學術界、管理(lǐ)人(rén)、投資者視角下(xià)的(de)因子投資

作者：石川

摘要：本文從學術界、專業管理(lǐ)人(rén)和(hé)普通(tōng)投資者三個(gè)視角梳理(lǐ)因子投資。

1 引言

如今的(de)（量化(huà)）投資界開口必談因子投資。然而，随著(zhe)所處的(de)角色不同（學術界 vs 業界），人(rén)們對(duì)因子投資的(de)關注點不盡相同。2018 年，Joseph Cerniglia 和(hé) Frank Fabozzi 在 The Journal of Portfolio Management 上發表了(le)一篇題爲 Academic, Practitioner, and Investor Perspectives on Factor Investing 的(de)文章(zhāng)（Cerniglia and Fabozzi 2018），從學術界、（專業）管理(lǐ)人(rén)和(hé)（普通(tōng)）投資者三個(gè)視角梳理(lǐ)了(le)因子投資，給人(rén)很大(dà)啓發。面對(duì)著(zhe)海量關于因子投資的(de)文獻和(hé)資料，搞清楚不同視角對(duì)因子投資理(lǐ)解的(de)區(qū)别和(hé)聯系十分(fēn)必要；它可(kě)以幫助我們更有效的(de)甄别和(hé)獲取知識，指導因子投資實踐。

本文以介紹 Cerniglia and Fabozzi (2018) 爲契機，從上面三個(gè)角度闡述因子投資。除了(le)提煉該文精華之外，行文中也(yě)會加入大(dà)量相關材料供讀者參考。此外，由于我之前寫過不少因子投資的(de)文章(zhāng)，因此也(yě)将借此機會把相關内容串聯起來(lái)、做(zuò)一個(gè)整理(lǐ)。（如果你把此文視作公衆号之前所創作的(de)主要因子投資文章(zhāng)的(de)合集，那也(yě)是極好的(de)。）最後需要說明(míng)的(de)是，本文談及的(de)因子投資針對(duì)的(de)是股票(piào)市場(chǎng)的(de)風格因子，而非更廣義的(de)使用(yòng)因子進行大(dà)類資産配置。

2 學術界視角

一般來(lái)說，因子描述了(le)一攬子股票(piào)所共同承擔（或者暴露于的(de)）的(de)某種（可(kě)以是未知的(de)）系統性風險。相應的(de)，因子收益率是圍繞該因子構建的(de)投資組合中股票(piào)的(de)共性收益（即系統性風險溢價）。根據這(zhè)個(gè)定義，因子（收益）又被稱爲 style premiums。

2.1 因子投資研究的(de)起源

學術界對(duì)于因子的(de)研究可(kě)以追溯到 20 世紀 30 年代。Graham and Dodd (1934) 提出了(le)價值溢價，而這(zhè)本證券分(fēn)析也(yě)早已成爲業界的(de)聖經。之後的(de) 60 年代和(hé) 70 年代，CAPM 和(hé) Arbitrage Pricing Theory（Ross 1976）相繼被提出，它們爲研究因子提供了(le)定量的(de)分(fēn)析工具。自上世紀 70 年代以來(lái)，學者們逐漸發現按照(zhào)某種風格“打包”的(de)股票(piào)能夠戰勝市場(chǎng)。這(zhè)其中最值得(de)一提的(de)是 Basu (1977) 發現的(de)便宜股效應和(hé) Banz (1981) 發現的(de)小市值效應。由于它們和(hé)當時(shí)主流的(de)有效市場(chǎng)假說相違背，因此被稱爲異象（anomalies）。也(yě)正是從那個(gè)時(shí)期開始，學術界開始了(le)轟轟烈烈的(de)挖異象大(dà)潮。

2.2 Empirical Asset Pricing

對(duì)于學術界而言，研究因子的(de)最主要目标是提出更好的(de) empirical asset pricing model（實證資産定價模型）。一個(gè)潛在的(de)基本面或技術面風格，要想實現從成爲異象、到因子再最終被加入一個(gè)多(duō)因子模型的(de)三步走，需要經過一系列嚴格的(de)計量經濟學分(fēn)析（《Anomalies, Factors, and Multi-Factor Models》）。在比較不同的(de)多(duō)因子模型時(shí)，主流的(de)統計手段包括 GRS tests、Mean-Variance Spanning tests 以及 Bayesian approach。近年來(lái)，随著(zhe)機器學習(xí)的(de)發展，也(yě)有學者将其應用(yòng)到構建因子模型上，這(zhè)其中的(de)代表是 Feng, Giglio, and Xiu (2017)。這(zhè)篇文章(zhāng)獲得(de)了(le) 2018 年 AQR Insight Award，它使用(yòng) two-pass cross-sectional regression（具體的(de)，兩步 LASSO）從一大(dà)堆因子中找到顯著且穩定的(de)定價因子。

