[论文解读] Portfolio Performance Attribution via Shapley Value

Nicholas Moehle, Stephen Boyd+1 more|arXiv (Cornell University)|Feb 11, 2021

Financial Markets and Investment Strategies参考文献 24被引用 5

一句话总结

本文提出使用Shapley值进行投资组合绩效归因，提供了一种公平且数学上一致的方法，用于将投资绩效分解至风险限额、ESG约束和收益预测等特征。研究表明，Shapley归因唯一满足公平性、完整归因和单调性，其准确性优于逐项分析和剔除一项的方法，尤其在绩效交互非加性时表现更优。

ABSTRACT

We consider an investment process that includes a number of features, each of which can be active or inactive. Our goal is to attribute or decompose an achieved performance to each of these features, plus a baseline value. There are many ways to do this, which lead to potentially different attributions in any specific case. We argue that a specific attribution method due to Shapley is the preferred method, and discuss methods that can be used to compute this attribution exactly, or when that is not practical, approximately.

研究动机与目标

• 解决在投资组合中缺乏一种被广泛接受、数学上严谨的绩效归因方法，以准确分解各特征对绩效的贡献。
• 识别并证明Shapley值是最佳归因方法，因其独特结合了公平性、基线正确性、完整归因和单调性。
• 提供实用的计算方法——精确计算与近似计算——以在具有大量特征的实际投资组合管理中应用Shapley归因。
• 通过实证回测证明，替代方法（如逐项分析、剔除一项）会产生误导性归因，尤其在特征间存在交互作用时更为明显。

提出的方法

• 采用合作博弈论中的Shapley值，公平地将绩效归因于每个特征，其定义为该特征在所有可能特征子集中的平均边际贡献。
• 通过穷举所有2^n个特征子集的回测，精确计算Shapley归因，其中n为特征数量。
• 当精确计算因n的指数复杂度而不可行时，采用蒙特卡洛采样近似Shapley值。
• 提出一种新颖的蒙特卡洛近似方法，用于Shapley归因，相较于现有采样技术，提升了效率与收敛性。
• 通过包含风险限额、税务意识和因子信号等七项特征的税务敏感型投资组合管理回测，验证归因结果。
• 对比Shapley、逐项分析和剔除一项方法的归因结果，突出替代方法中的不一致性和偏差。

实验结果

研究问题

• RQ1 为何传统归因方法（如逐项分析和剔除一项）在投资组合管理中无法提供一致且公平的绩效分解？
• RQ2 哪些数学性质使Shapley值在具有交互作用特征的投资流程中成为唯一合适的绩效归因方法？
• RQ3 当特征数量较大时，如何在计算成本呈指数增长的背景下，高效地计算Shapley值？
• RQ4 在真实投资组合绩效场景中，不同归因方法在多大程度上产生分歧或反直觉的结果？
• RQ5 在实际投资环境中，近似Shapley归因方法能否在可管理的模拟次数下实现高精度？

主要发现

• Shapley归因是唯一同时满足公平性、基线正确性、完整归因和单调性这四项关键属性的方法，确保了可靠绩效分解。
• 逐项分析归因在特征存在交互作用时会高估特征贡献，例如在风险归因示例中，信号被高估了14.7个百分点。
• 剔除一项归因可能导致低估甚至错误归因绩效，例如在风险限额占主导地位时，尽管实际风险较高，却将所有信号的风险归因为零。
• 在税务敏感型投资组合示例中，税务意识特征在逐项分析下获得正向换手率归因，而在Shapley归因下却为负，凸显了方法论的不一致性。
• 所提出的新型蒙特卡洛近似方法在收敛性和效率方面表现可靠，使Shapley归因在超过少数特征的投资组合中具备实际应用可行性。
• 实证结果表明，Shapley归因在多种绩效指标（包括收益、风险、换手率和资本利得）上均产生稳定、可解释且具有经济意义的归因结果。