股票未来收益的弱相关性

2022-6-10 03:46:49

预期回报率和波动率之间的线性关系假设源自资产回报率的对称（高斯）分布假设，并导致了风险与波动率的识别。随后，许多研究致力于识别不同类型的风险溢价，调查超额平均收益与几种可能的风险因素之间的相关性。臭名昭著的例子是收益率分别与市值（CAP）Banz（1981）和账面市值比（BtM）Stattman（1980）呈负相关和正相关。E、 Fama和K.French将这些考虑纳入了他们的开创性论文中（见Ref.Fama和French（1992，2015）），他们提出了一个基于β、CAP和BtM的三（然后五）因子模型来解释平均股票回报的横截面变化。有趣的是，作者还分析了BtM和CAP与其他广泛使用的估计量的关系。他们提供的证据表明，BtM同时嵌入了账面杠杆和市场杠杆的影响，并且与CAP一起能够充分解释收益与市盈率的相关性。此外，公司规模小通常与负收益和更高的预期风险和回报有关。本文分析了股票收益率与一系列似是而非的解释变量之间的相关性。我们采用唯一依赖于历史价格系列的参数，如市场波动率、偏度和贝塔系数，以及与公司自下而上分析相关的参数，如账面和企业价值、股息、息税折旧摊销前利润。我们的方法的优势在于与市场建立深刻而持久的关系，这种关系也会持续到衡量它们所需的时间框架之后。

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

2022-6-10 03:46:52

我们选择将重点放在相关性上，因为它们与R平方（即ρ的平方）严格相关，对应于相关解释变量解释的回报率变化百分比。在我们研究的第一部分中，我们回归了在同一时间窗、当代时间窗和之前时间窗内计算的一整套解释性变量中每只股票的回报率。该分析提供了关于不同变量之间相关性的有用信息，为它们之间依赖时间的因果关系提供了可能的线索。尽管时滞相关性通常较弱，但值得注意的是，我们能够确定一个最优的解释变量子集，我们证明该子集与未来回报有着显著的联系。我们论文的主要结果正是提出了一种长期onlyasset分配技术，该技术利用了过去十五年各种市场环境中不同时间段的相关性。我们将证明我们的方法的有效性，证明它将始终优于我们专注于构建一个只做多的投资组合，以降低交易成本，避免任何复杂（且有争议）的空头实施成本建模。美国和欧洲市场的加权股票组合，也报告了更高的夏普比率（由于回报与公司规模的负相关，同样加权的投资组合本身预计会优于相应的基于资本的投资组合）。此外，与包含我们可供选择的所有股票的等权重篮子进行比较，为我们的方法提供了通用性，消除了使用受限股票子集的偏见。

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

2022-6-10 03:46:55

最重要的是，我们的算法CapProach还揭示了低动量偏差，能够实现比传统高效前沿分配更高的性能内向和反弹。2解释性领域我们的分析基于彭博社每日历史数据，从标准普尔500指数（SPX）和欧洲斯托克指数（SXXP）内的360家公司中挑选了100只股票。选择过程几乎是随机的：我们对公司进行了分类，以确保有足够长的历史记录，只要获得GICS行业的SPX（和SXXP）的可信代表性样本（更多详细信息，请参阅附录）。连同价格，下载的数据包括上述市场资本化和账面市值，以及企业价值（EV）、股息收益率（DivYield）和息税折旧摊销前利润。我们还考虑了一组七个基准指数：SPX、SXXP、布伦特原油、VIX指数（VIX）、通用美国十年期政府债券收益率（US10Y）和类似欧元区债券收益率（EU10Y），以及MSCI价值、增长和动量指数。我们计算了每个受审查股票与这些指数的相关性和βSFO。此后，我们将主要讨论有关美国市场的结果：附录中给出了对欧洲斯托克指数进行的比较、相同调查的全部细节。为了更好的可读性，我们现在简要总结一下我们所考虑的解释参数列表。-受审查股票与每个基准之间的相关性（ρs，b）。这提供了对两个返回时间序列之间线性关系强度的估计。我们还知道，对于线性回归Rs，b：=ρs，b，即。

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

2022-6-10 03:46:58

R平方是由基准解释的股票价格变化的百分比。-β（βs，b=ρs，bσsσb）等于相关乘以标准偏差之间的比率。它对应于通过资产回报与参考基准的最小二乘线性回归获得的角度系数。-过去平均值计算为过去指定时间间隔内资产收益率序列xa，τ的代数平均值，即xa=Pτxa，τ与τ∈ [-T、 0）。根据市场是遵循动量趋势还是平均反转趋势，我们预计其在后续时间框架τ中与未来回报平均值xa分别呈正相关还是负相关∈ [0，t]。-波动率（σa=std（xa，τ））通常被认为是风险的最佳估计量，也是预期收益的代理，因此符合CAPM理论预测。我们的分析将证实这一假设，尽管我们将强调，与过去的平均值类似，这是一个有偏数量的预测值。-夏普比率（Sharpea=Xa/σa）表征了资产的回报率。在下文中，我们总是将回报率称为无风险利率的净值，我们将其与2年期美国国债收益率相关联。补偿投资者承担的风险。它通常被用作比较不同资产的基准。除了上述众所周知的优点图表之外，我们还特别关注回报分布的偏斜性以及与有意义基准（如Fama和法国类型的因子和互相关）相关的相关性和beta。让我们在下一小节简要讨论这些数量。2.1偏态在概率论中，分布的偏态定义为其第三个标准化矩ζa=E[（xa，τ- Xa）]σa，（1）并测量平均回报的不对称性。

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…

kedemingshi

2022-6-10 03:47:01

从定性的角度来看，负偏斜表示左侧的尾巴比右侧的尾巴长或胖，反之亦然。参考文献Lemperiere et al.（2016）中提出的数量比标准偏差更能代表风险。在那篇论文中，Lemperiere et al.论证了负收益的贡献主要取决于几次严重的下跌，而不是许多小的贡献。作者进一步建议采用倾斜度的修订版本（我们将用ζ表示*a）这更符合他们的意图，即放弃围绕平均值的小回报率波动，并衡量最坏事件情景的贡献。他们首先用零均值和单一方差对收益序列进行归一化，然后根据其绝对值对其进行排序，最后考虑复合曲线下的面积。直观地说，当平均回报率因几次非常陡峭的下降而降低时，会得到一个很大的区域，而有许多贡献略高于平均值，这使得复合图从一开始就快速增长。2.2相互关系一个有意义的数量，特别是在交易所交易基金（ETF）大量发行之后，一直在提高额外的兴趣，这是Pollet和Wilson（2010）的各种交易股票之间的相互关系。大量文献致力于不对称相关性的研究，表明在熊市Hong et al.（2006）中，股票收益的相关性更高，通常，利用虚假的异常相关性是许多量化基金非常感兴趣的领域。这里，我们看一下asynthetic indexP（t）=NXpairs（i，j）ρi，j（t），（2）对应于受审查股票组之间所有交叉对相关性的平均加权平均值。

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

2022-6-10 03:47:04

遵循Fama和French Fama和French（1992）提出的方法，然后我们将其作为基准，评估每个股票的超额收益时间序列的相关性和beta。2.3与ρ和β的相关性值得特别注意的一个解释性领域是资产收益平均值与收益序列本身与任何相关基准之间的相关性（和/或β）。让我们使用希腊字母η来表示ρ或β。我们有定义ρη，X=Pi（ηi- η）（Xi-(R)X）σXση，（3）其中指数i覆盖分析样本中的所有资产（例如投资组合），Xi=T-1Pτxi，τ（ηi=T-1Pτηi，τ）是收益序列xi，τ（ηi，τ）在时间窗内欠考虑T的平均收益率（此处τ表示根据时间τ的资产价值计算收益的离散时间- 1). 这些相关性是最重要的，因为它们是系列xi，τ中百分比变化的度量（即平方根），由系列ηi，τ解释。我们相信这是一个有见地的衡量标准，因为它不会直接偏向于给定时间段内的市场表现，而是反映了价格系列之间的内在关系。特别是，原则上不限制计算同一时间窗内ηi、τ和xi、τ的时间平均值。此外，虽然对滞后数月的每日时间序列进行回归（即计算每月滞后的每日贝塔值）毫无意义，但我们认为，我们预计某些因素（例如贝塔值和波动率）会包含有关相关资产的持久特殊信息。对于η=β的表达式的理解非常简单。

