哪些选股因子具有行业配置能力？
由crisvalentine创建，最终由crisvalentine 被浏览 134 用户
摘要
文献来源：Vyas, K., and Van Baren, M. 2021. Should equityfactors be betting on industries? The Journal of Portfolio Management 48(1),73–92.
推荐原因：资产管理公司越来越多地将非传统股票因子应用于选股。这些因子存在不同程度的行业暴露。部分选股因子会因行业暴露获取更高的超额收益，而有些则会降低收益。本文评估了价值、质量、动量、低波和规模等五大投资风格中的21个选股因子的行业配置效率。结果表明，同一投资风格的不同选股因子在行业配置上的回报表现出显著差异，尤其是动量和质量因子。了解因子与行业暴露之间的相互作用可以在不影响业绩的情况下带来更高的超额收益并降低投资组合的波动率。
简介
投资组合管理人和研究员在应用因子策略时面临的核心问题是：他们愿意承担多大的风险。如何有效地实施一个能产生最佳回报溢价的策略是一项持续的挑战。其中关键问题之一是区分因子策略中的行业风险敞口是否能带来回报。行业风险在投资组合的风险配置中发挥着重要作用，而因子组合经常表现出偏好或远离某些行业的倾向。当表现出无回报的行业暴露时，基于因子的策略可能会严重表现不佳。这在如今尤其重要，因为资产管理公司在其选股过程中纳入越来越多的传统学术定义之外的选股因子。在投资过程中简单地引入选股因子，会导致行业风险增加而没有相应的回报溢价。
由于之前的研究主要集中在学术因子的定义上，本文旨在从21个广泛使用的选股因子集合中实证检验哪些因子可以用来进行行业配置。这些因子如图表1所示，涵盖了价值、质量、动量、低波动率和规模这五种投资风格。其中包含了非传统的因子定义，它们的行业风险在文献中尚未被充分探讨，但在实践中已被广泛应用。
本文旨在鼓励从业者构建因子策略时以回报性行业配置为首要目标。此外，本文重点强调，属于同一种投资风格的因子可能表现出截然不同的特征，这取决于因子的定义方法。意识到这些差异对于实施有效的因子策略至关重要。
解释非预期行业暴露的一个例子是1990年代后期的互联网泡沫。在人们发现信息技术和电信服务行业的可观回报和极高的增长预期后，此类公司的市净率大幅上升，导致它们被归类为该因子空头中的成长型公司。图表2展示了这一点，并同时说明了因子策略如何有效地转变为行业选择方法。
行业倾斜以市净率等学术因子而闻名，但图表2也表明，行业偏向也存在于不太典型的选股因子中，包括那些关注现金流盈利能力和盈利能力增长的因子。因此，图2说明了许多选股因子表现出行业偏向，或结构性的或是随时间变化的，这证明了我们的实证研究是合理的。如果情况并非如此，那么就不需要分析选股因子是否因行业配置而获得回报了。例如，我们看到盈利能力通常低估来自金融和房地产等行业的股票。从从业者的角度来看，重要的是要知道哪些因子可以被用来进行行业配置，而哪些不适用。
因子在行业配置中产生回报的能力存在差异，这可能由多种原因导致。首先，基于基本面数据的变量，例如市净率，不同行业的差异可能源于会计准则的差异。例如，对于医疗保健行业和信息技术行业，这些行业的市场价值往往比账面价值更高。这些公司大力投资于研发，并不总是遵守会计准则将这些投资资本化。我们预计诸如此类的跨行业会计差异不会导致跨行业回报的差异。除了会计实践之外，企业的性质可能因行业而异，这可能导致成长性、盈利能力和风险状况的结构性差异。通过加强其横截面的可比性，控制这些差异可能会使一个因子对未来回报的预测能力更强。行业分类可以作为这些差异的代表。
