结构化（多因子）风险模型中，怎样理解因子暴露度，在实践中如何得到它？

提示: 作者被禁止或删除内容自动屏蔽

艾程远 · 2018-10-17 23:10:17

中文版APM，page 165 结构化模型1中的情况。因子暴露就是例如基本面、宏观或其他因子类别，page 157 有个例子。

匿名用户 · 2018-10-17 23:10:15

提示: 作者被禁止或删除内容自动屏蔽

匿名用户 · 2018-10-17 23:10:14

提示: 作者被禁止或删除内容自动屏蔽

guiping sun · 2018-10-17 23:10:13

barra模型中关于风险因子的稳定性检验时，需要计算相邻时间的相关系数，里面用到了回归权重，这个回归权重具体指什么？怎么计算？

PKUXuelin · 2018-10-17 23:10:12

Nah..
他问的不是"怎么理解因子暴露度”吗，你们回答的好像是“怎么得到因子暴露度”。首先你要搞清楚你的RHS Variable是什么，是因子收益率，换句话讲是一个Portfolio Return。所以对Regression Coefficient（也就是你的x_{n,k}(t)）最浅显的理解是，你的LHS Return有多少是来自于某个Portfolio k。
但我们真正关心的不是Portfolio per se，而是这个Portfolio代表的Underlying Risk。换句话讲，你的RHS Portfolio可以定义为所有Company Name以A开头，B开头..Z开头。你也可以去做一个这样的Regression也有可能有Significant Coefficients。But who cares?
所以你选的Portfolio往往带有一定的特征，而且你或许可以理解这些特征表象下的所带有的Risk。比如，你Small Company, High Leverage Company, High R&D Company..etc。你认为你选择的这些Portfolio各自代表了某些风险，x_{n,k}(t)这个时候的解释实际上是你所建立的LHS Portfolio受到来自第k种RHS Portfolio所代表的Risk的影响程度(exposure)。
BTW, 把Factor Model翻译成因子是很蛋疼的一件事。

Davy Zhu · 2018-10-17 23:10:11

楼上的答案都解释了什么是因子暴露度，但好像都没介绍怎么计算这些因子暴露度。个人觉得，仅仅把他认为是因子的权重，不够深入。我的理解是：

一个因子的因子暴露度，是你在这个模型中考虑纳入该因子时所承担的风险。你认为这个因子是有效的、是能带来收益的，那么你必然要承担这个期望的风险。

这说得有点抽象了，我们来举个例子：

假设此时，你认为一只股票（S）的因子A对下一期（t+1）的股票收益率有影响。于是你将这个因子加到收益率预测的模型中，并通过某种方法（方法的介绍见下文），计算得到该期的因子暴露度为0.5（假设），假设此时因子A的值为0.3。这什么意思呢？意思就是你认为在其他因子对股票收益率没有影响的情况下（也就是如果下一期股票的收益率只受该因子A的影响），该股票下一期的收益率就是0.3*0.5=0.15。如果如果如果如果你的想法错了，这个因子在下一期一点用都没有。假设实际上其他因子确实不影响股票收益率，那么此时股票收益率为0%，你将承担那高估15%的后果。（夸张点举个例子：你跟客户打包票说你下个月买的100万股票一定会涨15%，不涨我就赔给你，那你就准备好掏那15万吧）
这就是我所理解的因子暴露度，你想要因子暴露出多大程度的收益，暴露出多大的风险，他们其实是等价的。

至于怎么计算因子暴露度，其实各家有各家的方法，由于大家能选择的因子基本都那个范围，选股模型的优劣很大程度取决于因子的筛选和因子暴露度的设置。方法之间孰优孰劣还是通过回测结果来比较，然而并不能保证未来是否有效。我这里简单的列出几个常见的吧。

1. IC加权法：这个方法其实是目前各大量化部门比较常用的。最简单的是对各个因子在横截面上和因子收益率计算rank IC，然后前N期的因子值和前N-1期的因子收益率做回归计算得到beta。用各个因子的rank IC对对应beta做加权得到各个因子的因子暴露度。现在还加入了各种花样，例如引入半衰期的概念，认为因子IC对因子暴露度的影响应该像半衰期一样递减；也有将多期IC平均之后再和beta相乘，也有用像计算EMA的办法来计算IC，也有将IC的变化和累加的IC图做比较之后判断因子是否实效来计算权重。

