这些捕获率是重要且有趣。首先,它们被投资者广泛使用。例如Nelson(2009)在2008年对理财规划师使用的投资屏幕的调查中发现,43%的受访者表示偶尔使用捕获率,42%表示经常使用捕获率,15%表示他们总是使用捕获率。事实上,Marlo和Stark(2019)的研究表明,投资者关心这些捕获率,因为发现基金流量与这些捕获率有关。具体来说,他们发现,如果当前市场状态是上升的,那么资金流对上行捕获率的反应更强烈,如果当前市场状态是下降的,那么资金流对下降捕获率的反应更强烈。
其次,共同基金公司利用这些捕获率向公众推销其基金。例如,为AIG焦点红利战略基金准备的一份营销文件强调了该基金有吸引力的相对下行捕获历史,并将其归因于其投资流程(AIG焦点红利战略基金2019)。同样,为贝莱德股票补仓封闭式基金准备的一份营销文件提出,低下行捕获率的投资会通过减少缩减来实现超额收益(贝莱德2020)。
最后,还有一个例子,在奥本海默全球机会基金2010年9月的管理评论和年度报告中,该基金的投资组合管理人说:"......我们认为衡量我们风险的最佳标准是我们所说的上行和下行的捕获。在过去三年中,该基金在上涨市场中的表现好于指数,而在下跌市场中几乎与指数持平......我们将寻求长期为投资者保持这种有吸引力的风险/回报关系"。
鉴于这些捕获率在行业中的影响,人们可能认为它们会在文献中得到广泛的研究。然而,文献中很少有论文研究捕获率预测未来业绩的能力。为数不多的是Marlo和Stark(2019),他们实证研究了捕获率预测随后一年的未来基金业绩的能力。在一项研究中,他们研究了2003-2015年的数据,发现较高的上行捕获率可以预测随后的超额业绩;较低的下行捕获率可以预测后续的下跌市场的超额业绩。
Marlo和Stark(2019)还构建了一个相对捕获率的衡量标准,名为 "技能",它被计算为一个基金的上升和下降捕获率之间的差异。因此,一个具有积极技能的基金是一个上行捕获率大于下行捕获率的基金。这意味着该基金在上涨市场中的表现比在下跌市场中的表现相对要好。同样地,一个具有负面技能的基金,其上行捕获率低于下行捕获率。这意味着该基金在上涨市场中的表现要比在下跌市场中的表现差。Marlo和Stark(2019)发现,技能指标与未来一年的基金业绩呈显著正相关。
在这篇文章中,我们以两种不同的方式补充了Marlo和Stark的分析。首先,我们希望通过研究区分上/下行捕获率是衡量投资组合管理人的技能还是体现市场的Beta值。我们发现,捕获率和Beta之间的关系是强烈的正向关系。捕获率和Beta之间的这种强烈关系表明,那些使用捕获率作为管理人技能的评估方式可能会存在误判。换句话说,捕获率的强度可能只是由基金的Beta值驱动,而不是其他原因。它们并不代表管理人的技能,而只是代表基金投资组合的Beta值。
其次,我们研究了Marlo和Stark的技能衡量标准在更长时间内预测未来基金业绩的能力,而不仅仅是停留在时长为一年的研究。我们发现,技能衡量标准与三年和五年的样本外Alpha呈明显的负相关,这表明长期投资者并没有从投资于技能较高的基金中获益。
因此,总的来说,我们发现有证据表明捕获率被高估了。它们似乎并不能 "捕捉 "管理人的能力,而只是表明了投资组合的Beta值。此外,虽然Marlo和Stark有证据表明技能指标可以预测未来一年的基金业绩,但我们发现它们与未来一年以上的基金业绩呈显著负相关。
本文的其余部分组织如下。第二节描述了数据、方法,并提出了描述性统计。第三部分解释我们的结果。我们在第四节中得出结论。
2. 数据和描述性统计
2.1. 数据提取和数据集的形成
我们使用晨星共同基金数据来获取基金数据。我们先使用晨星数据库中的所有美国共同基金,然后再筛选符合以下标准的基金。首先,每个基金必须是积极管理的基金,因此所有的指数基金都被删除。其次,我们只选择晨星公司分类的美国股票基金。这其中有各种各样的基金,包括激进增长型、增长型、股票收入型和小公司基金。第三,由于大多数基金有许多不同的股票类别,我们只使用每个基金中最古老的股票类别,并将其纳入我们的样本。注意,这个样本包括存活和非存活的基金,所以我们的样本不会受到存活率偏差的影响。
我们使用三种不同的测量方法形成我们的数据集,我们称之为1年案例、3年案例和5年案例。在所有这些情况下,我们会计算样本内数据和样本外数据。在我们的一些测试中,样本内的数据被用来预测样本外的数据。
对于一年的情况,样本内和样本外的数据期都是一年的期限。例如,我们用1990年的周数据来预测1991年的基金业绩。我们每年都重复这个过程,然后把年度样本集中起来。为了防止年度样本之间的相互关联,我们只使用不重叠的时期。因此,我们用1990年来预测1991年,用1992年来预测1993年,以此类推。最后,从1990年到2019年有19个不同的不重叠的一年期,样本内的数据在给定的一年内测量,样本外的数据在随后的一年内测量。
对于三年期的情况,我们重复上述做法,但在样本内和样本外期间都使用3年的期限。例如我们想要使用晨星公司截至1992年的数据的基金。我们就基于过去3年的数据(1990-1992),这得到的就是1990-1992年的样本内数据。然后我们使用1990-1992年的样本内数据来预测接下来三年,即1993-1995年的基金业绩。然后,我们用不重叠的样本重复这一过程,得出九个不同的测试期,然后把它们集中起来。
对于每个样本内的数据期,我们从晨星公司收集上/下行捕获率。这些捕获率是基于每周的回报,并以给定基金的主要招股说明书基准为基准。上行捕获率的计算方法是,在估计期内,特定基金的基准回报率为正的那些星期,特定基金的几何回报率除以特定基金基准的几何回报率。下行捕获率同样是在估计期内特定基金的基准收益为负数的那几周内计算的。例如,在52周内,某基金的基准收益有30周为正,22周为负。在基准收益为正的30周内,基金的几何收益为2.5%,基准的几何收益为2.75%。因此,涨幅捕获率为100*(2.5%/2.75%) = 90.91。在基准收益率为负的22周内,基金的几何收益率为-1.6%,基准的几何收益率为-1.7%。因此,下行捕获率为100*(-1.6%/-1.7%) = 94.12. 因此,上涨市场中的表现与较高的上行捕获率有关,而下跌市场中的表现则与较低的下行捕获率有关。
其他变量也是从晨星公司的资料中提取的。样本内的Beta值是以给定基金的主要招股说明书基准为基准,并使用每周回报率进行估计。样本内净费用率的计算方法是在给定的样本期内从晨星公司提取的平均年度净费用率。样本内周转率的计算方法是在给定的样本期内从晨星公司提取的平均年度周转率。样本内净资产的计算方法是,在给定的样本期内,从晨星公司提取的平均每月净资产除以10亿。基金年龄是指在给定的样本期结束时,给定基金的年龄,以晨星公司提取的基金成立日期计算。
为了衡量样本内和样本外的业绩,我们使用了两个衡量标准:技能和六因子Alpha。技能的衡量标准是给定基金的上/下行捕获率之间的差异。例如,如果上行捕获率为95,而下行捕获率为65,那么,当基准收益为正时,基金管理人捕获了基准收益的95%,但当基准收益为负时,只捕获了基准收益的65%。在这个例子中,技能指标将等于95 - 65 = 30。相反,如果上行捕获率为120,而下行捕获率为130,那么,当基准回报为正时,管理人捕获了基准回报的120%,但当基准回报为负时,管理人捕获了基准回报的130%(因此它的回报比基准指数更负)。在这个例子中,技能指标将等于120 - 130 = -10。
我们用来衡量样本外业绩的另一个衡量标准是六因子Alpha,它使用Fama和French(2015)的五个因子和Carhart(1997)的动量因子。我们之所以使用六因子Alpha模型,是因为它抓住了股票回报中最知名的近期因子。这些都是通过将从晨星公司提取的给定基金的每日回报与从肯尼斯-弗伦奇网站(French)提取的六个指数的每日值进行回归,对每个时期的每个基金进行估算。为了估计六因子Alpha,我们使用了以下时间序列回归模型:
其中,Rit - Rft是基金i在第t天的超额总回报(扣除30天T-bill回报);ai =基金i的Alpha;RMRFt是所有NYSE/AMEX/NASDAQ公司超过无风险利率的价值加权市场回报;SMBt是小股票和大股票组合的回报差异,控制了两个组合中相同的加权平均账面权益。HMLt是高和低账面股票组合的回报率之差;i4RMWt是稳健和弱势经营利润率组合的回报率之差;CMAt是保守和激进投资组合的回报率之差;MOMt是动量因子,即两个高前回报组合的平均回报率减去两个低前回报组合的平均回报率。所有因子都是由Fama和French计算的。
因此,我们再次使用技能和六因子Alpha来衡量样本内和样本外的表现。另外,为了消除异常值,在每个时期,样本内和样本外的捕获率以及技能测量都在5%和95%的水平上进行了缩尾。
2.2. 样本内数据的描述性统计
我们在图1中分别列出了每个案例的样本内变量的平均值和标准差的描述性统计。1年案例的集合观测值为27045个,3年案例为7147个,5年案例为3136个。独特基金观察数在1年的情况下是2219个,3年的情况下是1788个,5年的情况下是1388个。
在图1中,有几个有趣的结果。首先,上行捕获率的计算方法是,在估计期内,特定基金的基准收益为正的那些周里,特定基金的几何收益除以特定基金基准的几何收益。高于100的数值意味着该基金在上涨月份的表现优于基准,低于100的数值意味着该基金在上涨月份的表现低于基准。我们发现,在所有三种情况下(一年期、三年期和五年期),平均涨幅捕获率都低于100。这意味着,平均而言,基金在市场上涨时的表现普遍低于基准。
第二,下行捕获率是在估计期内,特定基金的基准收益为负值的那些周内计算的。高于100的数值意味着该基金在下跌的月份里表现不如基准;低于100的数值意味着该基金在下跌的月份里表现好于基准。在图1中,我们发现在1年、3年和5年的情况下,平均下行捕捉率低于100。这意味着,平均而言,基金在市场下跌时的表现优于基准。
因此,我们发现,平均而言,在市场上涨时,基金的表现低于基准,而在市场下跌时,基金的表现优于基准。这与主动型基金在市场上涨时表现不如被动型投资,而在市场下跌时表现好的观点基本一致。由于主动型基金和被动型基金相比,通常没有充分投资于股票市场,因此,它们在上行市场中的表现往往比被动型基金差,但在下行市场中却比被动型基金好。
3. 研究结果
3.1. Beta和捕获率
在附表2中,我们研究了变量之间的相关性。这个表格中最有趣的结果是,市场Beta值与上/下行捕获率都有很强的相关性。具体来说,这些相关性在1%的水平上是显著的,且远远高于80%(通常是远远高于90%)。直观地说,这种高相关性是有道理的。Beta值较高的基金在上行市场中表现出色。因此,高Beta值的基金有很高的上行捕获率。同样地,Beta系数较低的基金在下跌市场中的表现也较好。因此,低Beta值的基金具有较低的(因而也是较好的)下行捕获率。
为了进一步记录Beta和捕获率之间的关系,我们提供了捕获率与Beta之间的散点图,在三种情况下分别列出了上行和下行的捕获率。这些图在附表3中显示。这些散点图清楚地表明,上行和下行的捕获率与Beta值密切相关。在3年和5年的情况下尤其如此,因为Beta值似乎解释了几乎所有的捕捉率变化(包括上涨和下跌)。在1年的情况下,Beta值和捕获量之间的关系仍然很明显,但不像3年和5年的情况那样直接。对于上行捕获率和Beta值的相关数字,与1年、3年和5年的情况相关的R平方分别为0.6986、0.8511和0.8789。对于下行捕获率和Beta值的相关数字,与1年、3年和5年案例相关的R平方分别为0.8215、0.9319和0.9338。
捕获率和Beta值之间的这种强烈关系表明,那些用捕获率作为管理人技能的证据可能是对业绩的错误归因。推动结果的不是管理人的技能,而只是基金的Beta值。毕竟,如果捕获率衡量的是管理人的技能,那么,高的上行捕获率应该表明投资组合管理人在上涨市场中精准地提高了投资组合相对于基准的敏感性,而低的下行捕获率应该表明投资组合管理人在下跌市场中精准地降低了投资组合相对于基准的敏感性。然而,捕获率和Beta之间的强烈关系似乎表明,那些捕获率较高的基金在所有市场条件下对基准更加敏感,因此捕获率只是 "捕获 "这种敏感性,而不是与投资组合管理人的能力有关。事实上,如果管理人在把握市场时机或挑选合适的股票方面有真正的技巧,我们就不一定能在Beta和这些捕获率之间看到如此直接和一致的模式。