另一方面，对一个因子进行行业中性化也可能会降低其表现。如果一个因子的回报溢价与行业分类无关，则进行行业调整可能会去除有价值的信息（Asness、Porter 和 Stevens2000）。具体而言，对于动量因子，由于反应不足、外推和信息缓慢扩散的影响而产生的行为偏差，分别由 Barberis、Shleifer 和 Vishny（1998）以及 Hong 和 Stein（1999）提出，同时适用于行业配置和选股。低波动率的基本原理，例如杠杆约束（Frazzini 和 Pedersen，2014），也同时适用于两个层面。事实上，行为偏差可能会导致投资者在结构上避开已知具有低波动率特征的整个行业，导致跨行业的低波动率溢价。尽管不同的因子有不同的解释原因，但本文的主要贡献是研究跨行业因子回报溢价存在差异的程度。
在学术文献中，Daniel和Titman（1997）、Cohen和Polk（1998）、Asness、Porter 和 Stevens（2000）、Cohen、Polk和Vuolteenaho（2003）以及 Bender、Mohamed 和Sun（2019）表明价值因子，由账面市值比定义，在跨行业中未被定价，其溢价纯粹来自行业内的股票选择。然而，这种分析并没有扩展来包括当今实践中使用的大量其他价值定义。质量因子定义可以分为不同的组别，例如盈利能力、成长性、摊薄和收益稳定因子（Asness 等人，2018）。除了 Novy‑Marx（2013）提出的关于毛利率在行业内定价这一事实的证据外，其他质量定义尚未在这方面被检验。对于动量，Nijman、Swinkels、和Verbeek（2004）以及Bender、Mohamed和Sun（2019）表明，该类因子主要通过选股获得溢价。然而，Moskowitz 和 Grinblatt（1999）的研究表明，动量在很大程度上因其行业配置而获得回报，而 Asness、Porter和Stevens（2000）发现动量同时从股票选择和行业选择中获得溢价。Asness、Frazzini和Pedersen（2013）表明，低波动率异常在行业内最为明显，而Asness、Porter和Stevens（2000）以及 Bender、Mohamed和Sun（2019）表明，规模是在行业内定价的。表明动量在很大程度上因其行业配置而获得回报，而 Asness、Porter 和 Stevens（2000）发现动量从股票和行业选择中获得溢价。Asness、Frazzini 和Pedersen（2013）表明，低波动率异象在行业内最为明显，而Asness、Porter和Stevens（2000）以及Bender、Mohamed和Sun（2019）表明，规模因子是行业内定价因子。
本文旨在通过关注选股因子和适用于从业者的投资领域来增加研究主体。我们利用高度流动性的投资领域，在全球市场中评估21个选股因子，而以往大多数研究往往侧重于美国市场。由于其流动性和全球性，这代表了机构资产管理公司的典型投资领域。我们的分析框架构建了简单易读的图表，来显示一个因子是否因其进行行业配置而获得回报。它使用横截面回归来控制其他风险因子。
我们发现从业者对风格因子的定义存在重要的细微差别。研究结果表明，我们的各类价值因子仅在行业内选股有效，而对行业配置没有溢价。这一发现意味着价值因子不应被赋予行业配置的风险预算，而应纯粹用于行业内选股。我们确实发现自由现金流收益率与其他定义下的价值因子表现不同。在价值策略中限制行业配置预算的好处主要是减少波动性和回撤。对于质量因子，我们发现各种定义下因子在获取行业配置溢价的能力方面存在差异。我们发现，资产收益率、股本收益率、股票发行等各种质量因子从行业配置中获得溢价。限制质量因子跨行业配置的能力会减少2.49% 的年回报。凭借动量，投资者通常可以收获行业内和跨行业的溢价，其取决于因子的具体定义。我们发现短期6-1m动量纯粹从行业选择中获得溢价，长期12-1m动量则包含行业内和行业间溢价，盈利修正主要产生选股溢价。去除动量策略的行业配置预算导致年超额收益减少1.73%。对于低波动率，行业内选股策略产生了最大的t统计量；跨行业溢价也很可观，每年增加 0.99%。最后，对于规模因子，我们只发现了行业内溢价。
