阿尔法的来源

目录

为什么在乎阿尔法？

基准定价模型

阿尔法的来源：风险还是错误定价？

---

为什么在乎阿尔法？

       阿尔法是投资组合的属性，其定义是，将该投资组合相对于无风险利率的超额收益（excess return）基于某个基准定价模型进行回归，得到的截距项就是阿尔法。所以，阿尔法是在该定价模型下，模型对投资组合的收益无法解释的部分，因此，阿尔法意味着该投资组合相对于基准定价模型风险调整后的特有收益，这部分特有收益代表着投资组合对应的策略的独特盈利能力。换句话说，通过基准定价模型，我们将投资组合的收益分解成了阿尔法收益和贝塔收益（贝塔收益就是投资组合由于承担了基准定价模型中那些风险因子的系统性风险而获得的收益），贝塔收益是承担公开的系统性风险所得，可以认为其是经风险调整后的市场部分收益，而阿尔法收益则是剔除了这部分由于承担系统性风险所得收益后的策略特有收益，因此，阿尔法越高，越说明该投资组合战胜了市场，且由于阿尔法收益的特有性，阿尔法也代表着策略的核心特有盈利能力，这部分代表了策略的核心竞争力，这就是为什么在乎阿尔法的主要原因。

基准定价模型

      上节中，我们说到阿尔法的大小是依赖于具体的基准定价模型的，不同的基准定价模型往往会得到不同的阿尔法。现在主流的定价模型是多因子定价模型，根据资产定价理论，均衡状态下，只有资产的系统性风险才会被定价，非系统性风险会在均衡状态下被对冲掉，所以不会被定价。因此，对于多因子定价模型，理论上，风险因子应该都是系统性风险因子。

       对于基准定价模型，最初的是CAPM，即只有一个市场风险因子；后来在多因子模型理论的基础上，陆续的加入了市值、价值、动量等其他的风险因子，形成了多因子定价模型。在学术界，总体上比较公认有效的系统风险因子是市值、价值、价格动量这些，还有企业质量等。但是在业界，其实因子多种多样，只要可以提高预测性，获得增量解释，对于提高策略收益有帮助，都有可能被加入到模型当中。但是对于基准模型，显然是需要使用公认有效的系统风险因子。一般情况下，现在对于市场、规模、价值、动量、质量这些因子的争议较小，在做学术研究时，当企图提出一个新的因子，需要充分考虑到对于现有的因子模型的增量贡献，当然更重要的还有因子背后的逻辑。但是我们平常更多的听到的阿尔法，其实是基于CAPM的，即只有一个市场因子。这一方面可能是因为投资者往往更重视跟市场因子的比较，一方面是受CAPM的影响，因为CAPM曾经的影响的确很大，还有一方面可能是因为简单，毕竟市场因子收益极容易获取，其他因子收益的构造则相对复杂一些。

       一个合理有效的多因子定价模型对于投资组合的风险管理和收益预测都是具有重要价值和意义的。多因子定价模型无论是在学术界还是业界，都具有重要的地位，其也在不断的发展，很多研究者都在试图找到新的有效的系统性风险因子，只是金融资产的相关性往往较高，在现有的多因子框架下，要找到新的具有增量解释和合理逻辑的系统性风险因子的难度并不低，而且也会越来越难。

阿尔法的来源：风险还是错误定价？

       当某个策略获得了显著的阿尔法收益，那么这个阿尔法收益的可能来源有两个，一个是来源于风险，一个是来源于错误定价。我们希望可以弄清楚这个阿尔法的来源到底是风险，还是错误定价；因为如果其是来源于风险，那么阿尔法收益其实只是因为承担了额外的风险而产生的风险溢价，这本质上就和其他的系统性风险因子带来的贝塔收益没有区别了；我们更想要的自然是希望阿尔法是来源于错误定价，因为来源于错误定价的阿尔法是一种套利行为，没有风险或者说风险很小。搞清楚阿尔法的来源以及其背后的逻辑，对于实盘策略来说是很重要的，我们当然不希望实盘策略是一个黑箱，这是相当危险的，而是希望明白阿尔法的逻辑，以可以在遇到较大波动时可以正确的及时对策略做出调整。

       那么该如何区分阿尔法是来源于风险还是错误定价呢？

一、如果我们认为基准模型设定是正确的，即我们已经充分考虑了所有的系统性风险因子且模型符合线性设定，那么在基准模型跑时序回归后，如果还有显著的阿尔法，则该阿尔法来源于错误定价。因为在控制了所有的系统性风险因子之后，那么阿尔法来源便只能是错误定价了。但是现实并没有这么简单，这种方法实际是不太可行的，因为我们很难确定某个模型就是正确的，更无法确定是否在模型中考虑了所有的系统风险因子，这个前提不满足，后续的逻辑就不成立。

二、如果阿尔法来自于风险，该策略信号对应的因子便作为一个风险因子加入到基准模型中后，本质上不同股票的定价是由各自的因子暴露度贝塔所决定的，因此，贝塔相比于信号本身具有更强的预测能力，这里的更强体现在，在贝塔和信号本身上做截面回归后，得到的系数更加的显著，且系数值更接近因子收益均值（因为系数实际上就是因子风险溢价）。但是这种方法存在的问题和Fama-MecBeth方法中存在的一样，由于市场short的限制，理论多空组合模拟出来的收益和实际因子收益可能差距较大，从而结果容易失真。

三、通过逻辑分析，分析该信号带来的阿尔法收益可能是源于风险还是错误定价，然后再通过对其他分支逻辑进行检验。

       这里要注意的是，对于第二点，利用Fama-MecBeth的方法，通过两阶段回归，第一阶段获取策略信号对应的因子收益的风险荷载贝塔，然后再通过截面回归，通过滚动窗口多次进行类似回归，得到多个估计的因子风险溢价，最后看该估计得到的风险溢价是否显著，如果显著，则说明该因子的风险是被定价了的，但是问题在于，该信号本身的风险被定价，逻辑上似乎并无法说明该信号本身的收益是来自于风险的，即无法说明该阿尔法是来自于风险的。第二点中，通过对信号本身的横截面回归进行收益预测，进行有效信号筛选，其实就是Barra方法，这是业界常用的方法。Barra中使用信号本身，而不是贝塔，有诸多好处，主要在于信号本身数据即时性较强，可以充分反映资产本身的特性和变化。