我们的结果显示,捕获率只是变相的Beta值,这与Ferguson、Meidan和Rentzler(2014)的发现相似。他们使用理论金融模型而不是实际的基金数据,建立了捕获率非常依赖于Beta(以及其他因素)的模型,因此捕获率在评估基金业绩方面是有问题的。我们的论文对他们的模型进行了实证。
最后,为了进一步说明Beta和捕获率之间的密切关系,我们给出了附图4,其中显示了Beta和涨跌幅度比率对未来基金业绩的预测程度。也就是说, 我们考察了样本内的Beta系数对样本外的六因子Alpha的预测程度,然后将其与样本内的上/下行捕获率对样本外的六因子Alpha的预测程度进行比较。我们发现,Beta指数对未来业绩的预测与捕获率的预测一样好。事实上,在5年的情况下,Beta指数与未来的Alpha指数是正相关的,而且我们也发现使用上行捕获率或下行捕获率的结果完全相同。因此,即使在预测方面,Beta系数似乎也和捕获率一样好。这再次表明,Beta是捕获率的有力替代品,因此捕获率本身对投资者来说并不十分有用。
3.2. 捕获和样本内表现
我们在图2中还发现,样本内捕获与样本内技能有一种有趣的关系。具体来说,我们发现技能指标与下行捕获的相关性比与上行捕获的相关性要高。从图2中可以看出,在一年的情况下,样本内技能与下行捕获的相关性为-0.5766(更高的技能与更低的下行捕获相关,因此得到更好的下行捕获),而上行捕获的相关性为0.2237(更高的技能与更高的上行捕获相关)。在3年和5年的情况下,我们看到了同样的关系:技能指标与基金的下行捕获量的相关性要高于其上行捕获量。看来,至少在技能衡量方面,下行捕获比上行捕获更重要。
当我们研究样本内Alpha和样本内捕获之间的关系时,我们也看到了这种关系。Alpha与下行捕获的相关性比与上行捕获的相关性更大。我们在图2中看到, 在一年期的情况下,下行捕获率和样本内Alpha之间的相关性是-0.2838,而上行捕获率只有0.1284。我们在3年和5年的案例中也得到了相似的结果。Alpha似乎更依赖于基金在下跌市场中的表现,而不是在上涨市场。
3.3. 捕获和样本外表现
总的来说,我们发现样本内技能在1年的情况下预测成功了业绩,但在3年和5年的情况下预测的业绩不佳。在1年的情况下,我们发现样本中的技能与未来的基金业绩有显著的正相关(1%水平)。这与Marlo和Stark(2019)相当相似,他们也发现了强有力的证据,即技能措施与更好的未来基金业绩有正向和显著的关系。然而,在3年和5年的情况下,我们发现了相反的结果。也就是说,我们发现技能指标要么与未来业绩没有显著关系,要么与未来业绩有显著的负相关。这些结果表明,这些捕获率衡量的技能并不能预测长期业绩。事实上,它可能会起到相反的作用。
在图6中,我们重新运行了图5中的回归,但现在将Beta作为回归中一个控制的变量。我们这样做是因为Marlo和Stark(2019年)将Beta作为控制变量。我们在这些回归中发现与图5中报告的结果非常相似。因此,将Beta是否作为控制的变量似乎并不影响结果。
在图7中,我们将在图5和图6中发现的结果与我们考察样本内Alpha对样本外Alpha的预测程度进行比较。不同于研究技能对样本外Alpha的衡量程度,我们只是简单地衡量Alpha本身对未来Alpha的预测程度。从图7可以看出,这一分析的结果与图5和图6的结果非常相似。1年的样本内Alpha与未来1年的Alpha有正向和显著的关系。然而,我们发现,3年和5年的样本内Alpha与未来的Alpha是显著负相关的。而1年样本内技能预测积极的未来表现,3年和5年样本内技能预测消极的未来表现。这一发现反映了使用样本内Alpha相似的结果。因此,技能的预测与Alpha预测本身没有任何区别。附表7展示了捕获率被高估的另一个原因:技能。
捕获率之间的差异,与众所周知的Alpha指标相比,并没有不同的预测效果。如果技能的预测与Alpha没有区别,那么,技能作为基金业绩的预测指标有什么用呢?