本文的其余部分结构如下。首先，我们描述了数据和方法。随后，我们分别展示了每个投资风格内不同选股因子的结果，包括了北美、欧洲、亚太地区和日本等不同地区的结果。随后讨论了结果和选股因子在行业配置回报上的差异。我们的结论和其对投资者的影响在结尾展示。
数据
我们选取了1994年7月至2018年2月期间富时世界发达指数的数据，并确定每个月底该指数的所有成分，将其作为该特定月份的整体数据。这个全球数据集平均包含2000只大中盘股票。从实践的角度来看，这是机构资产管理公司典型投资领域的一个很好的代表，因为它具有高度的流动性和全球市场的代表性。此外，众所周知，当投资范围仅限于大中盘股票时，许多回报异常就不那么明显了，这使得我们对整体数据的选择较为保守。样本期使我们能够评估各种经济环境中的因子表现。我们的富时指数成分股、回报数据和基本面数据的数据源是FactSet。为了避免我们每月基本面数据的前瞻性偏差，我们保守地使用了六个月滞后数据。我们采用这种滞后是因为我们的整体数据包含来自世界各地的上市股票，而某些地区的报告截止日期不那么严格。
方法
要研究一个因子是否因行业内选股和/或行业配置而获得回报，我们必须首先引入行业内因子和跨行业因子。我们的行业调整需要从因子 （在t月的每只股票i）构建横截面稳健的Z分数，如公式1所示。k是等于 1.4826 的恒定值（Rousseeuw和Croux 1993）。
我们评估了各种标准化方法，例如（缩尾）均值和加权均值，发现它们具有高度的可比性。我们选择的度量对异常值最稳健。我们将其称为行业内因子。如前所述，通过标准化一个因子来完全消除行业风险可能并不一定是理想的，因为如果该因子通过额外的行业配置赢得溢价，标准化可能会消除部分预测能力。为了检验哪些因子因行业暴露而获得回报，我们为每个行业构建了稳健的因子中位数，如公式 2 所示。我们将其称为跨行业因子。
例如，如果给定的股票被归类为保险行业，我们按照以下方式计算行业内账面价值比：减去账面价值比中位数后除以保险行业的账面价值比的绝对偏差中位数。这产生了一个可确保跨行业的横截面可比性的因子。此外，该证券的跨行业账面价值比将由保险行业所有证券的账面价值比中位数代表。
如前所述，我们使用行业分类框架来对我们的因子进行分类。我们使用全球行业分类标准 (GICS) II级，其包括 24 个行业。这允许我们在构建跨行业和行业内因子时在足够的广度和颗粒度之间进行权衡。广度对于跨行业因子特别重要，而颗粒度对于行业内因子更为重要。如果我们使用更高级别的GICS I级分类，跨行业因子将产生很小的配置广度。如果我们使用较低级别的GICS III级分类，行业内因子将根据由少数证券计算出的中位数进行调整。在整篇文章中，我们将24个 GICS二级行业群称为产业。线上补充材料说明了不同行业在估值、盈利能力、风险和市值方面的差异。
我们通过检查等式3中表示的线性因子组合的溢价来确定一个因子F是否获得行业内和/或跨行业溢价。
在等式3中，
指行业调整（即行业内）因子，
指行业（即跨行业）因子，w表示介于0至1之间的权重。如果我们使用增量步骤让w从0增加到 1，我们可以观察增加跨行业因子的权重会使总溢价
增加还是减少。我们预测有三种类型的结果。第一，如果一个因子获得行业内溢价，但没有跨行业溢价，我们预计溢价
随着权重w单调增加。第二，如果一个因子只获得跨行业溢价，我们预计溢价
随着权重w递减。第三，如果一个因子同时获得两种溢价，我们期望
产生一个关于w的凸函数，而最佳值介于w=0和w=1之间。这些案例在图表 3 中进行了说明。这种方法产生了简单且易于解释的图表，可以直观地显示一个因子是否因其行业配置而获得回报。
我们使用横截面回归（Fama和MacBeth 1973）来测量
不同取值下溢价的显著性。这使我们能够对其他风险因子进行事前控制。我们对因子组合
