河北快三

当前位置:河北快三 > 赚钱教学 > www.j9992.com【专题报告——国债期货】多因子选债

www.j9992.com【专题报告——国债期货】多因子选债

时间:2019-05-21 整理:河北快三 - 互联网赚钱 点击:
本文研究并验证了多因子选债的可行性和有效性,结论证明用多因子选债的策略构建信用债投资组合可以显著跑赢指数,并且在相当一部分时间内和全市场公募债券基金相比表现优异。...

www.j9992.com【专题报告——国债期货】多因子选债和国债期货量化对冲

  本文研究并验证了多因子选债的可行性和有效性,结论证明用多因子选债的策略构建信用债投资组合可以显著跑赢指数,并且在相当一部分时间内和全市场公募债券基金相比表现优异。

  本文首先介绍了多因子选债的理论依据和因子检验的方法。验证了六个因子,包括规模因子,资产增速因子,ROE因子,YTM因子,动量因子和流动性因子,其中除流动性因子以外,其余五个因子对于全样本信用债显著有效。

  流动性因子对全样本选债效果不明显,但对于短融显著,方向为负,即流动性越好的债表现越差,对企业债因子收益率t检验结果不显著,IC的t检验结果显著,但方向和短融相反。

  利用验证有效的5个因子等权合成综合因子进行选债,用排名前20%的债券建仓,组合的年化收益率6.67%,夏普指数1.6,业绩显著优于中债信用债总财富指数。通过蒙特卡洛模拟验证更符合实际的债券产品表现依然明显优于基准指数。对高评级信用债样本进行选债的结果依然优于指数。

  运用蒙特卡洛模拟的平均组合和国债指数按照市场公募债券基金信用债和利率债分别占比进行综合之后得到的模拟债券组合的表现从2009年2017年9年间有4年排名前20%,7年表现排名市场前50%以上。

  为了得到更加平稳的收益,用国债期货对多因子选债组合进行对冲以减弱利率波动对信用债组合的影响,获取信用溢价部分收益,对冲前后的夏普分别是2.14和2.75,年化收益分别是6.49%和6.23%,最大回撤从1.87%降低到0.81%,收益率从比例上下降了4 %,但夏普比率上升了28.5%,最大回撤降低了56.7%。

  Chordia et al.(2017)以1974年到2014年美国公司债的数据为研究对象,检验了包含盈利能力,资产增速,对应股票收益、预期外利润和特质波动率等因子,发现盈利能力、资产增速和对应股票收益对债券收益有显著的预测作用,其中盈利能力和资产增速和债券收益率都呈负相关。

  Bai et al.(2016)利用2002年到2013年的美国公司债数据验证了信用风险和流动性风险对于债券收益率存在正向的影响,即流动性风险和信用风险高的债券收益比低流动性风险和低信用风险的债券收益高。

  Houweling & Zundert(2016)年发现规模因子、低风险因子、成长因子和动量因子的公司债策略组合能够产生显著的超额收益。

  Jegadeesh &Titman (1993)发现在股票投资中存在显著的动量效应,即构建过去表现好的和表现差的股票多空组合可以获得超额收益。Jostova et al.(2013)证明了美国公司债中存在动量效应,发现在非投资级债券中的动量效应更加显著。

  在已有的研究的基础上综合中国债券市场的实际情况,我们挑选出备选因子如下:

  2、资产增速(Asset_Grw):该支债券发行主体年报披露的总资产增速(Cooper et al.

  3、ROE:该支债券发行主体的净资产收益率(Fama & French,2008)提出公司盈利情况对资产收益的影响,并在之后2015年的五因子模型中加入了盈利因子,这里我们用ROE代表盈利因子)

  4、到期收益率(YTM):该债券的到期收益率(由于中国债券市场评级区分度低,用到期收益率可以体现信用风险)

  6、流动性(Liq):该债券的流动性,用三个指标合成,分别为区间成交天数(Lesmond, Ogden, and Trzcinka (1999)认为一段时间内价格不变动天数的比例可以作为流动性指标,我们用区间内债券有交易的天数作为流动性指标,以统一和其余几个指标的方向)、成交量和换手率(可以比较直观地展示债券流动性的变化),权重为(0.3,0.3,0.4)

