宏观专题：因子投资与机器学习及业绩归因

前言。

    第十五期海外论文双周志聚焦因子投资，包括因子模型在机器学习发展背景下的研究进展以及因子投资的业绩归因。第一篇论文梳理了因子投资的经典模型，并介绍了机器学习在资产定价领域的最新进展，强调机器学习在解决高维实证资产定价模型中的重要作用；第二篇论文介绍了一种度量主动型对冲基金获取贝塔收益能力的指标BA，发现主动型贝塔基金相比主动型阿尔法基金提供了更好的风险调整后收益，而且BA 能够更好地预测基金未来的业绩表现。

    因子模型、机器学习和资产定价

    因子模型是资产定价中实证分析的主要框架。静态因子模型是最基础的因子模型，常见的研究框架包括三个方面，一是因子已知且可观测，二是因子及其暴露是隐含的，三是因子暴露是可观测的，但因子是隐含的。条件因子模型相比静态因子模型更适合去描述单个资产以及时变的因子风险暴露，需要施加约束来识别模型，常见的建模方法包括Barra 和工具变量PCA（IPCA）方法。

    机器学习在实证资产定价方法中的贡献包括测度预期收益、估计因子和风险暴露、估计风险溢价以及估计随机折现因子及其暴露。测度预期收益方面，机器学习方法的发展催生出股票收益预测的第三种方法，侧重于变量选择和降维技术；估计因子和风险暴露方面，包括PCA、IPCA、自编码器学习等；估计风险溢价方面，包括三步回归、弱因子等；估计随机折现因子及其暴露方面，包括PCA、惩罚回归、深度学习等方法。

    因子模型、风险溢价和阿尔法的统计特性的渐近识别方案。文献中有三种主要的渐近方案来表征因子模型、风险溢价和阿尔法的统计特性。传统的推断依赖于常用的大T、固定N 的渐近性，第二种方案允许N 和T 同时无限增长，第三种方案采用大N 固定T 的设计。在传统的OLS、GLS 估计方法之外，许多文献开始采用PCA、风险溢价PCA 以及有监督的PCA 等机器学习方法对大N 大T 和大N 小T 类型的渐近形式进行识别。

    主动贝塔对冲基金管理

    两类投资风格的对冲基金：主动贝塔和主动阿尔法。本文将主动阿尔法定义为获取最终没有反映在因子暴露的收益，将主动贝塔定义为采取与宏观风险因子相关的方向性头寸。此外，本文在业绩归因、市场时机以及业绩预测领域对现有文献做了扩展，发现主动贝塔是对现有高级组合管理方法的补充。

    数据选择以及统计梳理。从数据选择看，本文使用彭博的1994-2013 年期间的对冲基金数据，彭博要求所有基金报告自成立以来的所有业绩，同时采取相关方法处理了幸存者偏见和回填偏差的影响。从样本统计看，代表性基金管理资产7300 万美元，管理费为1.5％，对投资者高于水位线以上的所有利润收取20％的激励费用，最低初始投资额为25 万美元，赎回期为30 天。

    主动贝塔管理的测度。主动贝塔管理是试图采取与未来产生最高绝对回报的因子相关的持仓。本文引入两个变量以捕捉基本模型中所有因子不同方面的主动贝塔，其中SBS 测度当期成功，而DBR 捕捉因子择时的动态效应，然后引入SBS 和DBR 的平均等权平均值作为主动贝塔的综合度量。

    主动阿尔法和主动贝塔的比较。根据主动贝塔管理的测度BA，本文创建了按照BA 排名的基金组合，发现头部BA 组合明显优于底部组合，同时提供更高的长期回报率、夏普比率以及信息比率。此外。头部主动贝塔基金在长期表现上优于头部主动阿尔法基金，并且在短期表现方面经常比头部主动阿尔法基金表现得更好。

    风险提示：

    论文理解和翻译偏差。