談及關于 empirical asset pricing 的(de)研究，諾貝爾經濟學獎獲得(de)者 Eugene Fama 可(kě)謂功不可(kě)沒。他(tā)和(hé)諸多(duō)合作者發表的(de)許多(duō)重磅論文奠定了(le)不僅是因子研究，更是金融學作爲一個(gè)學科的(de)發展。即使在今天看來(lái)，這(zhè)些文章(zhāng)依然是所有踏入這(zhè)個(gè)行業的(de)人(rén)的(de)必修課。這(zhè)其中包括大(dà)名鼎鼎的(de) Fama-French 三因子模型（Fama and French 1993）、Fama-MacBeth Regression（Fama and MacBeth 1973）以及 Fama et al. (1969) —— 事件分(fēn)析（event study）的(de)開山之作。爲了(le)記錄 Fama 對(duì)金融領域的(de)貢獻，John Cochrane 和(hé) Tobias Moskowitz 挑選了(le) Fama 最具代表性的(de)論文編制了(le)一本論文集，題爲 The Fama Portfolio（Fama 2017）。無疑，這(zhè)裏面的(de)文章(zhāng)全都值得(de)仔細品味。此外，在研究多(duō)因子模型時(shí)，回歸分(fēn)析（包括時(shí)序回歸、截面回歸）是極爲重要的(de)研究方法。

2.3 異象叢生

時(shí)至今日，已有超過 400 個(gè)異象（或“因子”）被挖出（Hou, Xue, and Zhang 2017）。在 publication bias 和(hé) multiple testing 的(de)不良影(yǐng)響下(xià)，絕大(dà)多(duō)數異象都是 data mining 的(de)産物(wù)。學術界對(duì)于挖因子的(de)狂熱(rè)和(hé)浮躁的(de)态度已經引起很多(duō)學者的(de)警惕。John Cochrane 在 2011 年美(měi)國金融協會主席演講時(shí)以“factor zoo”來(lái)描述當前因子研究的(de)現狀，并提出了(le)三個(gè)至關重要的(de)問題：

Cochrane 的(de)提問引發了(le)學術界深刻的(de)反思。最近幾年，越來(lái)越多(duō)發表于頂級期刊上的(de)文章(zhāng)緻力于回答(dá)這(zhè)些問題。Harvey, Liu, and Zhu (2016) 研究了(le) 316 個(gè)因子、提出了(le)一種能夠利用(yòng)不同因子之間相關性的(de)全新分(fēn)析框架，把代表因子顯著性的(de) t-statistic 阈值從 2.0 提高(gāo)到了(le) 3.0；Harvey and Liu (2018) 則更是以 Lucky Factors 爲題提出了(le)一個(gè)基于正交化(huà)和(hé)自助法的(de)分(fēn)析框架，用(yòng)來(lái)檢驗因子的(de)有效性。除此之外，Green, Hand, and Zhang (2017) 使用(yòng) Fama-MacBeth regression 同時(shí)分(fēn)析了(le) 94 個(gè)因子、指出真正獨立的(de)因子少之又少。

2.4 樣本外效果幾何？

學術界關注的(de)另一個(gè)問題是：一個(gè)新因子被提出後，随著(zhe)越來(lái)越多(duō)人(rén)使用(yòng)，它在 post-publication 樣本外的(de)效果是否會打折扣（樣本内的(de) data mining 以及發表後被更多(duō)人(rén)知道都會降低其效果）。在這(zhè)方面，McLean and Pontiff (2016) 研究了(le) 97 個(gè)因子在被發表之後的(de)表現，發現因子的(de)收益率比論文中的(de) in-sample 降低 50% 以上。類似的(de)，Linnainmaa and Roberts (2018) 研究了(le) 30+ 個(gè)财務因子在 pre-sample 和(hé) post-sample 的(de)表現；絕大(dà)多(duō)數因子在樣本外的(de)表現令人(rén)失望。

大(dà)多(duō)數研究因子的(de)學術論文中并沒有對(duì)交易費用(yòng)給予充分(fēn)的(de)考慮，造成對(duì)因子收益率的(de)高(gāo)估。順帶一提，由于因子投資組合一般都是多(duō)、空對(duì)沖的(de)組合，因此如果不合理(lǐ)考慮做(zuò)空限制，也(yě)會高(gāo)估因子的(de)收益。當然可(kě)喜的(de)是，學者們意識到了(le)交易費用(yòng)對(duì)因子效果的(de)沖擊，并開始在論文中對(duì)其加以必要的(de)探討(tǎo)。Novy-Marx and Velikov (2015) 研究了(le)交易費用(yòng)對(duì)因子效果的(de)影(yǐng)響，并提出三個(gè)交易策略來(lái)降低執行這(zhè)些因子投資組合的(de)成本：（1）僅使用(yòng)交易費用(yòng)低的(de)股票(piào)構建因子組合；（2）降低因子組合再平衡的(de)頻(pín)率；（3）在交易時(shí)考慮更嚴格的(de)買賣價差約束。

2.5 多(duō)指标、多(duō)因子綜合

在基金管理(lǐ)人(rén)進行因子投資時(shí)，無論是配置也(yě)好、給個(gè)股打分(fēn)也(yě)罷，通(tōng)常會把多(duō)個(gè)因子綜合起來(lái)使用(yòng)。學術界對(duì)于多(duō)個(gè)因子（或指标）綜合起來(lái)在解釋股票(piào)收益率截面差異方面也(yě)有很多(duō)研究。Piotroski (2000) 提出的(de) F-score 以及 Mohanram (2005) 提出的(de) G-score 是這(zhè)方面的(de)代表。此外，AQR 提出的(de) QMJ 因子（Quality-Minus-Junk）也(yě)是很好的(de)例子（Asness, Frazzini, and Pedersen 2019；該文最早的(de)版本是 2014 版本）。從我自己的(de)實證來(lái)看，QMJ 在 A 股上也(yě)是有效的(de)。就綜合多(duō)個(gè)指标這(zhè)個(gè)問題，Novy-Marx (2015) 指出，雖然同時(shí)使用(yòng)多(duō)個(gè)信号無可(kě)厚非，但仍需要謹慎考慮每個(gè)因子對(duì)于提升收益的(de)增量貢獻。

2.6 風格因子和(hé)宏觀經濟的(de)關系

學術界的(de)最後一個(gè)視角可(kě)以歸結爲風格因子和(hé)宏觀經濟的(de)關系。在不同的(de)經濟環境下(xià)，風格因子的(de)表現大(dà)相徑庭。研究經濟環境和(hé)因子收益率的(de)關系對(duì)于因子擇時(shí)也(yě)很有幫助。Claessens and Kose (2018) 調研了(le)學術界的(de)大(dà)量相關文獻，是一篇很好的(de)綜述。有必要說明(míng)的(de)是，宏觀經濟和(hé)因子收益率之間的(de)關系并沒有人(rén)們預期的(de)那麽強。Cerniglia and Fabozzi (2018) 也(yě)指出在這(zhè)方面還(hái)有大(dà)量的(de)研究要做(zuò)。

3 管理(lǐ)人(rén)視角

對(duì)于主動型管理(lǐ)人(rén)來(lái)說，因子投資早已成爲投資工具箱中的(de)重要選擇。一個(gè)因子的(de) on paper 收益率可(kě)能非常誘人(rén)，但是對(duì)于管理(lǐ)人(rén)來(lái)說，如何在現實中實現它是必須要解決的(de)問題。在實際圍繞該因子構建投資組合時(shí)，必須要考慮可(kě)投資性的(de)約束；成功的(de)因子投資需要注重從理(lǐ)論到實踐的(de)每一個(gè)細節。此外，對(duì)于管理(lǐ)人(rén)來(lái)說，一個(gè)好的(de)因子模型應該首先是一個(gè)風險模型。相較于學術界關注因子模型在解釋資産截面預期收益率差異方面的(de)作用(yòng)，管理(lǐ)人(rén)更關注因子模型在時(shí)序上能否和(hé)資産回歸得(de)到更高(gāo)的(de) R-squared，從而更好的(de)計算(suàn)風險（比如獲得(de)更準确的(de)協方差矩陣）。在計算(suàn)風險方面，Barra 模型無疑是最有名的(de)。這(zhè)解釋了(le)爲什(shén)麽在學術界的(de)模型中，我們最多(duō)隻看到 Fama-French 三因子、五因子模型這(zhè)些，而在 Barra 的(de)模型中（以 CNE6 爲例），我們看到了(le)國家因子、行業因子以及 9 大(dà)類風格因子（包括 16 個(gè)細分(fēn)因子） —— 模型中因子總數遠(yuǎn)超學術界因子模型中的(de)數量。

