基于熵测度的股票收益非对称性因子研究

1、 在市场上行和下行时，股票收益常常会表现出与市场同涨或同跌的现象。 同一只股票对市场上涨和下跌的敏感性可能是不同的，这表明股票收益在与市场收益发生联动变化的过程中会展现出非对称性。这样的非对称性可以用来预测股票的横截面收益。

2、 以往的研究用贝塔或相关系数来衡量股票收益与市场收益联动的非对称性，但这两种方法只能反映线性相依关系，不能捕捉股票与市场间的非线性相依关系，不能准确地衡量股票收益与市场收益真实的相依结构。因此，本文基于熵测度，结合个股与市场收益率联合分布的概率密度函数，构建了ASY指标，来衡量股票收益与市场收益联动的非对称性。

3、 针对于ASY因子的测试结果表明，在不同参数下的ASY因子均具有较强的选股效果。其中IC_IR最高的因子为ASY_3m_c05，其 中性化后因子的IC均值为3.0%，年化IC_IR为2.35，T值为8.70。从相关性来看， ASY因子与其他类型因子的IC相关性均较低，大多数在30%以下，这表明ASY因子具有一定的特质信息。

1、股票收益非对称性研究综述

1.1单只股票收益的非对称性

单只股票的时间序列收益常常展现出非对称性，偏度便是衡量单只股票收益非对称性的常见方法。图表1展示了在左偏和右偏条件下的收益率分布情况。

众多学者研究了偏度对于股票横截面收益的预测作用。Harvey 和Siddique [2000]认为较低的偏度或者负偏度意味着较高的股票下跌风险，因此偏度与股票未来的收益率之间具有负相关性。Amaya 等人[2015]用股票历史价格构建了已实现偏度指标，结果表明该指标可以显著预测股票未来的横截面收益率：偏度越低的股票未来的收益率越高。

1.2单只股票收益与市场收益联动的非对称性

除了单只股票收益的非对称性之外，单只股票收益与市场收益联动的非对称性也是近年来研究的重点。在市场上行和下行时，股票收益常常会表现出与市场同涨或同跌的现象，但是同一只股票对市场上涨和下跌的敏感性可能是不同的，这表明股票收益在与市场收益发生联动变化的过程中也会展现出非对称性。

对于不同股票而言，其非对称性的特征有所不同：一些股票在市场上涨时，自身也会有较大程度的上涨，而在市场下跌时，其下跌的幅度较小；另一些股票则相反，在市场上涨时自身上涨幅度有限，但在市场下跌时自身下跌幅度则较大。这两种股票具有截然相反的非对称性特征。

那么，如何准确地衡量股票收益与市场收益联动的非对称性？在衡量这种非对称性的过程中，又是否可以找到对股票横截面收益具有预测能力的指标，并将其作为选股因子呢？事实上，已经有不少学者针对上述问题展开了相关的研究，他们大多利用贝塔和相关系数来衡量股票收益与市场收益联动的非对称性。这里我们首先对相关的研究和方法做一个简单的汇总。

🔹 上行贝塔与下行贝塔

一些研究用上行贝塔和下行贝塔反映股票收益与市场收益联动的非对称性。上行贝塔和下行贝塔的基本思想是仿照贝塔的计算方式，在市场上行与下行时分别计算对应的贝塔值：

上行贝塔和下行贝塔分别反映了股票在市场上行和市场下行时的风险，而上行贝塔和下行贝塔之间的不同可以反映股票收益与市场收益联动性的非对称性。

上行贝塔与下行贝塔的具体计算方式有多种，比如半方差下行贝塔(Hogan 和Warren[1974]，Bawa 和Lindenberg[1977])非对称响应下行贝塔(Harlow 和Rao[1989])、协方差下行贝塔(Ang和Hodrick[2009])等，但是这些方法的本质均是基于二阶矩来进行计算。

