天风金工-海外文献推荐-第十一期20170808

1、 金融工程 | 金工专题报告金融工程证券研究报告2017 年 08 月 08 日作者海外文献推荐 第 11 期吴先兴 分析师SAC 执业证书编号：S1110516120001资要点对冲基金收益优化投资组合我们从拥有传统资产的投资组合投资者的机会成本角度提出了一个应用 PFM 模型，阐明对冲基金多种策略的潜在风险和收益驱动因素。我们研究了如何解释和使用因子的关键信息，以改善对冲基金经理的选择，并最终拓宽投资组合构造的方法。许多投资者拥有对冲基金，因为它们的夏普比率较高，波动较低。但我们已经表明，作为一个组合的对冲基金的风险和回报几乎完

2、全由系统风险溢价的组合来解释。掌握这些信息、工具和方法，对冲基金经理的选择和更广泛的投资组合的建设可以着重去识别和捕捉收益来源的多样性，即可替代的风险溢价、异常风险溢价和筛选技能的回报， 对于前瞻兴投资者，他们将提供与传统风险溢价不同的置信水平。 阚文超联系人关报告1 金融工程：专题报告-基金经理管理业绩分析-国泰估值优势偏股混合型基金 2017-07-182 金融工程：专题报告-私募 EB 正股的投资机会 2017-07-113 金融工程：专题报告-基金经理管理业绩分析 2017-07-064 金融工程：专题报告-国债期货组合趋势

3、策略： 以损定量, 顺势加仓2017-06-195 金融工程：专题报告-量化选股模型：戴维斯双击！ 2017-06-186 金融工程：专题报告-国债期货展财务风险有多重要？ 金融引起了人们的高度关注，但是与金融部门的困境相比，美国非金融部门的问题相对较小。本文研究了 1964 年至 2009 年期间美国的数据，经过大量数学分析，发现了财务风险与公司前景的关系。 状态变量、宏观经济活动与个股截面数据的关系 本文对来源于个股中截面数据的状态变量的风险溢价与这些变量在时间序列中的预测是否具有一致性进行了研究。研究发现这些时间序列和截面数据是相一致的。这一发现表明了投资者最终关注的是经济周期风险，因此

4、需要 从包含了系统性经济信息的变量的暴露中获取风险溢价。最近的投资组合的研究告诉我们，状态变量的风险溢价不符合在跨期资本资产定价模型中的套期保值动机，但本文的研究质疑了这一观点。此外，本文还讨论了只利用Fama-French 模型中的因素和特征无法充分得到状态变量的风险溢价。 期价差交易2017-05-257 金融工程：专题报告-基于高管增 持的投资策略2017-05-14风险提示：本报告不构成投资建议。8 金融工程：定期报告-2017 年 6 月沪深重点指数样本股调整预测2017 - 05 - 06 9 金融工程：专题报告-预知业绩能有多少超额收益？ 2017-04-1610 金融工程：专题

5、报告-策略的趋势过滤 2017-03-2211 金融工程：专题报告-日间趋势策略初探 2017-03-1012 金融工程：专题报告-基于自适应破发回复的定增选 股 策略 2017-03-0913 金融工程：专题报告-定增节点收益全解析 2017-03-0614 金融工程：专题报告-潜伏 ST 摘帽 2017-03-0615 金融工程：专题报告-量化 CTA 策略概述 2017-02-1416 金融工程：专题报告-潜伏业绩预请务必阅读正文之后的信息披露和免责申明1 金融工程 | 金工专题报告内容目录对冲基金收益优化投资组合4简介4投资组合因子模型4实证分析51.2.3.对冲风险与收益5非流动性资

6、产8结论.4.财务风险有多重要？9简介9假设与模型分析91.2.假设9风险模型10数据与证明结果10数据10结果与证明11结论..2.4.状态变量、宏观经济活动与个股截面数据的关系15简介15一致性分析151.2.宏观经济模型预测15股票级资产定价测试16风险分类的投资组合18结论与总结.3.4.图表目录图 1：因子定义和收益溢价5图 2：因子相关系数矩阵5图 3：PFM 回归的因子 beta 的 t 统计量以及调整 R 方6图 4：对冲基金的表现和风险6图 5：HFRI 指数 vs 因子基准7图 6：alpha 值和 beta

7、 值8图 7：滞后期市场因子和信用因子的回归描述8图 8：LT 模型的增强模型公式分析10图 9：经济和金融风险变量的总结统计11图 10：股权波动性分组后变量的汇总统计量11图 11：LT 模型的汇总和 Fama-MacBeth 估计结果12图 12：潜在偏差调整的 LT 的隐含杠杆度量13请务必阅读正文之后的信息披露和免责申明2 金融工程 | 金工专题报告图 13：1991 - 2008 公司数据的汇总统计14图 14：增强 EGARCH 模型的股票波动估计结果14图 15：状态变量描述性统计量16图 16：状态变量回归结果17图 17：回归分析17图 18：投资组合分析18未找到图形项目

8、表。请务必阅读正文之后的信息披露和免责申明3 金融工程 | 金工专题报告对冲基金收益优化投资组合文 献 来 源 ： Peter Mladina. Illuminating hedge fund returns to improve portfolio construction. The Journal of Portfolio Management, Spring 2015:127-140.推荐理由：我们从拥有传统资产的投资组合投资者的机会成本角度提出了一个应用PFM 模型，阐明对冲基金多种策略的潜在风险和收益驱动因素。我们研究了如何解释和使用因子的关键信息，以改善对冲基金经理的选择，并最终拓

9、宽投资组合构造的方法。许多投资者拥 有对冲基金，因为它们的夏普比率较高，波动较低。但我们已经表明，作为一个 组合的对冲基金的风险和回报几乎完全由系统风险溢价的组合来解释。掌握这些信息、工具和方法，对冲基金经理的选择和更广泛的投资组合的建设可以着重去识别和捕捉收益来源的多样性，即可替代的风险溢价、异常风险溢价和筛选技能的回报，对于前瞻兴投资者， 他们将提供与传统风险溢价不同的置信水平。 1. 简 介对冲基金的风险和收益驱动力可能不透明、难以识别，并且随着时间的推移不断变化。作为多资产管理公司，对冲基金可以灵活选择证券、时间市场、杠杆，并在全球资产类别 中卖空。投资者经常努力寻找适当的收益和风险基

10、准，通常用复合指数，国库券加上溢价或对冲基金指数之一进行比较。但这些基准并没有捕捉并解释个别对冲基金的潜在风险， 也不会展现对冲基金的独特风险和对众多的投资组合的回报贡献。 我们提出了一个应用投资组合因子模型（PFM），从持有传统资产的投资组合投资者的机会成本角度来阐明对冲基金的众多策略的风险和收益驱动因素。我们提出了解读因素归因中关键信息的方法，以帮助已经拥有长期股票、债券和现金投资组合的投资者选择对冲基金经理和构建组合。我们发现，在传统资产组合的基础上选择对冲基金，主要增加了组合的多元化，但从中区分出基金经理真正的多样性需要一种组合机会成本视角和基金经理 的高度筛选能力，即将超额收益分解为

11、传统风险溢价、替代风险溢价和阿尔法。只有通过对对冲基金经理的选择使得替代风险溢价和阿尔法加入中组合中，才能提升投资组合的多样性；对基金经理的高度筛选能力则可以最大化多样性组合的优势，这可以通过我们提出的概念，工具和方法来实现。 我们借鉴现有的对冲基金风险因素和投资文献，引入一些概念和更务实的调整。我们的主要贡献是在可实施的框架内为已经拥有多样化、多重投资组合的投资者提供一种经济上直观的应用工具和方法。 2. 投资组合因子模型对于一个投资组合因子模型，选取的补偿风险因子应满足三个标准。第一，投资组合 因子的收益溢价应在统计上是显著的；第二，不同投资组合因子的收益应是相互独立的； 第三，因子应能够

12、解释多元化组合收益的截面变化，并能解释补偿风险。为此，我们将从 总投资组合可用的补偿风险因素的角度构建 PFM。为了从对冲基金回报中分解出股票风险， 我们使用 Fama 和 French 四个股票因子，其中包括市场因素（global market），规模因素 （global size），价值因素（global value）和股票的动量因子（global momentum）。 因子的定义与对冲基金市场的风险一致。我们发现新兴市场的回报与全球发达股票的回报相比也存在有意义的溢价，所以 PFM 也包括新兴市场的溢价（emerging market premium）。除此之外，我们也选取了商品期货动量

13、（commodity momentum）、期限（global term）、信用（global credit）以及现金溢价（currency premium）加入 PFM 中。具体的定义及收益溢价如下图所示。 请务必阅读正文之后的信息披露和免责申明4 金融工程 | 金工专题报告图 1：因子定义和收益溢价资料来源：The Journal of Portfolio Management，天风证券研究所 从图上可以看出，9 个因子中有 6 个因子的月度收益数据在 95%置信水平下表现出统计上的显著性。令人惊讶地是，市场因子并不显著。由于 t 统计量对方差和观测样本数量比较敏感，我们检验了更长时期（19

14、26-2012）的市场因子得到 t 统计量为 3.71，表现出显著性。同样地，规模因子也没有表现出显著性，因此我们也同样检验了较长时期的因子， 并发现t 统计量为 2.28。最后，我们也检验了 1988 年以来新兴市场溢价因子的数据并定义为MSCI 指数的超额收益，得到其 t 统计量值为 2.06。因此，我们选取的 9 个因子均满足条件。 下图展示了 9 个因子的相关系数矩阵结果。从结果上看，这些两两相关系数的平均数接近 0，且这些低相关系数表明 9 个因子之间是相互独立的。 图 2：因子相关系数矩阵资料来源：The Journal of Portfolio Management，天风证券研究

