股票未来收益的弱相关性

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Weak Correlations of Stocks Future Returns》
---
作者：
Ludovico Latmiral
---
最新提交年份：
2018
---
英文摘要：
  We analyze correlations among stock returns via a series of widely adopted parameters which we refer to as explanatory variables. We subsequently exploit the results to propose a long only quantitative adaptive technique to construct a profitable portfolio of assets which exhibits minor drawdowns and higher recoveries than both an equally weighted and an efficient frontier portfolio.
---
中文摘要：
我们通过一系列被广泛采用的参数（我们称之为解释变量）来分析股票收益率之间的相关性。随后，我们利用这些结果，提出了一种仅长期定量的自适应技术，以构建一个盈利的资产组合，该资产组合比同等权重和有效的前沿投资组合具有较小的提取和较高的回收率。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
一级分类：Quantitative Finance        数量金融学
二级分类：Portfolio Management        项目组合管理
分类描述：Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--

---
PDF下载：
--> Weak_Correlations_of_Stocks_Future_Returns.pdf (1.69 MB)

2022-6-10 03:46:42 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：相关性 Quantitative correlations Optimization Econophysics

股票相关性的解释力Ludovico Latmiral*Kairos Investment Management Ltd，London W1H 6AZ，United KingdomAbstracts我们通过一系列广泛采用的参数（我们称之为解释变量）分析股票回报之间的相关性。随后，我们利用研究结果，提出了一种长期定量自适应技术，以构建一个可配置的投资组合，该投资组合比等重投资组合和标准有效前沿投资组合都具有较小的提取和较高的回收率。*卢多维科。latmiral@hotmail.itI我非常感谢凯罗斯投资管理有限公司的多位经理团队就本文主题进行了深入的讨论。特别是，我要感谢萨比诺·德尔菲诺（Sabino Del fino）的多次讨论，并提供了欧洲斯托克市场的数据。本文所表达的观点和观点仅为作者的观点和观点，不一定代表凯罗斯集团的观点和观点。作者还声明没有竞争性的财务利益。1简介自那以来，财务比率与资产回报之间的联系一直是金融行业讨论的一个肥沃领域Welch和Goyal（2008）。资本资产定价模型（CAPM）被认为是这方面的第一种定量方法，假设证券回报与市场回报的回归系数（均超过自由风险率），即βs，足以描述预期回报的横截面Sharpe（1964）。从数学上讲，beta可以从表达式βi中获得，m=ρi，mσi/σm，其中ρi，mist ithasset与市场之间的相关性，σii表示ithasset的波动性，σmis表示市场波动性。

预期回报率和波动率之间的线性关系假设源自资产回报率的对称（高斯）分布假设，并导致了风险与波动率的识别。随后，许多研究致力于识别不同类型的风险溢价，调查超额平均收益与几种可能的风险因素之间的相关性。臭名昭著的例子是收益率分别与市值（CAP）Banz（1981）和账面市值比（BtM）Stattman（1980）呈负相关和正相关。E、 Fama和K.French将这些考虑纳入了他们的开创性论文中（见Ref.Fama和French（1992，2015）），他们提出了一个基于β、CAP和BtM的三（然后五）因子模型来解释平均股票回报的横截面变化。有趣的是，作者还分析了BtM和CAP与其他广泛使用的估计量的关系。他们提供的证据表明，BtM同时嵌入了账面杠杆和市场杠杆的影响，并且与CAP一起能够充分解释收益与市盈率的相关性。此外，公司规模小通常与负收益和更高的预期风险和回报有关。本文分析了股票收益率与一系列似是而非的解释变量之间的相关性。我们采用唯一依赖于历史价格系列的参数，如市场波动率、偏度和贝塔系数，以及与公司自下而上分析相关的参数，如账面和企业价值、股息、息税折旧摊销前利润。我们的方法的优势在于与市场建立深刻而持久的关系，这种关系也会持续到衡量它们所需的时间框架之后。

