投资圈：连接投资组合的各个点

多因素模型基础Ravi Kashyap第17页  我们通常使用多因素模型有三个主要目的  风险控制或管理（见下文第七点和第十二点）  阿尔法生成（见下文第八、九和XI点）  绩效归因（见下文第十五点）  这是投资组合构建过程所必需的，我们需要预测预期回报；预测这些回报的差异，然后评估我们相对于这些预期的表现。  通常，多因素模型有四个主要组成部分——证券对非因素的敞口、超额回报、归因因素回报和特定回报。  它的核心是将资产收益归因于选定的公因子和特定收益，以及对这些公因子和特定收益的方差和协方差的预测。形式上，我们可以表示为asRit=ai+bi1F1t+bi2F2t+…+εt这是资产i在Tai期间的回报率，是资产Ifk的截距这是时间段内的系数k这是资产i的回报率对系数kε的敏感性这是资产i回报率的证券特定（特殊）部分  一种更常用的技术是对时间序列或证券收益率进行多变量回归，以得出不同股票对各种因素的敞口。

这被称为得出与最能解释安全性回报的因素相对应的因素负载。  一般来说，我们使用宏观经济因素（如通货膨胀、GDP增长、工业生产变化、ZF债券利差等）或基本因素（如公司规模、股息收益率、账面市盈率、行业分类等）。toRavi Kashyap第18页了解各种证券的回报和方差结构。  为了涵盖第五节中提到的非常规风险因素，我们可以构建针对特定风险因素的模型。例如，为了捕捉行业风险，我们可以从历史上观察一个行业中的企业、它们的增长率、它们的出现和消失率等，并使用这种模型的结果对不同的行业进行排名，或对一个行业内的变化率进行评分。这样的调整可以被用来作为更传统的因素模型的输入。  我们还可以使用其他技术，如主成分/最大可能性分析，来确定主要因素。七、风险管理将建造一架飞机并驾驶它类比为建造一个模型并与之交易，将有助于我们更好地考虑相关风险。建模是我们建造飞机的阶段，这个过程的结果就是我们建造的飞机或模型；然后，交易就是在金融市场动荡的天空中驾驶飞机的行为。建模者将是科学家（也是工程师），飞行员将是交易员。本文讨论的问题包括什么样的人可以擅长建模和交易。1.

从股权建模的角度  多因素模型将分解整体投资组合风险，帮助识别投资组合中的重要风险源，并将这些风险源与积极回报的愿望联系起来。  我们需要使用正确的原则、正确的材料和正确的流程。拉维·卡希亚普第19页  正确的原则意味着理解某些概念，这些概念决定了任何资产的相关风险度量，以及当市场趋向于均衡时，预期收益和风险之间的关系。例如资本资产定价模型、轨道定价理论或其他多指标模型。  正确的材料意味着拥有安全申报表的数据，并选择相关因素。可用的数据和因素数量巨大。我们需要对历史使用了多少进行判断。我们还需要适应这些因素之间的重要性和因果关系。所有这些都可能涉及一些独立的数据分析。  正确的过程意味着使用计量经济学/统计理论中明智的概念。一些例子是检查变量的平稳性，对变量进行规范化，以适当地对其进行缩放，查看自变量之间是否存在相关性，并对其进行校正（多重共线性）。我们需要确保没有遗漏会产生影响的变量（忽略变量偏差）  需要进行大量的修补；这意味着我们需要有一个持续的周期来开发一个原型，测试它如何工作，并根据性能进行改进。

