$研究 |金融工程专题报告 2023-05-19 引入尾部风险因子的轮动模型:赴险如夷,惟“益”所在 ——行业轮动专题报告 投资咨询业务资格: 证监许可【2012】669号 $Ⓒß½ $ $Ⓒ $300 130 报告要点 本文在聚焦多因子体系$的尾部风险因子,测试了引入尾部风险因子 的线性模型在行业轮动$的效果。回测结论表明,尾部风险因子可以提高模型对行业预收益率的预测能力,无论是否使用优化器方法,轮动组合较业绩基准均有显著超额收益,对策略进行等权合成可以进一步提升部分业绩标。 119 180 11 111 140 107 103100 0/70/80/90/100/110/103/103/03/303/403/ 摘要: 因子模型$的尾部风险测度:尾部风险(tailrisk)是风险管理$常用的一个概念,许多研究表明权益的未来收益率受到尾部风险因子的影响。 引入尾部风险因子的因子总库:本文额外引入了全新的尾部相关性因子,该因子考察的是行业收益率和市场收益率在极端环境$的同步情况。本文共计使用了8大类18个因子。 $一级行业月度轮动策略:按照不引入任何尾部风险因子、引入在险价值和望损失、引入尾部相关性依次进行测试,策略效果逐步提升。引入尾部相关性因子,轮动方法超额胜率达88%,化超额约15%,最大回撤也在15%左右,显著优于业绩基准。 引入优化器的月度轮动策略:使用优化器方法,逐步引入尾部风险因子进行类似测试。无论是否使用优化器,通过引入尾部风险因子总能提升策略表现。引入优化器后策略波动降低,但过于强调分散配置,也导致优化器方法难以在最近三的极致行业分化和轮动下取得更高收益。 组合月度轮动策略:引入优化器是有舍有得的方案,对无优化器策略和引入优化器策略进行等权合成,可以得到组合策略。回测结果表明,组合轮动策略继承结合了各个子策略的优点,分散化程度更高且样本外泛化能力更强,最近三化收益达18.4%,部分业绩标亦达到最佳水准。 风险提示:量化模型/方法/参失效、聚合据带来的息损失、据和回测区间长度有限等。 金融工程团队 研究员:周通 021-80401733 zhoutong@citicsf.com从业资格号F3078183投资咨询号Z0018055 重要提示:本报告非交易咨询业务项下服务,其$的观点和息仅作参考之用,不构成对任何人的投资建议。$ 不会因为关注、收到或阅读本报告内容而视相关人员为客户;市场有风险,投资需谨慎。如本报告涉及行业分析或上市公司相关内容,旨在对市场及其相关性进行比较论证,列举解释Ⓒ种相关特性及潜在风险,不涉及对其行业或上 市公司的相关推荐,不构成对任何主体进行或不进行某项行为的建议或意见,不得将本报告的任何内容据以作为$所作的承诺或声明。在任何情况下,任何主体依据本报告所进行的任何作为或不作为,$不承担任何责任。 目录 摘要:1 一、因子模型$的尾部风险测度4 二、引入尾部风险因子的因子总库4 三、$一级行业月度轮动策略6 (一)不引入尾部风险因子6 (二)引入在险价值和望损失因子7 (三)引入尾部相关性因子9 四、引入优化器的月度轮动策略10 (一)不引入尾部风险因子10 (二)引入在险价值和望损失因子12 (三)引入尾部相关性因子13 五、组合月度轮动策略14 六、风险提示和后续改进16 (一)小结和风险提示16 (二)后续改进设计17 附录:测算的$一级行业17 免责声明18 图目录 图表1:因子总库5 图表2:$一级行业月度轮动策略:回测净值曲线(不引入尾部风险因子)6 图表3:$一级行业月度轮动策略:业绩标(不引入尾部风险因子)7 图表4:$一级行业月度轮动策略VS$证800:分收益率(不引入尾部风险因子)7 图表5:$一级行业月度轮动策略:回测净值曲线(引入在险价值和望损失因子)8 图表6:$一级行业月度轮动策略:业绩标(引入在险价值和望损失因子)8 