Cerniglia and Fabozzi (2018) 一文從以下(xià)四個(gè)方面闡述了(le)管理(lǐ)人(rén)視角下(xià)的(de)因子投資：

3.1 資金流入造成沖擊

當越來(lái)越多(duō)的(de)資金湧入因子投資時(shí)就會造成因子擁擠（factor crowding）。而 rule-based （使用(yòng)相似的(de)指标排序、接近的(de)調倉頻(pín)率）的(de)因子投資則加劇了(le)這(zhè)種負面影(yǐng)響。任何一個(gè)投資策略想要持續賺錢都是利用(yòng)了(le)市場(chǎng)在某方面的(de)非有效性。當使用(yòng)的(de)人(rén)越來(lái)越多(duō)，市場(chǎng)在這(zhè)方面就會變得(de)更有效，從而降低了(le)該因子獲取收益的(de)能力。因子擁擠也(yě)會造成流動性沖擊。一旦市場(chǎng)中發生沖擊風格因子的(de)事件後，持有相似頭寸的(de)管理(lǐ)人(rén)會競相賣出手中的(de)股票(piào)，由此産生的(de)流動性危機會造成很大(dà)的(de)虧損。2007 年 8 月(yuè)，美(měi)股市場(chǎng)上一些非常優秀的(de)量化(huà)對(duì)沖基金在短時(shí)間内錄得(de)了(le)巨大(dà)的(de)虧損。Khandani and Lo (2011) 對(duì)此進行了(le)研究并發現，很多(duō)量化(huà)基金經理(lǐ)在短時(shí)間内清理(lǐ)了(le)相似的(de)頭寸，巨大(dà)的(de)抛壓對(duì)流動性造成了(le)巨大(dà)的(de)打擊、使得(de)這(zhè)些股票(piào)的(de)價格在短時(shí)間内大(dà)幅下(xià)降。不幸的(de)是，嚴重的(de)流動性事件是低頻(pín)事件，這(zhè)意味著(zhe)我們很難對(duì)其造成的(de)負面影(yǐng)響有效建模。

3.2 因子擇時(shí)

我知道因子擇時(shí)是個(gè) hot potato。所以在這(zhè)小節的(de)論述中會加點料。今天我們從一階矩（收益）的(de)角度聊聊因子擇時(shí)。因子擇時(shí)是個(gè)大(dà)課題，這(zhè)一小節的(de)篇幅也(yě)肯定說不完。所以先建議(yì)各位小夥伴參閱 Bender et al. (2018) 這(zhè)篇文章(zhāng)。其領銜作者 —— State Street 的(de) Jennifer Bender —— 在因子投資界是響當當的(de)人(rén)物(wù)。該文客觀的(de)綜述了(le)使用(yòng)不同預測指标、在不同時(shí)間尺度下(xià)對(duì)不同風格因子擇時(shí)的(de)效果。這(zhè)些預測指标包括因子估值、因子動量以及各大(dà)類宏觀經濟指标。

談到因子擇時(shí)，不得(de)不提的(de)兩大(dà)門派是因子動量（factor momentum）vs 因子估值（factor valuation）。本節重點來(lái)聊聊按估值進行因子擇時(shí)是否靠譜。以下(xià)的(de)論述來(lái)自 Lee (2017) 這(zhè)篇 Factors timing factors（用(yòng)因子擇時(shí)因子）的(de)文章(zhāng)，頗有意思。按因子估值擇時(shí)由 Arnott et al. (2016) 提出。它指的(de)是使用(yòng)某種估值指标（比如 PB）來(lái)計算(suàn)因子組合中多(duō)、空兩頭的(de)估值，并以二者的(de)比值作爲因子本身的(de)估值；認爲因子未來(lái)的(de)收益率和(hé)因子當前的(de)估值呈現負相關 —— 即昂貴的(de)因子在未來(lái)更有可(kě)能獲得(de)負收益。從估值的(de)計算(suàn)來(lái)看不難發現，因子變得(de)昂貴了(le)意味著(zhe)該因子和(hé)價值因子負相關。

