论核心定价、信息与风险

2022-5-5 02:55:40

关于内核、信息和风险的定价Diane Wilcox*Tim Gebbie+2013年10月17日摘要我们在对JSE上市股票的股权回报率进行分析时，讨论了基于横截面特征的模型产生的投资组合具有更高的超额月回报率，但风险低于套利定价理论对应的投资组合。在一般无障碍条件的假设下，我们认为，支持基于特征的定价的证据意味着，对于所考虑的市场，信息更有可能被非线性定价核所吸收。关键词：套利定价理论、基于特征的模型、规模效应、价值效应、线性定价核心、非线性定价核心1介绍在新古典金融中，未来证券价格被视为风险和（可实现的）现值的函数。我们将套利定价理论（APT）风险因素定价模型与基于特征的模型（CBM）进行了比较，基于特征的模型为股票市场中的收益提供了替代性因果关系。无套利（NA）指的是一种合理的想法，即（理论上）未来可能获得正回报的无风险体育投资组合，现在必须要花费一些东西。它可以被证明等同于正线性定价规则或定价内核的存在[28，42]，并被推广到风险消失的非免费午餐的概念[13]，在一个总体估值框架[1]中，促进了与未来现金流定价、风险分担和完善市场相关的数万亿美元衍生品市场的增长。Ross引入了一般线性因子APT模型公式，以尽可能简单的方式解释回报，与NA的假设一致[14,43]。之后，作为特殊情况，Fama和法国模型采用了CAPM未解释的特定风险溢价，即价值和规模。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:55:43

特别是，鲍尔、班兹和巴苏[2,4,5]是最早讨论小型资本化股票的实证证据的作者*约翰内斯堡威特沃特斯兰德大学计算与应用数学学院，威特沃特斯兰德私立3号包，2050年，南非，+蒂姆。gebbie@physics.org——黛安。wilcox@wits.ac.zaand市盈率较低的股票表现出较高的长期表现。在豪根和贝克最终通过描述基于一般特征的股票市场回报模型在文献中具体化该方法之前，已有十多年的文献证明了特定股票会计变量的解释力[27]。这为Fama和法国时间序列因素提供了一个不同的范例，其构造与解释股票和债券风险的线性回归方法一致，并且可以与APT框架中的宏观经济变量相结合。在分离重叠效应的综合三分类测试框架中，Daniel和Titman比较了基于特征的模型、FamaA和法国APT模型，并注意相同的市场因素、规模和价值变量[11]。他们表明，规模和价值的回报率溢价似乎并不源自股票与内在风险因素的协方差，但横向价格变化似乎是由股票特征直接驱动的。特别是，它们展示了具有相似特征（规模和账面市值）的投资组合，但与Fama和French因素相比，其负荷显著不同，可以获得相似的平均回报。[11]中的一个发现是，两种模型的α通常都不是零，这与FF模型的线性要求相矛盾。在[25]中也得到了类似的结果。他们发现的一个可能的协调是，α和因子βs是风险的非线性函数。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:55:46

Ferson和Harvey[22]使用样本外测试来说明时变α和βAPT型模型的有效性。我们采用[22]中所用模型的预测形式，对条件APT模型与相应CBM模型的预测收益能力进行简单比较。这避免了[11]中繁琐的三重排序。特别是，我们比较根据样本外预期参数每月更新权重（负荷）的投资组合的回报，然后选择具有以下（2）和（4）预测的最佳预期回报的股票。我们考虑的投资组合的权重（负荷）根据以下等式（2）和（4）根据样本外预期收益按月更新。可比较的APT和CBM实施是使用1994年至2007年间在南非约翰内斯堡证券交易所（JSE）上市的股票构建的。我们证明，在相对较短的时间内，基于特征的模型比基于风险的模型在较低的波动率下提供了更高的回报。由于我们在比较时将注意力限制在特定的信息集上，我们的表现表明，CBM在为这些类型的信息定价方面更为有效。因此，特征分析法不仅为揭示特定市场的现象学和结构提供了一个实证工具，而且也很有用。e、由于阿尔法和贝塔系数随时间变化，本报告的作者不知道文献中有这种特殊创新的其他调查。用于进行事前股票回报预测[27]。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:55:50

