可持续投资与最大水位下降截面

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：
《Sustainable Investing and the Cross-Section of Maximum Drawdown》
---
作者：
Lisa R. Goldberg and Saad Mouti
---
最新提交年份：
2019
---
英文摘要：
  We use supervised learning to identify factors that predict the cross-section of maximum drawdown for stocks in the US equity market. Our data run from January 1980 to June 2018 and our analysis includes ordinary least squares, penalized linear regressions, tree-based models, and neural networks. We find that the most important predictors tended to be consistent across models, and that non-linear models had better predictive power than linear models. Predictive power was higher in calm periods than stressed periods, and environmental, social, and governance indicators augmented predictive power for non-linear models.
---
中文摘要：
我们使用监督学习来确定预测美国股市股票最大跌幅横截面的因素。我们的数据运行于1980年1月至2018年6月，我们的分析包括普通最小二乘法、惩罚线性回归、基于树的模型和神经网络。我们发现，各模型中最重要的预测因子趋于一致，非线性模型的预测能力优于线性模型。平静期的预测能力高于紧张期，环境、社会和治理指标增强了非线性模型的预测能力。
---
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：Economics        经济学
二级分类：Econometrics        计量经济学
分类描述：Econometric Theory, Micro-Econometrics, Macro-Econometrics, Empirical Content of Economic Relations discovered via New Methods, Methodological Aspects of the Application of Statistical Inference to Economic Data.
计量经济学理论，微观计量经济学，宏观计量经济学，通过新方法发现的经济关系的实证内容，统计推论应用于经济数据的方法论方面。
--

---
PDF下载：
--> Sustainable_Investing_and_the_Cross-Section_of_Maximum_Drawdown.pdf (862.68 KB)

2022-6-23 22:27:04 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：可持续 econometrics Applications Quantitative Econophysics

可持续投资和最大提款的横截面*Lisa R.Goldberg和Saad MoutiConsortium for Data Analytics in Risk，University of California，BerkeleyMay 2015年8月15日摘要我们使用监督学习来确定预测美国股市股票最大提款横截面的因素。我们的数据运行于1980年1月至2018年6月，我们的分析包括普通最小二乘法、惩罚线性回归、基于树的模型和神经网络。我们发现，各模型中最重要的预测因子往往是一致的，非线性模型比线性模型具有更好的预测能力。平静期的预测能力高于紧张期，环境、社会和治理指标增强了非线性模型的预测能力。1简介我们采用各种监督学习模型预测固定时期内的最大提取量和最大递减累积收益。作为预测因素，我们使用标准会计比率和因素、行业信息以及环境、社会和治理（ESG）指标。我们特别关注ESG指标是否增强了我们方法的预测能力。1.1动机数十年来，寻找驱动股票回报和风险的因素一直是资产定价理论的重点。虽然资本资产定价模型（CAPM）（见【Sharpe，1964年】和【Lintner，1965年】可能是解决这一问题的第一个模型，并指出股票的回报是通过beta的市场风险来解释的，但实证结果表明，该模型是不完整的。尽管我们进行了数十年的研究，发表了数百篇论文，但对于预期回报率的横截面变化的驱动因素，我们仍然无法完全理解。

Fama和French三因素模型，见【Fama和French，1992年】，以及Carhart四因素模型，见【Carhart，1997年】，是公认的，在捕捉这种变化方面有很大的帮助。它们表明，规模、市盈率和动量是资产回报的重要驱动因素，并补充了CAPM。尽管如此，新的实证研究仍在不断涌现，它们记录了越来越多的因素，参见【Fama and French，2008】和【Harvey et al.，2015】了解概况，或者【Green et al.，2013】和【Feng et al.，2017】了解广泛的因素挖掘。在最近的一篇论文中，[Gu等人，2018年]研究了监督学习模型的使用，以进一步探索企业特征的预测能力，并发现使用非线性模型的优势*我们感谢Robert Anderson、Wachi Bandara、Jeff Bohn、Claudia Bolli、Dangxin Chen、Peter Clark、Jeremy Evnine、Tingyue Gan、Nicholas L.Gunther、Jim Hawkey、Kathleen Houssels、Paul Jung、Ran Leshem、Raymond Leung、Shaileepadhan以及加州大学伯克利分校风险研讨会的不同参与者的意见和建议。我们感谢瑞士再保险研究所通过风险数据分析联盟（CDAR）提供资金，并感谢OWL Analytics提供数据。使用公司特征预测单个股票的属性并不局限于回报。例如，行业标准的Barra模型使用公司特征来估计股票协方差矩阵，参见【Bayraktar等人，2014年】。他们利用证券对公因子的敏感性估计、因子的协方差矩阵和证券特定回报的方差来分解证券回报的协方差矩阵。【Vozlyublennaia，2013年】调查企业特征对特质风险动态的影响。