15、所 我们将采用对冲基金的月度超额收益进行分析，本文将采用如下回归方程进行回归分析： = + 1 + 2 + 3 + 4 + 5+6 + 7 + 8 + 9 + 其中，表示对冲基金的收益，表示一月期国债的收益， 表示市场因子的收益， 表示规模因子的收益， 表示价值因子的收益，表示动量因子的收益， 表示新兴市场溢价的收益，表示商品期货动量的收益， 表示期限的收益， 表示信用因子的收益，表示现金溢价的收益。 3. 实证分析3.1. 对冲风险与收益对冲基金收益的变量是 HFRI Fund weighted Composite 以及四个主要的 HFRI 策略分类指数：股票对冲（equity hedge）

16、、驱动（event driven）、相关价值（relative value）和宏观（macro）。我们检验 5 个 HFRI 指数最近的 10 年和 20 年至 2012 年 12 月的数据。下图展示了 5 个指数 10 年期和 20 年期 PFM 回归的因子 beta 的 t 统计量以及调整 R 方。 请务必阅读正文之后的信息披露和免责申明5 金融工程 | 金工专题报告图 3：PFM 回归的因子 beta 的 t 统计量以及调整 R 方资料来源：The Journal of Portfolio Management，天风证券研究所 从图上可以看出，Fund weighted Composit

17、e 是对冲基金收益的一个很好的变量，其 10 年期回归的调整 R 方为 93%，且除了期限和现金溢价以外，其他所有的因子均表现除统计上的显著性。 PFM 回归分析得到的 beta 值和 alpha 值如下图所示。 图 4：对冲基金的表现和风险资料来源：The Journal of Portfolio Management，天风证券研究所请务必阅读正文之后的信息披露和免责申明6 金融工程 | 金工专题报告从图中可以看出，市场因子和规模因子在这些策略中体现出经济上最有意义的 beta 值；在 relative value 中，期限因子和信用因子的 beta 值是最大的；在 macro 中，现金溢价

18、的 beta 值是最大的。图中的因子基准的结果是根据如下方程得到的： = + 1 + 2 + 3 + 4 + 5+6 + 7 + 8 + 9其中，表示因子基准的收益。 下图展示了 HFRI 指数与因子基准的月度收益比较。 图 5：HFRI 指数 vs 因子基准资料来源：The Journal of Portfolio Management，天风证券研究所 在图 4 中 20 年期收益的结果表现出更大的alpha 值和alpha 值的t 统计量。在图 3 中， 我们也发现所有策略的 20 年期回归的调整 R 方均比 10 年期的要低。Alpha 值和风险因子的 beta 值对基金经理的选择和投资

19、组合的构建至关重要。有一种检验这个情况的方式就是观察移动窗口期 PFM 回归的 alpha 和 beta 值。下图为 20 年期 HFRI Fund weighted Composite36 个月的移动窗口期 PFM 回归的 alpha 值和 beta 值。 请务必阅读正文之后的信息披露和免责申明7 金融工程 | 金工专题报告图 6：alpha 值和 beta 值资料来源：The Journal of Portfolio Management，天风证券研究所 3.2. 非流动性资产美国公允价值会计准则直到 2009 年才生效，即在我们 10 年和 20 年检验期的大部分在其之前。一些对冲基金投

20、资于不流动的 2 级和 3 级证券，且这些股票不由市场定价。这些资产的报告收益是有偏差的，并且取决于基金经理的观点和判断。Getmansky 等（2004） 发现非流动性资产的收益表现出序列相关和低波动的特征。因而，这部分收益并不能由市场定价的因子解释。为了削弱非流动对冲基金资金的序列相关对 PFM 回归的潜在影响，我们在回归方程中加入滞后期因子，回归方程如下： = + 1 + 2 + 3 + 4 + 5 + 6+7 + 8 + 9 + 101 + 111回归结果如下图所示。 图 7：滞后期市场因子和信用因子的回归描述资料来源：The Journal of Portfolio Manageme

21、nt，天风证券研究所 图中 10 年期回归结果展示了 HFRI Composite 和驱动中的市场因子的一阶滞后项的 beta 值为正且显著；除宏观指数以外，其他所有指数的信用因子的一阶滞后项的 beta值为正且显著。20 年期回归结果显示 HFRI Composite，驱动和相对价值的流动性资产的序列相关性的证据。相对于图 3 和图 4，调整的 R 平方增加和 alpha 值的 t 统计量整体略有下降，这表明我们正在检测和解释来自非流动资产的一些额外收益。图 7 中的 10年期回归结果中的 alpha 值的较低的 t 统计量表明除了驱动之外，所有类别的 alpha均没有理由认为其为 0。滞后