这使得特征化方法在实践和理论上都很有趣。我们在假设无套利和风险消失的非免费午餐较弱的情况下，在定价风险的背景下讨论我们的发现：在第2节中，我们回顾了两种模型类型和想法的演变，其动机是股票回报的经验征税。在第3节中，我们回顾了我们调查的市场背景，在第4节中，我们展示了我们对通过不同资产价格模型构建的投资组合的风险回报率的分析结果。我们在第5.2节股票收益和风险溢价模型中得出结论：NA驱动定价的想法与以下观点相结合：与市场无关的风险因素可以影响价格，新闻经常随机出现，并在瞬间定价。特别是，该理论假设价格充分考虑了外生因素的影响。如果是这种情况，则应根据价格变化中外生因素的反映来计算内生因素（例如参见[34,52]）。值得注意的是，APT没有具体说明其风险因素，如果对这些因素的依赖是线性的，则可以使用宏观经济、基本面或统计因素。内生特征（属性），如账面价值或每股收益，也可用于构建代表线性定价规则中使用的风险因素的投资组合[42]。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:55:53

Fama和French[15,19]开发了一个模型来补偿与收益相关的两个属性，即价值（通过账面价格衡量）和规模。基于特征的模型最初的想法是，公司的特定特征可以直接解释大多数预期回报差异。然而，为了促进不同类型证券的不确定未来现金流的一致定价，设计了反映特征作用的因子模拟投资组合。利用股票特征生成协方差结构是资产定价的一项关键创新[16]，因为它允许在不拒绝线性定价模型的情况下进行一种偏颇的解释，由此产生的基于三因素FF风险的模型成为比较其他模型的标准2。1 APT风险因素与基于特征的模型我们描述了两类模型，对它们进行比较，以确定信息和风险如何反映在股票价格中。对于APT型风险因素模型，我们采用以下方法来解释和预测收益率：Ri，t=αFt+Xjβi，j，tfj，t-1+ i、 t.（1）这里是无法解释的部分i、 t表示第i个股票相对于第j个价格风险因子fj，t在时间t时的回报率的因子负载（系数/权重），风险因子为Fama和法国模型风险因子，由大小和价值信息得出，下一节将对其进行描述。在时间t时返回的期望值- 时间t为：Et-1[Ri，t]=Et-1[αFt]+XkEt-1[βi，j，t]fj，t-1（2）Haugen和Baker在[27]中讨论了基于特征的股票市场收益模型（作为模型类别）。在我们的分析中，我们实现了他们提出的形式：Ri，t=αCt+Xkδk，tθi，k，t-1+ i、 t，（3）式中θi，t-1是时间t的第i个可观察股票特征- 1，例如账面价格，在时间t时对第k个特征的支付是δk，t。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-5-5 02:55:55

t时的预期收益- 时间t为：Et-1[Ri，t]=Et-1[αCt]+XkEt-1[δk，t]θi，k，t-1+ i、 t.（4）在比较中，纳入的特征因素是规模（市场价值）和价值（账面价格）属性。我们注意到Eqn中使用的形式。（1） -Eqn。（4）不应与Daniel and Titman[11,12]中考虑的一般形式混淆，其中风险模型纯粹是解释性的，没有时间滞后：Et-1[Ri，t]=αt+Xkδk，tθi，k，t-1+Xjβi，j，t-1fj，t-1.（5）此外，公式。（5）需要额外的回归来估计先前特征和风险因素负荷的预期。Eqn中使用的形式。（1） -Eqn。（4）这与我们的研究一致，即测试股票特征与类似风险因素相比作为预测因子的能力。特别是，我们考虑了模拟投资组合的因子预测未来收益的能力（通过动态变化的负荷），而不是负荷本身作为预测因子的能力（独立于模拟投资组合的因子）。后一种表述已在其他地方进行了探讨[25]。这些方程非常适用于多因素回归分析，并使用滚动时间段的小型频繁改革数据集进行样本外测试：以便比较等式n中描述的CBM模型的风险回报率。（3）相应的风险因素模型如等式所述。（1），来自Eqn的事前预测。（2）还有Eqn。（4）用于评估样本外两个模型的风险回报率。期望值：E[αFi]、E[αC]、E[βi，j]和E[δk]被假定为缓慢变化的时间函数。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:55:58

