本篇研报介绍了基于树的模型——Panel Tree（P-Tree），用于分析个体资产收益的面板数据，并在均值-方差有效框架下构建测试资产和潜在因子，以扩展有效前沿。
P-Tree模型的构建与美国股票市场实证效果
P-Tree模型通过高维特征对个体资产收益进行聚类，生成测试资产和潜在因子，显著推进了有效前沿。模型具有解释性强、计算效率高和稳健性好的特点，为资产定价和投资管理提供了新的工具和方法。美国市场实证结果显示P-Tree模型能显著提升资产定价和投资管理的效果。具体而言，P-Tree切线组合被构建为交易因子，显著推进了有效前沿，其年化夏普从单个P-Tree（10个投资组合）的6.37到20个增强P-Tree（200个投资组合）的15.63不等。这些数值显著高于传统基础投资组合（单变量或双变量排序投资组合）或常用因子模型构建的数值。
P-Trees模型拓展
Boosting P-Trees通过逐步添加新的因子使投资组合的效率不断提高，显著推进了有效前沿。同时Boosting P-Trees在投资策略中表现出色，具有高夏普比率和显著的阿尔法值，即使在样本外测试中也表现出色。随机P-Trees进一步扩展了P-Tree的模型复杂性，提供了更稳健的SDF估计和特征重要性评估。
P-Trees模型评估
实证结果发现某些特征（如SUE、DOLVOL和BM_IA）在基准P-Tree上进一步分裂时，能够显著提高投资组合表现在不同宏观经济状态下都能有效调整，选择不同的特征进行均值-方差优化。此外，P-Tree生成的测试资产在极端宏观经济状态下对现有因子模型的挑战更大。具体而言，P-Tree五因子模型（P-Tree1-5）在资产定价方面表现出色，解释了P-Tree1测试资产横截面收益率变化的98.3%，而基准因子模型的表现要低得多。同时，P-Tree投资策略具有极具竞争力的夏普比率，单因子策略的夏普比率分别从6.37增加到9.19、11.21、13.83和15.64，因子数量分别增加到5、10、15和20个。
结论
P-Tree框架为资产定价和投资管理提供了新的工具和方法，能够有效地应对均值-方差有效前沿构建和测试资产评估的实证挑战。P-Tree模型在美国股票市场的实证结果表明，与常用的测试资产和基准模型相比，P-Tree测试资产大大推进了有效前沿，并且表现出显著的未解释优势。此外，P-Tree切线组合在因子投资和横截面定价性能方面优于流行的可观察和ML潜在因子模型。最后，P-Tree利用稀疏性捕捉到了面板股票回报的复杂性，实现了接近超参数化大型模型的卓越样本外夏普比率。