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

可人4

2022-6-10 03:47:07

事实上，我们知道，βi被定义为向量方程xi的最佳拟合斜率，τ=βiMτ+q，其中M是用于回归的基准，如果满足线性拟合假设，截距q的预期值为零。β可以通过中心回归的最小二乘法来计算βiXτ[（xi，τ- Xi）- βi（Mτ-\'M）]=0，（4），这导致Xi=βi'M。根据手头的信息并在公式（3）中进行替换，我们预计ρβ，Xto与平均值'M具有相同的符号。这是一个微不足道但富有洞察力的考虑，意味着资产的平均回报率与其参考基准的β正（负）相关，这取决于基准本身的预期值。另一方面，没有对相关性ρρ，X的直接解释，其符号通常与相关性ρ无关。为了定性地理解ρβ，X和ρρ，X之间的差异，考虑波动率的贡献是有帮助的，它与收益率呈正相关，与β强相关，但与ρ弱且相反。在下文中，我们将考虑一组广泛采用的指数作为参考基准，如SPX、VIX、US10Y、MSCI美国动量、增长和价值。此外，我们将遵循Fama和French建议的方法，并采用一组参考市场因素进行相关性分析（例如EV/EBITDA、MtB、EV、股息收益率）。该程序包括根据这些因素对市场中的股票进行排序，然后通过将指数中较高级别的股票产生的收益减去指数中较低级别的股票产生的收益来构建人工指数。

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

2022-6-10 03:47:10

我们将展示这些指数如何发挥重要作用，尤其是在考虑与未来回报的相关性时。3解释领域和回归之间的相关性我们引入了分析工具和因素。在分析的基础上，我们提出了本文的第一部分，包括一组可能的解释领域和回归时间序列之间的相关性研究（见图5）。我们考虑两个时间窗口，其特点是市场条件几乎相反。前者在2008年4月至2009年4月期间经历了上一次金融危机，市场波动较大，随后出现了均值回归和增长期。后者的时间跨度为2016年6月至2017年6月，指的是一个几乎稳定的增长期，波动率较低。在这两种情况下，我们绘制了一组（可能的）解释领域与当代回报以及在一个连续的年度时间窗口中获得的回报的年度相关性。虽然在图1（b）中，两年的市场状况保持不变，所有相关性都保持其符号，但2008年6月至2010年6月之间发生的平均回归反映在图1（a）中所有最重要参数的符号切换中。实际上，正如第。2.3，该图表明，与波动性和最相关beta相关的当代相关性在下降市场期发生变化（与修正偏斜度ζ的相关性除外*). 这一点也被不同时间段（包括2008年危机）的几项相同分析所证实。我们认为，当代相关性和时滞相关性的两个时间段之间的比较非常有见地。

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

2022-6-10 03:47:14

此后，我们将在逐点讨论中总结最相关的方面正如定义所预期的那样，夏普比率与同期回报率高度相关，与市场环境无关。然而，它不是一个很好的未来收益估计值，因为它在结构上缺乏识别均值回归的信息收益分布的偏度（ζ），尤其是参考文献Lemperiere et al.（2016）（ζ）中提出的调整版本*), 显示是风险回报的优秀指标。在同一时间窗内计算时，ζ*与波动性相比，更有效地把握风险回报回报。最值得注意的是，在2008年4月至2009年4月的下降期内，它与当代回报率也存在正相关和强相关，这表明与平均回报率存在一定偏差。然而，偏斜在未来的可预测性方面表现不佳虽然通常认为交叉对相关性（ρP）在危机环境中会上升，但在牛市的最后几年也会上升，这主要是因为ETF工具、养老基金等发挥了越来越大的作用。尽管如此，它们与审查期内的股票回报率的关联性很弱，至少在这种形式下，它们不会提供任何显著的预测能力波动率σ（σ）被证实是一个高度相关的优值曲线，在均值回归环境中与未来收益序列具有高度相关性。

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

大多数88

2022-6-10 03:47:17

然而，作为一个非常重要的评论，它似乎与下降期的当代回报率呈负相关（见图1（a）），这表明波动性股票在熊市表现不佳，尽管它们在牛市中表现出色收益率与各种解释因子ρρ，xd的相关性在时间段内，以及在当代或未来的收益率中，均不存在任何显著相关性与SPX、VIX（分别是低于CRUTINY的股票所属的市场和相关波动率指数）和美国国债相关的beta与平均股票回报率表现出良好的相关性摩根士丹利资本国际动量、增长和价值指数也与未来平均回报率显示出显著的相关性，并且在两种市场环境中都保持相同的迹象正如以往文献所预期的那样，2008-2009年期间，与EV和MtB相关的beta为负值，而当计算滞后回报时，beta会恢复。我们推断，这是因为那些在危机中幸存下来并随后能够掌握财务杠杆的最大公司，也是那些在复苏期表现优异的公司。需要进一步研究的一点是，随着时间的推移，与βEvan和βMtbo之间的相关性不断降低最终，股息收益率和EV/EBITDA比率似乎与收益率序列存在较小的相关性，前者在稳定增长的情况下具有更大的重要性（见图1（b））。4具有解释参数的时间相关性上一节中对相关性的分析表明，在某个时间范围内测量的观测值通常对后续时间范围内的动力学几乎没有解释力。另一方面，它表明许多相关性取决于市场环境，这使得它们具有趋势偏差。

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

2022-6-10 03:47:20

不幸的是，对收益率序列进行去趋势化并不能保证在这一方向上有显著的改善，而且多次尝试都未能带来相关性的进一步稳定性，也未能对其动力学有任何重大的见解。事实上，从历史上看，预测市场的提款一直是一项艰巨的任务，在极少数可能的情况下，证据通常出现在宏观经济或地缘政治因素中，而不是历史时间序列Kroencke（2018）。正是在这种情况下，我们相信，对选股技术进行准确而简单的分析，可能适用于不同的市场环境，具有高度相关性。我们相信，一个合理的便利可以从视角的变化中得到：我们不局限于预测未来资产回报，而是专注于预测这些回报之间的关系。我们不试图调查在特定的宏观经济和政治环境下，对特定市场的投资是否可行。相反，一旦做出投资决策（例如在美国股市做多），我们就要努力解决资源有效配置的问题。在下文中，我们将介绍两种可能的方法来处理资产配置问题，并从2003年到今天对其有效性进行回溯测试。

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

大多数88

2022-6-10 03:47:23

第一种方法是通过有效前沿创建众所周知的投资组合，而第二种方法是一种新的提议，它考虑了前一节中分析的相关性。我们将在接下来的两小节中介绍这些方法，这两种方法都基于每月对投资组合中的股票进行重新分配。4.1通过有效前沿进行分配给定一组资产，每个资产都具有历史平均回报率和波动率，有效前沿被定义为所有投资组合的集合，这些投资组合将每个预期回报的波动率降至最低。在我们的回溯测试模拟中，在每个资产配置日，我们考虑了前一年的时间序列，并在此基础上检索到波动性与包含我们篮子中所有股票的同等权重投资组合相同的有效投资组合，但预期回报更高。资源的月度分配遵循以下简单规则：投资组合仅在拟定权重大于平均权重（即wi | wi>1/N，其中N=100是股票总数，且ITH资产的拟定权重）的股票上进行等重投资。在下文中，我们将此方法称为EF。4.2通过收益相关性分配收益相关性是本文的主要重点，我们提出了一种利用收益相关性构建有效投资组合的技术（我们将用快捷方式RC表示此类协议）。我们的想法是，每个分配都取决于上一年的回报时间序列相对于上一年第二年测量的解释领域的回归，即回报滞后一年（总的来说，这种方法需要两年的回溯测试数据）。然后使用多元回归系数以及最近一年测量的解释性领域来推断来年的回报。