22、的 beta 对于特别驱动是有意义和持续的，表明观察到的某些alpha 可能是由于滞后的betas 没有捕获流动性溢价造成的。与我们以前的结果一致， 请务必阅读正文之后的信息披露和免责申明8 金融工程 | 金工专题报告当有可能有更多的向上收益偏差时，alpha 在 20 年期里仍然很高。对 PFM 的滞后因素的增加也提供了对市场和信用的 beta 值的更好估计，略高于没有滞后的估计情况。 4. 结 论我们从拥有传统资产的投资组合投资者的机会成本角度提出了一个应用 PFM 模型，阐明对冲基金多种策略的潜在风险和收益驱动因素。我们研究了如何解释和使用因子的关键信息，以改善对冲基金经理的选择，并最终

23、拓宽投资组合构造的方法。许多投资者拥有对冲基金，因为它们的夏普比率较高，波动较低。但我们已经表明，作为一个组合的对冲基 金的风险和回报几乎完全由系统风险溢价的组合来解释。掌握这些信息、工具和方法，对 冲基金经理的选择和更广泛的投资组合的建设可以着重去识别和捕捉收益来源的多样性， 即可替代的风险溢价、异常风险溢价和筛选技能的回报，对于前瞻兴投资者，他们将提供与传统风险溢价不同的置信水平。 以上感谢实习生李争的贡献。 财务风险有多重要？文献来源：how_important_is_financial_risk; Nicole Choi, Mark Fedenia , Hilla Skiba, Tat

24、yana Sokolyk, Portfolio Concentration and Performance of Institutional Investors Worldwide, Journal of Financial Economics, 2017 年 1 月.推荐理由：金融引起了人们的高度关注，但是与金融部门的困境相比，美国非金融部门的问题相对较小。本文研究了 1964 年至 2009 年期间美国的数据，经过大量数学分析，发现了财务风险与公司前景的关系。 1. 简 介效应的高度关注。尽管主要影响了资本市场，与金融部门的困境相比，美国非金融部门的问题相对较小。事实上，非金融企业的申请主

25、要发生在金融之前，而那时有些行业已经出现了发展瓶颈，例如汽车制造业，房地产，这与金融讶的事实提出了一个问题，“非金融企业的金融风险有多重要？” 无关。这个令人惊本文发现，企业的经营和财务状况，如规模，盈利能力和杠杆，对股权风险很重要。克里斯蒂（Christie，1982）记录了股价波动与财务杠杆变化之间的强烈关系。然而， Schwert（1989）发现，杠杆解释了股票波动幅度相对较小的变动。财务杠杆放大了股东所有者的经营利润。由于财务政策是由业主和管理者决定的，所以本文仔细研究了企业资产和经营特征对财务政策的影响。 我们的经济风险因素对股本波动的影响往往具有很高的统计学意义，具有预测的性质，

26、且有效性很高。我们发现权益回报的波动随着公司规模的扩大而减少。研究发现，1970 年代末至 90 年代后期，隐含的财务杠杆率大幅度下降。同期，股权价格风险（如特殊风险）等有所增加。 本文运用大量数据和统计学分析，力求探究非金融领域财务风险的重要性。 2. 假设与模型分析2.1. 假设经济风险可以被认为是企业资产价值和公司未来利润的不确定性。这些是公司面临的“真实”风险，包括企业产品市场的不确定性，生产要素投入的成本和可用性以及竞争和创新风险等。我们假设较大的公司可能拥有更多元化的客户基础和更长的运营历史。较大 的公司承担的风险较小，有形资产（财产，厂房和设备）作为企业资产的“不动”代用品， 在

27、时只是损失较少的价值。资本支出与总资产的比率是资本密度和增长潜力的衡量标准。较高的资本密集度通常与较高的经营杠杆相关（即固定成本的比例较高），而较高的增长率意味着企业价值取决于远期现金流。这两个特征都增加了营业利润的变动。 Opler，Pinkowitz，Stulz 和 Williamson（1999）和 Acharya et al（2007）发现，现金不仅仅是负债务，而是起着预防性储蓄的作用，以确保投资不足。企业使用的债务到 请务必阅读正文之后的信息披露和免责申明9 金融工程 | 金工专题报告期也可能决定企业风险水平。直观地说，股息更常见于成熟的企业，这些企业业务线更加稳定，增长机会较少。在