由于投资者相对更加关注股票的下跌风险，对下行风险较大的股票会要求更高的风险补偿，因此下行贝塔值越高的股票未来的预期收益率也越高。Bali等人[2009]证实下行风险能够在股票横截面收益率中被正确定价，下行贝塔与股票收益率呈正相关。Ang和Hodrick等人[2009]的研究表明，股票的下行贝塔越高，其预期收益率也越高。

🔹 上行相关系数与下行相关系数

Ang和Chen [2002]计算了不同市场状态下股票收益与市场收益的条件相关系数，以此来反映股票收益与市场收益联动的非对称性。上行相关系数的和下行相关系数的定义分别为：

Ang和Chen基于上行相关系数和下行相关系数，构造了反映非对称性的H统计量，对H统计量的检验结果表明，股票收益与市场收益在联动过程中存在非对称性。他们认为，由于损失厌恶效应，投资者对下行风险更为厌恶，对下行风险高的股票要求更高的预期回报，因此股票收益与市场收益联动的非对称性可以预测股票的横截面收益。在实证检验中，反映非对称性的H统计量也确实具有一定的选股效果。

1.3此前研究存在的不足与改进方式

本文重点对股票收益与市场收益联动的非对称性进行研究。此前的研究用贝塔或相关系数来衡量这种非对称性，这两种方法存在的问题是：两种方法只能反映线性相依关系，不能捕捉股票与市场间的非线性相依关系；其在本质上均是基于二阶矩，不包含三阶矩或更高阶矩的信息，因此不能准确地衡量股票收益与市场收益真实的相依结构。具体来讲，在某些收益分布情况下，市场上行和下行时的贝塔(或相关系数)是完全相等的，但是其真实的分布情况并非是对称的，这表明贝塔和相关系数并不能准确地衡量股票收益与市场收益联动的非对称性。

此外，基于上行相关系数与下行相关系数进行非对称性检验时，通常需要提前假设股票与市场的收益分布情况(比如含泊松跳跃的二元正态分布、状态转换二元正态分布、状态转换GARCH模型等，参见Ang和Chen [2002])，如果分布选择不当，检验结果可能会有一定误差。

因此，基于以上研究存在的不足，本文基于个股与市场收益率的联合分布，更为准确地刻画了个股与市场收益的相依结构，这样不仅包含了股票与市场间的线性相依关系，而且将分布的所有信息均包含在内，可以更准确地衡量股票收益与市场收益联动的非对称性。具体来说，本文基于熵测度，结合个股收益与市场收益的联合分布概率密度函数，构建了ASY指标(Asymmetry)，来衡量股票收益与市场收益联动的非对称性。

类比于下行贝塔与下行相关系数的资产定价逻辑，我们预计：由于投资者对下行风险更为厌恶，对下行风险高的股票要求更高的预期回报，因此，如果个股收益与市场收益联动的非对称性较强，并且下行风险较高，则这些股票将在未来具有较高的收益。实际上，通过后文的测试，我们构建的ASY因子的确具有较强的选股效果，并且与其他因子的相关性较低，具有一定的特质信息量。接下来，本文将对ASY因子的构建方式进行详尽的阐述。

2、股票收益非对称性因子构建

2.1

联合分布密度函数

2.2

熵测度

2.3

密度函数的估计

2.4

非对称性因子的构建

3、因子有效性测试

我们首先基于过去3个月的股票日度收益率与万得全A指数日度收益率，在c取0.5的情况下计算出了ASY_3m_c05因子，并测试了ASY_3m_c05因子的表现；然后生成了不同参数下的因子，进行了参数敏感性分析；最后对ASY因子与其他类型因子的相关性进行了分析。

因子测试的方法为IC测试与分位数组合测试，测试区间为2006年1月至2019年10月，股票筛选条件为非涨跌停、非停牌、非ST、上市天数大于90天。

3.1

有效性测试

我们基于3个月的时间窗口，在c取0.5的情况下计算出了ASY_3m_c05因子，并测试其IC与分位数组合表现。

从IC表现来看，该因子具有较强的选股效果，市值行业中性化后IC均值为3.0%，年化IC_IR为2.35。从各分位数组合表现来看，各分位数组合之间的年化收益完全单调，中性化后多头组合年化收益为22.5%，年化超额收益为2.9%。