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

可人4

2022-6-10 03:47:27

因此，资源被充分、平等地分配到那些预测收益优于整个N只股票的平均预测收益的资产中。这种方法的有效性在很大程度上取决于通过一系列解释领域捕捉未来回报的能力。感谢第节中的分析。3、我们能够选择最重要、最稳定的参数。我们选择了十个因素：校正偏斜度ζ*, 关于SPX、动量、增长、US10Y、VIX、DivYield、EV和MtB的波动率和八个beta。5讨论我们在图4中绘制了拟议策略的回溯测试，以及与同等权重的月度再平衡投资组合（简称EW）的比较：两种策略在审查后的表现都显著优于EW。混合策略（MIX）通过在EF和RC之间平均分配，可以在波动性有限的情况下提供更高的回报。表2总结了与绩效最相关的结果。RC在176个月内（2003年1月至2018年6月）表现优于EW 104个月，约占59%的案例（混合显示在63%的案例中是一种成功的策略），并且显示出年化夏普比率和回报率，分别比EW高7.5%和26%。从统计学角度来看，值得特别注意的一个优点是我们的策略识别跑赢大盘股票的密集程度，并且可以与随机分配的权重区分开来（我们在表2中用保真度表示）。换言之，我们证明了我们的算法确实能够推断出未来收益分布的一些额外信息，这赋予了它在选股过程中的有效性。我们通过EF和RC技术将每个月的资产配置与表现不佳和表现不佳的股票的真实历史子集进行比较。

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

2022-6-10 03:47:30

如果没有预测能力，预测和实际结果之间的逻辑和比较将表现为一个随机二元变量，概率p等于从abasket随机挑选的股票的回报高于平均篮子回报的概率。我们预计p’0.5，p→ 0.5对于大N，令人满意的是，我们的方法能够消除随机假设，在选择置信水平为87%的跑赢大盘股票时，RCTechnology比EF略为精确。这一令人鼓舞的结果是由于这两个程序的基本原理不同：虽然预期RC分配将填补这一精确范围，即确定表现优异股票的子集，但EF方法不一定选择回报率较高的资产，但它也考虑了低波动性，通常会导致投资组合中股票之间的差异更大（见表2的夏普比率和平均值）。图4提请我们注意另一个有希望的评论。正如回溯法所预期的那样，EF具有强烈的动量偏向性，在稳定增长期表现良好，而在提款期表现严重不佳。相反，我们使用收益率相关性的建议很好地处理了这种偏差。一方面，2008年、2011年和2015年提款期间的RC损失与电子战篮子的损失相当，显著减少了EF记录的最大提款（见表2）。另一方面，RC非常善于利用提款后的市场反弹：无论是在2008-2009年熊市期间（+10%）（和+1%），还是在随后的2009-2010年复苏期间（+66%）（和+44%），它都表现出了较大的EF（和EW）。2015-2016年和2016-2017年也出现了类似情况。利用我们在Sec学到的知识，可以进一步增强这种能力。3.

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

2022-6-10 03:47:33

事实上，我们已经观察到，在熊市很强的情况下，beta与当代回报的相关性发生了逆转，与波动性的相关性是这种逆转的第一个指标。由于市场下跌通常在整个经济周期内持续很短时间，当检测到这种情况时，我们可以在多元回归分析中自适应地反转系数的符号。这种精明让我们能够更好地利用市场反弹，并在经历一段负增长期（2009年实现了150%的回报）后提升业绩。结果绘制在图4中，并报告在表2 Return Sharpe Max UP Max DD Months+FidelityE ff Frontier 21.7%1.08 81%-55%102 0.83回报率Corr 19.9%0.91 147%-45%106 0.87回报率Corr*19.8%0.91 150%-45%104 0.86混合20.8%1.03 99%-50%108等权重15.8%0.85 103%-46%2018年。我们考虑了年化回报率、夏普比率和策略优于等权重分配的月数（月+）。Max UP（DD）是最大年收益（提取），Fidelity是可将策略与随机分配区分开来的平均收益（整个176个月）。标签为“Returns Corr*”。6结论，而不是查看股票回报的横截面，即。

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

2022-6-10 03:47:36

为了解释历史时间序列对一组当代基准时间序列的依赖性，我们研究了（平均）资产回报率与几个解释领域的相关性，即在连续时间间隔内传递资产绩效信息的数量。我们专门研究了与广泛认可的财务指数（SPX、VIX、Oil、US10Y、MSCI动量、增长和价值）和因素（EV、DivYield、MtB、EBITDA）相关的回报与beta的相关性。我们认为，这种方法符合投资组合经理的利益，他总是关心他/她的投资组合在相关基准方面的未来表现。我们选择关注给定篮子中资产与几个基准因素之间的时滞关系。通过观察过去的beta、波动性和偏度对未来平均股票回报的解释力，我们进一步研究了不同beta。因此，我们定义了一组解释变量，我们自适应地使用这些变量来了解哪些资产可能优于其参考篮子。为了证明我们的方法的优越性，我们在过去五年（2003年1月至2018年6月）对我们的算法进行了回溯测试，该算法管理一个长期投资组合。该测试是在从标准普尔500指数中挑选的100只股票和从欧洲斯托克指数中挑选的360只股票上进行的（后者的数字详情见附录）：非常相似，在这两种情况下都获得了令人满意的结果。一方面，我们的方法实现了比同等权重投资组合（SPX为27%，SXXP为24%）更高的夏普比率和更高的整体年度绩效。