2. 历史经验法：有人用前N期的因子值和股票收益率数据做OLS来计算因子暴露度。也有人直接简单粗暴地主观设置固定的因子暴露度（我真的在研报里见过。。）

优矿量化实验室 · 2018-10-17 23:10:09

1969年7月16日，美国宇航局发射阿波罗11号飞船成功登录月球，自此人类实现了登月的梦想，在感慨人类伟大创造力的同时不禁会想是什么创造了这一切
没错，是人类的智慧，人类之所以能主宰地球，也主要是因为人类强大的归纳和推导能力，用哲学的话说应该是发现规律、利用规律
其实，从我们踏入学堂开始，我们就在接受先辈们给我们发现的一套理论体系，苹果从树上掉下来我们便想起了牛顿的万有引力，进而我们利用万有引力实现了人类的飞天梦，那么引力实际上是什么呢？磁场又是个什么东西呢？我们实际上感知不到，甚至我们可以假设有比人类更高阶的一个物种可以用xxx理论来解释自然现象，从而打败我们从小习知所有知识，但就目前来看，在已知的所有理论体系下，我们解释了自然现象，同时也将其用到我们的生活中
那么同样的，对于股市我们的思路也一样，我们试图寻找一个理论体系来解释股票的收益，从而将其用在我们的投资中
复制代码
，而风险模型就是其中的万有引力定律。
收益的来源

我们的目的是构建一套理论体系用以解释股票的收益，最一般的来讲，就是站在今日24:00解释明天股市所有股票的日收益率
那么我们如何去解释呢？首先要发现规律，我们发现每天同一个行业的股票涨跌幅比较接近，又发现市值大股票和市值小股票走势有明显差异，那么一个直觉是我们就可以用行业和市值这两个属性来作为我们解释次日股票收益的工具
更进一步，我们从公司财务、市场行为、行为金融等角度来寻找能够解释次日收益来源的属性，那么就诞生了风险模型的其实变量：
1. 因子暴露Exposure
复制代码
，这里面又可以细分为行业因子和风格因子，行业因子不用解释，上面提到的市值因子就属于风格因子，其他的风格因子还有估值、成长、盈利质量等
假设我们现在已经在24:00获取了所有股票的因子暴露，那么就开始解释明日股票收益，方法就是大伙熟知的多元线性回归，下面将详细介绍

理解模型

多元线性回归的方程是r=Xf+u，其中r为n*1列向量，代表着n个股票的次日收益率，X为上面提到的因子暴露Exposure，f为因子收益factor return，u为股票特有收益specific return
这样我们就实现了对次日股票收益的解释，又或者说，我们将股票的收益可以拆分成公共部分和特有部分，公共部分就是Exposure的部分，比如市值因子带来的收益是多少，股票特有的收益是多少
听到这里，大伙肯定很好奇，就这么一个Exposure就可以解释明天股票的收益了吗？当然不是全部，每天的回归都会产生一个rsquare，我们统计了滚动40天的rsquare，平均值接近50%，最高时接近90%，最低时也不低于20%，这也就是说我们的模型只解释了收益的50%，应该算是非常高的解释力，讲个笑话，要是再高些的话就没有pure alpha可以搞了。。
那么是不是我们每天做这么个回归就好了呢？当然不是的，一般的介绍风险模型都是从预测组合风险入手，那么我们就需要预测一个包括所有股票的方差协方差矩阵，但是由于历史数据不够、需要估计的变量太多等因素，所以就将估计问题转到预测公共因子和特质因子的波动上，这类介绍是市面上的通用术语，但我们这里从更深的层次引入风险模型的概念，从对收益的解释入手，这样才好理解模型本身的诸多应用

模型搭建

在做完每天的回归之后，我们便有了每天的factor return数据和specific return数据，这样我们就可以估计公共因子的方差协方差矩阵F，股票的特质波动率Δ
于是乎，我们便有了所有股票的方差协方差矩阵V，基于此我们便可以计算任何股票组合的预测风险值，假设组合持仓为h，那么组合波动率可以表示为h′(XFX′+Δ)h
至此，风险模型的几大核心部件都已经介绍完了，分别是因子暴露Exposure、因子收益factor return、特有收益specific return、因子协方差矩阵factor covaraicne、股票特有风险specific risk

***本回答整理自jiang.wei的何为风险模型？为什么要使用风险模型？

结构化（多因子）风险模型中，怎样理解因子暴露度，在实践中如何得到它？

7 个回复