我们选择将重点放在相关性上，因为它们与R平方（即ρ的平方）严格相关，对应于相关解释变量解释的回报率变化百分比。在我们研究的第一部分中，我们回归了在同一时间窗、当代时间窗和之前时间窗内计算的一整套解释性变量中每只股票的回报率。该分析提供了关于不同变量之间相关性的有用信息，为它们之间依赖时间的因果关系提供了可能的线索。尽管时滞相关性通常较弱，但值得注意的是，我们能够确定一个最优的解释变量子集，我们证明该子集与未来回报有着显著的联系。我们论文的主要结果正是提出了一种长期onlyasset分配技术，该技术利用了过去十五年各种市场环境中不同时间段的相关性。我们将证明我们的方法的有效性，证明它将始终优于我们专注于构建一个只做多的投资组合，以降低交易成本，避免任何复杂（且有争议）的空头实施成本建模。美国和欧洲市场的加权股票组合，也报告了更高的夏普比率（由于回报与公司规模的负相关，同样加权的投资组合本身预计会优于相应的基于资本的投资组合）。此外，与包含我们可供选择的所有股票的等权重篮子进行比较，为我们的方法提供了通用性，消除了使用受限股票子集的偏见。

最重要的是，我们的算法CapProach还揭示了低动量偏差，能够实现比传统高效前沿分配更高的性能内向和反弹。2解释性领域我们的分析基于彭博社每日历史数据，从标准普尔500指数（SPX）和欧洲斯托克指数（SXXP）内的360家公司中挑选了100只股票。选择过程几乎是随机的：我们对公司进行了分类，以确保有足够长的历史记录，只要获得GICS行业的SPX（和SXXP）的可信代表性样本（更多详细信息，请参阅附录）。连同价格，下载的数据包括上述市场资本化和账面市值，以及企业价值（EV）、股息收益率（DivYield）和息税折旧摊销前利润。我们还考虑了一组七个基准指数：SPX、SXXP、布伦特原油、VIX指数（VIX）、通用美国十年期政府债券收益率（US10Y）和类似欧元区债券收益率（EU10Y），以及MSCI价值、增长和动量指数。我们计算了每个受审查股票与这些指数的相关性和βSFO。此后，我们将主要讨论有关美国市场的结果：附录中给出了对欧洲斯托克指数进行的比较、相同调查的全部细节。为了更好的可读性，我们现在简要总结一下我们所考虑的解释参数列表。-受审查股票与每个基准之间的相关性（ρs，b）。这提供了对两个返回时间序列之间线性关系强度的估计。我们还知道，对于线性回归Rs，b：=ρs，b，即。

R平方是由基准解释的股票价格变化的百分比。-β（βs，b=ρs，bσsσb）等于相关乘以标准偏差之间的比率。它对应于通过资产回报与参考基准的最小二乘线性回归获得的角度系数。-过去平均值计算为过去指定时间间隔内资产收益率序列xa，τ的代数平均值，即xa=Pτxa，τ与τ∈ [-T、 0）。根据市场是遵循动量趋势还是平均反转趋势，我们预计其在后续时间框架τ中与未来回报平均值xa分别呈正相关还是负相关∈ [0，t]。-波动率（σa=std（xa，τ））通常被认为是风险的最佳估计量，也是预期收益的代理，因此符合CAPM理论预测。我们的分析将证实这一假设，尽管我们将强调，与过去的平均值类似，这是一个有偏数量的预测值。-夏普比率（Sharpea=Xa/σa）表征了资产的回报率。在下文中，我们总是将回报率称为无风险利率的净值，我们将其与2年期美国国债收益率相关联。补偿投资者承担的风险。它通常被用作比较不同资产的基准。除了上述众所周知的优点图表之外，我们还特别关注回报分布的偏斜性以及与有意义基准（如Fama和法国类型的因子和互相关）相关的相关性和beta。让我们在下一小节简要讨论这些数量。2.1偏态在概率论中，分布的偏态定义为其第三个标准化矩ζa=E[（xa，τ- Xa）]σa，（1）并测量平均回报的不对称性。

从定性的角度来看，负偏斜表示左侧的尾巴比右侧的尾巴长或胖，反之亦然。参考文献Lemperiere et al.（2016）中提出的数量比标准偏差更能代表风险。在那篇论文中，Lemperiere et al.论证了负收益的贡献主要取决于几次严重的下跌，而不是许多小的贡献。作者进一步建议采用倾斜度的修订版本（我们将用ζ表示*a） 这更符合他们的意图，即放弃围绕平均值的小回报率波动，并衡量最坏事件情景的贡献。他们首先用零均值和单一方差对收益序列进行归一化，然后根据其绝对值对其进行排序，最后考虑复合曲线下的面积。直观地说，当平均回报率因几次非常陡峭的下降而降低时，会得到一个很大的区域，而有许多贡献略高于平均值，这使得复合图从一开始就快速增长。2.2相互关系一个有意义的数量，特别是在交易所交易基金（ETF）大量发行之后，一直在提高额外的兴趣，这是Pollet和Wilson（2010）的各种交易股票之间的相互关系。大量文献致力于不对称相关性的研究，表明在熊市Hong et al.（2006）中，股票收益的相关性更高，通常，利用虚假的异常相关性是许多量化基金非常感兴趣的领域。这里，我们看一下asynthetic indexP（t）=NXpairs（i，j）ρi，j（t），（2）对应于受审查股票组之间所有交叉对相关性的平均加权平均值。