28、这种情况下，股息作为经济风险的一个指标，比财务风险更为显 著。另一方面，支付股息的大型成熟公司更有可能拥有成熟的财务政策，以便精心管理财务风险（例如衍生品）（Bartram，Brown 和 Fehle（2009）。 2.2. 风险模型财务风险与经济风险之间的关系可能受到财务决策的内生性质的影响（例如，经济风险较低的企业可以承担更高的债务水平）。为了说明企业特定特征对财务决策的重要性， 我们在分析中使用两种经验方法以及这些方法的变体。我们的第一种方法采用 LT（1996）的结构模型。我们的第二个方法通过将企业特定的特征进行了评估，将经证实的股权波动 的时间序列特征纳入增强的 EGARCH 模型。

29、 ALeland-Toft 模型 Leland 和 Toft（LT）（1996）模型提供了描述总体企业风险的具体结构形式。更具体地说，LT 模型建立在 Black and Scholes（1973）和 Merton（1974）的观点上，即公司的股权类似于公司资产的看涨。LT 模型以多种方式概括了 Merton 模型。此外，假设是股权持有人触发的内生，该人谋求股权利润的最大化。该模型设定证券持有人债务，免税优惠券为（C），违约成本为（）和净现金支付（）的有限平均期限为 （T）。因此，LT 框架将 Merton 模型与权衡理论（即税收优惠与杠杆相关的和理论（例如资产替代）相结合。 下图为派生的公式

30、： 成本）B. 增强型 EGARCH 模型 虽然 LT（1996）模型可以用时间序列，横截面或面板数据进行估计，但 LT 模型并未包含有证据证明的股本回报波动率的时间序列特征，如自回归条件异方差（波动率聚类）。此外，LT 模型的错误指定可能导致隐含杠杆及其决定因素的偏差。因此，我们采取替代性和完全独立的方法来评估各种企业特征的作用。具体来说，我们估计一个“增强”的EGARCH 模型（参见 Nelson（1991），其中波动性取决于回报历史和一组公司特征（Xi， t）。图 8：LT 模型的增强模型公式分析资料来源：Journal of Financial and Quantitative Ana

31、lysis，天风证券研究所 其中,是期间 t 的股票 i 的回报; ，和是要估计的典型 EGARCH 标量参数；矢量表示企业特征的估计系数（包括常数项）。我们使用堆叠季度数据估计模型。这种模式的一个主要优点是它允许企业特征来确定不同公司之间和不同时间之间的动态波动。 3. 数据与证明结果3.1. 数据本文样本来自于 1964 年至 2009 年间在 Compustat 数据库中的公司，并在年度的 请务必阅读正文之后的信息披露和免责申明10 金融工程 | 金工专题报告“安全价格研究中心”（CRSP）数据库中至少有 125 个非零日内股票收益。互联网附录提供了对这些数据的详细讨论以及它们对样本大小

32、的影响。它还提供了变量构造的详细讨论。总的来说，本文的样本涵盖了绝大多数美国企业的市值，但不包括金融和公用事业， 占总市值的 90.7。 图 9 提供了我们的经济和金融风险变量的总结统计，以及市场资产波动。表 1 还报告了有用变量之间的相关性。股权波动与经济风险变量之间的相关系数绝对值通常很大（资 本支出是例外）。然而，对于财务风险变量来说，结果并不像经济风险变量那么大，有时甚至违反常理。另外，现金持有量与股本波动正相关（符合预防性储蓄动机）。令人惊讶的是，股权波动与杠杆措施基本上不相关，股利与股本波动密切相关。 图 9：经济和金融风险变量的总结统计资料来源：Journal of Financ

33、ial and Quantitative Analysis，天风证券研究所 3.2. 结果与证明图 10 提供了股权波动性分组后变量的汇总统计量，使我们能够获得表 1 所示相关性的经济意义。 图 10：股权波动性分组后变量的汇总统计量资料来源：Journal of Financial and Quantitative Analysis，天风证券研究所请务必阅读正文之后的信息披露和免责申明11 金融工程 | 金工专题报告研究第一和第四四分位数之间的价值差异时，我们看到低风险公司是高风险公司总资产的 7 倍。此外，低风险公司的有形资产比高风险企业多 50。低风险的公司是高利润的，而高风险的公司则无

34、法实现盈亏平衡。同样，低风险企业的利润波动（0.021）也比高风险企业（0.160）小很多。低风险企业的股利收益率高于高风险企业。相反，股权波动与资本支出之间没有明确的关系。 对于财务特征，股票波动率四分位组间几乎没有明显的规律。具体来说，总债务，净债务和现金占市值的百分比在波动率四分位组间没有明显的趋势。高风险企业的债务到期率和息票利率均较低。总债务占总资产的比例随风险增加而有明显上升的趋势。总之，这些结果表明，与经济风险相关的企业特征比金融特征更重要。 使用 10 年期限的美国国债收益率（由储备委员会编制）作为无风险利率的代表。企业所得税税率使用税务报告的最高收入群体的法定税率 0.7。我