这使我们能够使用时间序列分析估计E[αFi]和E[βi，j]，并使用横截面分析估计E[αCt]和E[δk，t]。2.1.1 Fama和法国APT模型我们回顾了三个Fama和法国风险因素（FF）的构造，它们由基于账面价格和规模信息的因子模拟投资组合代理。首先，通过三个图书到价格类别（H）的交集构建六个投资组合≡ 高，M≡ 中号和L号≡ 低）有两种尺寸类别（B≡ 大大小小的≡ 小）。这些投资组合被指定为HS、MS、LS、HB、MB和LB[15、17、19、11]。然后，这些投资组合被用来捕捉分散的规模和价值效应，作为模拟投资组合的因素：RS M B=（（RHS+RMS+RLS）- （RHB+RMB+RLB）），（6）RHM L=（（RHB+RHS）- （RLB+RLS））。（7）这里的风险因素变化SMB是小型资本化股票相对于大型资本化股票的超额回报（经价值校正），而HM L的变化是高价值股票相对于低价值股票的超额回报（经规模效应贡献调整）。由此产生的第i支股票的FF风险因素模型采用了高利贷计划公式RI，t- Rrf r，t（8）=αi+βi，Mkt（RMkt，t- Rrf r，t）+βi，HM LRHM L，t+βi，S M BRS M B，t+i、 t，其中无风险回报率由Rrf r表示，tat时间t表示，偏差为α，因子载荷由各自的β给出。这与Eqn中使用的APT风险因子的回报预测模式不同。2.这里研究的是预测公式。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:02

我们进一步注意到，这是丹尼尔和蒂特曼[11,12]中明确测试的与因子负荷相关的特征预测能力，2.2模型含义：套利和线性与非线性定价核从实用角度来看，鉴于金融市场和金融数据的变幻莫测和噪音，基于特征的模型可能会做出更好的预测，只是因为它们更好地代表了可用的测量结果。APT风险因素的校准可获得pricingkernel的线性。线性定价核将资产的价格作为未来收益（包括或有权益）表示的标量乘积，其数字用于校准收益如何影响当前资产价格。通过将NA转化为简明的数学假设，它等价于NA定价的合理假设。特别是，通过将NA与关于有限（和完整）状态空间中投资回报性质的一些简化假设相结合，可以从20世纪早期希尔伯特空间理论的一个基本定理中推导出一个极端宽松的定价框架[41]。Riesz表示定理为资产定价基本定理和定价表示定理[10,14]中的以下关键等价物提供了数学基础：。市场不允许存在套利机会。资产价格和未来状态相关支付之间的关系存在正线性定价规则，3。存在一个定价度量，在该度量下，风险中性贴现证券价格是鞅4。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:05

存在一个正定价内核，它提供了事件发生的正概率和这些事件的回报之间的联系。这种方法的一个关键好处是，它有助于一种相对简单的方法来对具有非线性回报的衍生产品索赔进行定价。无套利已被推广到更现实的连续（单位维度）和不完整的市场设置[28,29]，以假设无免费午餐且风险为零（NFLVR）[13]。后者可以被解释为一种情况，即不可能设计出一种永远不会赔钱的潜在有利的交易策略。虽然NA或NFLVR的失败否定了任何可靠市场定价核心的存在，但CBM的有效性并不一定意味着存在任何套利机会。事实上，与[14]中使用的论点类似，在有限维市场允许零阿尔法CBM的情况下，也可以构建线性定价。在文献中，股票特性被解释为资产价格的非风险决定因素[8]。我们的观点是，这些变量的有效性表明了非线性定价内核的现实。例如，Daniel和Titman发现FF和CBM类型模型的α6=0[11]。这些结果意味着，α必须是风险因素的非线性函数，才能保留风险定价的观点。偏离线性也可能被解释为在因子定价模型的β中表现出来，例如，β可能是支撑因子的特征的函数。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:08