图表7:$一级行业月度轮动策略VS$证800:分收益率(引入在险价值和望损失因子)8 图表8:$一级行业月度轮动策略:回测净值曲线(引入尾部相关性因子)9 图表9:$一级行业月度轮动策略:业绩标(引入尾部相关性因子)9 图表10:$一级行业月度轮动策略VS$证800:分收益率(引入尾部相关性因子)10 图表11:引入优化器的月度轮动策略:回测净值曲线(不引入尾部风险因子)11 图表12:引入优化器的月度轮动策略:业绩标(不引入尾部风险因子)11 图表13:引入优化器的月度轮动策略VS$证800:分收益率(不引入尾部风险因子)11 图表14:引入优化器的月度轮动策略:回测净值曲线(引入在险价值和望损失因子)12 图表15:引入优化器的月度轮动策略:业绩标(引入在险价值和望损失因子)12 图表16:引入优化器的月度轮动策略VS$证800:分收益率(引入在险价值和望损失因子)13 图表17:引入优化器的月度轮动策略VS$证800:回测净值曲线(引入尾部相关性因子)13 图表18:引入优化器的月度轮动策略:业绩标(引入尾部相关性因子)14 图表19:引入优化器的月度轮动策略VS$证800:分收益率(引入尾部相关性因子)14 图表20:组合月度轮动策略:回测净值曲线(引入尾部相关性因子)15 图表21:组合月度轮动策略:业绩标(引入尾部相关性因子)15 图表22:组合月度轮动策略VS$证800:分收益率(引入尾部相关性因子)16 图表23:$一级行业17 一、因子模型$的尾部风险测度 尾部风险(tailrisk)是风险管理$常用的一个概念,近来也越来越受到投资者的重视,它的是资产收益率的极值部分。尾部风险通常被认为是不可预测的,并且可能发生的极端事件会引发大规模的市场波动。有越来越多的研究表明,权益的未来收益率受到尾部风险因子的影响,那么在行业轮动和配置上,这些因子或许也能发挥一定作用。 现代金融风险管理给出了许多尾部风险因子的测度方法,Ratzer等(1999)提出了“一致性风险测度”,尾部风险因子可以具备一些特点,可以简要归结为: 单调性:投资组合损失越大,那么风险测度也越大; 现金流可加性:增加投资组合$现金的比例,风险测度将按照现金量的比例相应下降; 次可加性:两个投资组合的组合的风险测度不超过各个子组合的风险测度之和,例如:假设投资组合3是组合1和组合2的组合,那么组合3的风险测度将不超过组合1风险测度与组合2风险测度之和; 正齐次性:如果投资组合的持仓结构不变,那么风险测度与资产规模成正比; 其$,次可加性是最为重要的一个条件,这个性质说明对投资组合进行分散化处理总能降低组合风险。正齐次性则具有一定的争议,许多投资者在持有大规模资产时,通常感觉面临的风险更高,这可能影响他们的决策并反作用于相应标的资产的未来收益率。Artzner等(1999)认为,一种良好的风险测度应该满足上述全部公理。本系列之前介绍的望损失因子便是一个示例。 二、引入尾部风险因子的因子总库 本文主要关注尾部风险因子对行业轮动策略的影响,在《行业轮动专题系列:月频视角下的行业轮动:疾取慢攻,各有其道》的因子库基础上,额外引入了两个全新的尾部风险因子:“尾部相关性”之上尾相关性和下尾相关性,该因子考察的是行业收益率和市场收益率在极端环境$的同步情况。 Schmidt等(2006)提出了一个估计尾部相关性的非参方法,该方法只依赖于收益率的尾部经验分布。具体而言,对于某资产一段时间的收益率,其下尾相关性可以简单表示为: 𝑙𝑡�=𝑐𝑜𝑢𝑛𝑡(𝑟𝑎𝑛𝑘(𝑟�)≤�&𝑟𝑎𝑛𝑘(𝑚𝑡)≤𝑘)/� 其$,ltd(lowertaildependence)是下尾相关性系,r为标的资产收益率,m 为业绩基准收益率或市场收益率,k是一个排名的阈值,排名低于k代表标的收益或市场收益处于下尾部,下尾相关性即标的收益率和市场收益率同时处于尾部的概率。相应的,可以类推上尾相关性。 值得一提的是,如今有更多方法来估计尾部相关性系。