传统上，股权投资者已经接受了基于因子的投资策略，例如使用质量、价值和动量等因素来提升投资组合的表现。推动因子利用的是支持这些因素在长期内持续优于广泛股票市场的实证研究和证据。与此同时，投资者正大力推动将人工智能应用于投资过程，以提高表现并降低风险。不断增加的数据可用性和人工智能技术的进步——包括在金融市场中识别和利用新联系的潜力——促进了这一令人兴奋的空间的日益探索。
这种情况在因子投资和人工智能这两个概念的交集中提出了一个机会。我们在这里探讨的交集区域是因子时机选择，特别是动态因子时机选择。为此，我们与芝加哥大学的斯蒂凡·纳格尔教授合作，他是因子投资和人工智能领域的世界顶级专家。我们共同探讨投资者如何在传统现代投资组合理论的背景下应用因子投资和人工智能。
人工智能：避免潜在陷阱以提升结果
人工智能有可能通过处理大量数据以发现洞察来改善投资结果，这被称为机器学习，是人工智能的一个子领域。然而，投资者刚刚开始探索如何使用它。令人兴奋的可能性包括更好的收益和风险预测、更高效的资产组合以及发现隐藏的模式。然而，这些技术也伴随着重要的警告。常见的陷阱包括误用、过度依赖单一且不透明的估计以及过度拟合历史数据模型。
在因子时机选择的背景下充分利用优势并避免陷阱，我们的研究显示，投资者可以通过基于人工智能的稳健投资过程来实现。这种方法展示了我们如何通过更动态而非静态的方法来改进因子时机技术。
因素时机：从静态… 开始
因素会经历周期，在这些周期中，它们的回报会波动。投资者可以通过在不同因素之间进行多元化投资来减轻这种周期性。一个重要的问题是投资者是否可以预测这种周期性。简而言之，因素的时机选择涉及识别诸如情绪、估值或当前商业周期等变量之间的关系，以及它们如何影响因素的回报。例如，研究可能表明，历史上表现良好的因素将继续表现良好。在时机框架中，这意味着我们应该增加近期表现积极的因素的权重，也就是动量，反之亦然。
大多数时机技术是静态的。尽管因子权重的相对偏好会有所变化，但静态方法忽略了预测变量和因子随时间的动态关系。例如，也许使用动量来时机因子整体上有效，但在某些时候却无效。
…到动态
认识到实际上因子关系并非恒定，我们在研究中旨在建立在静态方法的基础上，创建一种动态方法来捕捉因子时间中的变化关系。为此，我们开发了一种动态因子时间框架，该框架结合了现代投资组合理论和人工智能。
具体来说，我们采用了均值-方差方法——这是现代投资组合理论的核心——并结合了一种名为正则化的机器学习技术。正则化是一种方法，对于我们来说，它对因子择时的预期效果引入了数据驱动的怀疑态度。该过程系统地处理新数据，动态调整因子权重，以生成动态因子择时投资组合的最佳配置。
如果认为时机因子暂时无效，正则化方法可以降低甚至完全关闭时机因子，并将目标因子重新分配为等权重（等权重因子组合）。这可能发生在人工智能判断的怀疑程度较高时。相反，当模型有信心且怀疑程度较低时，投资组合将倾向于动态时机因子组合，在这种情况下，人工智能将增加对时机因子组合的重视。
结果
使用该框架，我们评估了包含价值、动量和质量 4 因子的长仓组合的表现。图 1 展示了我们动态因子择时组合在收益和风险方面的优势。我们注意到，等权重因子组合相对于排除金融行业的罗素 1000 指数表现更佳，这与因子投资领域的文献相符。
第二，我们观察到动态因子组合的进一步回报提升。具体而言，该组合不仅采用了静态因子时机策略，还结合了人工智能的实现，使其表现平均每年提高了 1.5%，同时风险有所降低。结合这些数据，我们可以看到均值加权因子组合的夏普比率从指数的 0.66 提升到了动态因子组合的 0.82。总体来看，这种方法论在多因子组合中展示了显著的回报和风险优势。
展示 1：假设：动态因子时机选择的表现更优
我们的假设动态因子投资组合在绝对收益和风险调整收益方面均优于除金融行业外的广泛市场以及等权重因子投资组合。
使用 AI 增强传统投资组合管理
在金融市场的任何人工智能和时机选择方面，都必须保持纪律。仅仅识别和利用具有经济意义的关系，并显示出长期平均正收益，可能会忽略这些关系随时间的变化。传统方法可能无法捕捉到这些变化，而人工智能方法则非常适合识别这些变化并进行调整。但我们也不希望偏离现代投资组合理论中经过验证的传统实践太远。
因此，通过与 Nagel 教授的合作，我们开发了一个结合传统投资组合理论和人工智能的灵活框架，以解决这些问题。该框架通过允许对市场环境进行调整，从而改善了因子时机投资组合的构建，这些市场环境可能对静态因子时机产生不利影响。使用动态框架，我们可以调整时机的程度，甚至完全关闭所有时机，如果我们的方法检测到预测变量-因子关系中的隐藏变化时。我们预计这种方法将带来几个重要的影响，为投资者提供更强大的工具来应对日益复杂的金融市场。
例如，可以参见 Hunstad、Lehnherr 和 Prakash (2023)的《因素基础》北方信托白皮书。
2 奈格尔教授曾是《金融杂志》的前编辑，并撰写了关键的人工智能/机器学习教科书。这次合作产生了一种基于人工智能的独特框架，该框架认识到许多人工智能技术的局限性，并将其应用于因子收益和风险的时机。
为了获取完整的技术细节，请参见罗伯特·莱恩赫尔、曼纳·梅 hta 和斯特凡·纳格尔的论文《高维设置下的最优因子时机选择》，该论文可在 SSRN 上找到，论文编号为 4938729（2024）。
在此分析中使用的变量分别为现金流量收益率、12 减 1、总资产增长率和毛利润率。
韭菜热线原创版权所有，发布者：风生水起，转载请注明出处：https://www.9crx.com/89548.html