在这种情况下，模型可以在因子中保持线性，但在特征中通过因子系数以自动回归的方式变为非线性[22]。非线性定价核的概念与价格中更普遍的信息反映是一致的。出于同样的考虑，放弃定价核心的线性对金融理论提出了进一步的挑战。特别是，如果有可能构建一个基于NA特征的模型，提供更全面和一致的市场建模，那么企业独立于其财务结构[36,37]的结果可能需要重新解释。正如Ross、Fama和French在开发线性APT风险因素方法时所做的那样，Bansal和Viswanathan（1993）以及Harvey和Kirby（1995）在[3,30]中研究了非线性定价核理论。Ferson和Harveys在[22]中展示了如何校准非线性（条件）APT方法，而Lechernov在[9]中开发了更通用的非线性核模型非参数校准。从投资者的角度来看，决策的部分回报是对承担风险的补偿，这可以通过适当指定的因素来代理，以及消除其投资模型确定的可能的错误定价（套利机会）。我们注意到，行为经济学家对FF模型[32]基于风险的解释并不信服，例如，他们认为，收益预测中的行为偏差可以解释Fama和French[15]发现的价值溢价。类似的批评也可以针对基于特征的模型。因此，当资产管理者通过遵循几乎相同的策略来确定可能的错误定价来追逐alpha时，他们在相同资产中的投资策略的集体影响可能会影响价格形成。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:11

这与SA市场上的理论家们所发表的大量文献是一致的，这些理论家们推广了特征性方法（[47,48,49]以及该杂志中的后续研究）。我们还注意到，规模效应可以通过Fernholz[20,21]的随机投资组合理论（SPT）中给出的论点解释为投资组合层面的现象。虽然SPT方法无法洞察定价核心的存在或本质，但它确实揭示了资本进入和离开市场如何影响价格，作为跨境现金流风险的函数[51]。在接下来的章节中，我们将介绍SA市场的一个时期，在这个时期，特征模型以较低的波动性获得了较高的回报，并可能解释说APT模型无法为投资者提供与CBM一样多的信息定价。3数据、市场背景和相关调查我们的调查基于1994年至2007年在约翰尼斯堡证券交易所（JSE）上市的股票的月度数据。3.1数据和市场背景我们的数据集从1994年1月31日至2007年4月30日，补充了之前的研究，包括2003年后的牛市，在这段时间里，市场因素做出了相当大的贡献，以及2005年年中价值周期的峰值。我们考虑了三个不同的股票宇宙，每个月使用市值分别选择最大的50只、100只和250只股票。排名前250位的宇宙是最大的宇宙，可以充分保存康斯坦丁的股票编号以供研究。我们认为这是创建JSE作为一个整体的代表性宇宙的最简单方法，用于APT和CBM模型的样本外比较。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:14

在本文中，我们报告了前250个股票宇宙的初步结果，因为所有宇宙（包括相对较小的前50个宇宙）的结果都是相似的。使用连续时间模型返回（日志返回）。现金资产的代理是当前的3个月NCD（可转让现金存款）。这是相当于美国3个月国库券的最低SA。南非NCD以贴现收益率（NACQ）报价。这就要求我们通过计算票面价值并每月重新平衡，使用公开报价的收益率时间序列为这些工具构建月度价格指数。在所有sortsand回归中，零值价格和收益被视为缺失数据，因此，缺乏有意义的数字不会影响对其他股票和变量的分析。特别是，我们没有使用插值方法，也没有系统地排除一些股票的数据，因为其他股票的数据缺失。在所有分类和回归中，有限特征值也被视为缺失数据。数据预处理遵循Haugen和Baker[27]，首先以3个标准差对数据进行排序，然后对结果数据进行z评分。丢失的数据在所采用的算法级别被排除在外，因此，如果由于数据稀疏（而不是非交易日的发生）而遇到丢失的数据，我们避免了排除整个数据行。根据市场价值计算出综合市场加权指数。capmβ是相对于综合市场指数计算的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:19