  我们检验的时间区间是从2008年3月到2018年10月,调仓频率是季度,在每一个时间点t上,我们获取在当时的市场上的存量信用债(包括企业债、公司债、中期票据和短期融资券)和其所对应的因子值。不同种类的信用债由于在10年的样本区间内的数量不同,我们将各类债券的历史数量变化展示如下,除短融在2016年数量有小幅下降,其余债券种类中债券的数量都呈现增长形态,其中企业债的债券数量是四种信用债中最高的。6个因子当中动量因子和YTM因子的缺省值占比比其余几个因子大,这是中债估值覆盖面的造成的。流动性因子的缺省值占比也比较大,但由于单个债券的流动性除了和自身所在行业有关以外,更多的是和债券种类,新旧等因素相关,所以不便于按照上文所述的以行业中位数填补缺省值的方法,故将缺省值当做零值处理,代表流动性为零。

  对于动量因子我们需要确定选取合适的区间长度,检验持有期为一个季度,下关兼职招聘前1-6个月的收益率作为因子值进行初步的判断,我们发现1到6个月的收益率的IC值均较高,然而对于因子收益率在时间序列上的t检验差异确很大。原因是债券在截面上的dispersion比较低,这和债券本身的性质有关,市场上所有信用债的走势比较一致。IC代表的是一种相关性,由于dispersion较小,一点噪音的影响就会体现在最后的收益上,所以我们在判断债券因子是否有效的时候用因子收益率来作为检验标准更加合适,这一点和股票多因子检验有所差异。

  为了更加详细了解债券动量因子的情况,我们进行更加完善的交叉检测,检测的方法是用前n个月(1、2、3、4、5、6、9、12)的债券收益率作为因子值,观察持有期m个月(3、6、9、12)的债券收益率。由于债券会到期,导致考察期和持有期增加时样本数量会减小,所以我们统计了在每一个持有期当中,随着观察期增加样本数量变化情况,每次增加考察期,都计算一次样本数量占一个月为考察期时地样本比例。持有期的延长也会减少样本数量,持有期延长到12个月时平均样本数量减少了接近20%。除了前一个月的收益率的动量效应在0.1的显著性水平下是显著的,没有其余显著的动量效应。在持有期是9个月,考察期是9个月和12个月时存在反转效应,但是由于样本数量下降较多,在实际操作中会筛掉一大部分期限较短的债券。所以我们选择前一个月收益作为动量因子。

  我们将每一个因子在每一个截面上作箱型图观察因子数据的分布和在时间序列上的变化,其中liq因子由于是由三个指标合成而得,为了去除数量级的影响使三个指标可比,所以使用标准化之后的数据,其余为因子原始值的箱型图。从中位数上来看一个月滞后的动量因子和YTM因子的波动比较大,其余因子比较稳定。除了一个月滞后的动量因子的分布集中程度在时间序列上变化比较明显以外,其余因子分布集中程度变化不大。

  按照上文所介绍的方法,在每一个截面上我们用标准化之后的因子值和当期的债券收益率进行回归得到风险溢价的估计。由于债券的交易不像股票一样活跃,我们统计下来在每一个截面没有交易数据的债券占比在60%到90%,所以我们在计算债券每一期的收益的时候采用中债的估值,中债根据其登记托管的固收类产品的价格信息统计汇总后编制出的不同品种、评级的债券收益率曲线,并根据收益率曲线和个券的行业利差、个券利差、成交价格等信息对债券价格作出的估值。在债券进行场外交易的时候估值也被作为买卖报价的锚,市场接受度比较广。为了更准确地表现收益率,我们将每一期中间收到的付息现金和提前偿还的本金以年化1.6%(不同机构和银行协商的利息有差异)的利率进行折算到期末。此外,考虑到样本数量过少会对因子收益率和IC的t检验结果造成影响,而债券投资的交易频率不高,不能提高调仓频率。为了解决这一困难,我们选择用一种折衷的办法去检验因子的有效性。假设 、 、 和 之间分别间隔了一个月, 进行调仓,我们用 时刻的标准化的因子值和 、 和 每个月度债券的收益率进行回归,这样我们便能在时间序列上获得超过100个样本,保证t检验结果的可靠性,同时又不改变债券的调仓频率。对于因子收益率存在自相关性的,我们用NW方法调整了标准差。

  我们发现除了流动性因子以外,其余五个因子都比较有效,虽然ROE的因子收益率显著性相对较弱,但是其IC是比较显著的。五个因子当中从因收益率均值(多空组合的月均收益)来看最高的是规模因子、YTM因子和动量因子,但是YTM和动量因子的波动率更大,这三个因子的IC值也是最高的。

