摘要

　　本文探討了將尾部風險融合到 Risk Parity 進行資產配置的方法。有效利用高階矩信息可以提高投資組合的風險收益特征。

　　1、引言

　　近日，Rob Arnott、Campbell Harvey 等人在 JPM 上發(fā)表了一篇題目頗為浪漫的文章(Arnott et al. 2019)：愛麗絲夢游仙境;抱歉、錯了，應該是愛麗絲的因子島冒險之旅(Alice’s adventures in factorland)。我最初看到這個標題時感受到的畫風是這樣的(年齡暴露帖)。

　　

　　言歸正傳，這篇文章嚴肅討論了投資人在因子投資中常犯的三大類錯誤，從而導致了因子投資的效果很差。這三類問題是：

　　1. 對因子實盤的表現(xiàn)沒有正確的預期：這包括低估了樣本內過擬合、沒有考慮到可能發(fā)生的因子擁擠、對實際的交易成本估計嚴重不足等問題;

　　2. 對因子投資組合沒有采取科學的風控：錯誤假設因子投資組合收益率符合正態(tài)分布，對因子投資組合的肥尾風險嚴重低估;

　　3. 對不同因子能提供的分散化過度樂觀：不同風格因子平時的相關性確實較低，但在股災面前，它們的尾部相關性驟然變高，完全無法起到分散風險的作用。

　　我想以上面的第二點為引子開啟今天的話題。對此，Arnott et al. (2019) 以美股上的動量因子為例做了解釋。下圖黑色曲線是實際動量因子的累積收益率;紅色曲線是假設動量因子收益率符合正態(tài)分布時的收益曲線。兩條曲線的巨大分歧出現(xiàn)在金融危機期間，說明正態(tài)分布根本無法很好的描述因子收益率的尾部風險。

　

　　再來看看 A 股。下圖是上證指數(shù)自 2005 年 1 月 4 日至 2019 年 5 月 31 日的日頻收益率分布(柱狀圖)。以該分部的均值和方差構建出的正態(tài)分布曲線是圖中紅色曲線。上證指數(shù)的經驗分布呈現(xiàn)出明顯的尖峰肥尾，正態(tài)分布難以捕捉其尾部風險。

　　

　　上面這些例子表明僅考慮一階矩和二階矩并不能很好的刻畫資產的風險。而這也正是我們熟知的 Risk Parity 常被人詬病的地方 —— 它僅使用投資組合的標準差(方差的平方根)來刻畫風險，對尾部風險處理不足。

　　今天這篇文章就從尾部風險的角度對 Risk Parity 做一些擴展。它可以看做是《尾部相關性、尾部風險平價和圣杯分布》的進階。

　　下文第二節(jié)將使用一些 A 股上的因子投資組合對比 Risk Parity 和 Tail Risk Parity(尾部風險平價)的配置效果;第三節(jié)介紹 Baitinger, Dragosch, and Topalova (2017) 提出的將 Risk Parity 擴展到三、四階矩的配置框架;第四節(jié)總結全文。

　　2、Risk Parity vs Tail Risk Parity

　　考慮到資產分布的肥尾特性，使用 Expected Shortfall(ES)來計算尾部風險。它也稱作 Expected Tail Loss 或 conditional value at risk(CVaR)，代表了 α 分位數(shù)左側尾部風險的均值，相較于 VaR 能夠更好的刻畫尾部風險。

　　將 Risk Parity 處理 σ 的方法延伸至 ES 就得到 Tail Risk Parity(尾部風險平價)。尾部風險平價的目標是讓不同資產或策略對投資組合的尾部風險貢獻相同。它更多的是一種理念，而具體實現(xiàn)方法則因人而異。在我們的例子中，由于使用 ES 刻畫尾部風險，因此可以讓不同資產對投資組合的尾部風險 ES 等貢獻，即資產權重 ω_i 滿足：

　　

