基于最优异质收益率因子的资产定价研究

doi:10.16381/j.cnki.issn1003-207x.2022.1429

摘要/Abstract

摘要：

本文从经典因子模型的异质收益率出发，通过在残差空间中进行投资组合优化构造异质收益率因子来识别基准因子模型中的遗漏信息，从而对基准模型下的基于异质收益率的资产进行定价，提升基准模型的定价能力，并进一步证明了该拓展因子对异质收益率的资产定价能力。之后，本文基于A股1995年1月—2022年11月的6个因子数据集和美股1963年7月至2022年10月的4个因子数据集，在三因子、四因子、五因子模型的基础上加入异质收益率因子，并将拓展后的模型分别与原模型、均值方差有效单因子模型、主成分分析因子模型的定价效果进行对比。结果显示，在加入异质收益率因子之后，测试资产的 $α$ 的绝对值均值、GRS统计量和t统计量均大幅减小，原模型的定价效果显著提升，该结果在样本内、样本外，A股、美股市场上都成立，表明了基于异质收益率因子的资产定价的稳健性和适应性。

关键词: 资产定价, 因子模型, 异质收益率, 投资组合优化, 遗漏因子识别

Abstract:

Starting from the idiosyncratic returns of the classical factor model， an idiosyncratic return factor is constructed by optimizing the portfolio in the residual space to identify the missing information in the benchmark model， so as to price the idiosyncratic returns under the benchmark and improve the benchmark. Furthermore， the pricing ability of the extended factor is proved through mathematical derivation. Next， based on 6 factor datasets of A shares from 1995-01 to 2022-11 and 4 factor datasets of the US stocks from 1963-07 to 2022-10， the idiosyncratic return factor is added to three-factor， four-factor， and five-factor models， and the pricing ability of the expanded models is compared with their benchmarks， the mean-variance efficient （MVE） model， and the principal component analysis （PCA） model. The empirical results show that after adding the idiosyncratic return factor， the GRS statistic and t-statistic are greatly reduced， and the pricing ability of the original model is significantly improved， better than the MVE model and the PCA model in most cases. These results hold both in-sample and out-of-sample， for A-share and the US stock markets， indicating the robustness and adaptability of the idiosyncratic return factor.

Key words: asset pricing, factor model, idiosyncratic return, portfolio optimization, missing factor identification

中图分类号:

F830.9

倪宣明,郑田田,赵慧敏,武康平. 基于最优异质收益率因子的资产定价研究[J]. 中国管理科学, 2024, 32(8): 50-60.

Xuanming Ni,Tiantian Zheng,Huimin Zhao,Kangping Wu. Asset Pricing Based on the Optimal Idiosyncratic Return Factor[J]. Chinese Journal of Management Science, 2024, 32(8): 50-60.

图/表 6

图1

表1

表2

表3

表4

表5

参考文献 46

1	Sharpe W F. Capital asset prices： A theory of market equilibrium under conditions of risk［J］. The Journal of Finance， 1964， 19（3）： 425-442.
2	Lintner J. The valuation of risk assets and the selection of risky investments in stock portfolios and capital budgets［J］. The Review of Economics and Statistics， 1965，47（1）： 13-37.
3	Roll R. A critique of the asset pricing theory's tests part I： On past and potential testability of the theory［J］. Journal of Financial Economics， 1977， 4（2）： 129-176.
4	Banz R W. The relationship between return and market value of common stocks［J］. Journal of Financial Economics， 1981， 9（1）： 3-18.
5	Chan K C， Chen N F. Structural and return characteristics of small and large firms［J］. The Journal of Finance， 1991， 46（4）： 1467-1484.
6	Jegadeesh N， Titman S. Returns to buying winners and selling losers： Implications for stock market efficiency［J］. The Journal of Finance， 1993， 48（1）： 65-91.
7	Ang A， Hodrick R J， Xing Y， et al. The cross-section of volatility and expected returns［J］. The Journal of Finance， 2006， 61（1）： 259-299.
8	邓晴元，刘舟，张顺明. 交易者过度自信与信息相关性暖昧的资产定价［J］. 系统工程理论与实践， 2022， 42（7）： 1755-1769.
	Deng Q Y， Liu Z， Zhang S M. Asset pricing with overconfident traders and information correlation ambiguity［J］. Systems Engineering-Theory & Practice， 2022， 42（7）： 1755-1769.
9	陈国进，刘元月，陈凌凌，等. 广义失望厌恶、下行风险与中国股票市场定价［J］. 中国管理科学，2023，31（7）：22-37.
	Chen G J， Liu Y Y， Chen L L， et al. Generalized disappointment aversion， downside risk and asset pricing of Chinese stock market［J］. