现金流、贴现率和集中度三维因子计时系统

报告的要点从二维的二维贝塔模型扩展到现金流、贴现率和集中度的三维模型。从资本资产定价模型到双贝塔模型,我们将市场状态的划分从一维空增加到二维空。在此基础上,我们用资产拥挤度来表示情感轴心,并将模型提升为现金流、折现率和集中度的三维模型。

基于双贝塔模型,判断在不同的宏观经济环境下应该配置哪种类型的因子,并构建因子配置轮盘。决定因素的中长期配置根据不同风险因素计算出的现金流和折现率BETA,决定了在不同的经济环境下应该配置哪些因素,构建了因素配置轮盘。

资产集中用来代表情感轴心,识别短期因素波动,避免短期因素退出的风险。通过对资产集中度的分析,我们发现在资产集中度快速上升的时期,要素收益率往往低于其他时期。因此,资产集中被用来识别要素收益的短期波动,弥补要素分配轮盘在处理短期要素退出时的不足。

因子分配轮盘赌和三维因子分配模型都表现良好。相对于基准,他们获得了更高的超额回报。因子分配轮盘和三维系统复合因子的年化多重空收益率分别达到37.05%和40.68%。年化超额基准回报率分别为8.22%和11.85%。

该模型将因子等权组合的多空信息比分别从2.4225提高到3.4839和3.6936。

因子分配轮盘和三维系统的长期超额收益率分别达到17.12%和18.20%,信息比分别从2.5447增加到3.6936和3.9818。

在《天丰金工风格轮换策略三——溢价溯源:现金流和贴现率》一文的理论体系中,我们曾提出使用基于DDM模型的双贝塔模型(Two-Beta model)对风险溢价(小盘股溢价、价值溢价)进行计时。

在本文中,我们将把这个模型扩展到大类因素,并将模型扩展到最高维度。

1模型进化(Model Evolution)在CAPM模型中,我们可以根据CAPM的β值将股票分为高β和低β,然后在不同的涨跌市场环境中分配不同类型的股票。

双贝塔模型(Two-Beta model)从DDM模型出发,认为从绝对估值维度来看,股票市场收益率可以分为两部分,一部分来自未来现金流变化的贡献,另一部分来自未来贴现率变化的贡献。

因此,从资本资产定价模型到双贝塔模型,我们将市场状态的划分从一维空增加到二维空。我们可以更精细地划分市场状态,也可以解释金融异常(小盘溢价等)。)这在一维空的原始划分下无法解释,因此为我们在不同市场环境中分配何种类型的股票提供了投资建议。

然而,仅基于DDM模型的双贝塔模型仍然存在一定的缺陷。基于股票现金流和贴现率预期的动态数据模型在一定程度上能够反映市场对股票价格的长期预期和估值定位。

然而,在股票市场交易过程中,并不是所有的投资者都能根据公司的内部估值进行理性交易,尤其是在散户投资者比例较高的a股市场,交易者的情绪变化也是影响股票价格短期波动的重要因素。

短期情绪可能会将某种股票的价格推高至远高于其实际估值的水平。随着情绪的消散和资本的减少,股票价格逐渐回到合理估值,甚至低于实际估值。整个过程就是气泡形成和破裂的过程。

因此,本文建立了基于双贝塔模型的中长期因素分配轮盘赌。在短期内,资产集中度指数用于描述情绪变化,监控要素泡沫的形成和破裂,避免短期内泡沫破裂,构建完整的三维要素时序体系。

在资本资产定价模型(CAPM)中,我们可以根据资本资产定价模型(CAPM)的β值将股票分为高β和低β,然后在不同的涨跌市场环境中分配不同类型的股票。

双贝塔模型(Two-Beta model)从DDM模型出发,认为从绝对估值维度来看,股票市场收益率可以分为两部分,一部分来自未来现金流变化的贡献,另一部分来自未来贴现率变化的贡献。