　　上式中，ES_p 代表投資組合的 Expected Shortfall。

　　在實際使用時，仍然有個問題。對于 Risk Parity，投資組合的波動率 σ_p 對于資產權重 ω_i 的偏導數(shù)是有解釋表達式的;而在上述 Tail Risk Parity 中，ES 對 ω_i 的偏導數(shù)沒有解析表達式。這對于通過較優(yōu)化求解 ω_i 增加了額外的難度。

　　前文《淺析資產配置的幾種方法》曾指出，如果資產間的兩兩相關系數(shù)相同，則 Risk Parity 較優(yōu)權重滿足 ω_i 和 σ_i 成反比。因此，在本文的實證中采用類似的簡化處理方法，即根據(jù)資產的收益率數(shù)據(jù)計算出每個資產的 ES_i，然后令資產權重和 ES_i 成反比：

　　

　　接下來就用上述 Tail Risk Parity 配置方法和 Risk Parity 進行比較。為了讓對比更合理，在通過較優(yōu)化確定 Risk Parity 的資產權重時，要求 ω_i 滿足非負且所有 ω_i 之和為 1 兩個約束條件。在計算 ES 時，選擇 1% 分位數(shù)。

　　實證中，回測期為 2010 年 1 月 1 日至 2019 年 3 月 31 日，并考慮中證 500 成分股。進行資產配置的投資標的為以下 9 個因子組合：beta、earnings yield、growth、leverage、momentum(事實是當成反轉使用)、nonlinear size、P/B、residual volatility 以及 size。全部因子暴露數(shù)據(jù)來自JoinQuant，做多排名前 50 的股票、做空排名后 50 的股票來構建投資組合。

　　下圖展示了上述九大因子投資組合日頻收益率的分布和以它們各自均值和標準差對應的正態(tài)分布。從圖中不難看出，這些因子投資組合也表現(xiàn)出了尖峰肥尾的特征。

　　

　　在比較 Risk Parity 和 Tail Risk Parity 時，依照這兩種方法對這九個因子按月調倉(每月最后一個交易日調倉，不考慮任何成本，排除因停牌而無法交易的股票)。然而計算每個因子的 ES 需要更細的粒度，故而選擇因子日頻收益率，并使用不少于 1 年的 expending 窗口計算每個因子的 ES(為了更準確的估計 ES，沒有使用常用的 rolling 窗口)，因此首次構建投資組合是在 2010 年 12 月 31 日。這些因子組合的日頻累積收益率如下圖所示。

　　

　　在回測期內，Risk Parity 和 Tail Risk Parity 配置結果的累積凈值和回撤如下圖所示。在本例中，兩種方法的結果雖然非常接近，但仍然能看出以 ES 為目標的 Tail Risk Parity 更有效的降低了投資組合的最大回撤和波動。在回測期內，Tail Risk Parity 和 Risk Parity 的年化收益率分別為 9.00% 及 8.99%;夏普率分別為 1.22 和 1.15;最大回撤分別為 -8.22% 和 -10.52%;最大回撤天數(shù)分別為 515 和 699。這些數(shù)據(jù)表明，Tail Risk Parity 較 Risk Parity 更好的規(guī)避了風險。

　　

　　熟悉我的小伙伴大概知道我要開始“自我否定”了。沒錯，上面只是一個例子，而且二者的差異也很小。為此，隨機從上述 9 個因子中抽取 5 個，進行 50 次實驗，來考察一下 Tail Risk Parity 的表現(xiàn)。下圖展示了在這 50 次實驗中，這兩種配置方法 Sharpe Ratio 的對比(圖中實驗的序號，即橫坐標，已經按 Risk Parity 的夏普率從大到小排序了)。

　　

　　在其中的 39 次實驗中，Tail Risk Parity 的 Sharpe Ratio 高于 Risk Parity，勝率為 78%。此外，從上圖可以看到，當 Risk Parity 的夏普率較低的實驗中(即隨機選出的因子資產本身更差)，Tail Risk Parity 的優(yōu)勢更加明顯，這無疑是一個很好的結果。