  流动性因子对于全样本不显著,我们对其中的短期融资券和企业债分别作了流动性因子检验,在两种信用债中因子收益率的t检验短融显著,企业债不显著,以IC作为评判指标分别都显著,但反向相反。流动性因子对短融很有效,t(b)非常高且分组超额收益单调性明显。我们知道从理论上来说,流动性差的债券相对于流动性好的债券存在流动性溢价,其YTM应该更高。但我们将每一个截面上企业债和短融的流动性因子和YTM计算相关关系发现,二者和YTM的相关性相反。流动性越好的企业债的YTM越高,流动性好的短融YTM更低。企业债和短融在流动性因子上显著性的差异可能与该两种类别债券的组成有关,企业债中发行主体绝大部分是国企,而且企业债发行更注重计划,且在发行中行政管理的色彩比较浓厚,而短期融资券中民企的比例比企业债中高,且发行为注册制,更加市场化。可能造成了投资者对于企业债的信用资质更加有信心,所以YTM越高的债会更抢手,以至于以交易活跃程度度量的债券流动性更高。而对于短融来说情况则不同,流动性差的债券对应的信用风险可能越高,YTM虽然高但是投资者的热情不够,交易活跃度不高。值得注意的是,无论是企业债还是短融的流动性和YTM的相关系数在最近几年都明显下降。

  把除流动性因子以外的显著的5个因子的因子收益率累积曲线和分组超额收益(第一组对应ZSCORE因子值最大的组,以此类推)情况展示如下

  我们发现规模因子,资产增速因子,到期收益率因子和动量因子的因子收益率累积净值曲线都比较平稳,分组回测的超额收益率也呈现出明显的单调性。但ROE因子在2015年以前较为有效,但2015年至今的因子收益率净值曲线变动不大,且分组超额收益率的单调性不够好,表现为bottom20%组的超额收益率很低,但第二组到第五组呈现出了单调性,第二组的超额收益率大幅上升,说明盈利能力最差的债券发行主体无法产生显著超额收益(可能出现违约的情况),但盈利能力次差的发行主体的债券能够获得较好收益,可能是因为其债券利率较高,但又没有发生违约的情况。

  计算五个因子的IC的时间序列上的线性相关系数(调整为统一方向),当两个因子之间IC的相关系数大的时候表明当其中一个因子带来正超额收益的时候另外一个因子也有大概率带来正超额收益。如果IC的相关系数低则代表在一个因子表现不佳时,另外一个因子依然可以带来正超额收益,这样可以增加对因子选债模型的稳定性。可以看到,除了YTM因子与Asset_Grw 和ROE的相关性比较强以外,其余因子之间的相关性都比较低,说明多因子选债模型可以获得较好的稳定性。

  将5个因子符号调整一致之后进行等权合成得到一个综合因子,以该因子为指标选择排名前20%的债券进行回测,将回测的结果和同期中债信用债总财富指数进行对比,多因子选债的组合显著地跑赢了指数。由于流动性因子对于全样本不显著,在合成综合因子时没有加入流动性因子,考虑到现实情况中流动性差的债券是无法交易到的,所以我们在多因子组合的基础上筛掉了流动性为零(区间成交天数为零&区间成交量为零&区间换手率为零)的债券计算其净值,剔除的债券比例在20%左右。发现在剔除流动性不好的债券之后对于组合整体的回测表现影响不大。

  多因子选债的组合的年化收益率6.67%,夏普指数1.6,最大回撤2.02%。由于策略组合是选择每一个截面综合因子排名前20%的债券进行组合,在最近几年组合内的债券数量接近2000只,这并不符合实际投资的情况。所以我们进行蒙特卡洛模拟以展示一个更符合实际的投资效果。在每一个时间节点选择20只债券进行建仓(综合考虑市场上债券公募基金中债券持有的平均数量,决定组合中有20个债券算是比较合理的情况)。选择的标准是:

  (2)不等概率抽样,流动性越好的债券进入组合的概率越大,以流动性指标为标准,将截面上的债券分为三组,前20%,前20%-50%,50%-100%,其中第一组被抽中的概率累积为70%,第二组为20%,第三组为10%。

  (3)建仓时按照不等概率抽样在前20%的债券中抽取20只构建组合,后续调仓时将因子值综合排名跌出前20%的债券剔除,再从当时前20%的债券中抽取剔除数目的债券,使组合中债券数量保持20只。