对于任何可交易资产,绝对估值的两个维度(双贝塔模型),我们都需要给它定价,即估值。

估价理论的核心假设是,资产的价值来自持有资产的投资者能够获得的现金流。资产定价中最常用的方法是通过贴现未来现金流来对资产进行估值。

对于股票,戈登(1963)提出的DDM模型(股息贴现模型)是股票最基本的内在价值评估模型。

3.资产熵如上所述,我们想在基于DDM模型的二维模型(TWI-BETA 2D model)的基础上引入情感指标来描述资产的短期波动,即泡沫的形成和破裂。

在本文中,我们参考了金劳瓦、克里兹曼、图尔辛顿引入的资产集中指数。(2019)指出资产交易的拥挤程度,然后描述资产泡沫现象。

资产集中度衡量各种风险因素的风险集中度。集中度越高,风险因素的交易就越有可能拥挤,导致过度投资和泡沫。

详细的计算过程描述如下。

吸收系数为了解释资产集中指数的计算过程,我们需要引入另一个指数,叫做吸收系数(AbsorptionRatio):在下图中,我们在三项资产的情况下提取的前两个主成分被分别列出,两个主成分的方差与三项资产方差的比值就是吸收系数。

资产集中度计算吸收系数,可以得到所有资产的风险集中度。但是,如果我们需要衡量一项资产的风险集中度(某个风险因素是分等级的,如最低市场价值组),我们需要单独提取和汇总一项资产所承担的风险集中度:模型是用1Barra因子构建的,Barra主要风险因素的收益统计是基于CNE5。每个巴拉风险因子的构建方法是构建如下10个风格因子:巴拉因子收益统计(Barra factor income statistics)根据上述CNE5中的巴拉因子算法,我们计算了所有a股的巴拉因子值。接下来,本文对各种因素进行了数据清理,并对其要素收入进行了统计(为了适应下面文章中资产集中度的计算,要素收入采用要素分组倍数空收入代替巴拉要素纯要素组合收入进行评价)要素评价过程:1 .一年内取消证券交易,暂停交易,上市;2.用行业中位数填充缺失值。3.MAD方法用于去除极值。4.要素标准化;5.工业和市场价值的中和;6.再次标准化;7.每月末,所有a股将根据因子值分成10组,每组中的个股将享有同等权利,并计算最低组相对于最高组的倍数空收益率。

2绝对估值的二维(TWEL-BETA Model)基于论文《天丰金工风格轮换策略三——追踪溢价来源:现金流和折现率》中构建的中国市场的TWEL-BETA模型,我们将计算每个风险因素的现金流β和折现率β,具有多重空回报。

每个风格因素的现金流和贴现率β根据以上公式,我们可以计算出每个风险因素的现金流β和贴现率β如下:根据分组中每个风险因素的现金流和贴现率β的单调性,我们分析了现金流和贴现率对不同因素的影响。

值得注意的是,贴现率β在计算过程中进行了调整,因此贴现率β越高,贴现率上升时收入(BAD BETA)越低。然而,现金流β的方向还没有调整。因素是现金流β越高,现金流上升时利润就越高。

从上表的分析可以看出,每个风险因素都受到现金流和贴现率波动的影响。

可以看出:1 .规模因子、血压因子和杠杆因子的现金流β随着因子值的增加而增加,这意味着现金流的下降趋势对这三个因子的溢价有积极的影响;2.动量因子、剩余波动率因子和流动性因子的现金流β随着因子值的增加而减小,这意味着现金流的上升对这三个因子的溢价有正向影响;3.规模和杠杆因子的贴现率β随着因子值的增加而降低,这意味着贴现率的下降趋势(由于贴现率β的反向影响)对三个因子的溢价有积极的影响;4.动量、剩余波动性和流动性因子的折现率β随着因子值的增加而增加,这意味着折现率的向上运动(由于折现率β的反向影响)对这三个因子的溢价有积极的影响。