他们发现，企业特征可用于分析不同证券的风险差异。[Herskovic等人，2016年]还表明，企业的特质波动率服从一个强大的因素结构。在我们的论文中，我们对企业风险也很感兴趣，尽管我们选择了不同的衡量标准，即最大提取额。在金融市场文献中，最大支取受到了广泛关注。然而，大多数论文都是理论性的。【Taylor，1975年】在假设基础过程存在布朗差异的情况下，阐明了最大水位下降的性质【Magdon Ismail et al.，2004年】另一方面，给出了最大水位下降分布的系列表示，并估计了其预期值。第二部分文献论述了投资组合的构建，并根据最大提取额正式确定了一些风险度量，参见【Chekhlov等人，2004年】、【Heidorn等人，2009年】或【Goldberg和Mahmoud，2016年】。我们的论文解决了与论文不同的问题，因为我们的分析是经验性的，旨在了解是什么因素推动了单个股票的最大跌幅。更接近这条调查线的是【Daniel和Moskowitz，2016年】，他们研究了冲量策略在提款后的表现，以及【Plastira，2014年】，他们使用基于提款的投资组合绩效衡量方法研究了受欢迎的规模、价值、逆转和冲量投资组合的绩效排名。这个项目从可持续性指标是否预测股票风险的问题开始。可持续性指标包括一组质量因素，专门机构根据公司的环境、社会和治理（ESG）优势和劣势分配给公司。

虽然可持续投资在几年前是一个利基话题，但它已成为许多资产管理公司和共同基金的主流。根据《福布斯》2018年末的一篇文章，仅在美国，可持续责任投资（SRI）管理的资产就达到了12万亿美元。毫不奇怪，这也成为金融研究中的一个热门话题。SRI大致可以定义为“将社会、环境和道德考虑纳入投资决策的投资过程”，见【Rennebooget al.，2008】。这包括根据ESG标准进行评估，筛选具有高度企业社会责任的公司。虽然非金融效用的问题无可争议，但这些ESG问题是否会对经济产生重大影响仍然是一个持续的争论。围绕道德投资展开对话的主要问题是，“dogood”的公司是否也“做得好”该声明表明，具有卓越ESG绩效的公司会产生更高的财务绩效。从这个意义上讲，大量文献探讨了可持续性指标与绩效和风险的几个维度之间的联系。【Preston和O\'Bannon，1997年】探索纵向数据中社会和财务绩效（通过资产回报率和其他衡量指标）之间可能存在的经验关联。他们的可持续性数据基于《财富》杂志对个别公司的声誉评级。他们发现，正协同效应解释了社会财务绩效的相关性。[Khan等人，2016年]使用KLDdata并探索重要性问题，即将不同可持续指标映射为不同行业的材料的分类。使用投资组合和企业层面回归，他们发现评级良好的企业的表现明显优于评级较差的企业。

另一方面，无形的可持续性问题并不能改善财务绩效。相反的观点是“做得好但做得不好”。这一观点与“1988年成立的管理者协会，KLD Research&Analytics，Inc.提供绩效基准、企业责任研究和咨询服务。该公司为机构投资者提供环境、社会和治理研究。机会主义假说”相关联，这表明管理者倾向于最大化他们的收益，以及社会责任活动可能会给企业带来资源成本，相对于在可持续性问题上投资较少的企业而言，处于相对劣势，参见【Aupperle等人，1985年】。从这个意义上讲，【Brammer等人，2006年】和【Hong和Kacperczyk，2009年】表明，与具有高可持续性绩效的同行相比，具有低可持续性绩效的投资组合的绩效更高。另一方面，我们的论文探讨了可持续性问题如何通过最大规模的提款影响财务风险的问题。我们询问ESG数据是否增强了我们预测未来最大水位下降的能力。之前的文献通过测试可持续性措施和企业系统风险之间的关系来探讨类似的问题。在这一系列调查中，【Jo和Na，2012年】和【Benlemlih等人，2018年】使用CAPM beta作为企业系统风险的衡量标准。虽然这两篇论文的第一篇侧重于“有争议的行业”，但这两篇研究都发现企业社会绩效与系统风险之间存在着强烈的负面联系。【Cholleta和Sandwidi，2018年】除了系统风险外，还要考虑具体风险和总风险，分别通过CAPM模型的残差标准差和股票波动率进行换算。

