作者:石川,北京量信投资管理有限公司创始合伙人,清华大学学士、硕士,麻省理工学院博士。知乎专栏:https://zhuanlan.zhihu.com/mitcshi。未经授权,严禁转载。
摘要:本文在 A 股上复现 Harvey and Liu (2018) 提出的方法,使用正交化和自助法寻找显著的因子。
1、引言
《出色不如走运 (II)》一文曾介绍了 Harvey and Liu (2018) 提出的基于回归的因子有效性检验方法。该方法避免了因 multiple testing 造成的运气成分、从而鉴别出能显著解释资产截面预期收益率差异的因子。考虑到《出色不如走运 (II)》涉及的内容理论有余、实证不足,本文以中证 500 指数成分股为例,做一些实证分析,同时也指出在大 A 股中应用 Harvey and Liu (2018) 时遇到的一些坑。
首先简单回归一下 Harvey and Liu (2018) 提出的方法。
当大量因子同时被用做 empirical asset pricing 分析时,它们之中效果最显著的因子中一定包含了运气的成分。Harvey and Liu (2018) 巧妙之处在于通过正交化和自助法(Bootstrap)得到了仅靠运气能够得到的显著性的经验分布;如果当排除了运气造成的显著性之后某个因子依然显著,那它就是真正有效的因子。下图高度概括了该方法的逻辑(正交化和 Bootstrap 是核心)。
值得一提的是,Harvey and Liu (2018) 提出的方法既可以用针对 empirical asset pricing 找出显著因子;也可以用于更一般的 predictive regression —— 即考察解释变量 X 能否预测被解释变量 Y。面对不同的问题,正交化和 Bootstrap 的核心思想是一致的,但在具体处理方法上存在差异。《出色不如走运 (II)》 一文以 predictive regression 为例详细介绍了该方法,本文不再赘述。
以下行文将假设读者了解 Harvey and Liu (2018)。但是,我会针对 empirical asset pricing 问题,说明使用正交化和 Bootstrap 时的各种细节。这篇实证的目的更多的是介绍在 A 股上如何复现 Harvey and Liu (2018)。相反的,由于实证中的因子以及用来检验这些因子的一组资产,均无法避免的存在主观成分(本文最后一节会再聊聊这点),因此实证结果仅是示例性的。
2、Block Bootstrap
先来说说 Bootstrap。本来 Bootstrap 无需多言(需要背景知识的朋友请点这里),但是数据的特殊性决定了 Bootstrap 的特殊性。
在 Harvey and Liu (2018) 的方法中,需要进行 Bootstrap 的数据是资产的收益率和正交化后的因子收益率时间序列。由于时间序列存在自相关性,因此在重采样的时候应使用 Block Bootstrap。顾名思义,Block Bootstrap 就是每次从序列中有放回的抽取一个由连续 n 个相邻数据点构成的 block(大小由 block size 决定)。主流的 Block Bootstrap 算法包括以下三种:
Moving Block Bootstrap(Kunsch 1989, Liu and Singh 1992);
Circular Block Bootstrap(Politis and Romano 1992);
Stationary Bootstrap(Politis and Romano 1994)。
下图说明了 Movin