根据以上分析的结果,我们可以确定在不同的环境中应该配置哪些因素,然后我们可以得到以下因素配置轮的结论。

因子分配轮盘赌基于以上,对于不同的因子,对现金流和贴现率的敏感度有明显的差异。基于这样的差异,我们可以决定在什么样的环境下分配什么样的因素。

总结后,我们可以得到以下因素配置轮盘。

因此,基于绝对价值的两个维度,我们对要素分配提出以下建议:1 .向上现金流和向上贴现率:动量、剩余波动性和流动性;;2.现金流量下降,贴现率上升:英国石油公司;3.向下现金流和向下贴现率:规模、血压和杠杆从每个因素的经济意义来看,规模因素:在向下现金流和向下贴现率的环境下,即向下经济和向下利率,市值较小的股票受向下经济的负面影响相对较小,而受向下利率的正面影响较大,从而显示出市值较小的因素表现优异的现象。动量因素(Momentum factor):在现金流上升、贴现率上升的过热经济中,即经济上升、利率上升,在市场对整体估值乐观的环境中,投资者更有勇气参与反向交易。

相应地,在经济低迷、利率下调的衰退环境下,投资者倾向于向集团报告以保持温暖,而反向交易不受欢迎。剩余波动因素:高波动性股票对经济繁荣的敏感度相对较低,而对利率的敏感度相对较高。因此,在现金流量上升和贴现率上升的环境下,低波动因素表现相对较好。流动性因素:流动性低的股票对经济的敏感度低,对利率的敏感度高,因此在现金流和贴现率上升的环境下,流动性低的股票表现相对较好。BP因子:低价值股票对经济的敏感度高于高价值股票,因此高价值因素(低BP因子)在现金流下行环境中表现相对较好。杠杆系数:高杠杆股票对经济繁荣的敏感度高于低杠杆股票,而长期负债的特征意味着它们对短期利率的变化不太敏感。因此,在现金流下降和贴现率下降的环境下,低杠杆因素表现相对较好。

通过因子分配轮盘赌,我们可以知道在什么环境下分配了什么因子。下一个问题是确定每个时间点属于什么经济环境。

在《天丰金属加工行业循环系列报告三——板块重组下的行业分层循环》一文中,现金流量和贴现率的代理变量分别用制造业活动指数和10年期国债利率来代理现金流量和贴现率。在本文中,我们仍然使用这两个指标来表征现金流和贴现率的状况。

其中,判断趋势方向的方法如下:1 .制造活动指数在一个阶段后进行处理,以确保数据的可用性。当当前月份的数据不存在时,将使用上一个期间。当当前同比期间的数据高于上一同比期间的数据时,记录为向上,当当前同比期间的数据低于上一同比期间2的数据时。到期收益率使用6个月的移动平均线来平滑其10年的债务。当当前值高于六个月移动平均线时,记录为向上,而当当前值低于六个月移动平均线时,记录为向下。

不同阶段的因素收益分析(Factor Income Analysis in Differential stage)我们将风险因素的收益纳入上述现金流和贴现率的不同阶段,统计不同阶段的平均收益和获胜率,观察是否符合我们根据现金流β和贴现率β获得的因素分配轮盘的结论。

从以上两张表中可以看出,除了当现金流上下波动时,BP和杠杆因子的区分效果不理想,其他因素与因子分配轮盘赌的结论一致。这种现象可能是由于难以判断经济繁荣程度,代理变量仍存在一定偏差。

3情感维度——资产集中度我们在上述中长期维度引入了基于估值理论的因素分配轮盘赌。然而,正如我们在理论构建部分所指出的,在股票市场上,股票价格和绝对估值之间长期存在一定的一致性。然而,在短期内,情绪和预期将导致股票价格在绝对估值轴上下波动。

因此,我们需要建立一套短期情绪波动模型来捕捉风险因素的短期波动。

在本文的理论部分,我们使用资产集中度来衡量情绪的波动性。我们将其应用于风险因素,并观察资产集中是否能识别风险因素的泡沫。

泡沫识别基于上述资产集中算法。我们将计算每个风险因素的资产集中度:1。根据风险因素将股票分为10组;2.每组在计算资产集中度时作为一项资产,资产集中度计算为10项资产,其中每一时间点的回溯时间为250个交易日(一年),用于主成分分析和方差计算。3.对于每个风险因素,根据其因素的正回报方向选择前两组,并以平均资产集中度作为风险因素的资产集中度。