3.2

参数敏感性分析

为说明ASY因子在不同参数下的稳健性，我们在本节中进行参数敏感性分析。

在构建因子的过程中，有两个参数可以调整，一是用于估计核密度函数的时间窗口长度，二是计算熵测度时收益率的临界值c。我们在时间窗口长度分别取1个月、3个月、6个月，以及临界值c分别取0、0.1、0.2、0.3、0.4、0.5的情况下构造了一系列ASY因子，然后对不同参数下的因子进行了测试。

我们统计了不同参数下因子的IC均值、IC_IR，多头组合的年化收益、夏普比率、信息比率，以及多空组合的年化收益、夏普比率。此处我们只展示经过市值行业中性化处理后的因子测试结果。

不同参数下的各个因子均是有效的，并且差异不大，其IC均值在2.2%-3.6%之间，IC_IR在0.3-0.7之间。其中IC均值最高的因子为基于6个月时间窗口、c取0.4的因子ASY_6m_c04，其IC均值为3.56%，IC_IR为0.66；IC_IR最高的因子为基于3个月时间窗口、c取0.5的因子ASY_3m_c05，其IC均值为3.04%，IC_IR为0.68。

不论从IC还是分位数组合多头收益来看，在固定时间窗口的情况下，随着临界值c的增大，因子的表现也基本呈上升趋势。

以固定3个月时间窗口下的ASY_3m系列因子为例，不论在中性化前后，随着临界值c的增大，ASY_3m系列因子的IC_IR也明显呈现上升趋势（图表21、22）。原因可能有两点：

1、噪音点的影响：当c取0或者较小时，进行核密度估计时所用的部分样本点可能距离原点很近，即股票收益或者市场收益与0非常接近，这样的点实际上属于噪音点，将其包含在内会对计算过程造成干扰，从而降低核密度估计的准确性，影响最后的因子效果。

2、尾部风险的影响：实际上，当c取0与c取正数时，由熵测度得到的ASY因子含义有所不同。当c取0时，ASY因子反映的是在股票与市场同涨或者同跌时的非对称性；而当c取非0值时，ASY因子重点反映了股票收益的尾部风险。

如果投资人担心生成单个因子具有数据挖掘的风险，那么可以将不同参数下的因子进行合并，以增加结果的稳健性。

3.3

相关性分析

量化选股领域目前面临着选股因子同质化的困境。非对称性因子的计算仅仅基于收益率数据，因此应当尤其注意与动量、反转等价量因子之间的相关性。

我们以ASY_3m_c05因子为例，检测了ASY因子与其他类型因子的rankIC相关性。在检测行业市值中性化后的ASY因子与其他因子的相关性时，其他因子也做了相应的行业市值中性化处理。

在行业市值中性化后，ASY因子与其他类型因子的相关性均较低，绝大多数在30%以下。这表明ASY因子具有较好的特异性。

4、结论

在市场上行和下行时，股票收益常常会表现出与市场同涨或同跌的现象，但是不同股票对市场上涨或下跌的敏感性可能是不同的，这表明股票收益在与市场收益发生联动变化的过程中会展现出非对称性。

以往的研究用贝塔或者相关系数衡量股票收益与市场收益联动的非对称性，但是这两种方法只能反映线性相依关系，不能捕捉股票与市场间的非线性相依关系，其本质均是基于二阶矩，不含有三阶矩或更高阶矩的信息，不能准确地衡量股票收益与市场收益真实的相依结构。

本文基于熵测度，结合个股收益与市场收益的联合分布概率密度函数，构建了ASY指标，来衡量股票收益与市场收益联动的非对称性。在不同参数下的ASY因子均具有较强的选股效果。ASY_3m_c05因子中性化后的IC均值为3.0%，年化IC_IR为2.35，T值为8.70。不同参数下的ASY因子与其他类型因子的IC相关性均较低，大多数在30%以下，这表明ASY因子具有较好的特异性。

参考文献

【1】Ang, A., and J. Chen. “Asymmetric Correlations of Equity Portfolios.” Journal of Financial

Economics, 63 (2002), 443–494.