这样的市场指数是为三个宇宙中的每一个计算的，并每月重新平衡。这很有用，因为它确保了市场指数与研究本身在同一个股票领域中定义，并确保在三个股票领域内进行有意义的比较。我们将自己局限于特征模型的一小部分输入变量：总回报指数、历史股息率、账面价格、交易量、市场价值和收益率。数据来源于汤姆森数据流。尽管有更广泛的特征列表可用，且此类CBM模型的商业应用包括远期经纪人信息，但本文的目的是在约翰内斯堡证券交易所HM Land SMB建设的背景下，关注价值和规模。我们的数据处理避免使用流动性筛选，在之前对同一[25,50,52]进行的分析中使用了流动性筛选。南非市场典型的基于稳定商业特征的模型可能包括以下大部分因素（如果波动成为一个问题，可能会更小）：总回报、对数大小、价格、账面价格、现金价格、股息率、收益率、，1年期远期收益率、2年期远期收益率、1年期远期收益增长率、收益鱼雷（从最新收益到下一次一致收益的变化）、忽视（涵盖一只股票的分析师人数的负对数）、收益修正、收益降级、收益升级、经纪人推荐（买入、持有、卖出）、低价、派息率、3个月动量、6个月动量、，9个月冲量、1个月冲量（平滑）、汇率波动（美元/南非兰特敞口的虚拟敞口）。使用总回归指数计算了两个动量特征。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:22

具体而言，计算了12个月的长期动量信号，滞后于形成日期前1个月，以及3个月的短期动量信号，也滞后于形成日期前1个月。数据集的有限长度和排序数据的相对稀疏性使得动量信号的持续时间超过2年不切实际。南非市场的一个独特问题是双重上市股票的主导作用。主要上市公司未在约翰内斯堡证券交易所上市的双重上市股票，以及分析中使用的主要上市公司的账面价格和收益率。3.2相关调查自[24,47,49]以来，已经有几项关于上市股票基于特征的模型的研究。最近，我们通过Fernholz[20]的仓促投资组合理论因子分解，将外国投资组合的影响视为新兴市场的一个风险因素[51]。在[24,47,49]中，作者认为JSEis的回报率横截面是由特征（属性）而非风险因素来解释的，因为价格与收益和规模风险因素相关。然而，我们的方法是不同的，因为[49]构建了以下内容：由小盘和大盘回报之间的差异驱动的投资组合SLL或小-小-小-大，作为衡量规模效应的风险因素，以及由低价值和高价值股票回报之间的差异驱动的投资组合LLH或低-低-高。他们的因素可能存在相关性，这是FF风险因素结构中的一个关键因素[19,11]，未经校正。Daniel和Titman建议在三重排序的投资组合上使用多因素回归，作为处理基于投资组合排序的测试程序存在的变量错误问题的一个步骤[12]。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:25

了解该方法很重要，因为它为我们审查南非数据的FF模型提供了关键动力。我们注意到[49]在双排序投资组合中使用了单因素回归。然而，他们贡献的理论背景不是区分风险和基于特征的模型，而是根据特征（属性）确定更合适形式的资产定价模型规范。弗雷泽和佩奇[24]研究的样本从1973年到1997年，研究了金融和工业股票，重点是市盈率、股息率和市值。他们认为，市盈率是当时横向价格差异的关键决定因素。样本包括英美资源集团、必和必拓、里奇蒙特、SAB Miller、Old Mutual、Liberty Life和天达等双重上市柜台。该列表使用JSElisted ISIN代码构建，以查找主要的上市交易所和股票代码。有了这些信息，就可以找到正确的主要清单特征。通过使用一级上市货币的价格比率，可以避免将收益和账面价值等特征转换为当地货币时产生的额外不确定性。[25]中还介绍了在三重排序投资组合截距测试中使用多因素回归。[47]的研究从1990年持续到2000年，还关注了市盈率和市场价值。他们考虑了一组更广泛的特征，并将其商业应用于基金管理。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:29

这提供了第一批特征筛选之一，并与他们提出的为JSE找到更合适的资产定价模型的目标一致。在我们的调查中，我们在三个不同的股票领域恢复了明显的价值效应，即前50、前100和前250个股票，每月进行一次调整。在前50名和前250名的股票市场中，规模效应更为显著。佩奇和帕尔默[40]将此前关于规模效应对美国普通股[4]的研究扩展到了JSE。同样，价格对收益[5]和价格对账面[46]的影响也扩展到了JSE[24,47]。文献中还记录了同一市场的各种价格溢价调查。我们在南非市场的基础上增加了这一讨论：ALSI 40（最大的40只股票）吸引了国际投资者，同时对国内投资者也很重要，国内投资者也关注ALSI（最大的165只股票）。我们提出了一个非线性定价核心视角，以协调基于特征的直接定价和无障碍定价范式的发现。4结果和讨论4。1模型类型之间的风险和回报比较我们使用我们的FF因子对一个三因子APT模型和一个具有两个基于特征的模型（CBM）的CAPM模型进行比较，一个没有动量（表1中的CBM#2），另一个有动量（表1中的CBM#6）。在图3中，每个模型的收益被划分为五个五分位数，最高的预期收益被分为第一个五分位数。然后绘制相应的实际收益率和实际波动率的最佳曲线。CAPM和FF风险模型产生的事后回报低于两种煤层气，但波动性较高。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:33