执行等式4的横截面回归，并为21个选股因子分别画图（类似图表3）。
我们使用平均风格因子来限制回归中的变量数量，并防止多重共线性问题。对于一个给定的因子，我们在回归方程中包括了除所选风格因子外的其他风格因子（例如，我们在对账面市值比回归时，将所有价值因子排除在外），因为控制一个类似的风格因子几乎没有意义。
我们还在整个测试过程中使用地区虚拟变量作为对照，以控制来自北美、欧洲、亚太地区（日本除外）和日本的地区影响。例如，如果我们将账面市值比代表价值因子，则控制变量为地区虚拟变量和按照等式5方式计算的质量、动量、低波动率和规模风格因子变量。对于线性组合 ，我们使用从横截面回归估值的平均溢价
值对应的t统计量作为统计显著性的度量（Fama和MacBeth 1973）。我们绘制了当w在0-1间的
的t统计量，通过这些易于解释的图表，来判断该因子是否从行业配置中获得了显著的回报溢价。我们使用Newey‑West标准误差估计来减轻自相关和异方差的担忧（Newey和West 1987）。这些图表的意义可以这样解释：如果最左边t统计量大于2，那么该因子获得显著的跨行业溢价；如果最右边t统计量大于2，该因子获得显著的行业内溢价。如果最左边和最右边t统计量都高于2，该因子同时获得跨行业溢价和行业内溢价。曲线的峰值表示最高t统计量所对应的权重。
随后，我们弥补了理论与实践之间的差距。我们比较了有行业调整和无行业调整的价值、质量、动量、低波动率和规模投资组合的表现特征。在每个月末，我们通过根据公式5中定义的因子对股票进行排名，来构建价值加权的五分位投资组合，并对每种风格的所有因子求平均值（如制度因子策略中通常所做的那样）。投资组合每个月都会进行再平衡，如实施因子策略的资产经理通常所做的那样。产生的结果与三个月和六个月的再平衡频率相似。在整个分析过程中我们都忽略了交易成本。对于每个五分位数的投资组合，我们在投资组合形成后的一个月内计算超过无风险回报的（年化）回报，平均收益、标准差、夏普比率和最大回撤。
结果
以上已经讨论了方法论框架，下面我们将按顺序展示每个风格因子测试的实证结果。图表4显示了投资组合排序的全球结果。
价值因子
我们考虑以下定义作为价值因子：账面市值比、EBITDA-EV、自由现金流收益率、未来 12 个月的净利润、股息率、销售额-EV 和 EBIT-EV。图5描述了当我们从纯行业选择因子（w = 0) 转移到纯行业内选股因子（w = 1）时t统计量的变化。此外，未经调整的因子溢价的t统计量被添加到图表中作为参考点。
一个清晰的模式出现了，随着我们从行业选择因子转向行业内选股因子时，溢价估值的t统计量在单调增加。换句话说，当将权重从跨行业因子转移到行业内因子时，因子溢价的重要性在每一次增量中都会增加。我们看到，价值因子显然只赚取了行业内选股溢价，而没有行业选择溢价。换句话说，价值因子可能容易出现行业倾斜，但这些行业配置不会提供溢价，只会增加投资组合的风险。一种可能的解释是，由于相关风险因子、增长和盈利能力以及最重要的会计实践的异质性，这些基本比率在各行业之间无法直接比较。一个值得注意的见解是，自由现金流收益率不同于其他价值因子，并且受益于行业配置。其独特性的一个可能解释是与其他价值因子相比，它与质量因子具有相似性，如 Foerster、Tsagarelis和Wang（2017) 和Wang（2020）所示。关于价值的结果与学术共识是一致的，正如Daniel和Titman(1997)、Cohen和Polk(1998)、Asness、Porter和Stevens(2000)、Cohen、Polk和Vuolteenaho(2003) 以及Bender、Mohamed和Sun(2019) 所发现的。
