前文链接
因子模型
因子模型认为,各种证券的收益率均受到某个或者某些共同因素的影响,各个证券的相关性是因为均会对这些因素的变化产生反应.
模型符号表如下
字母 | 含义 |
---|---|
R i t R_{it} Rit | 证券 i i i在 t t t时刻的收益率 |
F t F_t Ft | 因素在 t t t时刻的预期值 |
b i b_i bi | 证券 i i i对因素的敏感度(因子载荷) |
ε i t \varepsilon_{it} εit | 证券 i i i在 t t t时刻的收益率,假设为均值0,标准差为 σ ε i \sigma_{\varepsilon_i} σεi的随机变量 |
a i a_i ai | 常数,表示因素值为0时,证券 i i i的预期收益率 |
单因子模型
该模型认为证券收益率仅受到一种因素的影响,对于任意证券
i
i
i,其在
t
t
t时刻的单因素模型为
R
i
t
=
a
i
+
b
i
F
t
+
ε
i
t
R_{it}=a_i+b_iF_t+\varepsilon_{it}
Rit=ai+biFt+εit
方程两侧同时取期望,得到
E
(
R
i
)
=
a
i
+
b
i
E
(
F
)
E(R_i)=a_i+b_iE(F)
E(Ri)=ai+biE(F)
证券
i
i
i收益率的方差为
σ
i
2
=
b
i
2
σ
F
2
+
σ
ε
i
2
\sigma_i^2=b_i^2\sigma_F^2+\sigma_{\varepsilon_i}^2
σi2=bi2σF2+σεi2
证券
i
i
i和证券
j
j
j的协方差为
σ
i
j
=
b
i
b
j
σ
F
2
\sigma_{ij}=b_ib_j\sigma_F^2
σij=bibjσF2
证券组合方差为
σ
p
2
=
b
p
2
σ
F
2
+
σ
ε
p
2
\sigma_p^2=b_p^2\sigma_F^2+\sigma_{\varepsilon_p}^2
σp2=bp2σF2+σεp2
其中
b
p
=
∑
i
=
1
n
w
i
b
i
σ
ε
p
2
=
∑
i
=
1
n
w
i
2
b
i
2
b_p=\sum_{i=1}^nw_ib_i\\ \sigma_{\varepsilon_p}^2=\sum_{i=1}^nw_i^2b_i^2
bp=i=1∑nwibiσεp2=i=1∑nwi2bi2
双因子模型
双因素模型中,证券收益率
R
i
t
R_{it}
Rit与两个因素有关,即
R
i
t
=
a
i
+
b
i
1
F
1
t
+
b
i
2
F
2
t
+
ε
i
t
2
R_{it}=a_i+b_{i1}F_{1t}+b_{i2}F_{2t}+\varepsilon_{it}^2
Rit=ai+bi1F1t+bi2F2t+εit2
证券
i
i
i的预期收益率为
E
(
R
i
)
=
a
i
+
b
i
1
E
(
F
1
)
+
b
i
2
E
(
F
2
)
E(R_i)=a_i+b_{i1}E(F_1)+b_{i2}E(F_2)
E(Ri)=ai+bi1E(F1)+bi2E(F2)
证券
i
i
i的收益率的方差为
σ
i
2
=
b
i
1
2
σ
F
1
2
+
b
i
2
2
σ
F
2
2
+
2
b
i
1
b
i
2
c
o
v
(
F
1
,
F
2
)
+
σ
ε
i
2
\sigma_i^2=b_{i1}^2\sigma_{F1}^2+b_{i2}^2\sigma_{F2}^2+2b_{i1}b_{i2}cov(F_1, F_2)+\sigma^2_{\varepsilon_i}
σi2=bi12σF12+bi22σF22+2bi1bi2cov(F1,F2)+σεi2
多因子模型
有
k
k
k个因素对证券
i
i
i的收益率有影响
R
i
t
=
a
i
+
b
i
1
F
1
t
+
b
i
2
F
2
t
+
⋯
+
b
i
k
F
k
t
+
ε
i
t
R_{it}=a_i+b_{i1}F_{1t}+b_{i2}F_{2t}+\dots+b_{ik}F_{kt}+\varepsilon_{it}
Rit=ai+bi1F1t+bi2F2t+⋯+bikFkt+εit
套利原理
在因子模型中,所有相同敏感性的证券或者组合,将会以相同的方式变化,要求相同的预期回报率,否则会出现套利机会,套利者将会主动套利,使市场恢复均衡.