这些方法通常假设基于各式各样的copula函的尾部分布,加上对时间序列收益率据各式各样的处理,以便更精确的传递投资者对市场的理解到模型$。本系列的后续报告可能对尾部风险的细节进行更细致的探讨,本文将采用Schmidt等(2006)提出的方法计算相应的因子值。Schmidt等(2006)的方法简单直接,计算效率高,可以适用对尾部风险因子效果的初步探索。 本文$引入的所有因子均基于量价息,合计8个大类18个细分因子,分别为贝塔、动量、波动率、分布特征、尾部风险、动量加速度和交易/情绪。这些因子将共同作为之后进行批量组合测试的备选因子,并从$挑选出表现优秀的因子组合,等权合成得到组合策略。 图表1:因子总库 风格/大类因子因子定义 历史Beta权益收益率对基准收益率时间序列回归的回归系 贝塔 动量 波动率 分布特征 *尾部风险 动量加速度交易/情绪 非对称Beta上行Beta减去下行Beta 相对强度权益的对超额收益率加权求和后的平滑值历史Alpha在计算贝塔的时间序列回归$,截距项平滑值 历史残差波动率在计算贝塔的时间序列回归$,回归残差的波动率周收益率标准差收益率的波动率 累积收益率范围累积对收益率的最大值减去最小值偏度收益率的偏度 峰度收益率的峰度 协偏度收益率三阶协矩的望值 在险价值收益率的在险价值 望损失收益率的望损失 上尾相关性收益率与基准收益的上尾部相关性系下尾相关性收益率与基准收益的下尾部相关性系相对强度加速度相对强度对时间的一阶导 历史Alpha加速度历史Alpha对时间的一阶导 彩票需求过去一个季度内所有交易月$的最高单月收益率预收益代理(pER)回报率对标准化价格序列回归拟合度的逻辑变换 资料来源:$研究所 三、$一级行业月度轮动策略 (一)不引入尾部风险因子 本文在测试$仍然沿用《行业轮动专题系列九:线性模型下的行业与ETF周度轮动全景》$的方法,使用月频因子和月度调仓,自2016开始回测,批量测试基于因子总库的因子组合。在测试$,本章遵循以下逻辑: 采用$一级行业,剔除综合、综合金融; 采用线性模型; 每月再平衡,策略每月调整一次仓位,持有到下一个日历月; 使用合成策略方案,按照化收益率、化夏普比率、化卡玛比率分别筛选其$收益回撤比相对较好的组合,每个业绩标下分别纳入最优的组合,进行等权合成; 考虑交易成本,设置为双边0.2%; 从回测结果来看,不引入任何尾部风险因子的$一级行业轮动策略相对于$证800有一定的超额收益,在2016至今共8的回测内(2023尚未ß完,也计一个份),策略表现优秀,5个份都优于基准,相对胜率(超额胜率)62%,化超额约8%。在绝对收益方面,除18和22外每 策略都取得正收益,策略绝对胜率达75%。这表明即使不引入尾部风险因子,本系列其他因子组合也具备一定的超额能力。 图表2:$一级行业月度轮动策略:回测净值曲线(不引入尾部风险因子) 策略 $证800 2.5 2 1.5 1 0.5 2016/1/42017/1/42018/1/42019/1/42020/1/42021/1/42022/1/42023/1/4 资料来源:同花顺$研究所 图表3:$一级行业月度轮动策略:业绩标(不引入尾部风险因子) 业绩标 最近三 2016以来 $证800(2016以来 ) 平均月换手率 化收益率 16.81% 10.05% 1.81% 64% 化波动率 18.74% 18.05% 19.79% 相对/绝对胜率 化夏普比率 (Rf=3%) 0.72 0.38 -0.06 62%/75% 最大回撤 23.51% 23.51% 31.92% 月相对/绝对胜率 卡玛比率 0.72 0.43 0.06 52%/56% 资料来源:同花顺$研究所 图表4:$一级行业月度轮动策略VS$证800:分收益率(不引入尾部风险因子) 策略$证800 40.0% 30.0% 20.0% 10.0% 0.0% -10.