  进行10000次的模拟,将模拟后的净值曲线与基准相减,可以更加清晰地看出模拟回测的表现和基准的差异,蒙特卡洛模拟的效果显示策略选债的表现依然显著优于基准的表现。将10000次模拟的净值曲线取平均值和基准相比也可以看到显著优于基准。统计模拟的组合情况,年化收益的5分位数依然可以达到6.35%,从波动率和最大回撤上来看整体模拟组合的表现也比较稳定。

  将蒙特卡洛模拟的平均情况和基准每年的收益情况进行比较,除了2009年、2011年和2018年策略组合略跑输基准以外,其余年份均明显表现优于基准。此外策略组合的换手率整体不高,季度换手率平均在30%左右。

  除了和中债信用债指数做比较以外,我们还将策略和同期市场上的公募信用债基金进行比较。利用基金年报中披露的数据我们计算每一年市场全部信用债基金中平均信用债占比和利率债占比,用利率债占比乘以同年中债-国债总财富指数加上信用债占比乘以同年蒙特卡洛模拟平均组合的收益合成一个模拟产品收益,以此收益和当年全市场的公募债券基金作比较,查看其收益在全市场表现的分位数情况如下(分位数越大表示排名越靠前)。可以看到从2009年到2017年,模拟组合和国债指数的综合模拟产品的表现在大部分时候都比较优秀。其中2009年和2010年的表现比较差,从利率债和信用债占比上来看,2009年和2010年信用债在公募债券基金中的占比是样本区间内最低的,2009年40.84%,2010年55.24%。其次2009年和2010年市场上的债券基金数量并不多,不超过150支,且在年报中披露的净值回报还存在一部分缺省值,真正可比的基金数量比较少,导致策略组合的排名分位数参考性不够高。

  由于信用债的收益很大程度上受到利率水平变化的影响,所以我们如果用国债期货对所构建的信用债组合进行对冲从而使组合免于利率波动的影响,可以获得更加稳定的超额收益。5年期国债期货于2013年9月上市,我们考虑从2013年9月30日起,每隔一个季度进行调仓,对信用债投资组合进行对冲。用国债期货进行对冲的核心在于确定套期保值的比率,最佳的套保比率应该等于“债券(组合)价值的变化/期货合约价值的变化”。根据国债期货的定价公式可知国债期货的基点价值约等于最便宜可交割债券的基点价值/转换因子,所以有:

  当对冲之后的组合基点价值为0时,可以使投资组合不受收益率曲线平行移动的影响。我们用每个截面前20%的债券组合进行计算国债期货的对冲比例,然后以其对蒙特卡洛模拟平均净值进行对冲,再画出对冲之后的净值曲线并对相关指标进行计算如下。

  用国债期货对利率风险进行对冲之后,我们获得了更加平稳的收益,对冲后的投资组合夏普比率达到了2.75,最大回撤0.81%。收益率从比例上下降了4 %,但夏普比率上升了28.5%,最大回撤降低了56.7%,在投资过程中可以加杠杆,在同样最大回撤下实现更高的策略收益。

  以上的分析样本是市场上全部的公墓信用债,但对于保险机构投资信用债来说监管上有评级的限制,一些机构内部对于债券投资也有评级限制,所以我们考虑进一步研究多因子选债对于高评级债券的效果如何。选取评级为AA+以上的信用债为样本进一步研究,高评级信用债在我们样本中的占比大概在50%左右,从净值曲线上来看,剔除低评级的债券之后收益受到了一定影响,但是依然是高于基准的。

  同上步骤进行蒙特卡洛模拟,依然显著超越基准,但波动率和最大回撤与全评级信用债样本相比稍高,换手率也略高一点。在只用高评级信用债作为样本的时候,样本数量减少了,当期因子综合值排名在前20%的在下一期跌出了前20%的或者已经到期的比例更够,导致波动更大。

  以同样的方法和公墓债券基金进行对比,发现排名下降比较明显,只处于中上水平。我们用国债期货对高评级信用债蒙特卡洛模拟均值进行对冲之后同样达到了降低波动率和最大回撤,提升夏普的作用。收益率比例上下降了3.63%,但波动率下降了27.4%,夏普上升32.75%,最大回撤下降了56.68%。