一价定律:同一种资产不可能在一个或 n n n个市场中以两种不同的价格出售,否则会出现套利.
套利组合
套利组合要求满足以下条件
- 自融资约束,套利组合要求投资者不追加资金,用
x
i
x_i
xi表示权重,即有
x 1 + x 2 + ⋯ + x n = 0 x_1+x_2+\dots+x_n=0 x1+x2+⋯+xn=0 - 套利组合对任何因素的敏感度为0,即不存在因素风险
b k 1 x 1 + b k 2 x 2 + ⋯ + b k n x n = 0 b_{k1}x_1+b_{k2}x_2+\dots+b_{kn}x_n=0 bk1x1+bk2x2+⋯+bknxn=0 - 套利组合预期收益率为正
x 1 E ( R 1 ) + x 2 E ( R 2 ) + ⋯ + x n E ( R n ) > 0 x_1E(R_1)+x_2E(R_2)+\dots+x_nE(R_n)>0 x1E(R1)+x2E(R2)+⋯+xnE(Rn)>0
套利定价模型
单因子套利定价模型
根据套利组合条件可以构建如下约束优化问题
max
E
(
R
p
)
=
x
1
E
(
R
1
)
+
x
2
E
(
R
2
)
+
⋯
+
x
n
E
(
R
n
)
s
.
t
.
{
x
1
+
x
2
+
⋯
+
x
n
=
0
b
1
x
1
+
b
2
x
2
+
⋯
+
b
n
x
n
=
0
\max E(R_p)=x_1E(R_1)+x_2E(R_2)+\dots+x_nE(R_n)\\ s.t. \begin{cases} &x_1+x_2+\dots+x_n=0\\ &b_1x_1+b_2x_2+\dots+b_nx_n=0 \end{cases}
maxE(Rp)=x1E(R1)+x2E(R2)+⋯+xnE(Rn)s.t.{x1+x2+⋯+xn=0b1x1+b2x2+⋯+bnxn=0
根据拉格朗日乘数法建立增广目标函数
L
L
L
L
=
x
1
E
(
R
1
)
+
x
2
E
(
R
2
)
+
⋯
+
x
n
E
(
R
n
)
−
λ
0
(
x
1
+
x
2
+
⋯
+
x
n
)
−
λ
1
(
b
1
x
1
+
b
2
x
2
+
⋯
+
b
n
x
n
)
L=x_1E(R_1)+x_2E(R_2)+\dots+x_nE(R_n)-\lambda_0(x_1+x_2+\dots+x_n)-\lambda_1(b_1x_1+b_2x_2+\dots+b_nx_n)
L=x1E(R1)+x2E(R2)+⋯+xnE(Rn)−λ0(x1+x2+⋯+xn)−λ1(b1x1+b2x2+⋯+bnxn)
分别对
x
i
x_i
xi和
λ
j
\lambda_j
λj求导,可得
E
(
R
i
)
=
λ
0
+
λ
1
b
i
E(R_i)=\lambda_0+\lambda_1b_i
E(Ri)=λ0+λ1bi
考虑无风险资产
b
i
=
0
b_i=0
bi=0,可以知道
E
(
R
i
)
=
r
=
λ
0
E(R_i)=r=\lambda_0
E(Ri)=r=λ0.
考虑纯风险因子组合
p
p
p,
b
p
=
1
b_p=1
bp=1,
λ
1
=
E
(
R
p
)
−
r
=
δ
1
−
r
\lambda_1=E(R_p)-r=\delta_1-r
λ1=E(Rp)−r=δ1−r.
