[论文解读] Factor Investing: Hierarchical Ensemble Learning

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

Stock Market Forecasting Methods被引用 1

一句话总结

本文提出了一种贝叶斯分层（BH）因子投资模型，该模型利用滞后基本面驱动的时变系数，联合估计条件期望收益与残差协方差，从而降低估计风险。BH方法在点预测和区间覆盖方面优于其他方法，在过去20年中，美国行业股权投资组合的月度收益达0.92%，显著的詹森阿尔法为0.32%，其中科技、能源和制造业为关键行业，规模、投资和短期反转因子为最主要的贡献因素。

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.

研究动机与目标

• 为解决在收益可预测性背景下，特别是存在时变因子敞口时，资产配置中的估计风险问题。
• 开发一个联合估计框架，用于条件期望收益与残差协方差矩阵，以改善投资组合风险评估。
• 通过分层先验实现在资产间的信息共享，同时建模每只资产的独特特征。
• 评估所提出模型在样本外预测与投资组合构建中的表现，特别是捕捉风险异常的能力。

提出的方法

• 采用具有时变系数的贝叶斯分层模型，根据资产的滞后基本面特征自适应调整。
• 使用分层先验结构，实现在对每只资产独立建模的同时，从整个资产池中借用信息强度。
• 联合估计条件均值（期望收益）与残差协方差矩阵，以考虑投资组合优化中的估计不确定性。
• 引入规模、投资和短期反转等预测因子，以捕捉驱动收益的系统性风险因素。
• 从BH模型构建一个随机折现因子（SDF），用于解释和定价股票市场中的各类风险异常。
• 将该模型应用于过去20年美国行业股权数据，以评估其样本外表现。

实验结果

研究问题

• RQ1 与替代方法相比，具有时变系数的贝叶斯分层模型在多大程度上提升了资产收益的样本外预测准确性？
• RQ2 联合估计期望收益与残差协方差在多大程度上降低了投资组合构建中的估计风险？
• RQ3 在过去十年中，哪些行业和因子对BH投资组合的表现影响最大？
• RQ4 从BH模型中导出的随机折现因子能否解释股票市场中持续存在的风险异常？

主要发现

• BH方法在过去20年中，在美国行业股权投资组合中实现了0.92%的月度样本外收益。
• BH投资组合产生了统计显著的每月0.32%詹森阿尔法，表明其具有强劲的风险调整后表现。
• 科技、能源和制造业行业被确定为过去十年中投资组合表现最关键的贡献者。
• 投资组合在规模、投资和短期反转因子上权重最高，表明这些因子在收益生成中占据主导地位。
• 从BH模型构建的随机折现因子有效解释了广泛的股票市场风险异常。
• BH模型在点预测准确性和收益预测的区间覆盖方面，优于大多数替代方法。