　　作為 robustness check，同時考慮隨機選取 3、4、6 個因子的情況，也可以觀察到類似的結果(下圖)。此外，實證中還考慮了以 5% 分位數(shù)計算 ES，也可以獲得類似的結論，這里不再贅述。

　　

　　本小節(jié)的實證說明，以 ES 為代理變量描述尾部風險的 Tail Risk Parity 是一個值得嘗試的資產配置方法。相比于 Risk Parity 它有希望提高最終投資組合的風險收益特征。當然，尾部風險建?；蛘呤褂?empirical data 計算 ES 都可能引入更高的誤差。

　　此外，該方法僅僅是通過尾部風險間接的對 Risk Parity 進行了改進。下一節(jié)介紹的方法將直接從分布的偏度(skewness)和峰度(kurtosis)入手，將高階矩信息直接融入到 Risk Parity 當中。

　　3、將 Risk Parity 擴展至高階矩

　　Baitinger, Dragosch, and Topalova (2017) 認為收益率的三階矩和四階矩包含了更多的關于風險的信息，因此提出可以考慮在 Risk Parity 中加入三階矩和四階矩信息。對于更高階矩，因為參數(shù)估計的誤差隨著階數(shù)非線性增加，因此金融領域一般不考慮更高階矩。

　　在這個方法中，第一個難點就是計算投資組合的三階矩和四階矩。下面以三階矩為例介紹其計算方法。這個方法出自 Athayde and Flores (2003)。

　　讓我們從熟悉的二階矩說起。假設資產的權重向量為 ω，則投資組合的二階矩為：

　　

　　可見，求解投資組合的二階矩需要用到資產之間的協(xié)方差矩陣。因此，為了求投資組合的三階矩，需要資產之間的 co-skewness“矩陣”。這里“矩陣”為什么要加引號呢?這是因為 co-skewness“矩陣”不是個矩陣，而是一個 cubic shape 的 tensor。

　　下面請各位調動起空間想象能力。這個三階矩 tensor 可以想象成以下 n 個 n × n 矩陣從上到下排列成構成一個立方體，從而得到一個 n × n × n 階 tensor，這就是這 n 個資產之間的三階矩 tensor。

　　

　　如何求解投資組合的三階矩呢?對于上述每一層的 n × n 矩陣，運用二階矩的計算方法，將其左邊乘上一個 ω 轉置，右邊乘上一個 ω，因此每一層得到一個標量，所以這 n 層一共得到 n 個標量(下圖)。

　　

　　最后，把上述操作得到的 n 個標量構成一個 n 階向量，再和權重向量 ω 進行一次內積，就得到了投資組合的三階矩。上述過程的數(shù)學表達式如下：

　　

　　上式中，為了數(shù)學運算，將 n × n × n 階 tensor 從三維降維展開成二維(想想《三體》……)。這意味著將這 n 個 n × n 矩陣平鋪在一起構成 M_3 這個 n × n² 階的矩陣。以上就是投資組合 skewness 的計算方法。

　　對于投資組合的四階矩 kurtosis，我們需要計算這些資產間的四階矩 tensor?？臻g想象也摟不住了，索性就直接給出公式，具體請參考 Athayde and Flores (2003)。

　　

　　其中 M_4 是降維成二維的四階矩 tensor，它是一個 n × n³ 階矩陣。有了投資組合的三階矩和四階矩的表達式，就可以和 Risk Parity 一樣，計算這些高階矩對于資產權重 ω_i 的偏導數(shù)，然后要求不同資產對于組合的不同階矩貢獻度相同。

　　依照這個思路，Baitinger, Dragosch, and Topalova (2017) 給出了資產配置的較優(yōu)化方程。下式中，ARC_{2, i}、ARC_{3, i}、ARC_{4, i} 分別表示資產 i 對于投資組合 2、3、4 階矩的絕對風險貢獻(ARC 全稱是 absolute risk contribution)。