4. 结论
在这篇文章中,我们调查了用于衡量共同基金业绩的捕获率。这些比率已被投资者和基金广泛使用,Marlo和Stark(2019)之前的研究记录了基金流量与这些捕获率的关系。在我们的分析中,我们研究了1990-2019年的美国股票基金的大样本,因此不存在幸存者偏差。此外,我们研究了这些基金在1年、3年和5年范围内的表现。利用这些数据,我们发现两个有趣的结果。
首先,捕获率似乎没有 "捕获 "管理人的能力,而是与投资组合的Beta值有关。我们通过相关性和散点图发现,基金的捕获率与投资组合的Beta值密切相关。我们还发现,即使在预测未来业绩时,Beta值的作用也与捕捉率的衡量标准差不多。捕获率和Beta之间的这种紧密关系表明,那些用捕获率作为管理人技能的证据可能是对业绩的错误归因。驱动结果的不是管理人的技能,而只是基金的Beta值。同事,捕获率和Beta之间的强烈关系表明,那些捕获率较高的基金在所有市场条件下对基准更加敏感。因此,捕获率只是 "捕获 "了这种敏感性,而不能证明投资组合管理人的能力。事实上,如果管理人在把握市场时机或挑选合适的股票方面有真正的技能,我们就不一定能在Beta和这些捕获率之间看到如此直接和一致的模式。
其次,我们还发现一些证据表明,对样本内业绩而言,下行捕获比上行捕获更重要。我们在所有的样本中都发现,在下跌市场中表现出色的能力与较好的业绩之间的关联度要高于对上涨市场的把握。对于希望表现出色的基金来说,在下跌市场中战胜市场的能力似乎更重要。
第三,当我们通过结合捕获率来衡量管理人的技能时,我们发现这种技能的衡量方法实际上与未来的基金业绩在一年以上的时间里呈显著的负相关。这些结果表明,用捕获率之间的差异来衡量技能,并不能预测更好的长期业绩。事实上,它可能会起到相反的作用。
更糟糕的是,我们发现,使用样本内Alpha的预测方式与被称为技巧的捕获率之间的差异的衡量方式高度相似。因此,技能的预测与Alpha本身的预测没有任何区别。这再次说明了为什么捕获率被高估了:它们的预测方式与众所周知的Alpha方法没有区别。
综上所述,我们发现捕获率被高估了。虽然它们在共同基金行业中被广泛使用,但它们似乎只是捕捉了基金的Beta值,而且从长远来看,预测的未来业绩不佳。事实上,看来捕获率可能主要是一种营销手段,使基金能够向不了解Beta概念的投资者兜售其在涨跌市场中的表现。
本文介绍的结果表明,共同基金公司在吹捧以捕获率作为优秀管理人的标准时应该谨慎,投资者也应该谨慎,不要将捕获率误认为是优秀的管理人技能的证据。
海外文献推荐:因子选股类
向下滑动查看往期链接
第185期:左尾动量:股票市场坏消息的不充分反应
第179期:价值股与成长股的久期——差异没有想象的那么大
第177期:Smart beta多因子构建的方法论:混合与整合
第174期:解决规模效应的问题
第173期:2018-2020年的量化危机:被大盘成长逼入绝境
第171期:Smart beta与多因子组合的最优混合
第170期:通胀错觉和股票价格
第164期:Smart beta 策略中的“肉”在哪里 ?
第163期:从实体经济角度对股市未来长期收益进行预测
第160期:因子的两种类型:基于因子组合的收益分解
第157期:在 分散化收益的视角下Smart Beta是否仍然Smart
第154期:异象策略的相关性结构
第144期:价值因子已死?
第142期: ESG投资:从罪恶股到Smart Beta
第135期:货币政策敞口因子MPE
第134期:横截面与时间序列因子模型比较
第125期:现金流久期因子
第118期:使用深度神经网络提升时间序列动量策略
第116期:更高的因子有效性评价标准
第108期:分析师的共同覆盖—— 动量溢出效应的根源
第99期: 低PE,成长,利率:对估值的再思考——最聪明的投资回收期
第98期:低波动需要很少的交易
第97期:机器学习时代的回测原则
第95期:防御性质的因子择时
第90期:收益预测性:来自中美两国供应链的证据
第89期:盈利,留存收益,账面市值比在股票横截面收益中的作用
第87期:因子大陆上的爱丽丝梦游:纠缠因子投资的三大谬误
第79期:不确定性、动量和盈利能力
第77期:因子动量与动量因子
第71期:短期的 Beta 还是长期的 Alpha
第70期: SmartBeta 与多因子组合的最优配置
第63期:劳动杠杆与股票收益的截面效应
第62期:利用 CART 决策树选股
第60期:学术研究毁了因子的预测结果吗?
