[論文レビュー] Factor Investing: Hierarchical Ensemble Learning

Guanhao Feng, Jingyu He|arXiv (Cornell University)|Feb 4, 2019

Stock Market Forecasting Methods被引用数 1

ひとこと要約

本稿では、時刻に応じて変化する係数をラグ付きの基本的要因によって駆動させることで、条件付き期待リターンと残差共分散を同時に推定し、推定リスクを低減するベイジアンハイアラルキー（BH）要因投資モデルを提案する。BHアプローチは、点予測および予測区間のカバレッジにおいて代替手法を上回り、20年間にわたり米国セクター株式ポートフォリオで月間0.92%のリターンと0.32%の有意なジェンセンのアルファを達成した。主なセクターはテクノロジー、エネルギー、製造業であり、規模、投資、短期リバーサル要因が主な貢献要因であった。

ABSTRACT

This paper investigates the asset allocation problem when returns are predictable. We introduce a market-timing Bayesian hierarchical (BH) approach that adopts heterogeneous time-varying coefficients driven by lagged fundamental characteristics. Our approach estimates the conditional expected returns and residual covariance matrix jointly enables evaluating the estimation risk in the portfolio analysis. The hierarchical prior allows the modeling of different assets separately while sharing information across assets. We demonstrate the performance of the U.S. equity market, and our BH approach outperforms most alternative methods in terms of point prediction and interval coverage. In addition, the BH efficient portfolio achieves monthly returns of 0.92% and a significant Jensen's alpha of 0.32% in sector investment over the past twenty years. We detect that technology, energy, and manufacturing are the most critical sectors in the past decade, and size, investment, and short-term reversal factors are heavily weighted in our portfolio. Furthermore, the stochastic discount factor constructed by our BH approach can explain many risk anomalies.

研究の動機と目的

• 予測可能なリターンにおいて、特に要因露出が時間的に変化する状況下での資産配分における推定リスクを軽減すること。
• ポートフォリオのリスク評価を改善するために、条件付き期待リターンと残差共分散行列の共同推定フレームワークを構築すること。
• 各資産の固有の特徴をモデル化しつつ、資産間で情報共有を可能にするハイアラルキー事前分布を用いること。
• 提案モデルのアウトオブサンプル予測およびポートフォリオ構築におけるパフォーマンスを評価し、特にリスクアノマリーを捉える能力を検証すること。

提案手法

• 資産のラグ付き基本的要因に基づいて適応する時刻に応じて変化する係数を有するベイジアンハイアラルキー・モデルを採用する。
• 個々の資産を別々にモデル化しつつ、資産全体の分散から強みを借りるためのハイアラルキー事前分布構造を用いる。
• 推定不確実性をポートフォリオ最適化に組み込むために、条件付き平均（期待リターン）と残差共分散行列を同時に推定する。
• 規模、投資、短期リバーサルなどの予測要因を組み込み、リターンを駆動するシステマティックリスク要因を捉える。
• BHモデルから確率的割引割合（SDF）を構築し、株式市場におけるさまざまなリスクアノマリーの説明と価格付けを可能にする。
• アウトオブサンプル性能を評価するために、20年間の米国株式セクター・データにモデルを適用する。

実験結果

リサーチクエスチョン

• RQ1 時刻に応じて変化する係数を有するベイジアンハイアラルキー・モデルは、代替手法と比較して、資産リターンのアウトオブサンプル予測精度をどの程度向上させるか？
• RQ2 期待リターンと残差共分散行列の共同推定は、ポートフォリオ構築における推定リスクをどの程度低減するか？
• RQ3 過去10年間にわたり、BHベースのポートフォリオのパフォーマンスを最も左右するセクターと要因は何か？
• RQ4 BHモデルから導出された確率的割引割合は、株式市場における持続的リスクアノマリーを説明できるか？

主な発見

• BHアプローチは、過去20年間で米国セクター株式ポートフォリオにおいて月間0.92%のアウトオブサンプルリターンを達成した。
• BHポートフォリオは月間0.32%の統計的に有意なジェンセンのアルファを生成し、優れたリスク調整リターンを示した。
• テクノロジー、エネルギー、製造業セクターが、過去10年間にわたりポートフォリオパフォーマンスに最も重要な貢献をした。
• ポートフォリオは規模、投資、短期リバーサル要因に最も重みが置かれており、これらがリターン生成において主導的役割を果たしていることを示している。
• BHモデルから構築された確率的割引割合は、広範な株式リスクアノマリーを効果的に説明できた。
• BHモデルは、点予測精度およびリターン予測の予測区間カバレッジの両面で、大多数の代替手法を上回った。