主頁
 投資組合
 基金/市場動向
 ETF
 強積金/生活理財
 基金工具
 基金篩選器
 基金檢閱
 組別排行榜
 保證基金
 

認識因子模型(第二部份)

如何利用線性因子模型分析基金經理的表現。

Samuel Lee 10/07/14

本文最早刊於20138月的Morningstar ETFInvestor

本文的第一部份,我們看過如何利用單一因子模型分析基金經理的表現。這次我們會談到多因子模型,並討論市場使用和濫用此模型的情況。

多因子模型
我於本文第一部份用了一種資本資產定價模型(CAPM)來分析Fidelity Magellan基金的回報,CAPM假設獲取更高回報的唯一途徑就是增加市場啤打。要測試這種說法,我們可以將股票按其啤打值排序,看看高啤打的股票是否就有更高的回報。惟自1960年代起,分析員已發現事實並非如此。

在70年代和80年代,分析員發現在控制市場風險因素的情況下,便宜的股票能夠跑贏昂貴的股票(價值型跑贏增長型),而小型股票能夠跑贏大型股票(小跑贏大)。基於這些結果,Eugene Fama和Kenneth French擴展CAPM模型以反映「價值型」和「小型」這兩個超額回報因素,成為了現在著名的Fama-French模型。

二人模擬了一個每年買入低市帳率(價值型)股票和賣出高市帳率(增長型)股票的長短倉策略,並以其歷史回報率建構模型的價值因素。同樣,他們以模擬一個每年買入小型股票和賣出大型股票策略,並以其歷史回報率建構規模因素。

他們發現當股票的市帳率愈低或規模愈小,回報率就愈高,當中關係非常平穩。另一方面,啤打與回報卻好像沒有任何有意義的關係。他們認為這證明了股市視股票規模和價值為「風險因素」,因為市帳率低或規模小的風險大,所以可能帶來更高的回報。

就在Fama和French創造其著名的模型時,Narasimhan Jegadeesh和Sheridan Titman發現近期回報較高的股票會跑贏近期回報較低的股票。不久,Mark Carhart在Fama-French模型上再增加動能(momentum)因子。Carhart以模擬一個每月買入於過去12個月(但不包括最近一個月)表現最佳的股票,並賣出上述時期內表現最差的股票策略,並以策略的歷史回報率建構動能因素。

Fama-French-Carhart模型自始一直為學術界及分析員廣泛採用。模型如下:

R-Rf = α + β*(Mkt-Rf) + β*HML+ β*SMB + β*UMD,

其中R是資產回報率,Rf為無風險利率,α為不明原因的回報,Mkt是美國市場的回報,HML(high-minus-low,高減低)是價值因子模擬投資組合的回報,SMB(small-minus-big,小減大)為規模因子模擬投資組合的回報,UMD(up-minus-down升減跌)是動量因子模擬投資組合的回報。(本來我們應在每個β附加下標或上標以表示他們是不同的,但顯示限制令我們無法這樣做。方程式的結尾亦應有誤差項,這裡為了簡潔將之省略。)

這方程式說明,任何高於現金的資產回報都與市場、價值、規模和動量因素有綫性關係,另外還有一個無法解釋的阿爾法回報。每個因素前的β或啤打系數代表在所有其他因素不變的情況下,資產對該因素的敏感程度。

讀者可能留意得到,此方程式與第一部份提及的簡單綫性方程式非常接近。事實上兩條方程式本質上的確大同小異,只是這裡的直綫要配合4個而非1個變數。

模型以多元線性回歸(multiple linear regression)程序尋找最能夠解釋資產回報的阿爾法及啤打系數。

下表顯示了在Carhart模型回歸下的Fidelity Magellan基金每月回報。表內名詞已於上一部份解釋。先看價值因子HML,其系數為-0.20,意味每當價值型股票在一個月內跑贏增長型股票1個百分點,Magellan的月度回報率就會下跌0.20個百分點,前題是所有其他因素保持不變。Magellan的價值因子為負數,也就是說其表現更像一隻增長型基金。

讀者要留意SMB及UMD因子的p值分別是0.67和0.20,β系數均接近零。這表示在SMB(UMD)為零時,SMB(UMD)只有67%(20%)會得出相同或更差的結果。一般來說,相等或低於5%的p值具有一定的統計學意義。

總括而言,結果說明Magellan的市場啤打屬高水平,表現傾向於增長型及大型至中型基金,而與動能的關係較小。不幸的是,它的表現每年跑輸以回歸為基礎的基準指數3.85%(於2%水平標準具統計學顯著性)。

使用和濫用因子模型
因子模型有局限性。首先,它們往往需要大量歷史數據才能得出在統計學上具有意義的結果。一個基金經理跑贏以回歸為基礎的基準超過10年,仍可能不被視為在統計學上顯著的結果。這就是數據的限制。這也是為甚麼即使面對多年的表現數據,金融分析員亦往往認為難以判斷一個基金經理是否具備技術。

第二,即使你找到一個在經濟學和統計學上都具有意義的阿爾法策略,並不等於策略可以一直持續下去。因此你不能單靠以Carhart回歸方法測試每一隻基金,買入阿爾法最高的基金後就一直享受高回報下去。換句話說,過去表現並不能預測未來(除了一個短暫的「熱手效應」)。

最後,因子模型無法捕捉策略或資產的所有細微差別。所有模型都有某程度的誤差,重點是它們能否表達出一些有用的東西。Fama和French最近發表的新研究就指,價值因子其實只是盈利能力和投資強度這兩個新因子加起來的組合。

儘管上述種種,因子模型還是相當有用的。它可以告訴你一隻資產或基金是否提供了獨特的阿爾法回報,而非只是重新包裝已知的風險因素,因為你可以從低成本的指數基金獲得有關回報。因子模型可以闡明一個經理經理的投資過程,增加投資者的信心。或許最重要的是,它們讓你懂得謙卑——跑贏以因子為基礎的基準是極度困難的。

總結

  • 我們可以將資產的週期性回報細分為不同部份,並以不同的因子及特點解釋或預測回報。
  • 金融分析員普遍認同股票回報很大程度上可以經由市場、價值,大小和動量這4個因子解釋。(債券回報也可以如此細分,但線性因子模型不適用於債券。)
  • 了解資產因子的其中一個方法,是以因子模擬投資組合的回報率對資產的定期回報(多為月度)進行多元線性回歸。這能夠建立一個以回歸為基礎的基準,有助解釋該資產的回報。
  • 無法解釋的超額收益,或阿爾法回報,常常被視為由基金經理的技術產生,或是與某種未能為因子模型捕捉的額外風險有關。
  • 由於線性回歸方法屬統計學性質,投資者不應視其結果為真理。同樣,投資者也不應該完全相信模型的統計不確定性量計,如t統計或p值。

 

作者簡介 Samuel Lee

Samuel Lee  

Samuel Lee Morningstar ETF 策略師及MorningstarETFInvestor編輯。