(例如,市值因素取最小的两组,而英国石油公司因素取最大的两组)在下图中,以市值因素为例,我们可以看到,在市值因素历史上两次大幅下跌时,资产集中度指数迅速上升。

因此,如果我们需要捕捉因素的收入波动,我们需要识别资产集中的快速变化。

在这里,我们进一步分析资产集中指数,从指数的平均线和波动开始,捕捉资产集中指数的快速上升区间。

1.计算本期与前期资产集中度之间的差额,并记录为相对资产集中度;2.计算过去500个交易日(两年)内相对资产集中度的标准差,并将其记录为相对资产集中度的标准差。3.识别相对资产集中度是否超过相对资产集中度标准差的3倍,并记录为资产集中度异常波动点。4.使用移动平均线(10,20,30)来确定资产集中度是否向上突破。如果资产集中度高于移动平均线,则记录为资产集中度的快速向上突破,这是泡沫的起点。5.从泡沫开始,当资产集中度首次低于移动平均线(第10、20、30)时,它被记录为泡沫的结束。6.在泡沫起始点和泡沫结束点之间,认为该因子进入泡沫期,并且该因子可能退出。

风险因素泡沫期收益统计根据上述泡沫期识别方法,我们分别识别风险因素的泡沫,并计算泡沫期和非泡沫期的平均收益。

在这里,我们尝试了不同的平均长度来统计泡沫时期的收益。可以看出,在大多数情况下,在长期平均水平下,规模、动量、剩余波动率和BP因子的判别较好,流动性因子的判别较差,杠杆因子的判别较低。

同时也证明了不同因素对泡沫产生和破裂的周期可能是不一致的。

我们将在以后构建策略时分析该值对策略的影响。

该策略是在上述部分构建的。构建了基于现金流、贴现率和资产集中度的要素时序三维模型,并对战略指标构建进行了深入研究。在这一部分中,我们将上述研究成果归纳为一种因子计时策略,并分析了因子分配轮盘赌的效应和三维系统的计时效应。

1.要素分配轮盘的影响在这一部分,我们首先重新测试要素分配轮盘的影响。复试框架如下:1 .月度头寸调整、下月第一个交易日的平均买入量和最后一个交易日的平均卖出量;2.基准组合是将所有等权因子相加得到的复合因子,等权位置组合分为5组;3.策略组合根据因子配置轮盘赌轮,将当前象限的因子权重乘以n(文本中n=5),然后对所有因子进行加权,得到复合因子,并在5组中构建等权重位置组合;4.将策略组合和基准组合的多重空回报与纯长期回报相除,比较策略的有效性,其中纯长期回报是超额全市场等权指数回报。

从上图可以看出,因子分配轮盘组合因子的年化多重空收益率达到37.05%,基准多重空收益率达到28.83%,年化相对收益率达到8.22%,多重空信息比率从2.4225增加到3.4839,而最大折回率从-11.15%下降到-10.59%,月度胜率从73.63%上升

除了2019年的轻微亏损,该基准每年都有可能获胜。

根据长期超额收益的统计结果,因子分配轮盘的长期超额收益年化达到17.12%,基准长期超额收益年化达到12.69%,相对收益年化达到4.44%,信息比率从2.5447上升到3.6936,最大折回率从-7.53%下降到-5.02%,月成功率从71.43%上升到78.02%。

牛市每年都超过基准。

此外,由于上述内容都是基于成本的,我们将关注在选择这些因素时,战略的整体周转率是否会提高。我们对其进行了统计,发现要素分配轮盘的单边周转率(月平均)相对于基准从28.21%上升到30.05%,对成本有轻微影响。

下图显示了因子分配轮盘因子权重的历史分布,目前处于现金流折现率的下降阶段,因此大小因子权重相对较高。

在前一部分中,我们测试了因子分配轮的计时效果。在这一部分中,我们将情感轴添加到模型中,并测量三维系统的计时效果。

复试框架如下:1 .调整月度头寸,以次月第一个交易日的平均购买价格和最后一个交易日的平均销售价格为准;2.基准组合是将所有等权因子相加得到的复合因子,等权位置组合分为5组;3.策略组合根据因子配置轮盘赌轮,将当前象限的因子权重乘以n(n=5),然后对所有因子进行加权,得到复合因子,构建5组等权重位置组合;4.根据是否处于泡沫期,判断是否每天都使用所有因素。气泡周期中的因子权重被调整为0,除气泡之外的因子保持初始权重。为了避免过度优化,每个因素都用10天的平均值来确定。5.将策略组合和基准组合的多重空回报与纯长期回报相除,以比较策略的有效性,其中纯长期回报是超额全市场等权指数回报。

