如何统一度量大类资产的风险收益表现?
报告引入了 Omega 度量来解决大类资产风险收益表现的比较问题。 Omega 度量考虑了收益率的完整分布,并引入了投资者给定的预期收益率阈值作为参考。
摘要:
不论采用何种配置方法,比较资产的风险和收益表现都是配置研究的核心。 我们也发现,经典量化配置模型直接应用于中国市场的“水土不服”往往是因为对于各资产的风险和收益特征刻画不足导致的。那么我们是否能找到一个合理的方法来统一度量大类资产的风险收益表现呢?
报告讨论了中国市场量化配置研究中遇到的问题。 这些问题可以归结为两点。第一, 均值和标准差并不足以来描述资产收益率的真实分布。在相同均值下选择低波动资产的方法会放弃获得更高收益的机会。第二, 不同投资者对于同一类资产或投资组合所要求的风险补偿并不同。投资者在凭借经验对资产的风险收益表现进行评价时,会根据自身的特点以特定的收益水平作为参考。
报告引入了 Omega 度量来解决大类资产风险收益表现的比较问题,包括了 Omega 函数和 Sharpe-Omega。 这两者相互等价,在对资产风险收益表现进行度量时考虑了收益率的完整分布,并引入了需要由投资者给定的预期收益率阈值。
报告展示了 Omega 度量在大类资产配置中的简单应用,包括了大类资产之间的排序比较、债券资产内部的排序比较、不同宏观状态下排序比较和风险收益 表现的时间序列监控。 采用 Omega 与Sharpe-Omega 的分析结果会更符合投资直觉,其时间序列表现也相较 IR(样本均值和波动率之比)更为稳健。几乎所有需要考虑风险收益评价的应用场景都可以用Omega或Sharpe-Omega来对经典的IR或 Sharpe 进行改进,我们可以在考虑收益率整体分布的同时得到符合特定收益目标的解决方案,包括基金业绩评价、投资策略比较、多因子研究中的因子筛选等等。
Omega 度量并不会完全取代 Sharpe,而是在一些应用场景下更为合适。 Sharpe 和均值方差分析框架在资产价格服从几何布朗运动的假定下具备良好的解析性质,也是整个现代资产定价理论的基石。Omega 度量在策略比较和风险度量上具备优势,但基于 Omega 函数的最优化问题往往不具备良好的解析性质。在后续的研究中,我们将进一步讨论 Omega 度量在资产配置中的应用并提出一个可扩展的灵活的配置体系。