因此問題就來(lái)了(le)：和(hé)價值因子負相關就一定會在未來(lái)獲得(de)負收益嗎？乍一看，這(zhè)個(gè)問題的(de)答(dá)案似乎是肯定的(de)。由于價值因子長(cháng)期有效，因此如果一個(gè)因子和(hé)它呈現負相關，那它不就是隻能獲得(de)負收益了(le)嗎？然而仔細想想，答(dá)案并沒有這(zhè)麽簡單。最簡單的(de)反例就是動量因子，該因子以和(hé)價值因子長(cháng)期負相關而著稱。Asness, Moskowitz, and Pedersen (2013) 這(zhè)篇著名的(de) Value and Momentum Everywhere 通(tōng)過大(dà)量實證指出價值和(hé)動量長(cháng)期存在于全球的(de)股票(piào)、外彙、固定收益、商品期貨等市場(chǎng)中。

爲了(le)回答(dá)這(zhè)個(gè)問題，首先要分(fēn)清待使用(yòng)估值來(lái)擇時(shí)的(de)因子是 nonreplicable（不可(kě)複制）還(hái)是 replicable（可(kě)複制）。如果該因子無法被現有多(duō)因子模型中的(de)因子解釋（即加入這(zhè)個(gè)新因子能夠提高(gāo) mean-variance 有效前沿），則它被稱爲一個(gè) nonreplicable 因子；反之它是一個(gè) replicable 因子。對(duì)于一個(gè)價值因子無法解釋的(de) nonreplicable 因子，顯然即便它和(hé)價值因子呈現負相關（所謂的(de)估值高(gāo)），我們也(yě)不能說這(zhè)個(gè)因子要失效了(le)。動量因子正是這(zhè)樣一個(gè) nonreplicable 因子。對(duì)于 replicable 因子，價值因子無疑能解釋其獲得(de)的(de)一部分(fēn)收益。但不要忘了(le)，該因子還(hái)在其他(tā)已知因子上有正的(de)暴露。該因子的(de)收益率由所有用(yòng)來(lái)複制它的(de)其他(tā)因子的(de)收益率以及該因子在它們上面的(de)暴露決定；因此隻因估值過高(gāo)就說一個(gè)因子未來(lái)收益率要如何如何總是有些草(cǎo)率的(de)。

使用(yòng)估值來(lái)進行因子擇時(shí)這(zhè)個(gè)争議(yì)的(de)核心問題是：是什(shén)麽讓價值因子如此與衆不同？爲什(shén)麽我們就偏偏選了(le)它來(lái)對(duì)其他(tā)因子擇時(shí)？按照(zhào)這(zhè)個(gè)思路，是不是也(yě)可(kě)以把所有其他(tā)因子（投資、質量、市值）都用(yòng)來(lái)擇時(shí)？歸根到底，每個(gè)因子都是一個(gè)投資組合，因此可(kě)以計算(suàn)它的(de)多(duō)空兩頭在其他(tā)因子上的(de)取值。頗有意思的(de)是，Fama and French (2015) 五因子模型中，兩位意味深長(cháng)的(de)寫到：當加入 profitability 和(hé) investment 因子之後，價值因子變得(de)多(duō)餘了(le)。毫無疑問，因子估值能否擇時(shí)仍然會是未來(lái)争論的(de)焦點。