第59期:策略回测效果如何评估?
第58期: ESG 能够提高新兴市场投资的风险调整后收益
第56期:盈余公告收益及标准化预期外盈利
第54期:六因子模型与解决价值因子冗余
第 53 期:Shiller P/E与宏观经济环境
第 52 期:微观领先于宏观?非流动性对股票收益和经济活动的预测能力
第50期:因子如何复合——自上而下及自下而上的指数构建方法
第50期:分析报告的可读性与股票收益
第49期:风格在债券投资中的应用
第49期:盈利指标的紧缩指数
第48期: HML 因子中的细节
第46期:市值效应的事实与流言
第43期:机器学习与资产定价
第43期:价值投资的事实和流言
第40期:因子择时是与非
第39期:质优股与垃圾股
第38期:隔夜收益与特定企业股票的投资情绪
第37期:因子选择的新指标
第36期:一种新的公允周期调整市盈率( CAPE)预测方法
第35期:因子投资模型增强:基于深度学习来预测基本面数据
第34期:工匠阿尔法:风格投资的应用
第33期:风格投资与机构投资者
第31期:因子正交与系统性风险分解
第31期:情景基本面,模型与主动管理
第30期:消化异象:一种投资方法
第29期:风格投资、联动性与股票收益可预测性
第28期:期估值因子的风险来源于哪里?由 PB 分解得来的证据
第28期:基于波动率管理的投资组合
第26期:收益的可预测性
第25期:价格影响还是交易量:为什么是 Amihud(2002) 度量
第25期:金融危机期间企业社会责任的价值
第24期:股票流动性和股价暴跌风险
第22期;估计 Beta 值
第22期:价值、规模、动量、股利回报以及波动率因子在中国 A 股市场的表现
第19期 : 恐慌指数 v.s. 规模因子
第18期 : 调整因子在对收益率解释中的表现
第15期 : 改进的动量模型
第15期 : 利润质量研究
第13期 :股票市场波动性与投资学习
第13期 :社会责任共同基金的分类及其绩效的衡量
第13期 :因子择时风险导向模型
第10期:利用信息因子解释回报
第10期 ;异质现金流和系统性风险
第9期:“打赌没有β”投资策略研究
第9期:利用条件信息理解投资组合的有效性
第8期:因子择时模型
第8期:优化价值
第7期:动量崩溃
第7期 :动量因子及价值因子在投资组合中的运用的实证研究
第7期:后悔的神经证据及其对投资者行为的影响
第6期:持续过度反应和股票回报的可预测性
第6期:五因子资产定价模型在国际市场上的检验
第5期:价值的另一面:毛盈利能力溢价
第5期:卖空比例与总股票收益
第4期:巨变的贝塔:连续型贝塔和非连续型贝塔
第4期:全球、本地和传染的投资者情绪
第4期:投资者更关注哪些因子?来自共同基金资金流的证据
第4期:总资产增长率与股票截面收益率的实证
第3期: Beta套利
第3期:前景理论与股票收益:一个实证研究
第3期:趋势因子:投资时限的信息能获得收益?
第3期:时变的流动性与动量收益
第2期:CAPM新视角:突尼斯和国际市场基于copula方法的验证
第2期:资本投资,创新能力和股票回报
第2期:风暴来临前的平静
第2期:资本投资,创新能力和股票回报
第1期:三因子与四因子模型对比与动量因子的有效性检验
第1期:五因子资产定价模型
第1期:多资产组合中的动量因子影响
第1期:基于插值排序标准化变量法和复杂变量的平衡分离树的多因子选股模型
海外文献推荐:资产配置类
向下滑动查看 往期链接 ↓
第188期 :ESG的Alpha,Beta和Sigma:更好的Beta,额外的Alpha
第187期 :货币政策的非对称效应
第156期 :资产配置vs.因子配置——我们能否构建一类两者兼顾的策略
第151期 :利用新闻情绪动量进行战术性资产配置
第143期 :关于低风险投资的事实与误区
第141期:利用先锋核心+卫星策略指引
第126期: 利用Fama-French五因子模型的alpha进行行业轮动
第123期: 行业收益的可预测性:使用机器学习方法
第122期: Capital Group 2020年市场展望
第65期:通过 VaR Black-Litterman 模型构建 FOF 投资绝对收益组合
第56期:利用低风险现象增强 Black-Litterman 模型:来自韩国市场的证据
第56期:波动率模型以及波动率的程式化特征实证
第54期:放大市场异象
第 53 期:风险平价组合与其他资产配置方法的比较探索
第51期:关于公式化价值投资方法的事实
第48期:对风险配置策略的再思考
第41期:投资组合再平衡管理的另一类方法 - 叠加期权卖出合约
第38期: Smart Beta 策略怎么会出错?
