。

 

上圖的正報已顯示不同factor 比市場較高的回報表現，當中以investment,  value,  low risk 及momentum 比較突出。

 

除了美國之外，再放入環球各國市場，同樣 investment,  quality, value 及momentum 等因子同樣跑出。

 

 

 

 

最後就是position sizing,  由於factor 是會提供個別投資物的選擇，例如會從幾千美股中選出幾百隻去持有，那麼應該用那種方法去持有？用1/N 平均法(equal weighted) ? 還是用市值大小(value weighted) ? 論文比較回報後得出結論是用equal weighted 。

 

 

 

 

 

 

將論文最後一段翻譯：

 

「Factor zoo」喺過去幾十年間顯著擴展，正如Cochrane (2011)同Harvey、Liu同埋Zhu (2016)所述咁嘅，突顯出有必要將羊(sheep)同山羊(goat , 筆者按:作者們用 greatest of all time 代表眾多之中最好) 因子區分開嚟。 為此，我哋嘅研究調查咗因子動物園中個別因子嘅α貢獻。具體嚟講，我哋提出咗一個迭代因子選擇策略，以壓縮因子動物園，從而大幅減少因子嘅數量，而唔會失去對於正切投資組合而言重要嘅信息。 結果嘅因子組合以最少嘅因子捕捉因子動物園中可用嘅α，呢啲因子對於實踐者同學術目的都有相關性。

 

利用一個包含153個美國股票因子嘅全面集合，我哋發現，一組10至20個因子涵蓋整個因子動物園，取決於所選擇嘅統計顯著水平。呢意味住，大多數候選因子都係多餘嘅，但亦表明學術因子模型通常只包含三至六個因子，定義太過狹窄。當喺擴大窗口期間重複進行因子選擇，隨著新因子嘅出現，我哋發現新發佈嘅因子有時會取代舊嘅因子定義，強調了基於新見解或新數據可用性的持續因子創新的相關性。 然而，已識別嘅因子風格集群相當持久，強調了跨因子風格的多樣化的相關性。

 

而且，我哋發現使用等權重因子，相對於有上限的價值加權因子，需要超過30個因子才能涵蓋因子動物園，顯示等權重因子表現出更強大和更多樣化的α。最後，將我哋嘅因子選擇策略應用於一組全球因子，結果係選出一個類似嘅因子集合。雖然基於全球數據選擇嘅因子模型會使美國同美國以外世界嘅α收縮，但佢哋對美國嘅表現更好，意味住國際因子展現出更大同更多樣化嘅α。 總括嚟講，所提出嘅方法有效地捕捉咗因子動物園中唔同地區同子期間可用嘅α，幫助投資者集中喺最相關嘅因子上，同埋為學術界提供靈感，增強資產定價模型。

 

 

 

小結

 

再望望論文的題目 – Factor Zoo (.zip)，便明白論文是壓縮因子大觀園，玩味十足。

大家會發覺筆者近來少了介紹投資書籍，一來少了人寫書，二來書中知識太舊太慢。

最新的投資知識，於新發表的論文會有較多涉足，適合對投資有進階渴望的人士。