图3显示了前250个股票领域的情况，但对所研究的所有三个股票领域都适用，并证明了通过使用CBM和选择收益率低于第一个股票领域的股票，可以以更低的风险产生更高的回报。[25]中给出了使用Daniel和Titman[11,12]方法进行更严格的统计处理，并与此处显示的视觉结果一致。以波动率衡量的风险在CAPM和FF模型的五分位数之间变化不大，但在基于特征的对应模型的第四和第五五个五分位数中显著更高。该结果在三种不同的分类中都是稳健的，其中使用对称分位数算法执行，对于奇数个分位数，排序在中间分位数周围保持对称，对于偶数个分位数，排序在两个中间分位数周围保持对称。该算法还专门用于识别缺失的数据，并处理在给定月份可能没有交易或基础数据的上市、退市和非流动性工具。然后，这种量化算法被用来将股票分成五等分。股票的宇宙。我们进一步注意到，APT和CAPM模型中的市场因素负荷高于CBM中相应的市场因素负荷。因此，我们声称CBM即使在相当小的集中数据集（如ALSI 40宇宙）中也有效，并且在更大的宇宙中也有效。这表明，投资者不一定对JSE上APT或CAPM意义上的风险进行了回报。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:36

这些结果涵盖了前250、前100和前50个股票领域，为全球危机前的JSE提供了一个关键结论，并证实了[26]的结论。在[25]中，实现了Daniel和Titman[11]的三重排序方法来比较模型，发现FF模型的α6通常为0。假设FF因素提供了一个稳健的模型，这表明股票α是风险的非线性函数[22]。4.2 Fama和法国风险因素模型的JSE结果图1给出了前250个股票领域的价值（HML）、规模（SMB）和市场（Mkt）因素的累积因素回报。市场因素回报率是使用股票市值构建的，该因素每月重新平衡。基本面因素（市场容量数据）的日期相对于原始数据中记录信息的日期向后移动了1个季度，因为后者的时间间隔为1个季度。在6年滚动窗口（72个月）内估计β。对全球前250只股票的研究揭示了一个延迟的规模效应。对SMB因子回报率的评估[25]显示，在投资组合形成12个月后达到峰值。通过检查，在图1所示的SMB因子的时间序列行为中，明显存在有限的回报优势。尽管如此，仍然存在明显的规模效应。从1998年到2005年年中，价值效应显而易见。从图1.4.3中模拟投资组合的因素的名义表现来看，2003年后市场因素的重要性显而易见。基于特征的模型的观察结果总结了表1中14个基于特征的模型在所研究的250只股票中的结果。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:41

表中的条目是特征性支出的中位数。正如预期的那样，我们发现了广泛的正负荷对价格的影响和负负荷对大小的影响。这与使用HML和SMB因子加载组合进行的分析一致。价值效应随着普遍性的增加而增加，而规模效应则减小。这是令人惊讶的，因为人们预计规模效应在更大的股票市场中更有意义。当控制股息收益率时，规模效应在前50名股票中减弱，但在前100名和前250名股票中没有显著减弱。在动量存在的情况下，尺寸效应也会减弱。图1：排名前250位的HML（高-低）和SMB（小-大）因素投资组合由6个交叉投资组合组成，如Eqn.5和Eqn。图6显示了1994年1月31日至2007年4月30日期间，在JSE上登记的472只股票中，每月仅使用最大的250只股票的情况。模拟投资组合的HML（价值）因子由实线表示，SMB（规模）因子由虚线表示，市场投资组合Mkt由虚线表示。词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇44-0.06 0.60-0.52 0.43-0.1910 1.70 0.26-0.08 0.1611 1.650.42-0.10 0.49-0.52 0.26 0.13121.85 0.36-0.20 0.0413 1.86 0.50-0.07 0.49-0.47 0.24 0.1214 1.68 0.04-0.14 0.49-0.48 0.12 0.28 0.01表1：基于JSE特征的前250名股票模型。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-5-5 02:56:44