3.3 區(qū)分(fēn) α 和(hé) β 收益

随著(zhe)因子投資的(de)盛行，一個(gè)新的(de)挑戰油然而生：主動管理(lǐ)人(rén)獲取的(de)超額收益到底是 α 還(hái)是風格 β？搞清楚這(zhè)個(gè)問題對(duì)于成功甄别管理(lǐ)人(rén)至關重要，因此它也(yě)備受 MOM / FOF 的(de)關注。Bender, Hammond, and Mok (2014) 指出，管理(lǐ)人(rén)獲得(de)的(de)超額收益中，80% 的(de)部分(fēn)可(kě)以由因子暴露解釋，隻有剩下(xià) 20% 才取決于獲得(de) α 的(de)能力。由于不同風格因子的(de)表現受到宏觀經濟的(de)影(yǐng)響，主動配置因子 β（涉及到因子擇時(shí)和(hé)風險控制）從而獲得(de)超額收益也(yě)彰顯管理(lǐ)人(rén)的(de)能力。在一項最新的(de)研究中，Duanmu, Malakhov, and McCumber (2018) 比較了(le)主動 β 和(hé)主動 α 管理(lǐ)人(rén)，并指出長(cháng)期來(lái)看，最頂尖的(de)主動 β 型管理(lǐ)人(rén)能夠獲得(de)比頂尖的(de)主動 α 型管理(lǐ)人(rén)更優異的(de)收益。

3.4 創新的(de)重要性

對(duì)于任何研究領域，創新的(de)作用(yòng)都至關重要。對(duì)因子投資來(lái)說，創新意味著(zhe)使用(yòng)新的(de)數據或者算(suàn)法。随著(zhe)大(dà)數據的(de)普及，越來(lái)越多(duō)的(de)管理(lǐ)人(rén)開始搜尋新的(de)能夠成爲收益源的(de)數據（比如輿情數據、專利數據、新聞數據等）。此外，機器學習(xí)算(suàn)法也(yě)被廣泛的(de)應用(yòng)于因子投資實踐中，包括使用(yòng)機器學習(xí)算(suàn)法預測基本面财務指标，或挖掘因子和(hé)收益率之間的(de)非線性關系。

正是考慮到數據和(hé)技術的(de)革新對(duì)金融領域的(de)影(yǐng)響，2019 年 Institutional Portfolio Research Journals (IPR Journals) 爲旗下(xià)的(de)期刊系列增加了(le)一位最新成員(yuán) —— Journal of Financial Data Science，旨在指導金融領域的(de)實踐者正确使用(yòng)與日俱增的(de)數據和(hé)日新月(yuè)異的(de)技術。當然，創新的(de)機遇總是伴随著(zhe)巨大(dà)的(de)挑戰。雖然機器學習(xí)在金融領域以及因子投資領域擁有樂(yuè)觀的(de)前景，但由于金融數據信噪比很低，我們也(yě)需要時(shí)刻保持冷(lěng)靜。Lopez de Prado (2018) 詳細論述了(le)在投資領域實踐機器學習(xí)算(suàn)法時(shí)可(kě)能遇到的(de)各種坑，填補了(le)理(lǐ)論和(hé)實踐之間的(de)空白。

4 投資者視角

因子投資的(de)普及造就了(le)越來(lái)越多(duō)的(de) smart beta ETF 産品。2018 年，《經濟學人(rén)》（The Economist）估計這(zhè)些因子 ETFs 的(de)總規模超過 6500 億美(měi)元。大(dà)量低成本的(de) ETFs 産品讓普通(tōng)投資者也(yě)能享受風格因子帶來(lái)的(de)收益 —— 當然前提是能夠選擇适當的(de) ETFs。然而，這(zhè)并不容易。

在一項針對(duì)大(dà)學本科生和(hé)研究生的(de)實驗中，Choi, Laibson, and Madrian (2009) 讓參與者從衆多(duō)追蹤标普 500 指數的(de)被動型 ETFs 中挑出它們認爲最好的(de)。在實驗中，Choi, Laibson, and Madrian (2009) 爲參與者提供了(le)這(zhè)些 ETFs 的(de)費率以及在不同時(shí)期（故意的(de)）的(de)收益表現情況。作爲具備金融知識的(de)理(lǐ)性投資者來(lái)說，這(zhè)些 ETFs 均是被動的(de)追蹤标普 500 指數，因此應該把費用(yòng)的(de)高(gāo)低作爲唯一的(de)标準來(lái)選擇。然而，實驗者被不同階段的(de) ETFs 的(de)收益率差異所迷惑，絕大(dà)多(duō)數投資者忽略了(le) ETFs 的(de)費用(yòng)，而選擇了(le)收益率最高(gāo)（得(de)益于适當的(de)數據窗(chuāng)口）的(de) ETF。另一方面，就算(suàn)是排除了(le)投資者本身的(de)非理(lǐ)性行爲，琳良滿目的(de) ETFs 也(yě)足以讓人(rén)迷失。徐楊曾在 Wind 舉辦的(de)萬礦嘉年華介紹了(le)美(měi)股上的(de)價值投資實務。下(xià)表彙總了(le)他(tā)提及的(de)主流價值因子的(de) ETFs。

