策略公开后能否持续盈利？

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：
       当投资策略在市场中被公开且广泛流传时，人们往往会忧虑这些策略可能会遭到套利，进而致使投资者难以获取利润。不过，即便盈利能力或许会有所降低，通常来讲，这些策略在公布之后依旧能够保持盈利状态。即便策略变得尽人皆知，回报也不会即刻削减；在一段时期内，依然会存在颇为可观的回报。

       举例来说，McLean 和 Pontiff 所开展的一项研究发现，在学术出版物发布后的五年内，投资组合的样本外回报率下降了 26%，但仍有 58%的留存。这表明投资者对学术研究有所知晓，并能够识别出错误定价。

       然而，随着时间的推进，回报的减少会逐步显现，即便在五年过后，仍然会保留相当显著的异常回报。已知的异常常常被称作“智能贝塔系数”，并且依旧能够在多元化的投资组合中获取利润。此外，Jensen、Kelly 和 Pedersen 近期发表的一篇论文探讨了学术研究中所描述的交易策略的复制问题。研究人员发现，超过 80%的美国股票因子即便在对一致且更具可实施性的因子构建进行调整后依旧至关重要，同时仍然保留着原始信号。而且，在 93 个国家的 153 个因子中观察到了相同的行为质量和数量，这表明因子研究具备高度的外部有效性。总的来说，这并非是一个糟糕的结果。

       当公开的投资策略在市场上广泛传播时，人们常常担忧这些策略可能会被套利，从而导致投资者无法获取利润。然而，尽管盈利能力可能会下滑，但通常情况下，这些策略在发布后依然保持盈利。具体而言，Heiko Jacobs 和 Sebastian Müller 在《全球异常：一旦公开，便不复存在？》一文中的研究表明，根据对 39 个股票市场中 231 个截面异常的研究，美国是唯一一个在发布后长期/短期回报率下降的国家。这一发现为在这些市场上实施的策略的“寿命”和策略/异常“死亡之前的预期寿命”提供了宝贵的见解。另一项由 Falck、Rej 和 Thesmar（2021）进行的研究，他们研究了事前特征的假设，以预测已公布的股票异常在样本外表现下降的风险调整后绩效（样本外被定义为发布后时期）。他们最终得出的结论是，每年，新公布的因子的夏普衰减增加约 5%。

       接下来，我们将对这两组数据展开比较与分析。此外，所选择的回测实验验证方法也颇具趣味。基于 Mebane Faber 的论文《战术资产配置的定量方法》，选取了历史上的第一个百科全书条目——永续资产类别趋势跟踪策略。回测期末点是从论文集数据集中截取的一年时段，以绿色突出显示。

       在进行分析时（2023 年 5 月初），我们对所有 868 个策略中的 671 个进行了内部回测。其中 417 个策略每月进行维护和更新，因此这些都被包含在分析之中。另外，62 个策略被排除在外，因为我们没有数据能够回溯到论文结束的时期（即从论文中指出的数据样本结束日期之后开始回溯测试）。数据预处理部分至此结束，因而我们剩下 355 种策略可供进一步分析。我们主要的分析关注点是夏普比率，因为它是比较数据样本中样本内与样本外结果的最为适宜的度量标准。我们的数据库涵盖了所有主要的资产类别，包括股票、债券、商品和加密货币。所以，当我们的数据样本包含高度波动的加密策略和低波动性的固定收益策略时，从年化回报指标中得出结论是缺乏意义的。夏普比率指标在我们的案例中极为有用，因为我们依照年度波动率来衡量年化回报，这有助于对风险调整后的回报进行分析。

       所以，当下我们两者皆有：样本内数据集（通常是从 QP 到源论文的回测期结束的 StartDate），样本外数据集（从源论文到 QP 回测结束的回测期结束；倘若为数据有限的一次性代码，则是固定的，在重复和更新代码的情况下，始终是动态的，并调整至当月）；我们计算了 CAR p.a.和 Volatility p.a.，为我们提供了每个包含策略的样本内和样本外的夏普比率。

       作为平均值的衡量标准，我们选取了算术平均值。中位数是将数据样本的上半部分与下半部分区分开来的值，并且不会因极大或极小的一小部分值而产生偏差，从而能够更好地体现中心。下表描绘了样本内和样本外数据的平均值和中位数夏普比率：

       样本外结果的夏普比率更为糟糕，恶化了 33%（平均）或 44%（中位策略）。这些结果与前面所提及的研究论文以及我们之前撰写的关于这个主题的博客文章中的发现完全相符。

       下图描述了夏普比率在样本内和样本外的分布（直方图）：

       分析结果饶有趣味！您所观察到的“准正态分布”和夏普比率的区间（-1，3）是一个有用的参考，既适用于样本内结果，也适用于样本外结果。此外，样本内和样本外结果呈现出正向偏斜，右侧呈现出肥尾（尽管样本外直方图的右尾略微细小）。这是一个有趣的发现，尤其对于构建投资组合时的严格风险管理极为关键。虽然某些策略在样本外表现欠佳，但我们也存在一些非常强劲的正异常值。因此，将风险预算削减至样本外表现不佳的策略，让利润在表现良好的策略上运行，着实是一个明智的举措。这些结果可能对因子动量策略提供一定的有效性——增加最近表现出色的策略的权重或许是一个不错的主意。

       当我们观察图表时，X 轴表示样本内的时间周期（从 -5 到 0），其中 0 年是阈值年，0 到 5 年表示样本外的表现。Y 轴表示在前面所提到的时间段内升值了 1 美元的回报。所有策略在第 0 年都从 1 美元起始。黑线表示将所有策略等权重混合在一起时，回报的（简单算术）平均乘数。我们的重点在于强调所执行的策略具有正期望值，但绩效的离散度（样本内和样本外）确实极为重要。

       假设我们构建了一个涵盖所有回测测试策略的投资组合，且权重相等（黑线）。我们还计算了发布后表现的信号损失。按照我们的方法，如果从纸上回测结束之日起运用每种策略，并对投资组合进行平等加权，我们发现样本外投资组合的平均收益率约为样本内性能的 4/5。此外，不同策略的个体绩效衰减差异显著。投资组合法的业绩衰减低于单个策略的业绩衰减。原因在于策略之间的相关性较低（样本内和样本外）。

       毫无疑问，夏普比率在基于事先未知的市场异常形成各种交易策略后，在其生命周期中会恶化。根据我们的分析，可以合理地预计夏普比率在样本期间下降 1/3 或 1/2。这不应令人沮丧，而应当被视为一个积极的发现。人们应当接受并做好准备去解释投资和交易中不太令人愉悦的一面，考虑到报告和预期的回报以及与它们的意外偏差。我们的研究结果与当前的学术共识相一致。正如我们之前提到的 2020 年的博客文章中所述，McLean 和 Pontiff（2016）发现，基于不同变量和因素的统计显著样本执行各种交易策略的投资组合回报，涵盖总的可表示异常数量，样本外回报率降低了 26%，发布后回报率降低了 58%，这与我们的数字相去不远。

---

本文内容仅仅是技术探讨和学习，并不构成任何投资建议。

原创不易，转载请标明出处及原作者。