【2】Ang, A.; J. Chen; and Y. Xing. “Downside Risk.” Review of Financial Studies, 19 (2006), 1191–1239.

【3】Bali, T. G., Demirtas, K. O., Levy, H. Is There an Intertemporal Relation Between Downside Risk and Expected Returns?. Journal of Financial & Quantitative Analysis, 2009, 44(4): 883-909.

【4】Bert Van Es，"Likelihood cross-validation bandwidth selection for nonparametric kernel density estimators†." Journal of Nonparametric Statistics 1.1-2(1991):83-110.

【5】Ball, R., and S. Kothari. “Nonstationary Expected Returns: Implications for Tests of Market Efficiency and Serial Correlation in Returns.” Journal of Financial Economics, 25 (1989), 51–74.

【6】Bawa, V. S., Lindenberg, E. B. Capital Market Equilibrium in a Mean-Lower Partial Moment Framework. Journal of Financial Economics, 1977, 5( 2) : 189－200.

【7】Cho, Y.-H., and R. F. Engle. “Time-Varying Betas and Asymmetric Effect of News: Empirical Analysis of Blue Chip Stocks.” Technical Report, National Bureau of Economic Research (1999).

【8】Duin, R. P. “On the Choice of Smoothing Parameters for Parzen Estimators of Probability Density Functions.” IEEE Transactions on Computers, C-25 (1976).

【9】Dahlquist,M.;A.Farago;andR.T´edongap.“AsymmetriesandPortfolioChoice.”Review of Financial Studies, 30 (2017), 667–702.

【10】Diego Amaya, Peter Christoffersen, Kris Jacobs and Aurelio Vasquez. Does Realized Skewness Predict the Cross-Section of Equity Returns? Journal of Financial Economics. 51(1): 31-56.

【11】Granger C W , Maasoumi E , Racine J . A Dependence Metric for Possibly Nonlinear Processes[J]. Journal of Time Series Analysis, 2004, 25(5):649-669.

【12】Harlow, W. V., Rao, R. K. S. Asset Pricing in a Generalized Mean - Lower Partial Moment Framework: Theory and Evidence. Journal of Financial & Quantitative Analysis, 1989, 24( 3) : 285-311.

【13】Harvey C R , Siddique A . Conditional Skewness in Asset Pricing Tests[J]. The Journal of Finance, 2000, 55(3):1263-1295.

【14】Hogan, W. W., Warren, J. M. Toward the Development of an Equilibrium Capital-Market Model Based on Semivariance. Journal of Financial & Quantitative Analysis, 1974, 9(1) :1-11.

【15】Jiang, Lei , K. Wu , and G. Zhou . "Asymmetry in Stock Comovements: An Entropy Approach." Social Science Electronic Publishing (2014).

【16】Jian, Chen , et al. "Realized Skewness of Chinese Stock Market and the Predictability of Stock Return." Journal of Financial Research (2018).

【17】Kroner, K., and V. K. Ng. “Modeling Asymmetric Comovements of Asset Returns.” Review of Financial Studies, 11 (1998), 817–844.

【18】Li, Q., and J.S. Racine. Nonparametric Econometrics: Theory and Practice. Princeton, NJ: Princeton University Press (2007).

附录：不同参数下的因子表现

风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成， 在政策、市场环境发生变化时模型存在失效的风险。

证券研究报告：《基于熵测度的股票收益非对称性因子研究》

对外发布时间：2019年12月3日

-------------------------------------------------------------

量化金融经典理论、重要模型、发展简史大全

史上最全的Python定量金融三方库汇总