特征因素从左到右依次为模型偏差、账面价格、市场价值、市场因素、长期动量、短期动量、收益率、股息率和交易量。图2和图3将模型#2和#6与CAPM以及三因素Fama和法国APT模型进行了比较。图2显示了#14型（此处显示了中间点）的支付动态。账面价格效应与收益率相关（与收益率成反比），研究发现，在存在规模的情况下，控制收益率可以降低账面价格效应。在动量的存在下，账面价格与收益率之间的这种明显的多重共线性变得不那么有效。这广泛证实了在JSE上以市盈率和规模替代账面价格的能力[47]。还需要指出的是，当存在账面价格、市场价值、动量和市场因素时，收益率和交易量的变化几乎不能提供额外的解释力。因此，考虑到交易量与其他因素的高度多重共线性，使用交易量似乎没有什么额外优势。市场因素可以用交易量代替。我们确实发现股息收益率存在微妙的依赖关系：在控制市场投资组合的负荷时，我们发现股息收益率变化的影响在前50名中占主导地位。在控制市场投资组合时，长期动力通常是积极的。除了控制股息、收益和交易量外，短期动量为负。对各种特性的影响具有随时间变化的振荡动力学。这一点在CBM模型#14的图2中以图形方式展示（完整样本的支付中值如图1所示）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:47

例如，在2001年12月之前，对市场价值的回报为正。一年后，这种情况转变为对市值的负回报，这可以归因于2001年12月美元/南非兰特汇率的暴跌。几乎所有的特征性支付都可以看到类似的病理学，表明与特征性支付相关的价格异常是合理的短期现象。图2：根据Tsallis熵（LOC）的变化，表1中CBM#14中使用的各种特征的平滑收益的前250个动态，这是市场范围内本地化的一种度量（市场本地化程度越高，机会就越少，因为投资组合的市场价值更集中在较少的股票上）。特征薪酬的动态行为是显而易见的。从实际情况来看，使用大量特征可以产生数据挖掘效果。在JSE这样的集中市场，这一点尤为重要。当多重共线性使模型估计过程受到噪声影响时，可能会出现这种情况。我们认为，SA市场中有10个以上因素的模型将容易出现这种情况。选择一个特定的数据窗口也很容易，因为该模型恰好适用于该窗口。这类错误在牛市中很难避免，因为几乎所有的特征都与动量有关。我们建议选择使用CBM的从业者除了通常的样本外回溯测试外，还对模型输出的随机性进行测试。我们还建议使用特征冲击进行情景分析，以进一步了解由于存在振荡周期而产生的噪声条件下的动力学（见图2）。一个相关的担忧是流动性溢价。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-5-5 02:56:51

用太多因素构建的基于特征的模型可能导致无法交易的流动性溢价的确定。最后，我们注意到，股权溢价已被证明包括了外部因素，如区域和全球危机期间的货币流动[51]。5结论我们已经证明，与1994年至2007年JSE上基于风险的因素模型相比，横截面特征模型具有更高的超额月回报率，但风险更低的投资组合。结果与[25]中进行的Daniel和Titman三重排序比较一致。因此，投资者似乎因其对股票特征所代表的信息的自洽使用而获得了回报。这可能只是信息和风险评估方式的反映。特别是，如果许多投资者在这一时期使用股票特定的会计变量，CBM可能会更有效地对信息进行定价。在学术文献中流行这种模型的情况下，投资者使用类似策略的价格影响可能会影响交易资产的价格波动。我们将注意力集中在检测规模和价值信息如何反映在股票价格中，在调查的两个模型中，横截面特征模型是更好的回报预测模型。进一步扩展定价核心，以纳入更普遍的市场信息，包括不完整市场中的其他股票特征、交易所交易衍生品价格和信用、流动性和其他风险，将更有可能形成一个非线性价格转换核心。基于特征的模型通常是非线性的，但仍然可以与非唯一风险中性定价解决方案市场的NFLVR假设一致[9,30]。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:54