第27期:风险因子的风险平价
第27期:桥水基金对风险平价和全天候策略的一些思考
第26期:协方差矩阵的非线性压缩:当 Markowitz 遇见 Goldilocks
第24期:考虑寿命风险的多变量战略资产配置模型
第19期:稳定性风险调整后的投资组合
第17期:推动多因子世界中的战略资产配置
第17期:用更高阶矩衡量组合分散性
第16期:将因子暴露映射到资产配置
第14期:风险平价股票组合的转售价值
第12期:构造有效收入组合
第12期:投资组合中股票数量是否会影响组合表现
第11期:对冲基金收益优化投资组合
第5期:集中投资与全球机构投资者业绩
海外文献推荐:事件研究类
向下滑动查看 往期链接 ↓
第147期: 政治事件投资组合
第146期: 信息传播速度与卖方研究行业
第138期:心情Beta与股票收益的季节性
第119期:节假日前的公告效应
第115期:粘性预期与盈利异象
第96期:规模效应隐藏于日历效应之中
第47期:工业用电量与股票收益率
第45期:预测中国股票市场的股灾
第40期:IPO 批准对现有股票的影响:来自中国的证据
第21期:低频调仓、收益率自相关性和季节性
第8期:机构投资者和股票拆分的信息产生理论
第6期:季节性收益
第6期:可预测的行为、利润和关注
第6期:盈余公告与系统性风险
海外文献推荐:投资者行为类
向下滑动查看 往期链接 ↓
第186期:情绪交易与对冲基金收益
第183期:投资决策频率对长期投资结果的影响
第180期:隔夜收益与特定公司的投资者情绪
第167期:决策疲劳和启发式分析师预测
第161期:收益预期是如何形成的?——截面上的趋势外推
第159期:估计分析师预期偏差新方法——投资者是否过度依赖分析师预期
第153期:谷歌搜索量与个人投资者交易者行为
第137期:股票高收益同步性意味着怎样的价格信息含量?
第129期:“懒惰”的投资者——不可忽视的财报措辞变化
第128期:高频交易竞争
第105期:投资者情绪对于异象的解释是否源于“伪回归”?
第85期:原油期货市场的知情交易
第78期:高频报价:买价和卖价的短期波动性
第57期:数据提供者的信息中介角色
第55期:分析师的重新覆盖与市场反应不足
第42期:卖方研究在经济不景气时期更有价值吗?
第33期:公司债市场收益的共有因子
第23期:媒体关注与消费者投资行为之间的因果关系
第20期:高频交易之间的影响
第20期:是什么使得股价移动?基本面 vs. 投资者认知
第18期:短期机构交易的表现
第16期:坏习惯和好方法
第11期:状态变量、宏观经济活动与个股截面数据的关系
第10期:条件夏普比率
第9期:强制清算,减价出售与非流动性成本
第7期:买方与卖方谁发起交易
第7期:后悔的神经证据及其对投资者行为的影响
第7期:排名效应和交易行为:卖出最差的和最好的,忽略其余的
第6期:持续过度反应和股票回报的可预测性
海外文献推荐:择时策略类
向下滑动查看 往期链接 ↓
第184期: 市盈率、商业周期与股票市场择时
第166期:时间序列因子择时与横截面因子配权的新方法
第136期:因子溢价与因子择时:一个世纪的数据验证
第106期:宏观经济的风险对因子收益的影响
第86期:哪种趋势指标是你的朋友
第76期:商品期货的特质动量
第32期:行业表现能预测股市走势吗
第14期:几类择时策略的比较
海外文献推荐:公司金融类
向下滑动查看 往期链接 ↓
第182期:以整合法量化ESG 投资
第150期 : 细节决定成败:ESG数据的差异性与责任投资的意义
第145期 : 预期管理与股票收益率
第103期:全球化风险溢价
第72期:独立董事的价值
第23期:经济周期、投资者情绪和高成本的外源融资
第12期:世界各地的资本结构决策:哪些因素重要
第11期:财务风险有多重要?