　　

　　有小伙伴可能會注意到，上面較優(yōu)化問題中還有三個 λ。加入了三、四階矩的 Risk Parity 理論上希望資產權重同時滿足以下三個約束條件：

　　1. 所有資產在二階矩上風險等貢獻;

　　2. 所有資產在三階矩上風險等貢獻;

　　3. 所有資產在四階矩上風險等貢獻。

　　在實際求解中，由于上述三個條件難以同時滿足，因此給每個約束加一個權重 λ，代表它們的重要性。比如，如果令 λ_2 = 1，λ_3 = λ_4 = 0，則上述問題退化為傳統(tǒng)的 Risk Parity 問題。在 Baitinger, Dragosch, and Topalova (2017) 一文中，這三位作者考慮里以下這些 λ 取值(其中 ERC_[1,0,0] 代表傳統(tǒng)的 Risk Parity 方式)。

　　

　　為了考察這些融合了高階矩的 Risk Parity 資產配置的表現(xiàn)，Baitinger, Dragosch, and Topalova (2017) 考慮了美股上的一些常見行業(yè)和風格因子作為配置的標的。除此之外，他們還考慮了一些模擬的資產。

　　

　　在比較不同方法的效果時，除了傳統(tǒng)的 Sharpe Ratio(下圖中 SR)，這三位作者還考慮了 Certainty Equivalent Returns(CER)。這是因為 SR 的計算也僅僅用到了二階矩，故無法很好的評價這些配置方法。下圖給出了考慮不同階風險的 Risk Parity 方法在上述數(shù)據(jù)集上的配置效果(圖中 CER 后括號內的數(shù)字表示不同的風險厭惡系數(shù))。

　　

　　從上述結果來看，如果僅以 SR 來論的話，考慮了高階矩的 Risk Parity 和傳統(tǒng)的 Risk Parity 互有勝負、難分伯仲。以 CER 來評價的話則能從一定程度上體現(xiàn)出帶高階矩信息的 Risk Parity 的優(yōu)勢。對于上述實證結果以及更多的仿真數(shù)據(jù)集分析結果，Baitinger, Dragosch, and Topalova (2017) 總結道：在收益分布存在明顯尖峰肥尾特征、且資產間相關性更高的情況下，帶高階矩信息的 Risk Parity 將能夠比 Risk Parity 有更好的表現(xiàn)。

　　這些結果表明帶高階矩的 Risk Parity 是一個值得繼續(xù)深入研究的方向。

　　4、結語

　　本文花了不小的篇幅探討了將尾部風險融合到 Risk Parity 進行資產配置的方法。

　　利用高階矩從而尋求更好的資產配置決策一直是學術界研究的重點。例如，Harvey et al. (2010) 就提出一個貝葉斯框架把高階矩信息融合到馬科維茨的均值——方差較優(yōu)化問題中。

　　由于估計誤差隨階數(shù)非線性增大，因此四階以上的矩在實際中用處有限(Fabozzi et al. 2007)，所以學術界和業(yè)界把目光集中到了三階矩和四階矩上。希望在這方面，本文的介紹能帶給各位一些啟發(fā)。

（點擊上圖了解課程詳情）

量化金融分析師(簡稱AQF ，Analyst of Quantitative Finance)由量化金融標準委員會(Standard Committee of Quantitative Finance，SCQF)主考并頒證，是代表量化金融領域的專業(yè)水平證書。 >>>點擊咨詢AQF證書含金量

　　