針對(duì)一些具有代表性的(de) ETFs，徐楊從因子敞口、費用(yòng)等六個(gè)方面進行了(le)分(fēn)析。從下(xià)圖中不難看出，即便都是價值因子 ETFs，它們的(de)風格特點也(yě)截然不同 —— 有些是更純粹的(de)價值投資、有些則注重于成分(fēn)股的(de)質量。

我從上表中的(de) ETFs 中挑選了(le)一些針對(duì)标普 500 構建價值因子的(de)标的(de)。下(xià)圖比較了(le)它們的(de)表現 —— 隻能說 not all ETFs are made equal。

下(xià)表總結了(le)這(zhè)些 ETFs 和(hé)标普 500 指數（SPX）在這(zhè)段時(shí)間内的(de)表現。由于最近幾年價值投資不太好使，這(zhè)些因子均跑輸 SPX 本身。但即便如此，它們之間也(yě)有明(míng)顯的(de)差異。從夏普率的(de)角度來(lái)說，最好的(de)要數 VTV（Vanguard 價值 ETF）、排在後面的(de)則是 IVE 和(hé) RPV。不幸的(de)是，對(duì)于投資者來(lái)說，事前就從這(zhè)些琳良滿目的(de) ETFs 中挑出最好的(de)并不容易。

Smart beta ETFs 的(de)流行給投資者提供了(le)越來(lái)越豐富的(de)工具，也(yě)對(duì)投資者提出了(le)更高(gāo)的(de)要求。在使用(yòng)這(zhè)些 ETFs 時(shí)，投資者需要首先明(míng)确自己的(de)目标 —— 是分(fēn)散化(huà)風險還(hái)是獲得(de)相對(duì)于市場(chǎng)的(de)超額收益。在明(míng)确目标之後，需要理(lǐ)解每個(gè)風格因子背後的(de)邏輯和(hé)它代表的(de)風險。唯有這(zhè)樣，才有可(kě)能享受這(zhè)些标的(de)帶來(lái)的(de)更高(gāo)性價比的(de)風險收益。

5 結語

因子投資已經成爲了(le)投資中的(de)标配。本文借 Cerniglia and Fabozzi (2018) 的(de)花獻佛，并加入了(le)大(dà)量背景知識，從學術界、管理(lǐ)人(rén)和(hé)投資者三個(gè)視角介紹了(le)因子投資。曆經幾十年來(lái)的(de)發展，因子投資從一個(gè)理(lǐ)論研究框架到如今如雨(yǔ)後春筍般誕生的(de)大(dà)量投資工具，加深了(le)我們對(duì)于股票(piào)市場(chǎng)的(de)理(lǐ)解，也(yě)造福了(le)廣大(dà)參與者。而無論是身爲學者、管理(lǐ)人(rén)還(hái)是投資者，我們需要做(zuò)的(de)是繼續擁抱和(hé)适應它的(de)發展與變革。

參考文獻

Arnott, R. D., N. Beck, V. Kalesnik, and J. West (2016). Timing 'Smart Beta' Strategies? Of Course! Buy Low, Sell High! Working paper.

Asness, C. S., A. Frazzini, and L. H. Pedersen (2019). Quality minus junk. Review of Accounting Studies 24(1), 34 – 112.

Asness, C. S., T. J. Moskowitz, and L. H. Pedersen (2013). Value and Momentum Everywhere. Journal of Finance 68(3), 929 – 985.

Banz, R.W. (1981). The relationship between return and market value of common stocks. Journal of Financial Economics 9(1), 3 – 18.

Basu, S. (1977). Investment performance of common stocks in relation to their price–earnings ratios: A test of the effi­cient market hypothesis. Journal of Finance 32(3), 663 – 682.

Bender, J., P.B. Hammond, and W. Mok (2014). Can alpha be cap­tured by risk premia? The Journal of Portfolio Management 40(2), 18 – 29.

Bender, J., X. Sun, R. Thomas, and V. Zdorovtsov (2018). The promises and pitfalls of factor timing. The Journal of Portfolio Management 44(4), 79 – 92.