35、们假定值为0.4，即时企业价值损失的比例为 0.4。 对于其他模型输入，我们使用企业特定数据对值进行参数化。 其中参数是估计系数。我们定义债务到期期限定为 1 年至 10 年。定义我们的费用为（C），有： 在使用 Fama-MacBeth（1973）方法估计 LT（1996）模型时，除 1999 年，2008年和 2009 年之外，优化收敛于所有年份；我们故将这些年份从 Fama-MacBeth 的部分分析中排除。 图 11 报告了 LT（1996）模型的汇总和 Fama-MacBeth（1973）估计结果。汇总的样本结果显示，我们认为的所有经济风险因素都是统计学上显著的变量，即股票波动率优于

36、 0.001 的置信水平。边际效应表明，一些因素对其他风险的影响更大。在这两个指标中，企业规模，利润波动和股息表现的作用最大。 图 11：LT 模型的汇总和 Fama-MacBeth 估计结果资料来源：Journal of Financial and Quantitative Analysis，天风证券研究所请务必阅读正文之后的信息披露和免责申明12 金融工程 | 金工专题报告图 11 还报告了资产波动（A）和隐含财务杠杆（l）的估计值。这些模型很好地解释了股票波动的横截面变化，证明这是A 模型的标准偏差。 图 12：潜在偏差调整的 LT 的隐含杠杆度量资料来源：Journal of Fina

37、ncial and Quantitative Analysis，天风证券研究所 资产波动的潜在错误指标导致了系数估计的误差，但隐含的杠杆水平持续下降，以及 隐含资产波动的持续向上偏差。这些影响很小，即使我们假设资产波动的测量误差非常高， 它也是很小的。然而，财务杠杆的测量误差可能会导致更大的差异化。因此，我们还估计了 杠杆因子和资产波动，调整了净债务水平相当高的测量误差。图 12 的图 A 绘制了针对潜在偏差调整的 LT（1996）隐含杠杆度量。 偏差调整 LT（1996）意味着杠杆率一直在未调整措施之上。估计偏差的幅度在 20 世纪 70 年代和 80 年代初期增加，这导致了一个隐含的杠杆指

38、标。然而，与实际杠杆相比， 偏差调整的隐含杠杆的幅度仍然很低。因此，我们坚定认为，即使在我们的估计有偏差的情况下，隐含杠杆仍一直远低于观察到的杠杆。同样有趣的是，我们对模型进行了年度估计，故而我们的隐含杠杆措施比实际杠杆措施更为稳定。 对于 EGARCH 模型，我们遵循 Choi and Richardson（2009）中描述的方法，并将资产收益定义为无杠杆股本回报，使用净负债作为杠杆的度量。我们也将样本限制在1991 - 2008 年初。表 4 提供了我们全部样本企业的这一时期数据的汇总统计。我们还根 请务必阅读正文之后的信息披露和免责申明13 金融工程 | 金工专题报告据平均净债务水平将我

39、们的样本分为 5 组。低（0.10）净是最大的集团，占我们样本中 2,151 家公司的 628 家（29.2）。表 5 显示了表 4 中定义的 5 个杠杆组的增强 EGARCH 模型的股票波动估计结果。 图 13：1991 - 2008 公司数据的汇总统计资料来源：Journal of Financial and Quantitative Analysis，天风证券研究所图 14：增强EGARCH 模型的股票波动估计结果资料来源：Journal of Financial and Quantitative Analysis，天风证券研究所 总体来说，EGARCH 分析的结果表明，与资产特征（例如

40、规模和利润波动性）和财务政策（例如总债务）相关的因素对于确定股权波动率很重要。与使用 LT（1996）模型的分析相反，总债务与风险之间的相关性和统计学上的显著关系表明，金融风险是股票波动的经济上的重要决定因素。 请务必阅读正文之后的信息披露和免责申明14 金融工程 | 金工专题报告4. 结 论财务政策可以被视为通过净财务杠杆将资产波动转变为股本波动的过程。在本文中， 我们使用 LT（1996）提出统一的框架和包含企业特征的时间序列（EGARCH）模型， 研究了 1964 年至 2009 年期间美国的数据。 研究结果表明，实际上，典型的美国企业的剩余财务风险现在相对不重要。这一发现提出了有关财务

41、困境成本水平的问题，因为财务困境的可能性可能低于大多数公司的假设。例如，我们的结果表明，如果不考虑隐含的财务杠杆趋势（例如，Dichev（1998），债 券定价中系统风险水平的估计可能会有偏差。考虑到可能难以观察的财务政策，我们的结果也对用于估计违约概率的金融模型的适用性产生疑问。实质上，这种关系使得信用难题更加令人费解。最后，我们的结果意味着股东所承担的根本风险主要与潜在的经济风险有关，这将导致企业非金融部门的资本配置相对有效。 总之，尽管文献中有一些破裂的证据，我们仍旧了解了企业风险的根本驱动因素。因此，我们的结果对许多金融领域有重要的影响。例如，我们的分析可以帮助企业试图确定企业估值的相