从上图可以看出,与因子分配轮盘相比,三维系统复合因子的年化多空收益率达到40.68%,因子分配轮盘的年化多空收益率达到37.05%,年化相对收益率从8.22%提高到11.85%,提高3.63%,多空信息比从3.7909提高到4.2147,最大回扫

三维系统类似于因子分配轮盘。除了2019年的轻微亏损基准,它每年都有可能赢得基准。

然而,根据长期超额回报的统计结果,与因子分配轮盘相比,三维系统的长期超额回报达到了年化的18.20%,基准长期超额回报达到了12.69%,年化的相对回报达到了5.51%,相对因子分配轮盘增加了1.07%,信息比率从3.6936增加到3.9818,最大退出率扩大了,月收益率从78.02%增加到79.12%。

牛市每年都超过基准。

此外,同样,我们也计算了三维系统的整体周转率,但很明显,从战略的角度来看,三维系统的周转率自然会更高,单边周转率(月平均)达到59.16%,周转率的提高将是影响三维系统应用的一个主要问题。

下图显示了三维系统的因子权重分布。可以看出,与要素分配轮的要素权重分布相比,三维系统的权重波动相对较大。

3参数灵敏度分析(Parameter Sensitivity Analysis)在这一部分,我们分析了参数的灵敏度,取不同长度的平均值来衡量返回结果如下:可以看出,较低的平均值可以带来较高的识别灵敏度,但是在不同的参数下,三维系统的增强效果也是明显的。

综上所述,在《天丰金工风格轮换策略三——溢价溯源:现金流和折现率》一文中,我们曾提出使用基于DDM模型的双贝塔模型(Two-Beta model)对风险溢价(小盘股溢价、价值溢价)进行计时。

从资本资产定价模型到双贝塔模型,我们将市场状态的划分从一维空增加到二维空。我们可以更精细地划分市场状态,解释金融异常(小盘股溢价等)。)这不能用一维空的划分来解释,从而为我们在不同市场环境中分配何种类型的股票提供投资建议。

本文在双贝塔模型的基础上,增加了一个情绪轴(资产集中度用来描述因素泡沫,然后识别拥挤导致的泡沫破裂),建立了由现金流、折现率和集中度三维系统构建的因素时序模型。

因子分配轮盘组合因子的年化多空收益率达到37.05%,基准多空收益率达到28.83%,年化相对收益率达到8.22%,多空信息比率从2.4225上升到3.4839,最大回撤率从-11.15%下降到-10.59%,月成功率从73.63%上升到79.12%。

除了2019年的轻微亏损,该基准每年都有可能获胜。

根据长期超额收益的统计结果,因子分配轮盘的长期超额收益年化达到17.12%,基准长期超额收益年化达到12.69%,相对收益年化达到4.44%,信息比率从2.5447上升到3.6936,最大折回率从-7.53%下降到-5.02%,月成功率从71.43%上升到78.02%。

牛市每年都超过基准。

与因子分配轮盘相比,三维系统复合因子的年化多空收益率达到40.68%,因子分配轮盘的年化多空收益率达到37.05%,年化相对收益率从8.22%提高到11.85%,提高3.63%,多空信息比从3.7909提高到4.2147,而最大回撤从-10.59下降

三维系统类似于因子分配轮盘。除了2019年的轻微亏损基准,它每年都有可能赢得基准。

然而,从长期超额回报的统计结果来看,与因子分配轮盘相比,三维系统的长期超额回报达到了年化18.20%,基准长期超额回报达到了12.69%,年化相对回报达到了5.51%,相对因子分配轮盘增加了1.07%,信息比率从3.6936增加到3.9818,最大折回扩大了,月收益率从78.02%增加到79.12%。

牛市每年都超过基准。

发表评论

电子邮件地址不会被公开。 必填项已用*标注