“学海拾珠”系列之二百三十八：高维环境下的最优因子择时

核心观点

本篇研报研究了最优因子择时策略的构建方法，发现通过整合众多因子与预测变量来构建择时策略，可以显著提升收益。策略的关键在于运用收缩技术，在估计最优投资组合权重时保留对因子择时潜在收益的审慎怀疑态度，有效防止被历史数据中看似诱人、实则虚假的因子择时机会误导。

关键数据和研究结论

1. 最优因子择时投资组合的估计方法：采用Ledoit和Wolf的协方差矩阵估计量，并结合Schäfer和Strimmer的方法计算最优收缩强度。使用Kozak、Nagel和Santosh收缩方法的一个变体来估计组合权重，隐性地表达了对存在极高夏普比投资机会的怀疑。对组合权重进行重新缩放，使得最优择时策略对原始因子的绝对权重之和在每期恰好等于1。
2. 实证结果：
   • 在包含少量因子和预测变量的模型到高维模型中，持续观察到了中等程度的因子择时收益，即使在扣除合理的交易成本之后，这种收益依然存在。
   • 使用Fama-French四因子模型，最优因子择时策略的样本外夏普比达到0.81，显著高于等权重策略（0.42）和静态策略（0.52）。
   • 使用Jensen等153因子模型，最优因子择时策略的样本外夏普比达到1.48，同样显著高于等权重策略和静态策略。
   • 因子择时策略在大盘股上的表现同样有效，使用Fama-French大盘股版本的最优因子择时策略夏普比为0.56，显著高于等权重策略（0.26）和静态策略（0.30）。
   • 使用众多预测变量对提升因子择时策略表现有显著贡献，仅使用单一因子特定预测变量的策略效果不佳。
   • 因子择时策略的年化双向换手率接近600%，但扣除交易成本后，夏普比率略有下降，但依然胜出。
3. 风险提示：文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。