多因素套利定价模型
在
k
k
k个因素下,套利定价模型为
E
(
R
i
)
=
λ
0
+
λ
1
b
i
1
+
⋯
+
λ
k
b
i
k
E(R_i)=\lambda_0+\lambda_1b_{i1}+\dots+\lambda_kb_{ik}
E(Ri)=λ0+λ1bi1+⋯+λkbik
令
δ
j
\delta_j
δj表示对第
j
j
j种因素的敏感度为1,而对其他因素的敏感度为0的证券资产组合的预期收益率,可以得到
E
(
R
i
)
=
r
+
(
δ
1
−
r
)
b
i
1
+
(
δ
2
−
r
)
b
i
2
+
⋯
+
(
δ
k
−
r
)
b
i
k
E(R_i)=r+(\delta_1-r)b_{i1}+(\delta_2-r)b_{i2}+\dots+(\delta_k-r)b_{ik}
E(Ri)=r+(δ1−r)bi1+(δ2−r)bi2+⋯+(δk−r)bik
表示一种证券的预期收益率等于无风险利率加上
k
k
k个因素的风险报酬.
例题
问题1. 考虑单因素APT模型,资产a的
β
\beta
β值为1.0,期望收益率为16%,资产b的
β
\beta
β值为0.8,期望收益率为12%,无风险收益率为6%,求如何套利.
解析:考虑到资产b的
β
\beta
β值在资产a和无风险资产之间,因此使用资产a和无风险资产复制与资产b的
∣
β
∣
|\beta|
∣β∣的资产,设新组合c中资产a和无风险资产f的权重分别为
w
1
w_1
w1和
w
2
w_2
w2,则有以下方程组成立
{
w
1
+
w
2
=
1
1
∗
w
1
+
0
∗
w
2
=
0.8
\left\{ \begin{aligned} &w_1+w_2=1\\ &1*w_1+0*w_2=0.8 \end{aligned} \right.
{w1+w2=11∗w1+0∗w2=0.8
解出
w
1
=
0.8
,
w
2
=
0.2
w_1=0.8, w_2=0.2
w1=0.8,w2=0.2,资产组合
c
c
c的期望收益率为
0.8
∗
16
%
+
0.2
∗
6
%
=
14
%
0.8*16\%+0.2*6\%=14\%
0.8∗16%+0.2∗6%=14%. 做多资产组合c同时做空资产b,组合
β
=
0.8
−
0.8
=
0
\beta=0.8-0.8=0
β=0.8−0.8=0,组合期望收益率为
14
%
−
12
%
=
2
%
14\%-12\%=2\%
14%−12%=2%.
问题2. 假设市场指数是充分分散的投资组合,其期望收益率为10%,收益偏离期望的离差
r
M
−
10
%
r_M-10\%
rM−10%可以看做系统风险,无风险利率为
4
%
4\%
4%,对于一个充分分散的投资组合
G
G
G,组合
β
=
1
/
3
\beta=1/3
β=1/3,期望收益率为
5
%
5\%
5%,求套利策略.