遵循Fama和French Fama和French（1992）提出的方法，然后我们将其作为基准，评估每个股票的超额收益时间序列的相关性和beta。2.3与ρ和β的相关性值得特别注意的一个解释性领域是资产收益平均值与收益序列本身与任何相关基准之间的相关性（和/或β）。让我们使用希腊字母η来表示ρ或β。我们有定义ρη，X=Pi（ηi- η）（Xi-(R)X）σXση，（3）其中指数i覆盖分析样本中的所有资产（例如投资组合），Xi=T-1Pτxi，τ（ηi=T-1Pτηi，τ）是收益序列xi，τ（ηi，τ）在时间窗内欠考虑T的平均收益率（此处τ表示根据时间τ的资产价值计算收益的离散时间- 1). 这些相关性是最重要的，因为它们是系列xi，τ中百分比变化的度量（即平方根），由系列ηi，τ解释。我们相信这是一个有见地的衡量标准，因为它不会直接偏向于给定时间段内的市场表现，而是反映了价格系列之间的内在关系。特别是，原则上不限制计算同一时间窗内ηi、τ和xi、τ的时间平均值。此外，虽然对滞后数月的每日时间序列进行回归（即计算每月滞后的每日贝塔值）毫无意义，但我们认为，我们预计某些因素（例如贝塔值和波动率）会包含有关相关资产的持久特殊信息。对于η=β的表达式的理解非常简单。

事实上，我们知道，βi被定义为向量方程xi的最佳拟合斜率，τ=βiMτ+q，其中M是用于回归的基准，如果满足线性拟合假设，截距q的预期值为零。β可以通过中心回归的最小二乘法来计算βiXτ[（xi，τ- Xi）- βi（Mτ-\'M）]=0，（4），这导致Xi=βi'M。根据手头的信息并在公式（3）中进行替换，我们预计ρβ，Xto与平均值'M具有相同的符号。这是一个微不足道但富有洞察力的考虑，意味着资产的平均回报率与其参考基准的β正（负）相关，这取决于基准本身的预期值。另一方面，没有对相关性ρρ，X的直接解释，其符号通常与相关性ρ无关。为了定性地理解ρβ，X和ρρ，X之间的差异，考虑波动率的贡献是有帮助的，它与收益率呈正相关，与β强相关，但与ρ弱且相反。在下文中，我们将考虑一组广泛采用的指数作为参考基准，如SPX、VIX、US10Y、MSCI美国动量、增长和价值。此外，我们将遵循Fama和French建议的方法，并采用一组参考市场因素进行相关性分析（例如EV/EBITDA、MtB、EV、股息收益率）。该程序包括根据这些因素对市场中的股票进行排序，然后通过将指数中较高级别的股票产生的收益减去指数中较低级别的股票产生的收益来构建人工指数。

我们将展示这些指数如何发挥重要作用，尤其是在考虑与未来回报的相关性时。3解释领域和回归之间的相关性我们引入了分析工具和因素。在分析的基础上，我们提出了本文的第一部分，包括一组可能的解释领域和回归时间序列之间的相关性研究（见图5）。我们考虑两个时间窗口，其特点是市场条件几乎相反。前者在2008年4月至2009年4月期间经历了上一次金融危机，市场波动较大，随后出现了均值回归和增长期。后者的时间跨度为2016年6月至2017年6月，指的是一个几乎稳定的增长期，波动率较低。在这两种情况下，我们绘制了一组（可能的）解释领域与当代回报以及在一个连续的年度时间窗口中获得的回报的年度相关性。虽然在图1（b）中，两年的市场状况保持不变，所有相关性都保持其符号，但2008年6月至2010年6月之间发生的平均回归反映在图1（a）中所有最重要参数的符号切换中。实际上，正如第。2.3，该图表明，与波动性和最相关beta相关的当代相关性在下降市场期发生变化（与修正偏斜度ζ的相关性除外*). 这一点也被不同时间段（包括2008年危机）的几项相同分析所证实。我们认为，当代相关性和时滞相关性的两个时间段之间的比较非常有见地。