他们发现，企业良好的社会和治理绩效可以降低其财务风险。1.2贡献虽然本研究从评估ESG对股票表现的影响开始，但本文的贡献远远不止于此。我们利用企业的定量和定性特征确定了横截面缩减的决定因素。我们在监督统计学习中使用企业级特征和九种回归算法进行混合回归分析，并根据样本外性能比较这些方法的性能。如果已知股票收益率通常难以预测，且包含低信号噪声，则最大提取率（衡量企业在一段时间内连续负收益的风险）在企业中具有较高的可预测性。第一次分析旨在发现，股票水平特征是否能够解释包括2008年财务数据在内的大型数据集（无ESGvariables）的最大提款。然后，我们将数据分割，以考虑ESG变量，并重复分析。我们发现，在这两种情况下，最大下降量都能提供很高的可预测性结果。我们能够获得高可预测性和有经济意义的结果。我们的实证分析揭示了哪些特征对预测其未来表现和缩减最有价值。

通过在机器学习领域应用九种回归方法，包括线性模型和非线性模型，并分析这些模型具有更高预测权重的特征，我们能够将最主要的变量和影响最小的变量进行分类。我们利用这个框架来发现股票的环境、社会和治理水平与其未来表现之间是否存在关系。1.3经验发现我们依赖1980年1月至2017年6月的月度股票数据，共计450个月，平均每月3700只股票。预测信号具有滞后特征，共有96个信号，其中16个与ESG相关。我们一次使用所有变量进行一次分析，然后将预测值的数量减少到几个主要用于行业的预测值。由于ESG评分之间的共线性，我们将其分为三组；其中包括“原始”ESG分数，其中包括三个聚合分数（E、S和G），还有一个是单个平均ESG分数。最后，我们比较了一组线性和非线性监督学习算法的预测结果。我们分析的实证结果总结如下。机器学习为解决回归问题和解释资产定价理论中的非线性关系提供了新的工具。监督学习方法通常旨在从多个输入变量预测输出。线性回归（普通回归或惩罚回归）和降维方法仅限于线性关系。机器学习中使用的更复杂的模型（如基于树的模型和神经网络）的优点是，它们可以克服这一限制，并在不增加问题维度的情况下（通过引入新变量）解释非线性关系。

我们的结果表明，与非线性模型相比，非线性模型提高了性能。最大缩编是可预测的。实证结果表明，公司特征可以预测最大水位下降的横截面变化。我们报告了两个性能指标；平均绝对误差（MAE）和林氏一致性相关系数CCC。第一个测量精度，第二个测量实现和预测MDD之间的一致性。我们发现，从2007年3月到2017年6月，MAE平均约为14.5%，在2008年危机期间达到了30%的高点。另一方面，2008年危机期间，CCC平均增长45%，达到15%。然而，CCC的积极迹象表明，即使在低绩效期间，MDD的实现值和预测值之间也存在正相关关系。主要特征集在各模型中基本一致。根据根据预测能力对变量进行排序的敏感性分析，在排除ESG指标的情况下，大多数模型中排名前五位的变量是买卖价差、波动性、贝塔系数、规模和动量。环境、社会和治理得分提高了最大缩编的可预测性。ESGscores在2014年6月至2017年6月的有限测试期内提高了MDD的可预测性，并且仅适用于非线性模型。这些限制是由于ESG指标的数据历史相对较短造成的。我们发现，非线性模型将ESG指标列为前20位预测因素之一。此外，我们发现，ESG得分较高的公司更可能有较低的提取率。2方法本论文的目标之一是比较不同监督学习方法的能力，从观察到的一组定量和定性信息中预测下一个时期的最大提取量。

为完整起见，我们在此总结分析中使用的（众所周知的）方法。我们考虑的所有方法都遵循一般方程：yi，t+1=Et[yi，t+1]+εi，t+1，（1）和t[yi，t+1]=f*（xi，t），（2）其中f*定义了一个通用映射函数，yit+1表示从时间t到时间t+1，xi，t=[xi，t，…，xJi，t]期间公司i的资金减少是股票i时间t的公司特征实现的向量，εi，t+1是一个误差项。公式（1）和（2）中表示的关系反映了财务文献中无数论文中规定的资产定价关系。在这些论文中，因变量通常超过无风险利率或其他基准。2.1模型线性模型我们使用的第一组方法是线性回归模型，其中映射函数f是输入向量xi的线性组合，t=[xi，t，xi，t，…，xJi，t）]：f（xi，t；β）=xi，tβ=β+JXj=1βjxji，t其中β是参数向量，xi是xi的转置，t时间t时股票i的公司特征向量。普通最小二乘回归，以确定回归参数β，β，。。。，βJ，线性回归使观测值yi，t+1和预测值f（xi，t）之间的误差平方最小：β=argminβNTTXt=1NtXi=1yi，t+1- f（xi，t+1）当输入特征数量较大或回归系数相关时，线性回归可能导致过度拟合并导致虚假系数。惩罚回归技术：套索、岭和弹性净惩罚回归模型旨在在存在大量潜在相关变量的情况下创建更稳健的输出模型。它们是对普通线性回归的简单修改，在优化问题中引入了正则化项，这是一种机器学习技术，旨在通过惩罚系数来减少样本外预测误差。