量化模型与构建方式 1. 模型名称：单因子波动率管理组合 * 模型构建思路：针对单个因子，通过其历史波动率的倒数对因子收益进行缩放，构建一个波动率管理版本的因子，然后将原始因子与其管理版本进行均值-方差优化，形成最终组合[30][31]。 * 模型具体构建过程： 1. 对于第k个因子，计算其在t月的已实现方差 $\sigma_{k,t}^{2}$，通过该月内因子日度收益的样本方差估算得到[30]。 2. 构建第k个因子的波动率管理版本收益 $r_{k,t+1}^{\sigma}$，公式为： $r_{k,t+1}^{\sigma}=\frac{c}{\sigma_{k,t}^{2}}r_{k,t+1}$ 其中，$r_{k,t+1}$ 是第k个未管理因子在t+1月的收益，$c$ 是缩放参数，目的是使管理后因子的波动率与未管理因子保持一致[30][31]。 3. 将未管理因子 $r_{k,t+1}$ 与其波动率管理版本 $r_{k,t+1}^{\sigma}$ 进行组合，通过最大化均值-方差效用（假设投资者风险厌恶系数 $\gamma = 5$）来确定两者的最优权重，从而得到单因子波动率管理组合[49]。 2. 模型名称：条件固定权重多因子投资组合 (CFW) * 模型构建思路：先构建一个无条件均值-方差多因子组合，然后根据该组合上月收益方差的倒数进行整体缩放，得到一个波动率管理版本，最后将无条件组合与其管理版本进行均值-方差优化[32]。 * 模型具体构建过程： 1. 首先，使用所有K个因子，通过最大化扣费前的均值-方差效用，构建一个无条件多因子投资组合（UMV）[32]。 2. 将该无条件组合的整体权重按其上月收益方差的倒数进行缩放，得到该组合的波动率管理版本[32]。 3. 将原始的无条件多因子组合与其波动率管理版本进行均值-方差优化，形成最终的条件固定权重组合。该组合对所有因子的相对权重与原始无条件组合完全一致[32]。 3. 模型名称：条件均值-方差多因子投资组合 (CMV) * 模型构建思路：构建一个多因子组合，其中每个因子的权重是市场波动率倒数的仿射函数，允许不同因子的权重随市场波动率进行差异化调整。组合权重通过最大化扣减交易成本后的均值-方差效用来优化[4][32][33]。 * 模型具体构建过程： 1. 定义因子权重：设第k个因子在t期的权重为 $\theta_{k,t}$，将其参数化为市场波动率倒数的仿射函数： $\theta_{k,t}=a_{k}+b_{k}\frac{1}{\sigma_{t}}$ 其中，$\sigma_{t}$ 是t月的已实现市场波动率（由该月市场日度收益的样本波动率估算），$a_k$ 和 $b_k$ 为待估参数。$b_k > 0$ 意味着当市场波动率升高时，组合会降低对第k个因子的暴露[33][38]。 2. 定义组合收益：条件多因子组合在t+1期的收益 $r_{p,t+1}(\theta_{t})$ 为各因子收益与其权重的加权和： $r_{p,t+1}(\theta_{t})=\sum_{k=1}^{K}r_{k,t+1}\theta_{k,t}=\sum_{k=1}^{K}r_{k,t+1}\left(a_{k}+b_{k}\,\frac{1}{\sigma_{t}}\right)$ 其中，$r_{k,t+1}$ 是第k个因子在t+1期的收益[34]。 3. 构建优化问题：通过定义扩展因子收益向量和权重向量，将组合构建转化为一个优化问题。目标是找到扩展因子权重向量 $\eta$（包含所有 $a_k$ 和 $b_k$ 参数），以最大化扣减交易成本后的样本均值-方差效用[37]： $\max_{\eta\geq0}\widehat{\mu_{\rm ext}}\eta-{\rm TC}(\eta)-\frac{\gamma}{2}\eta^{\prime}\widehat{\Sigma_{\rm ext}}\eta$ 其中，$\widehat{\mu_{\rm ext}}$ 和 $\widehat{\Sigma_{\rm ext}}$ 分别是扩展因子收益向量的样本均值和样本协方差矩阵，${\rm TC}(\eta)$ 是该组合的样本交易成本，$\gamma$ 是风险厌恶系数[37]。优化施加约束 $a_k \geq 0$ 和 $b_k \geq 0$，确保对未管理因子的暴露为正，且在波动率高时降低暴露[38]。 4. 模型名称：无条件均值-方差多因子投资组合 (UMV) * 模型构建思路：在条件均值-方差多因子组合（CMV）的优化框架下，施加额外约束 $b_k = 0$（即因子权重不随市场波动率变化），从而得到一个静态权重的多因子最优组合[56]。 * 模型具体构建过程：与CMV组合的构建过程相同，但在求解优化问题(6)时，对所有因子k施加约束 $b_k = 0$，这意味着因子权重 $\theta_{k,t} = a_k$ 为常数，不随时间变化[56]。 5. 因子名称：九大基础因子 * 因子构建思路：采用文献中常用的多空组合构建方法，代表不同的风险溢价来源[28]。 * 因子具体构建过程：从相关作者网站获取九个因子的超额收益数据。除市场因子（MKT）和押注低贝塔因子（BAB）外，每个因子都是一个多空股票投资组合的收益，多头和空头头寸各为一美元。MKT和BAB因子也是零成本投资组合[28]。具体因子包括： * 市场因子（MKT） * 小市值减大市值因子（SMB） * 高账面市值比减低账面市值比因子（HML） * 稳健型减激进型因子（RMW） * 保守型减激进型因子（CMA） * 动量因子（UMD） * 盈利性因子（ROE） * 投资因子（IA） * 押注低贝塔因子（BAB）[28] 6. 因子名称：波动率管理因子 * 因子构建思路：对每个基础因子，根据其自身历史波动率进行缩放，以生成一个波动率管理版本的因子收益序列[30]。 * 因子具体构建过程：对于第k个基础因子，其波动率管理版本的收益 $r_{k,t+1}^{\sigma}$ 按以下公式计算： $r_{k,t+1}^{\sigma}=\frac{c}{\sigma_{k,t}^{2}}r_{k,t+1}$ 其中，$r_{k,t+1}$ 是基础因子收益，$\sigma_{k,t}^{2}$ 是该因子在t月的已实现方差，$c$ 为缩放常数[30]。 7. 模型/因子评价 * 单因子波动率管理组合：在样本内且不考虑交易成本时能提升夏普比率，但样本外表现受估计误差和交易成本严重侵蚀，考虑交易分散化仅能部分缓解，通常无法显著跑赢未管理因子[50][51][53][55]。 * 条件均值-方差多因子组合 (CMV)：表现优异，其优势源于三个驱动因素：1) 跨因子交易轧差带来的交易分散化效应显著降低了高成本的管理型因子交易损耗；2) 在优化中直接纳入了交易成本模型；3) 允许因子权重随市场波动率差异化调整，能够积极择时并盘活某些低效因子[5][18][71][80][86]。 * 因子风险-收益权衡：研究发现，所有九个因子的风险-收益权衡关系均随市场波动率上升而减弱，这与传统理论预期相悖，挑战了“风险-收益对应”的基本前提[3][19][92][103]。 模型的回测效果 （以下结果均基于样本外区间：1977年1月至2020年12月，且为扣除交易成本后的表现，除非特别说明） 1. 单因子波动率管理组合 * 测试场景：样本外，扣除交易成本，并考虑交易分散化（对应图表4面板E）[52][54] * MKT因子：夏普比率(SR) 0.433[54] * SMB因子：夏普比率(SR) 0.035[54] * HML因子：夏普比率(SR) 0.089[54] * RMW因子：夏普比率(SR) 0.226[54] * CMA因子：夏普比率(SR) 0.153[54] * UMD因子：夏普比率(SR) 0.209[54] * ROE因子：夏普比率(SR) 0.324[54] * IA因子：夏普比率(SR) 0.193[54] * BAB因子：夏普比率(SR) 0.746[54] 2. 条件均值-方差多因子投资组合 (CMV) * 测试场景：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表6和图表8面板D第(6)列）[61][73] * 年化收益率均值：0.477[61] * 年化标准差：0.449[61] * 夏普比率(SR)：1.062[61] * 年化阿尔法(α)：0.066[61] * 阿尔法t统计量：3.637[61] * 年化交易成本(TC)：0.213[61] 3. 无条件均值-方差多因子投资组合 (UMV) * 测试场景：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表6和图表8面板D第(4)列）[61][73] * 年化收益率均值：0.430[61] * 年化标准差：0.458[61] * 夏普比率(SR)：0.940[61] * 年化交易成本(TC)：0.163[61] 4. 条件固定权重多因子投资组合 (CFW) * 测试场景：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表8面板D第(5)列）[73] * 夏普比率(SR)：1.026[73] * 年化阿尔法(α)：0.046[73] * 阿尔法t统计量：3.407[73] * 年化交易成本(TC)：0.169[73]