課程適合人群：

　　金融工程/數(shù)學專業(yè)背景的同學/工作人士，希望進一步學習Python編程以及在量化投資的實戰(zhàn)應用；

　　非金融工程專業(yè)背景的同學/工作人士，希望迅速成為寬客；

　　金融相關人員，希望學習如何系統(tǒng)的做量化策略；

　　個人投資者，希望系統(tǒng)學習掌握量化投資相關的實務技能，從模型開發(fā)，回測，策略改進，搭建穩(wěn)定的量化交易系統(tǒng)。

　　量化金融分析師AQF核心課程體系：

　　1、《量化投資基礎》

　　主要涵蓋了量化投資領域的必備知識，包括：基本面分析、技術分析、數(shù)量分析、固定收益、資產組合管理、權益、另類投資等內容。

　　2、《Python語言編程基礎》

　　包含了Python環(huán)境搭建、基礎語法、變量類型、基本函數(shù)、基本語句、第三方庫、金融財務實例等內容。旨在為金融財經人提供最需要的編程方法。

　　3、《基于Python的經典量化投資策略》

　　包含了最富盛名，最基本的量化交易思想和交易策略。例如：海龜交易模型、Logistics模型、配對交易模型、波動擴張模型、Alpha模型、機器學習(隨機森林模型、主成分分析)、深度學習(人工神經網絡)等內容。

　　4、《量化交易系統(tǒng)設計》

　　旨在學習量化交易系統(tǒng)的具體知識，包括過濾器，進入信號，退出信號，倉位管理等詳細內容，并指導學員設計涵蓋個人交易哲學的量化交易系統(tǒng)。

　　5、《量化實盤交易》

　　旨在為解決實際量化交易策略搭建過程中的一些問題提供較優(yōu)解決方案。>>>點擊咨詢AQF課程相關問題

　　

　　三、掌握Python及量化投資技能，我們能做什么?

1、熟悉中國主要金融市場及交易產品的交易機制；

2、熟知國內外期貨交易、股市交易的異同點和內在運行機制；

3、掌握經典量化交易策略細節(jié)及其背后的交易哲學；

4、掌握金融、編程和建模知識基礎，擁有量化交易實盤操作能力；

5、具備獨立自主地研發(fā)新量化交易策略的能力；

6、掌握量化交易模型設計的基本框架，以及風險管理和資產組合理論的實際運用；

7、掌握從策略思想——策略編寫——策略實現(xiàn)餓完整量化投資決策過程；具備量化投資實戰(zhàn)交易能力。

　　參考文獻

　　Arnott, R., C. R. Harvey, V. Kalesnik, and J. Linnainmaa (2019). Alice’s adventures in factorland: three blunders that plague factor investing. The Journal of Portfolio Management, Vol. 45(4), 18 – 36.

　　Athayde, G. N. and R. G. Flores (2003). Incorporating skewness and kurtosis in portfolio optimization: a multidimensional efficient set. In Advances in Portfolio Construction and Implementation, edited by S. Satchell and A. Scowcroft, 243 – 257, Oxford: Elsevier.

　　Baitinger E., A. Dragosch, and A. Topalova (2017). Extending the risk parity approach to higher moments: is there any value added? The Journal of Portfolio Management, Vol. 43(2), 24 – 36.

　　Fabozzi, J. F., P. N. Kolm, A. P. Pachamanova, and S. M. Focardi (2007). Robust portfolio optimization and management. New Jersey, Hoboken: John Wiley and Sons.

　　Harvey, C. R., J. C. Liechty, M. W. Liechty, and P. Muller (2010). Portfolio selection with higher moments.Quantitative Finance, Vol. 10(5), 469 – 485.

　　

金程推薦： AQF難考嗎 AQF證書含金量 AQF量化金融分析師年薪

　　咨詢電話：400-700-9596

　　AQF考友群：760229148

　　金融寬客交流群：801860357

　　微信公眾號：量化金融分析師

作者：石川，量信投資創(chuàng)始合伙人，清華大學學士、碩士，麻省理工學院博士;精通各種概率模型和統(tǒng)計方法，擅長不確定性隨機系統(tǒng)的建模及優(yōu)化。知乎專欄：https://zhuanlan.zhihu.com/mitcshi。未經授權，嚴禁轉載

　　>>>返回首頁