[논문 리뷰] Factor Investing: Hierarchical Ensemble Learning

Guanhao Feng, Jingyu He|arXiv (Cornell University)|2019. 02. 04.

Stock Market Forecasting Methods인용 수 1

한 줄 요약

이 논문은 시간에 따라 변화하는 계수를 지니며 지연된 기본적 특성에 의해 구동되는 베이지안 계층적(BH) 요인 투자 모델을 제안한다. 이 모델은 추정 불확실성을 줄이기 위해 조건부 기대 수익률과 잔차 공분산을 동시에 추정한다. BH 접근법은 점 추정과 구간 커버리지에서 다른 방법들을 능가하며, 20년간의 미국 산업주식 포트폴리오에서 월간 수익률 0.92%와 통계적으로 유의미한 제닝스 알파 0.32%를 기록한다. 주요 산업은 기술, 에너지, 제조업이며, 주요 기여 요인은 규모, 투자, 단기 반전 요인이다.

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.

연구 동기 및 목표

• 수익률이 예측 가능할 경우, 특히 요인 노출도가 시간에 따라 변할 때 자산 배분에서의 추정 불확실성을 다루기 위해.
• 포트폴리오 리스크 평가를 향상시키기 위해 조건부 기대 수익률과 잔차 공분산 행렬을 동시에 추정하는 프레임워크를 개발하기 위해.
• 각 자산의 고유한 특성을 모델링하면서도 자산 전체에 걸쳐 정보 공유를 가능하게 하기 위해 계층적 사전 분포를 활용하기 위해.
• 제안된 모델의 성능을 시험 외 예측 및 포트폴리오 구성에서 평가하여, 특히 리스크 이면 현상들을 포착하는 능력을 점검하기 위해.

제안 방법

• 자산의 지연된 기본적 특성에 기반해 적응하는 시간에 따라 변화하는 계수를 지닌 베이지안 계층적 모델을 사용하기 위해.
• 개별 자산을 별도로 모델링하면서도 자산 전체의 강도를 빌려쓰는 계층적 사전 분포 구조를 사용하기 위해.
• 포트폴리오 최적화에서의 추정 불확실성을 반영하기 위해 조건부 평균(기대 수익률)과 잔차 공분산 행렬을 동시에 추정하기 위해.
• 규모, 투자, 단기 반전과 같은 예측 요인을 통합하여 수익률을 이끄는 체계적 리스크 요인을 포착하기 위해.
• BH 모델에서 유도된 스토하스틱 할인 요인(SDF)을 활용해 주식 시장의 다양한 리스크 이면 현상을 설명하고 가격 책정하기 위해.
• 시험 외 성능 평가를 위해 20년간의 미국 주식 산업 데이터에 모델을 적용하기 위해.

실험 결과

연구 질문

• RQ1 시간에 따라 변화하는 계수를 지닌 베이지안 계층적 모델은 다른 방법들과 비교해 시험 외 수익률 예측 정확도를 어떻게 향상시키는가?
• RQ2 기대 수익률과 잔차 공분산의 동시 추정은 포트폴리오 구성에서 추정 불확실성을 어느 정도 줄이는가?
• RQ3 지난 10년간 BH 기반 포트폴리오 성과를 이끄는 데 가장 영향력 있는 산업과 요인은 무엇인가?
• RQ4 BH 모델에서 도출된 스토하스틱 할인 요인이 주식 시장의 지속적인 리스크 이면 현상을 설명할 수 있는가?

주요 결과

• BH 접근법은 지난 20년간 미국 산업주식 포트폴리오에서 월간 시험 외 수익률 0.92%를 달성한다.
• BH 포트폴리오는 통계적으로 유의미한 월간 제닝스 알파 0.32%를 생성하여 강력한 리스크 조정 수익률을 보인다.
• 기술, 에너지, 제조업 산업이 지난 10년간 포트폴리오 성과에 가장 중요한 기여를 했다.
• 포트폴리오는 규모, 투자, 단기 반전 요인에 가장 높은 가중치를 두어 이들이 수익률 생성에서 지배적인 역할을 한다는 것을 시사한다.
• BH 모델에서 유도된 스토하스틱 할인 요인은 광범위한 주식 리스크 이면 현상을 효과적으로 설명한다.
• BH 모델은 점 추정 정확도와 수익률 예측의 구간 커버리지 모두에서 대부분의 대안 방법들을 능가한다.