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

2022-6-10 03:47:39

另一方面，它在美国和欧洲市场表现出非常低的动量偏向，能够很好地应对2008-2009年的市场危机，将byEF经历的下降幅度减少了10%，同时将反弹幅度增加了66%。我们相信，我们的方法可以为从事要素投资的投资组合管理者提供一个具体而资源丰富的基准，同时为进一步研究许多综合指数的解释力提供一个平台，并与智能贝塔投资组合管理技术很好地结合。2008年4月28日至2009年4月28日期间与同期回报的相关性平均值SharpesigmaBrentDivyieldev/EBITDAevgrowthmomentumtbpsxus10yfixvalue BrentDivyieldev/EBITDAevgrowthmomentumtbpsxus10yfixvalue*-0.500.51与未来回报的相关性averageOldMeanSharpeSigmaBrentDivYieldEV/EBITDAevgrowthmomentumtbpspxus10yvix值brentdivyieldev/EBITDAevgrowthmomentumtbpsxus10yvix值*-1-0.500.51（a）与2016年6月6日至2017年6月6日的当代回报平均值的相关性Shappesigmabrentdivyieldev/EBITDAevgrowthmomentumtbpsxus10yvix值brentdivyieldev/EBITDAevgrowthmomentumntumtpxus10yvix值brentdivyieldev/EBITDAevgrowthmomentumntumntumtpxus10yvix值*-返回averageOldMeanSharpeSigmaBrentDivYieldEV/EBITDAevgrowthmomentumtbpspxus10yFixValueBrentDivyIeldev/EBITDAevgrowthmomentumtbpspxus10yFixValues*-0.500.5（b）图1：一组解释性字段与在同一时间窗口（上图）和下一交易年（下一个地块）获得的平均回报的测量相关性。柱状图（a）和（b）分别指的是一个显著波动的时期（包括2008年的金融危机）和一个平稳增长和较低波动的时期。这项分析对从标准普尔500指数中挑选的100多只股票进行了分析。

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

2022-6-10 03:47:43

误差条表示每个相关性的95%置信区间。2003年2004年2005年2007年2008年2009年2011年2012年2014年2015年2016年2017年2018200400600800100012001400160001复合回溯测试标准普尔BasketReturns CorrReturns Corr*EfffrontierMix图2：2003年1月至2018年6月所讨论策略的复合月度回溯测试：100只股票（蓝色圆圈）的月度重新平衡等权投资组合，通过有效前沿（EF）（紫色交叉）、收益相关性（RC）（红色三角形）、混合策略（mix）（绿色菱形）和自适应收益相关性（黄色方形）进行分配。参考Banz，R.W.（1981）。普通股回报与市值之间的关系。《金融经济学杂志》，9:3-18。Fama，E.F.和French，K.R.（1992年）。预期股票回报的横截面。《金融杂志》，2:427–465。Fama，E.F.和French，K.R.（2015）。五因素资产定价模型。《金融经济学杂志》，116:1-22。Hong，Y.，Tu，J.，和Zhou，G.（2006）。股票收益不对称：统计检验和经济评估。《金融研究评论》，20（5）：1547–1581。Kroencke，T.A.（2018）。衰退和股市。SSRN 3161979。Lemperiere，Y.、Deremble，C.、Nguyen，T.T.、Seager，P.、Potters，M.和Bouchaud，J.P.（2016）。风险溢价：不对称尾部风险和超额回报。量化金融，17:1–14。Pollet，J.M.和Wilson，M.（2010）。平均相关性和股市回报。《金融经济学杂志》，96:364–380。Sharpe，W.F.（1964年）。资本资产价格：风险条件下的市场均衡理论。J、《金融》，19:425–442。Stattman，D.（1980年）。账面价值和股票回报。《芝加哥MBA：精选论文杂志》，4:25–45。Welch，I.和Goyal，A.（2008）。全面审视均衡预测的经验表现。