第3期:机构投资者对公司透明度和信息披露的影响
海外文献推荐:基金研究类
向下滑动查看 往期链接 ↓
第175期:机器学习能用于基金组合构建吗?
第169期:持股的创新偏好与共同基金业绩研究
第162期:COVID-19期间共同基金的业绩表现与资金流动
第155期:双重调整的共同基金业绩评估
第148期:长期任职的基金经理的业绩表现
第140期:价值平均策略、美元成本平均策略以及随机投资方式的收益对比——基于多场历史数据的实证检验
第139期:投资组合集中度与基金绩效
第133期:使用机器学习法推理基金配置
第132期:晨星债基风格箱构建方法论
第130期:什么时候基金管理技能更有价值?
第121期:使用期权对公募基金的益处
第120期:共同基金业绩,管理团队与董事会
第113期:基于DEA方法的共同基金业绩预测
第109期: 只有艰难时期的赢家才能持续
第100期:便宜不一定好:论高费率共同基金的优越表现
第94期: 基金经理是否具有市场流动性择时能力
第92期:波动率与主动基金管理者能力
第85期:主动ETF或将何去何从
第83期: 基金经理的运气与技能
第75期:ETF的战争从未停止
第74期:风格中性FOF:分散投资还是成本重负
第73期:基于APB指标的共同基金业绩评估
第68期:弱市赢家方能恒强:对冲基金再不同市场下的表现持续性
第67期:美国ESG基金发展概览
第64期:基金的alpha源自基金经理的管理能力吗?
第52期:美国目标日期基金市场的成败之争
第51期:买方分析师的能力与角色研究
第47期:下滑轨道内部应该如何配置
第46期:时变的基金经理管理能力
第44期:一个有效的下行风险衡量指标下的FOF 策略
第42期:趋势跟踪策略在目标日期基金中的应用
第41期:基金经理的个人特征与业绩
第39期:风格中性的基金中基金:分散化还是锁定权重?
第37期:如何设计目标基金?
第34期:市场情绪与技术分析的有效性:来自对冲基金的证据
第32期:目标日期基金需要更好的分散化
第30期:一种新的衡量基金经理能力的方式
第29期:基金真的交易越多赚的越多么?
海外文献推荐:其他
向下滑动查看往期链接 ↓
第181期:大美国战后经济周期实证研究
第178期:关于大宗商品投资的再思考
第176期:指数期权套利中的提前平仓策略
第172期:风险恐惧情绪在商品期货市场中的定价作用
第165期:商品期货价值投资
第158期:商品因子投资
第149期:隐含 波动率指数与股指收益之间的相关性
第131期:期权交易信息聚合
第127期: 机器学习在量化中的应用趋势
第124期: 基差动量
第117期: 机器学习基金失败的十大原因及应对策略
第114期:大银行具有更高的价值吗?
第112期: 节点遗失: 规避神经网络过拟合的一种简单方法
第111期: 利用Straddle期权对冲波动率风险
第110期: 时间的关联规则挖掘: 美国股市中的应用
第107期: 基于Boruta的特征选择
第104期: 商品期货市场中收益与波动的联动效应: 流动性风险的影响
第88期:如何更好地复制对冲基金业绩
第80期:回归模型中的过拟合问题
第66期:揭开中国期货的神秘面纱
第61期:应该卖出哪一种指数期权
第21期:实证金融的未来
关注我们
风险提示:本报告内容基于相关文献,不构成投资建议。
注:文中报告节选自天风证券研究所已公开发布研究报告,具体报告内容及相关风险提示等详见完整版报告。
证券研究报告
《天风证券-金融工程:海外文献推荐第191期》
对外发布时间
2021年8月18日(注:报告审核流程结束时间)
报告发布机构
天风证券股份有限公司
(已获中国证监会许可的证券投资咨询业务资格)
本报告分析师
点击“赞”或“在看”,及时获取最新推送返回搜狐,查看更多