这在金融市场中尤其重要，因为我们正在追逐移动的目标，正如我们之前关于准均衡的讨论所暗示的那样。  建模需要经过深思熟虑，适当考虑到尽可能多的情况，并在不利情况发生时建立相关的纠正或中止机制。  考虑到这一点，我们永远无法实现一个完美的模式，即canRavi Kashyap第20页处理所有案件时不会失败，也不会不断变化，因此我们需要不断监督结果；因此，简单且健壮的模型更适合，因为在进行粗略操作时，更容易隔离故障点。鲁棒性在这里意味着在各种条件下产生类似的结果，对输入或控制进行一些更改。2.从股权交易的角度  交易需要很好地理解该模型能做什么，以及它在哪里会不足。  该模型将告诉我们，我们的投资组合中存在哪些类型的风险，以及承担这些风险可以带来哪些回报。不断变化的市场环境意味着风险和回报之间的关系也将发生变化。但我们不知道这种关系会在哪里破裂，以及当一些因素跨越我们期望它们停留的界限时会发生什么。这意味着要注意这种情况，校准模型或做出其他决定，如减少暴露于某些因素等。  所以，我们需要在事件发生时迅速做出反应，这意味着我们需要能够以很高的精度实时检测事件。这就像飞行员读取仪表盘上的许多仪表，并做出适当的反应。

我们需要很好地获取市场数据，或者使用尽可能多的数据点。  一只能够检测我们表现的警觉的眼睛或传感器，一种良好的反馈机制，可以根据传感器的输入采取纠正措施。需要检查的数据量和信息变化的速度意味着我们最好有许多自动化的Cravi Kashyap 21页程序来帮助我们检查各种参数的水平。  这里的反馈机制可以是某人手动查看模型的结果，并更改模型的输入或参数。它也可以是自动的，算法可以检测到变化并采取相应的行动。人工操作和计算机程序相结合，人和机器协同工作，是目前在交易中进行风险管理的一种好方法。  我们需要检查我们的投资组合相对于基准的跟踪误差，即投资组合和基准之间收益差异的波动性。被动的管理者希望尽量减少这种错误。积极的管理者希望表现优于基准。他们需要监控风险结果，以了解自己的定位、跟踪错误（activerisk）是什么，并在他们认为可以超越的领域承担风险。  我们需要明智地避免过多干预，因为每一次干预都会带来相应的惩罚或代价，更不用说，人类参与的情感因素会导致糟糕的结果变得更糟。八、

股权投资模型与股权交易策略  利用我们之前建造飞机并驾驶飞机的类比，我们引入了额外的复杂性，这将帮助我们理解投资建模方面以及相应的交易策略。  我们的投资决策是随着时间的推移而做出的，因此我们及时设定向前移动的方向，相当于让飞机向前飞行。因为我们看不到未来会发生什么；要使飞机向前飞行，我们不应该看到前方的东西。这相当于一架前窗为blackenedRavi Kashyap的飞机，第22页。我们只有后视镜（大多数飞机都没有后视镜，但让我们想象一下我们的飞机有一个后视镜）和侧面的窗户。  当我们在时间上游弋时，我们所拥有的是历史数据或从背后的观点，以及实时数据，即从侧面的观点，以帮助我们前进或走向未来。  我们用历史数据建立模型，然后用现在的数据来帮助我们预测未来。建模将涉及使用数据输入得出输出，以帮助我们决定选择哪些证券，或帮助设定运动方向。交易方面将涉及使用模型输出，并检查这是否是我们想要的方向，这实际上是决定选择哪些证券，并注意预测不太可靠的情况。  从类比中我们可以看出，这是投资组合管理和使用多因素模型更具挑战性的方面。  资本资产定价模型或套利定价理论（也包括其他模型）可以帮助我们确定投资组合中应该高估或低估的股票。

我们可以找到根据超额回报率或阿尔法给出的相对于模型的价格便宜或昂贵的证券。  如果我们能够确定能够解释大部分证券收益的因素，或者我们考虑到的因素将承担更大的未来风险，从而产生更高的回报，我们就会增持收益在更大程度上由这些因素解释的证券。  我们还可以使用股息现金流模型等基础研究技术来形成对未来证券价格的预期。  如果我们的业绩与基准挂钩，我们将选择对aRavi Kashyap有贡献的证券，这是基准回报的很大一部分。如果我们的意图是跑赢基准，我们会根据预期回报做出有意的选择，预期回报将超过基准。基于这些选择，我们可能会接触到一些偶然的因素，也可能是我们主动选择的无意选择。例如，如果我们选择对GDP增长具有高敞口的证券，我们最终可能会在某些部门或行业获得更多敞口，而这可能并不正是我们想要的。这种意外的接触需要加以管理。  一旦我们有了预期回报的预测，我们就可以构建最优的投资组合，对这些回报进行押注。我们最大化效用，定义为风险调整回报，取决于我们的风险厌恶程度。我们在前面章节中讨论的风险模型中的因素的协方差将与预期收益一起使用。优化可以包括各种约束，如流动性、公司规模、特定行业的总风险敞口、最低股息收益率等。