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

2022-6-10 03:47:46

《金融研究回顾》，21:1455–1508。附录A篮子组成我们在本节中报告了用于分析的100只股票篮子的进一步详细信息（我们很乐意根据需要提供完整的清单，为了紧凑起见，我们在此仅重复）。图3中的饼图显示了GICS部门篮子的组成（等权重）。尽管我们选择的股票没有复制标准普尔500指数的根本原因，但与该指数的强烈相关性将见证我们篮子的多样性和结果的普遍性。因此，我们在2002年1月1日计算了包含我们股票的篮子的收益序列，并以等权重进行了安排（没有后续的再平衡），并令人满意地测量了2018年6月之前的时间范围内与标准普尔500指数的相关性为0.967。图3:GICS因素方面的等权重篮子组成。附录B欧洲案例此后，我们将在一篮子360家欧洲斯托克指数（SXXP）上市公司上展示主文本中讨论的分析应用结果。实质上，我们观察到股票回报与我们的一组解释领域具有类似的相关性（我们用SXXP和欧洲通用10年期债券替代了SPX和美国国债），最令人满意的是，我们最终得到了更高效、更具可操作性的投资组合管理，年化回报率更高（+24%），夏普比率更高（+9%），关于所有360只股票的等权重投资组合。至于SPX，同样在这种情况下，值得一提的是，同等权重的投资组合已经在很大程度上优于资本化加权指数。这是一个共同的特征，可以用收益与公司规模的负相关来解释（即。

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

2022-6-10 03:47:49

其市值）。Return Sharpe Max UP Max DD Months+FidelityE Off Frontier 17.2%0.96 63%~56%118 0.70收益率修正15.5%0.79 93%~53%105 0.80收益率修正15.8%0.80 104%~53%103 0.79混合16.3%0.90 78%~54%109等权12.7%0.74 83%~49%。我们考虑了年化回报率、夏普比率以及策略优于等权重分配的月数（月数+）。

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

2022-6-10 03:47:53

Max UP（DD）是最大年收益（提取），Fidelity是平均成熟度（在整个176个月的时间内），通过它可以将策略与随机分配区分开来。2004年2005年2007年2008年2009年2010年2011年2012年2014年2015年2017年201810020003004005006007008009001000复合回溯测试欧洲STOXXBasketReturns CorrReturns Corr*EfffrontierMix图4：2003年1月至2018年6月所讨论策略的复合月度回溯测试：每月对SXXP（bluecircles）的360只股票进行重新平衡的等权投资组合，通过有效前沿（EF）（紫色交叉）、收益相关性（RC）（红色三角形）、混合策略（mix）（绿色菱形）和适应性收益相关性（黄色方形）进行分配。2008年7月8日至2009年7月10日期间与同期回报率的相关性平均值SharpesigmaBrentDivyieldeu10yev/EBITDAevgrowthmomentumtbpsxpvixvalue BrentDivyieldeu10yev/EBITDAevgrowthmomentumtbpsxpvixvalue*-1-0.500.51与未来回报率的相关性averageOldMeanSharpeSigmaBrentDivYieldEU10YEV/EBITDAevgrowthmomentumtbpsxpvixvalue Brentdivyieldeu10yev/EBITDAevgrowthmomentumtbpsxxvixvalue*-1-0.500.51（a）与2016年6月20日至2017年6月20日的当代回报平均值的相关性Shappesigmabrentdivyieldeu10yev/EBITDAevgrowthmomentumntumtpsxvixvalue Brentdivyieldeu10yev/EBITDAevgrowthmomentumntumtbpsxvixvalue*-0.500.51与未来返回averageOldMeanSharpeSigmaBrentDivYieldEU10YEV/EBITDAevgrowthmomentumtbpsxpVixValue BrentDivyieldeu10yev/EBITDAevgrowthmomentumtbpsxPxPxVixValue*-0.4-0.200.20.4（b）图5：一组解释性领域与在同一时间窗口（上图）和下一交易年（低地块）获得的平均回报的测量相关性。

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