全球结果显示，行业内价值因子的回报溢价比未经调整的策略高0.19%。最重要的是，波动率从10.99%降低到8.66%，夏普比率从0.88提高到1.14，最大回撤从‑29.24%降低到‑18.54%。这证实了无回报风险的消除。夏普比率的差异是显著的，t统计量为9.43，并且结果在不同的地区中都是稳健的。我们确实看到欧洲和北美之间以及亚太地区和日本之间在回报溢价方面存在有趣的差异。尽管伴随着更高的波动性和更低的夏普比率，但在允许行业偏离时，后者确实显示出更高的回报溢价。
质量因子
我们使用毛利率、投资资本回报率、利润增速、股票发行、总资产收益率、净资产收益率和资产增长率作为质量因子。与价值因子相比，质量因子的表现在图表6中情况各异，增函数、减函数和凸函数都有出现。因此，就质量而言，不同因子的行业配置能力各不相同。我们发现总资产收益率、净资产收益率和股票发行显示出强大的行业选择能力。请注意，在控制我们的总价值、动量、规模和低波动率因子时，资产增长率根本没有显示溢价。此外，我们发现毛利率确实对行业配置具有预测能力，这与Novy‑Marx(2013)的研究形成对比，后者证明了行业调整后的毛利率表现优于未调整因子。不同质量因子的特性差异可能是由于质量定义的异质性造成的。质量定义可以分为不同的组别，例如盈利能力、增长、摊薄和盈利稳定因子（Asness、Frazzini和Pedersen 2019；Hsu，Kalesnik和Kose 2019）。我们的研究结果表明，不同类别在赚取行业配置溢价方面的能力差异很大。因此，在实施质量策略时，重要的是要了解各种质量定义的行业特征之间的差异。我们观察到，质量因子显示出行业选择的潜力，尽管质量指标在不同行业中与会计实践中的价值因子具有相同的异质性，最重要的是，相关风险因子以及增长和盈利能力方面的差异。因此，重要的是要了解各种质量定义的行业特征之间的差异。
从图表6的结果来看，我们认为行业内质量因子收益的降低主要是由于去除了总资产收益率、净资产收益率和股票发行的行业配置溢价。行业中性质量策略将波动率从6.18% 降低到5.03%，这是预期之内的，因为该策略将降低行业风险。然而，这种风险获得了额外的2.49% 的超额回报，这意味着消除该风险会拖累业绩。行业内策略的夏普比率为0.94，低于未调整策略的1.16。这种差异在统计上是显著的，t统计量为3.61。这一发现在各个地区都是稳健的。与价值因子的结果相反，我们的经验证据表明，在质量因子中限制行业暴露可能会损失2.49%的年收益。这一结果表明，风险状况和会计准则等方面的差异不足以解释一个因子是否获得行业配置溢价。
动量因子
我们考虑以下定义作为动量因子：6‑1m总回报动量、12‑1m总回报动量和盈利修正。如图表7所示，各种动量定义的表现差异显著。短期6‑1m动量似乎完全从行业配置中获得回报溢价，而12‑1m动量似乎同时从行业内选股和行业配置中获得回报。盈利修正主要是一个选股因子。然而，我们确实注意到盈利修正因子结果在跨行业溢价也具有统计显著性。因此，所有动量因子都从行业配置中获得溢价，短期6-1m从行业配置中获得全部溢价。12‑1m动量和盈利修正还可作为选股因子。因此，动量异象在各行业中最为一致。此外，与Moskowitz和Grinblatt(1999)的发现一致，短期 6‑1m的动量异象完全通过行业配置获得。盈利修正显示了行业内选股的最大潜力。
图表4显示未经调整的动量策略为6.66%，行业内动量策略为 4.93%。行业内策略的业绩下降源于消除动量因子在行业之间配置的能力，正如我们之前所展示的。同样，我们看到在行业调整时波动率自然会降低，但这种风险获得了额外的1.73% 风险溢价。未经调整的策略的夏普比率为0.38，而行业内策略的夏普比率为 0.34。这个差异在统计上是显著的，t统计量是2.68。
低波动率因子