这一步骤的结果以及根据市场情况进行的修订将是投资中更注重交易的方面。  如果两项资产相似，但其中一项的预测回报率略高，传统的优化技术会将所有资产分配给预测回报率较高的资产，而不会将任何资产分配给其他资产。这个问题可以通过使用BlackLitterman模型来解决，在该模型中，我们假设资产的先验均衡分布，并根据我们与这些观点相关的优势，应用我们的观点来倾斜权重。  我们还需要对政权更迭高度敏感，这意味着过去的数据将无法应用于未来的观点。这将意味着，我们必须回到退出董事会，并提出新的模式和因素。  交易和建模之间更细微的区别来自早期的Ravi Kashyap第24页的章节，几乎一字不差地适用于这里。九、 证券选择模型我们可以基于单一因素（这里的因素是比较证券的一种度量，例如市盈率）或因素组合（我们将这种组合称为模型）对宇宙中的证券进行排名。一个模型中的不同因素可以是等权重的，也可以基于对各个因素之间关系的直观理解来设定权重。因子权重也可以作为优化过程的结果获得，优化过程使不同历史时期的不同证券组的收益最大化或方差最小化。回报可以是绝对回报，也可以是一组相对于另一组的回报。

这些不同的证券组可以位于排名的顶部或底部四分位，或者位于排名的顶部和底部的某个百分位。我们还可以考虑证券组的超额收益与基准收益的对比，在这种情况下，我们只需对所选证券组中的证券进行计算。我们还可以考虑一组证券相对于另一组证券的超额回报，在这种情况下，我们做多第一组，做空第二组。均值-方差优化可能会导致不稳定的结果，但这是一个有用的起点。我们还可以优化因子权重，以在特定时间点实现证券的特定排名，从而为排名的特定百分位提供良好的回报曲线（相对或绝对），并确保该排名在连续的投资期内保持稳定。我们将这些连续投资期限的长度称为持有期。排名的稳定性可以通过排名的信息系数（IC）来衡量。这被计算为不同时间点的安全排名的排名相关性（衡量两个排名之间的Ravi Kashyap相似度）。较高的信息比（平均IC除以IC的标准偏差）表明较高的稳定性和较高的预测能力。IC通常被衡量为特定时间点基于因素或模型的宇宙排名与持有期结束时基于安全回报的宇宙排名之间的等级相关性。

因子权重也可以通过主成分分析等统计方法获得，但在这种情况下，结果不容易解释。另一个有用的度量是命中率，它是指在信息系数为正的历史回溯测试间隔内的等待期数。命中率越高，模型的预测能力越强。命中率或信息比率可以用来为我们在这个群体中拥有的证券的这个特定观点建立一个置信水平。对于负信息比率，我们将置信水平设置为零。这将是对Black Litterman模型的输入，下一节将讨论该模型的使用。因此，我们的选择模型归结为选择相对回报率高、信息率高的证券或证券组。一旦我们发现一组证券相对于另一组或宇宙本身表现出超额回报的因素，我们也可以在显示超额回报的组回报中对这些因素进行回归，以确保统计显著性。选择模型的方法有很多种，因此在实施过程中，我们需要尝试错误的方法，并在那个时间点选择更合适的方法。计算各种等级、IC、平均值、回归系数等的广泛自动化将大大有助于选择过程。我们还需要将模型拟合为一个样本，并在其他样本中进行测试。（样本内/样本外方法学）Ravi Kashyap第26X页。投资组合头寸的权重我们可以使用多种均值-方差优化（MVO）方法中的任何一种来获得投资组合权重。