Giới thiệu tóm tắt về các mô hình đa yếu tố

特邀专栏作者

2020-08-25 07:33

Bài viết này có khoảng 2488 từ, đọc toàn bộ bài viết mất khoảng 4 phút

Hành động giá luôn diễn ra ngẫu nhiên, vì vậy không có chiến lược định lượng nào có thể bao gồm tất cả các hành động giá. Các chiến lược định lượng hoặc phân bổ tài sản khác nhau phù hợp

Tóm tắt AI

Mở rộng

Tổng quan Tổng quan

Hành động giá luôn diễn ra ngẫu nhiên, vì vậy không có chiến lược định lượng nào có thể bao gồm tất cả các hành động giá. Các chiến lược định lượng hoặc phân bổ tài sản khác nhau phù hợp với các điều kiện thị trường khác nhau.Ví dụ: giao dịch lưới phù hợp hơn với các điều kiện thị trường biến động. Mục đích của bài viết này là giới thiệu đến nhà đầu tư những mô hình phân tích đa dạng hơn, để nhà đầu tư có thêm sự lựa chọn và phán đoán trước những biến động ngẫu nhiên của thị trường.

Báo cáo báo cáo

Tổng quan Tổng quan

Giới thiệu về Mô hình Đa yếu tố
Mô hình đa yếu tố đã trở thành phương pháp thực hành đầu tư chủ đạo và có hiệu suất vượt trội trong việc đo lường và kiểm soát rủi ro.
Trong đầu tư, các yếu tố đề cập đến các đặc điểm chung giữa lợi tức của các tài sản khác nhau. Các mô hình đa yếu tố được các nhà đầu tư sử dụng để xây dựng danh mục tài sản, quản lý danh mục đầu tư, quản lý rủi ro và phân tích quy kết. So với mô hình đơn nhân tố, khả năng giải thích của mô hình đa nhân tố mạnh hơn và linh hoạt hơn. Các mô hình đa yếu tố có thể giúp các nhà đầu tư:
Xây dựng danh mục đầu tư tài sản để theo dõi các chỉ số hoặc đặc điểm cụ thể
Điều chỉnh mức độ rủi ro của danh mục đầu tư theo danh mục rủi ro đã xác định
Phân bổ rủi ro và hoàn vốn cho quản lý đầu tư tích cực

Hiểu mức độ rủi ro toàn diện của các loại tài sản lớn như vốn chủ sở hữu và thu nhập cố định

Quyết định đầu tư chủ động dựa trên các tiêu chuẩn cụ thể và đo lường dung lượng thị trường cho quyết định đó

Đảm bảo rằng lợi tức rủi ro của danh mục tài sản của nhà đầu tư phù hợp với chi phí của nó

Nguồn gốc của mô hình đa nhân tố

Năm 1952, Markowitz đề xuất một khuôn khổ mới để xây dựng danh mục đầu tư chứng khoán. Khác với việc xử lý các chứng khoán khác nhau một cách riêng biệt trong quá khứ, khuôn khổ này xem xét toàn diện các đặc điểm về lợi nhuận và rủi ro của các chứng khoán khác nhau. Đây là Lý thuyết Danh mục Đầu tư Hiện đại (MPT) nổi tiếng. Markowitz giả định rằng lợi tức của các chứng khoán khác nhau tuân theo phân phối chuẩn. Kết luận cốt lõi của lý thuyết là miễn là mối tương quan giữa hai tài sản nhất định không phải là 1, rủi ro có thể được đa dạng hóa bằng cách phân bổ các tỷ lệ khác nhau. Năm 1964, Sharp giới thiệu Mô hình định giá tài sản vốn (CAPM) dựa trên lý thuyết phương sai trung bình. Lý thuyết CAPM và các tài liệu liên quan đã mang lại một số khái niệm mới cho các nhà đầu tư, chẳng hạn như rủi ro hệ thống. Rủi ro hệ thống là chìa khóa để hiểu các mô hình đa yếu tố, mỗi tài sản có các loại rủi ro khác nhau, nhưng những rủi ro này không quan trọng như nhau. Lý thuyết cho rằng rủi ro có thể giảm bằng cách điều chỉnh tỷ lệ các tài sản khác nhau với tiền đề là lợi tức kỳ vọng không thay đổi. Tuy nhiên, rủi ro hệ thống không thể đa dạng hóa, vì vậy phần rủi ro này có yêu cầu hoàn trả tương ứng. Trong lý thuyết CAPM, rủi ro hệ thống của một tài sản là một hàm tăng dần của giá trị beta, đo lường độ nhạy cảm của lợi nhuận tài sản đối với lợi nhuận thị trường. Theo lý thuyết CAPM, giá trị hoàn vốn của tài sản có liên quan đến một yếu tố, đó là lợi nhuận thị trường. Rủi ro hệ thống càng cao, giá trị beta càng cao và lợi nhuận yêu cầu càng cao. Nhưng rất nhiều dữ liệu cho thấy rằng lý thuyết CAPM cung cấp một mô tả không đầy đủ về rủi ro. Mô hình hóa lợi nhuận tài sản sẽ hiệu quả hơn nếu một mô hình tính đến rủi ro hệ thống nhiều hơn. Do đó, mô hình đa nhân tố đã ra đời.