42、关风险因素，以及投资和融资政策。本文描述经济风险与财务风险之间的关系并确定这些风险的驱动力，为有效的风险管理奠定了基础。我们的结果对于试图识别和量化公司的特征和市场风险的资产定价模型也很重要。 以上感谢实习生王弋的贡献。 状态变量、宏观经济活动与个股截面数据的关系文献来源：State variables macroeconomic activity and the cro 2016 Journal of Financi； MartijnBoons, Journal of Financial Economics, 2016 年 3 月推荐理由：本文对来源于个股中截面数据的状态变量的风险溢价与这些

43、变量在时间序列中的预测是否具有一致性进行了研究。研究发现这些时间序列和截面数据是相一致的。这一发现表明了投资者最终关注的是经济周期风险，因此需要从包含了系统性经济信息的 变量的暴露中获取风险溢价。最近的投资组合的研究告诉我们，状态变量的风险溢价不符合在跨期资本资产定价模型中的套期保值动机，但本文的研究质疑了这一观点。此外，本 文还讨论了只利用 Fama-French 模型中的因素和特征无法充分得到状态变量的风险溢价。1. 简 介本文利用两种较为新颖的方法，建立时间序列和截面数据的一致性。首先，对宏观经 济活动进行了long-horizon 回归分析；其次，对个股的所有截面数据进行了资产定价测试

44、。这些研究表明，美国个股的截面数据的风险溢价导出的状态变量，例如违约利差、期限利差，这些变量在预测宏观经济活动的时间序列中是相一致的。有人提出资产定价测试需要对风险价格施加理论上的限制。本文的研究结果与均衡资产定价理论相一致，表明了投资者可能更期望于避免经济循环周期风险所带来的损失。 2. 一致性分析2.1. 宏观经济模型预测检测状态变量 zt 是否对宏观经济活动具有预测性，建立如下回归模型：这里 y 表示经过 S 时期以后宏观经济活动的指标，对这些状态变量进行统计分析的结果如下图所示： 请务必阅读正文之后的信息披露和免责申明15 金融工程 | 金工专题报告图 15：状态变量描述性统计量资料来

45、源：Journal of Financial Economics，天风证券研究所 本文通过分析，找出了以下三个最普遍的状态变量：DY,DS 和 TS。收益率数据也取自FRED。为了确定具有三个状态变量的主模型的结论是否合适，本文考虑了三种流行的状态变量的替代组合。首先，将三个月的国库券率（RF）添加到 DY，DS 和 TS。之后考虑了 P 模型的两个版本，因为 TS 和 RF 都是强相关的。 P1 模型是用 RF 替代 TS 的三因素模型。P2 模型是一个四因素模型。之后，本文分析了 Campbell-Vuolteenaho 模型，其中包括 TS， 市盈率（PE）和价差（VS）。 最后，本文分

46、析了 Koijen，Lustig 和 Van Nieuwerburgh（2013，表示为 KLN）的模型，其中包括债券市场因素（CP）和期限结构水平因子（LVL）。 2.2. 股票级资产定价测试2.2.1 风险因素方面的创新 本文假设状态变量遵循一阶 VAR。对于大多数模型，VAR 中的最佳滞后长度为 1。作为对模型是否合适的检查，我还考虑了状态变量的首要差异。VAR（1）使用时期为 t 中的历史数据。图 15 显示， 备选状态变量之间的相关性通常较弱。这一发现还缓解了 Kan， Robotti 和 Shanken（2013）在理论资产定价模型的背景下对多元回归贝叶斯风险预测的解释所表达的担忧

47、。事实上，我表明，在这个双因素模型中，状态变量风险溢价是稳健的。 2.2.2 条件暴露度和截面数据回归 根据最近在资产定价文献中的建议，本文在资产定价测试中使用个股级的数据。数据来源为在纽约证券交易所，美国证券交易所和纳斯达克上市交易的所有普通股，不包括负资本和金融负债的公司。本文估计所有股票的每个期间的历史暴露度，在所有观测值中使用加权最小二乘（WLS）回归，其中权重的调整可以参阅原文献。之后，对于每一个时期， 本文利用Fama-MacBeth 进行截面回归分析。在下文中提出了回归分析的选择结果。此外， 还提出了双因素模型的结果，这有效地避免了状态变量之间的相关性。 2.2.3 变量中的误差