Cerniglia, J. and F. J. Fabozzi (2018). Academic, practitioner, and investor perspectives on factor investing. The Journal of Portfolio Management 44(4), 10 – 16.

Claessens, S. and M.A. Kose (2018). Frontiers of macrofinancial linkages. Paper no. 95, Bank for International Settlement.

Choi, J.J., D. Laibson, and B.C. Madrian (2009). Why does the law of one price fail? An experiment on index mutual funds. Review of Financial Studies 23(4), 1405 – 1432.

Duanmu, J., A. Malakhov, and W. R. McCumber (2018). Beta active hedge fund management. Journal of Financial and Quantitative Analysis 53(6), 2525 – 2558.

The Economist. Maxing the factors. February 1, 2018.

Fama, E. F. (2017). The Fama portfolio, selected papers of Eugene F. Fama. J. H. Cochrane and T. J. Moskowitz (Eds), The University of Chicago Press.

Fama, E. F., L. Fisher, M. C. Jensen, and R. Roll (1969). The adjustment of stock prices to new information. International Economic Review 10(1), 1 – 21.

Fama, E. F. and K. R. French (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics 33(1), 3 – 56.

Fama, E. F. and K. R. French (2015). A five-factor asset pricing model. Journal of Financial Economics 116(1), 1 – 22.

Fama, E. F. and J. D. MacBeth (1973). Risk, return, and equilibrium: Empirical tests. The Journal of Political Economy 81(3), 607 – 636.

Feng, G., S. Giglio, and D. Xiu (2017). Taming the factor zoo. Chicago Booth research paper no. 17-04.

Graham, B. and D. Dodd (1934). Security analysis. New York: McGraw-Hill.

Green, J., J. R. M. Hand, and X. F. Zhang (2017). The characteristics that provide independent information about average U.S. monthly stock returns. Review of Financial Studies 30(12), 4389 – 4436.

Harvey, C. R. and Y. Liu (2018). Lucky Factors. Working paper.

Harvey, C. R., Y. Liu, and H. Zhu (2016). … and the cross-section of expected returns. Review of Financial Studies 29(1), 5 – 68.

Hou, K., C. Xue, and L. Zhang (2017). Replicating Anomalies. Fisher College of Business Working Paper No. 2017-03-010; Charles A. Dice Center Working Paper No. 2017-10.

Khandani, A.E. and A.W. Lo (2011). What happened to the quants in August 2007? Evidence from factors and transactions data. Journal of Financial Markets 14(1), 1 – 46.

Lee, W. (2017). Factors timing factors. The Journal of Portfolio Management 43(5), 66 – 71.

Linnainmaa, J. T. and M. R. Roberts (2018). The history of the cross-section of stock returns. Review of Financial Studies 31(7), 2606 – 2649.

Lopez de Prado, M. (2018). Advances in financial machine learning. Hoboken, NJ: John Wiley & Sons.

McLean, R.D. and J. Pontiff (2016). Does academic research destroy stock return predictability? Journal of Finance 71(1), 5 – 32.

Mohanram, P.S. (2005). Separating winners from losers among low-book-to-market stocks using financial statement analysis. Review of Accounting Studies 10(2-3), 133 – 170.

Novy-Marx, R. (2015). Backtesting strategies based on multiple signals. NBER Working Paper, No. 21329.

Novy-Marx, R. and M. Velikov (2015). A taxonomy of anomalies and their trading costs. Review of Financial Studies 29(1), 104 – 147.

Piotroski, J. D. (2000). Value investing: the use of historical financial statement information to separate winners from losers. Journal of Accounting Research 38, 1 – 41.

Ross, S. A. (1976). The arbitrage theory of capital asset pricing. Journal of Economic Theory 13(3), 341 – 360.

免責聲明(míng)：入市有風險，投資需謹慎。在任何情況下(xià)，本文的(de)内容、信息及數據或所表述的(de)意見并不構成對(duì)任何人(rén)的(de)投資建議(yì)。在任何情況下(xià)，本文作者及所屬機構不對(duì)任何人(rén)因使用(yòng)本文的(de)任何内容所引緻的(de)任何損失負任何責任。除特别說明(míng)外，文中圖表均直接或間接來(lái)自于相應論文，僅爲介紹之用(yòng)，版權歸原作者和(hé)期刊所有。