Các loại mô hình đa yếu tố
Theo loại yếu tố có thể được chia thành 3 loại

mô hình yếu tố vĩ mô

Các yếu tố đại diện cho những thay đổi bất ngờ trong các biến kinh tế vĩ mô có thể ảnh hưởng đáng kể đến lợi nhuận. Lấy vốn chủ sở hữu làm ví dụ, việc xem xét chính là các yếu tố ảnh hưởng đến dòng tiền trong tương lai và tỷ lệ chiết khấu. Ví dụ, lãi suất, rủi ro lạm phát, chu kỳ kinh doanh và chênh lệch tín dụng.

Các mô hình vĩ mô giả định rằng lợi nhuận nhân tố phụ thuộc vào những thay đổi bất ngờ trong một số biến kinh tế vĩ mô, chẳng hạn như lạm phát hoặc sản lượng thực tế. Sự thay đổi bất ngờ được định nghĩa là sự khác biệt giữa giá trị thực tế và giá trị dự đoán. Sự thay đổi ngoài dự kiến của một nhân tố là thành phần của lợi tức ngoài dự kiến của nhân tố đó và những thay đổi ngoài dự kiến của tất cả các nhân tố tạo thành các biến độc lập của mô hình. Ví dụ, phần bù rủi ro của nhân tố tỷ lệ tăng trưởng GDP là dương, nhưng phần bù rủi ro của nhân tố tỷ lệ lạm phát là âm. Do đó, nếu độ nhạy của tài sản đối với yếu tố tỷ lệ lạm phát là bằng chứng, thì khi tỷ lệ lạm phát tăng lên, lợi tức kỳ vọng của tài sản sẽ giảm và loại tài sản này có đặc tính chống lạm phát tốt.

Ma trận tỷ lệ lạm phát và hệ số tăng trưởng GDP

Mô hình nhân tố cơ bản

Yếu tố chính đại diện cho các yếu tố chính giải thích phương sai chéo của chứng khoán. Ví dụ: tỷ lệ giá trị sổ sách trên thị trường, thậm chí, tỷ lệ giá trên thu nhập và tỷ lệ đòn bẩy.

mô hình nhân tố thống kê

Bằng cách thống kê hiệu suất lịch sử của chứng khoán và trích xuất các yếu tố chính ảnh hưởng đến lợi nhuận. Các mô hình thống kê nhân tố chính bao gồm mô hình phân tích nhân tố và mô hình phân tích thành phần chính. Trong một mô hình phân tích nhân tố, các nhân tố giải thích đầy đủ hiệp phương sai của lợi tức lịch sử. Trong mô hình PCA, các yếu tố có thể giải thích đầy đủ phương sai của lợi nhuận lịch sử.
Trong số đó, phân tích thành phần chính (PCA) là một phương pháp thường được sử dụng để xây dựng các mô hình nhân tố thống kê, mục đích là tìm ra các nhân tố không tương quan và làm cho lợi nhuận chứng khoán quan sát được có thể được giải thích rõ ràng bằng sự kết hợp tuyến tính của lợi nhuận nhân tố. Đối với sự kết hợp phức tạp của nhiều loại chứng khoán, PCA có thể giảm kích thước và lọc nhiễu một cách hiệu quả, đồng thời trích xuất ít yếu tố hơn để thực hiện hồi quy tuyến tính. Phân tích thành phần chính là một phương pháp thống kê để giảm kích thước. Nó biến đổi vectơ ngẫu nhiên ban đầu có các thành phần liên quan thành một vectơ ngẫu nhiên mới có các thành phần không tương quan bằng phương pháp biến đổi trực giao, được biểu diễn đại số dưới dạng vectơ ngẫu nhiên ban đầu Ma trận hiệp phương sai của phép biến đổi được chuyển thành ma trận đường chéo, được biểu diễn về mặt hình học là biến đổi hệ tọa độ ban đầu thành hệ tọa độ trực giao mới, làm cho nó trỏ về các hướng trực giao p nơi các điểm mẫu phân tán nhiều nhất, sau đó giảm đa chiều. hệ thống biến.Xử lý thứ nguyên, để nó có thể được chuyển đổi thành hệ thống biến số ít chiều với độ chính xác cao hơn, và sau đó hệ thống ít chiều có thể được chuyển đổi tiếp thành hệ thống một chiều bằng cách xây dựng một hàm giá trị thích hợp.
Vai trò chính của phân tích thành phần chính
1. Phân tích thành phần chính làm giảm kích thước của không gian dữ liệu đang được nghiên cứu. Tức là thay thế không gian p chiều X bằng không gian m chiều Y (m
2. Đôi khi một số mối quan hệ giữa các biến X có thể được làm rõ thông qua kết luận của hệ số tải aij.

4. Mô hình hồi quy được xây dựng bằng phân tích thành phần chính. Nghĩa là, mỗi thành phần chính được sử dụng như một biến độc lập mới thay thế cho biến độc lập x ban đầu để phân tích hồi quy.

Phần kết luận

5. Các biến hồi quy được sàng lọc bằng phân tích thành phần chính. Việc lựa chọn các biến hồi quy có ý nghĩa thực tiễn quan trọng, để bản thân mô hình dễ dàng phân tích, kiểm soát và dự báo cấu trúc, tốt nhất nên chọn các biến tốt nhất từ tập con của các biến ban đầu để tạo thành tập biến tốt nhất. Sàng lọc các biến bằng phân tích thành phần chính có thể chọn các đại lượng ít tính toán hơn và thu được hiệu quả của việc chọn tập hợp con biến tốt nhất.

投资

Chào mừng tham gia cộng đồng chính thức của Odaily