与此同时，CBM信息定价的证据并不意味着市场没有套利。在调查期间JSE[51]的资本流入总量的背景下，本文强调了选择表现优异的股票是可能的。图3：股票按预期回报率五分之一计算，收益率最高。上图给出了两个基于特征的模型和两个基于风险的模型的5个五等分投资组合在前250个股票领域的平均年化回报率。下图描绘了平均波动率。第一个基于特征的模型（CBM）使用市值、账面价格和市场因素，对应于表1中的CBM#2，用带细虚线的实心正方形表示。第二个CBM是表1中的模型#6，它包括动量信号，由黑圈表示，从左上角到右下角有一条实线。基于风险的模型（RBM）是使用HML、SMB和Mkt因子以及CAPM的三因子RAPT模型，分别由右三角形和实线划线最佳拟合线表示，左三角形和实线水平最佳拟合线表示。CBM模型提供与五分位数排序相称的实现回报，从最高预期回报五分位数1到最低预期回报五分位数5。因此，CBM模型是投资组合整体收益共性的良好预测因子，RBM模型则不是。下图显示了前250个股票市场中两种基于风险的资产定价模型和两种基于特征的定价模型的波动性。CBM模型提供的实际波动率与从最高预期收益五分位数1到最低预期收益五分位数5的五分位数排序成反比。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:56:57

因此，CBM模型在五分位数中提供了较低的波动性和较高的预期回报，这与RBM模型相反，RBM模型预期较高的回报率和相对较高的波动性。与通过Fama和法国时间序列因素对风险信息进行定价相比，通过直接基于价值和规模标准的信息合并投资组合。这有助于从更一般的马尔可夫市场角度理解信息和风险的定价。致谢作者感谢2008年南非金融协会会议的与会者，该会议由Cape Town大学商学院举办，并感谢2008年2月在非洲数学研究所举办的数学金融暑期班的与会者。严格线性APT模型支持者的批评促使我们调和基于特征定价的证据。这项研究的部分资金来自威特沃特斯兰德大学提供的卡内基基金会研究资助和国家研究基金会NPYY资助[编号74223]。参考文献[1]Allen，F.，Gale，D.，金融创新和风险分担，麻省理工学院出版社[2]Ball，R.（1978），证券收益率和收益率替代物之间关系的异常，金融经济学杂志6，103-26。[3] Bansal，R.，Viswanatham，S.，（1993）无套利和套利定价：新方法，金融杂志，第48卷，第2期。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 02:57:00

4，1231-1262[4]Banz，R.（1981）普通股收益率和市场价值之间的关系，金融经济学杂志，9，3-18[5]美国巴苏（1983）纽约证券交易所普通股收益率、市场价值和回报率之间的关系：进一步证据，《金融经济学杂志》，12，129-156[6]巴尔，G.，坎特，B。，（2002）《南非经济及其资产市场——综合方法》，南非经济杂志，70（1），53-78。[7] Black，F.（1972）《有限制借贷的资本市场均衡》，商业杂志45，444-454[8]Brennan，M.J.，Chordia，T.，Subrahmanyam，A.，（1998）替代因素规范，证券特征和预期股票回报的横截面，金融经济学杂志，49 345-373[9]Chernov，M.，（2003）定价核心的经验逆向工程，《计量经济学杂志》，116329-364[10]考克斯，C.，罗斯，S.A.（1976）替代随机过程期权的估值，《金融经济学杂志》，3145-166。[11] Daniel，K.，Titman，S.，（1997）关于股票回报横截面变化特征的证据，《金融杂志》，52，1-33[12]Daniel，K.，Titman，S.，Wei，J.，K.，C.，（2001）解释日本股票回报横截面：因素还是特征？《金融杂志》，55，（2），743-766[13]德尔巴恩，F.，沙切迈耶，W.（1994）资产定价基本定理的一般版本，Mathematische Annalen 300463 520。[14] Dybvig，P.，Ross，S.A.，套利，国家价格和投资组合理论，金融经济学手册，康斯坦丁尼德斯，G.M.，哈里斯，M.，斯图尔茨，R.，编辑，爱思唯尔，2003[15]法玛，E.，弗兰奇，K.（1992）预期股票回报的横截面，金融杂志，47427-465[16]法玛，E.F.和K.R。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