  Smart beta 是一种介于主动和被动之间的管理策略,传统的市值加权是一种被动的投资策略,smart beta通过对选股和权重进行优化实现了在指数化管理的同时相对于市值加权指数又存在超额收益。Smart beta通过寻找引起资产变化的因子,对其进行分析以获得更高的回报。Smart Beta在最近几年受到越来越大的关注,根据FTSE Russell 对机构投资者的调查,从2014年到2018年, 不了解smart beta 或者没有计划运用smart beta策略的机构占比从25%下降到了9%,而使用普通加权策略的机构占比从41%下降到了19%,smart beta策略越来越受到机构投资者的关注。许多投资者选择smart beta策略是因为其能够增加收益并且减少风险。2003年出现了第一只smart beta指数基金,很长的一段内smart beta策略主要是运用在股票量化投资中,直到2015年贝莱德才推出了首个smart beta策略的固定收益ETF。根据FTSE Russell 的调查,2018年对于固定收益类smart beta策略的接受程度只有9%,而其中61%的受访者表示没有测算过smart beta策略在固定收益类投资中的表现,所以smart beta策略在固定收益类投资上目前运用得还没有在股票上那么广泛。整体来说smart beta 策略的固定收益类产品比较小,下表展示了美国市场上规模排名前十的smart beta ETF,只有两只的规模超过十亿美元。

  海外的固收类smart beta策略一般通过运用一些基本面因子对债券进行选择,有的是直接用因子直接在一个大类债券中进行选择配置,也有一部分是先用一组因子将所有债券分为几个小组,确定不同小组的权重,在小组内部针对个券又运用另外一组因子确定权重,也有的产品加入了国债对冲债券组合的利率波动。我们列举其中几个产品的投资策略:

  目前国内也已经获批了首只债券Smart Beta ETF产品,由平安基金发行,跟踪的“中债-中高等级公司债利差因子指数”是国内首只采用smart beta策略的债券指数,并由平安基金参与研发。“中债-中高等级公司债利差因子指数”按照中债市场隐含评级分为三组并以利差因子进行细分,其中AAA级20%,AAA-级40%,AA-、AA+级占40%,中债市场隐含评级 AAA 和 AAA-的样本库中只选取与国债利差5日均值排名前 50%的样本券进入指数,如上一期样本券本期排名变为后50%但仍然满足评级条件,不退出指数;不满足评级条件的样本券退出指数。将来无论是国内还是国外,smart beta 策略在固定收益类投资上都有巨大的空间。本文所提到的方法除了可以当作一种“半指数”性质的smart beta策略以外,还可以直接做多头alpha产品,根据我们的研究结果可知,适度提高杠杆可以增加组合收益。

  1. 量化模型基于历史数据分析得到,未来存在失效的风险,建议投资者紧密跟踪模型表现。

  [10] 朱剑涛,“A股市场风险分析——《因子选股系列研究之十七》”(2016-11)

  本研究报告仅供本公司的客户使用。本公司不会因接收人收到本报告而视其为本公司的当然客户。

  本研究报告是基于本公司认为可靠的且目前已公开的信息撰写,本公司力求但不保证该信息的准确性和完整性,客户也不应该认为该信息是准确和完整的。同时,本公司不保证文中观点或陈述不会发生任何变更,在不同时期,本公司可发出与本报告所载资料、意见及推测不一致的报告。本公司会适时更新我们的研究,但可能会因某些规定而无法做到。除了一些定期出版的报告之外,绝大多数研究报告是在分析师认为适当的时候不定期地发布。

  在任何情况下,本报告中的信息或所表述的意见并不构成对任何人的投资建议,也没有考虑到个别客户特殊的投资目标、财务状况或需求。客户应考虑本报告中的任何意见或建议是否符合其特定状况,若有必要应寻求专家意见。本报告所载的资料、工具、意见及推测只提供给客户作参考之用,并非作为或被视为出售或购买投资标的的邀请或向人作出邀请。

  在任何情况下,本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任,投资者需自行承担风险。

  本报告主要以电子版形式分发,间或也会辅以印刷品形式分发,所有报告版权均归本公司所有。未经本公司事先书面授权,任何机构或个人不得以任何形式复制、转发或公开传播本报告的全部或部分内容,不得将报告内容作为诉讼、仲裁、传媒所引用之证明或依据,不得用于营利或用于未经允许的其它用途。

  如需引用、刊发或转载本报告,需注明出处为东证衍生品研究院,且不得对本报告进行任何有悖原意的引用、删节和修改。

------分隔线----------------------------

------分隔线----------------------------

本月热点

热门Tag



网站地图 | 河北快三 - 互联网赚钱 | Copyright © 2002-2017 DEDECMS. 织梦科技 版权所有
网赚博客,分享自己真实操作最赚钱的网赚项目,保证每一个网赚项目都是真实可靠的!分享网赚引流方法、网赚所需要的资源等。【免费赠送一个赚钱的网赚项目】!让每一个网赚客都能真正赚到钱!