48、 该横截面回归受 EIV 约束。用于独立变量的暴露度在时间序列回归中被预先估计。虽然 EIV 可能将风险溢价偏向零，但本文计算的通常的 Fama 和 MacBeth 标准误差可能会低估风险溢价的真实标准误差。之前的研究有人发展了股票水平层面的方法，当这些因素可以得到时，可以分别估计每一个股票的暴露度，借此该方法对 EIV 做一个修正。但是，当这个因素是不可观测的，如何导出 EIV 稳健的标准误差尚不清楚。于是本文用了三种方法解决了该问题。 2.2.4 时间序列与截面数据的一致性 该部分介绍了本文的主要测试，并检验了时间序列预测宏观经济活动与个股截面数据是否具有一致性。本文首先关注实证资产定价文

49、献（DY，DS 和 TS）中三个最普遍的状态变量，然后评估更广泛的一组状态变量的证据。时间序列可预测性是资产定价模型中状态变量定价的必要条件。于是利用数据建立的回归模型状态变量的结果如下图 16 所示。 所有变量都是标准化的，使得每个报告的单回归系数的平方等于 R。S =0 的回归测量与时间相关。变量 IP 的单一回归见表 2 的 A 组。多变量回归见 B 组。其中一个重要的结论是相比之下，TS 预测经济活动在所有层面都有正向的预测作用。这一发现与 Adrian 和请务必阅读正文之后的信息披露和免责申明16 金融工程 | 金工专题报告长时，把它看做是经济增长的正面指标。相比之下，回归无法对增加

50、的 DY 是作为经济增长的正面指标或者是指标进行明确的解释。一方面，DY 在多重回归中略微预测长期未来宏观经济活动的积极变化。另一方面，这些长期系数估计不佳，单一回归（短期系数为负，边际显著）并不敏感，对所选择的样本期敏感。 接下来分析的是状态变量描述的风险暴露度是否被定价。其中下图 16 中的表列出了回归分析的结果。根据图 16 可知，只有 DS 风险溢价是显著的，为-8.23。然而，TS 风险溢价在经济上可忽略不计，为 2.86。在存在多个最相关状态变量的四因素模型中，DS 和 TS 的风险溢价都很大，显著性分别为-6.56和 5.79。 相比之下，DS 和 TS 是宏观经济活动十分关键的

51、预测因子。联合四因素模型中各自的风险溢价是巨大而显著的，并且与 DS 增加时作为效应和TS 增加时作为正面效应一致。 之后，除了数据的支持，利用蒙特卡洛模拟，进一步证明了这一结论。 图 16：状态变量回归结果资料来源：Journal of Financial Economics，天风证券研究所图 17：回归分析资料来源：Journal of Financial Economics，天风证券研究所请务必阅读正文之后的信息披露和免责申明17 金融工程 | 金工专题报告3. 风险分类的投资组合本文后面的部分，分析投资组合级别的测试来确定股票级别所得到的结果是否合理。对执行投资组合排序后计算高负低风险

52、利差。接下来，利用风险排序后的投资组合来进行回归分析。图 18 是利用三种投资组合所得到的结果。 图 18：投资组合分析资料来源：Journal of Financial Economics，天风证券研究所 从图 18 中可以看到，模拟策略通常会创建一个暴露于相关风险因素的投资组合，该投资组合不会暴露于其他风险因素。然而，事后风险敞口在经济上是有意义的，在 FMB 的情况下，风险因素的标准差增加，转化为季度回报的 1.5至 2.8。作者认为这些状态变量并不是无用的因素。 HLMV（DY）和 HLEW（DY）的平均收益率与 FMB（DY）相似，并不显著，提示 DY 风险不被定价。相比之下，DS

53、风险得到了一致的负溢价。在 HLEW 和 FMB 低于-4.5的情况下，平均回报率是很大的，转化为绝对夏普比率为 0.35。在 HLMV 的情况下，估计的风险溢价是小且不显著，但这使人联想到了尺度效应。最后，对于所有三个 TS 高于 4.90 模拟投资组合的平均收益率都很大且显著，转化成夏普比率在 0.34 以上。 这三个状态变量模拟投资组合都会偏向具有某些特征的股票。DS 对于这种包含关系产生很大的作用，但 DS 模拟投资组合长期以大型和成长型股票为主。相比之下，DY 和 TS 模拟投资组合的小型和有价值的股票。 4. 结论与总结本文发现了个股横截面的状态变量风险溢价与状态变量如何预测宏观经济活动的在 时间序列方面是一致的。这种一致性在确定预期股票收益方面重塑了商业周期风险所具有的中心作用。该发现质疑了 Maio 和 Santa-Clara（2012）的最新证据，他们表明，按照特征排序后的投资组合中的状态变量风险溢价与状态变量如何预测总体股票收益是不一致 的。本文在两个维度上建立了一致性。首先，我遵循 Cochrane 所做的研究，并寻找衰退状态变量。第二，我遵循最近的资产定价文献，并使用个股的全部横截面数据估计状态变量风险溢价。我发现有三个状态变量强劲地预测了宏观经济活动。我估计这些状态变量的风险溢价是一致的，经济上很大（绝对值约