宏观专题：因子投资与机器学习及业绩归因-20230323-26页

104

宏观专题：因子投资与机器学习及业绩归因-20230323-26页

# 因子投资 # 机器学习大小：2.45M | 页数：26 | 上架时间：2023-03-27 | 语言：中文

类型: 宏观

上传者: 范泽林

撰写机构: 华创证券

出版日期: 2023-03-23

摘要：

第十五期海外论文双周志聚焦因子投资，包括因子模型在机器学习发展背景下的研究进展以及因子投资的业绩归因。第一篇论文梳理了因子投资的经典模型，并介绍了机器学习在资产定价领域的最新进展，强调机器学习在解决高维实证资产定价模型中的重要作用；第二篇论文介绍了一种度量主动型对冲基金获取贝塔收益能力的指标BA，发现主动型贝塔基金相比主动型阿尔法基金提供了更好的风险调整后收益，而且BA 能够更好地预测基金未来的业绩表现。

因子模型、机器学习和资产定价因子模型是资产定价中实证分析的主要框架。静态因子模型是最基础的因子模型，常见的研究框架包括三个方面，一是因子已知且可观测，二是因子及其暴露是隐含的，三是因子暴露是可观测的，但因子是隐含的。条件因子模型相比静态因子模型更适合去描述单个资产以及时变的因子风险暴露，需要施加约束来识别模型，常见的建模方法包括Barra 和工具变量PCA（IPCA）方法。

机器学习在实证资产定价方法中的贡献包括测度预期收益、估计因子和风险暴露、估计风险溢价以及估计随机折现因子及其暴露。测度预期收益方面，机器学习方法的发展催生出股票收益预测的第三种方法，侧重于变量选择和降维技术；估计因子和风险暴露方面，包括PCA、IPCA、自编码器学习等；估计风险溢价方面，包括三步回归、弱因子等；估计随机折现因子及其暴露方面，包括PCA、惩罚回归、深度学习等方法。

展开>> 收起<<

请登录，再发表你的看法

范泽林

关注