解析:使用市场指数和无风险资产复制
G
G
G,
w
1
=
1
/
3
,
w
2
=
2
/
3
w_1=1/3, w_2=2/3
w1=1/3,w2=2/3,期望收益率为
1
/
3
∗
10
%
+
2
/
3
∗
4
%
=
6
%
>
5
%
1/3*10\%+2/3*4\%=6\%>5\%
1/3∗10%+2/3∗4%=6%>5%
因此可以沽出一份
G
G
G,同时做多复制组合,这样新组合的
β
=
0
\beta=0
β=0,策略如下
卖出
G
G
G得到的现金投一份组合:
1
/
3
1/3
1/3投资于指数,
2
/
3
2/3
2/3投资于无风险资产,期望收益为
1
/
3
∗
r
M
+
2
/
3
∗
4
%
1/3*r_M+2/3*4\%
1/3∗rM+2/3∗4%
卖一份组合
G
G
G:期望收益为
−
1
∗
[
5
%
+
1
/
3
∗
(
r
M
−
10
%
)
]
-1*[5\%+1/3*(r_M-10\%)]
−1∗[5%+1/3∗(rM−10%)]
总计收益为
6
%
−
5
%
=
1
%
6\%-5\%=1\%
6%−5%=1%
APT与CAPM的一致性
对比单因子APT和CAPM方程
APT单因子方程
E
(
r
i
)
=
r
f
+
(
δ
1
−
r
f
)
b
i
E(r_i)=r_f+(\delta_1-r_f)b_i
E(ri)=rf+(δ1−rf)bi
CAPM方程
E
(
r
i
)
=
r
f
+
(
E
(
r
M
)
−
r
f
)
β
i
E(r_i)=r_f+(E(r_M)-r_f)\beta_i
E(ri)=rf+(E(rM)−rf)βi
当
δ
1
≠
E
(
r
M
)
\delta_1\neq E(r_M)
δ1=E(rM)时,资产
i
i
i的收益率
r
i
=
E
(
r
i
)
+
b
i
F
+
e
i
r_i=E(r_i)+b_iF+e_i
ri=E(ri)+biF+ei
资产
i
i
i和市场组合的协方差
c
o
v
(
r
i
,
r
M
)
=
c
o
v
(
E
(
r
i
)
+
b
i
F
+
e
i
,
r
M
)
≈
b
i
c
o
v
(
F
,
r
M
)
cov(r_i, r_M)=cov(E(r_i)+b_iF+e_i, r_M)\approx b_icov(F, r_M)
cov(ri,rM)=cov(E(ri)+biF+ei,rM)≈bicov(F,rM)
在CAPM模型中
β
i
=
c
o
v
(
r
i
,
r
M
)
σ
M
2
=
b
i
c
o
v
(
F
,
r
M
)
σ
M
2
\beta_i=\frac{cov(r_i, r_M)}{\sigma^2_M}=\frac{b_icov(F, r_M)}{\sigma_M^2}
βi=σM2cov(ri,rM)=σM2bicov(F,rM)
回代至CAPM方程
E
(
r
i
)
=
r
f
+
(
E
(
r
M
)
−
r
f
)
×
b
i
c
o
v
(
F
,
r
M
)
σ
M
2
E(r_i)=r_f+(E(r_M)-r_f)\times\frac{b_icov(F, r_M)}{\sigma_M^2}
E(ri)=rf+(E(rM)−rf)×σM2bicov(F,rM)
APT方程结构为
E
(
r
i
)
=
r
f
+
λ
1
b
i
E(r_i)=r_f+\lambda_1b_i
E(ri)=rf+λ1bi
反解
λ
1
\lambda_1
λ1得到
λ
1
=
E
(
r
i
)
−
r
f
b
i
=
(
E
(
r
M
)
−
r
f
)
c
o
v
(
F
,
r
M
)
σ
M
2
\lambda_1=\frac{E(r_i)-r_f}{b_i}=(E(r_M)-r_f)\frac{cov(F, r_M)}{\sigma_M^2}
λ1=biE(ri)−rf=(E(rM)−rf)σM2cov(F,rM)
即
λ
1
\lambda_1
λ1的符号取决于
c
o
v
(
F
,
r
M
)
cov(F, r_M)
cov(F,rM).
考虑APT多因子模型
r
i
=
E
(
r
i
)
+
b
i
1
F
1
+
b
i
2
F
2
+
⋯
+
b
i
k
F
k
+
e
i
r_i=E(r_i)+b_{i1}F_1+b_{i2}F_2+\dots+b_{ik}F_k+e_i
ri=E(ri)+bi1F1+bi2F2+⋯+bikFk+ei
与单子模型步骤一致可以得到
λ
j
=
(
E
(
r
M
)
−
r
f
)
c
o
v
(
F
j
,
r
M
)
σ
M
2
\lambda_j=(E(r_M)-r_f)\frac{cov(F_j, r_M)}{\sigma_M^2}
λj=(E(rM)−rf)σM2cov(Fj,rM)
APT模型的假设条件比CAPM简单,但是要求证券收益率具有线性生成结构.