我们考虑以下定义作为低波动率因子：基于每周观察的一年、两年和三年收益率的波动率。图表8显示，鉴于其单调向上的走势，低波动率溢价似乎在行业内最强。然而，其行业配置溢价也带有显著的t统计量。与Asness、Frazzini和 Pedersen（2013）的发现一致，显著性单调上升的形状证明，错误定价在行业内最为明显，尽管它也存在于行业层面。这个结果是直观的，考虑到低波动率的基本原理，例如杠杆限制，应该同时存在于行业和股票层面。此外，具有风险寻求行为的投资者会避开低风险股票和必需消费品等整个行业。
图表4显示未经调整的低波动率策略的回报溢价比行业内策略高0.99%，分别为4.47%和3.48%。这是因为波动率也是行业回报的一个预测指标。有趣的是，对于多空溢价而言，夏普比率差异在统计上并不显著。地区结果显示夏普比率差异对除北美以外的所有地区都具有显著的统计学意义。然而，该策略的多头是主要贡献方，因为低波动率策略通常以只做多的形式实施。对于前五分之一，未调整策略的夏普比率为0.91，而行业内策略的夏普比率为0.72，这个差异在统计上显著的，对应的t统计量为8.57。
规模因子
我们使用市值的对数作为规模因子。图表9表明，规模仅在行业内定价。我们注意到高显著性水平是因为纳入了质量风格因子作为控制变量之一；如 Asness、Frazzini和Pedersen（2019）所示，在控制质量时会出现溢价。我们的发现与Asness、Porter和Stevens（2000）以及 Bender、Mohamed和Sun（2019）的发现一致。此外，这是直观的，因为我们不知道任何行业规模可以预测行业表现的经济原理。
图表4显示行业内策略的回报溢价为4.29%，高于未经调整策略的2.35%。夏普比率差异在统计上显著；未调整策略的夏普比率为0.23，行业内策略的夏普比率为0.53。最引人注目的是，行业内规模溢价的最大回撤为‑18.5%，明显低于未调整规模因子的‑52.55%。
结论
资产管理公司越来越多地在其选股过程中纳入传统学术定义之外的选股因子。对于从业者来说，了解选股因子与行业风险敞口之间的关系变得越来越重要。在投资过程中单纯地使用选股因子可能会导致意外的，甚至更糟糕的，没有回报的行业风险。这一点尤其值得关注，因为行业配置通常在确定投资组合的特征和风险方面发挥重要作用。如果不能正确把握这些有影响力的方式，基于因子的策略可能会表现不佳。我们对价值、质量、动量、低波动率和规模风格因子使用了一套广泛的（21个）因子定义，包括学术界不常研究但实践者经常使用的定义。我们发现，对于一个因子是否可以通过行业配置赚取溢价的问题，答案有很大的不同，即使是相同的风格因子，结果也会产生差异；并且很大程度上取决于所使用的确切因子定义。图表 10 总结了我们的发现，并显示了哪些选股因子适用于行业配置，哪些不适用。意识到此处提出的差异对于有效实施因子策略至关重要。
我们的大部分价值因子只对选择行业内的股票有效，在行业配置上没有溢价。这意味着价值因子不应作为行业配置的风险预算，而应纯粹用于行业内选股。我们发现自由现金流收益率的表现他价值定义不同。不同因子的行业配置能力各不相同。我们发现总资产收益率、净资产收益率和股票发行显示出强大的行业选择能力。限制质量因子跨行业配置的能力已被证明会减少2.49%的年化回报。需要进一步的研究来解释质量因子的不同表现。对于动量因子，我们发现短期6‑1m动量纯粹是从行业选择中获得溢价；12‑1m的长期动量同时获得两类溢价，盈利修正主要为行业内选股带来溢价。去除动量的行业配置预算，年回报将下降1.73%。对于低波动率因子，行业内选股策略产生了最大的t统计量；跨行业溢价也很可观，年回报高于前者0.99%。最后，对于规模因子，我们只发现行业内溢价。
投资组合经理可以直接将我们的研究结果付诸实践。我们可以中和未因其行业敞口而获得回报的选股因子，并为已证明因行业暴露带来回报的因子提供行业配置预算。我们的研究结果强调，了解因子与行业暴露之间的相互作用可以在不影响业绩的情况下带来更高的超额收益并降低投资组合的波动和回撤。尽管本文关注的是行业暴露，但可以在进一步研究中探索与国家、规模和 Beta 暴露的相互作用。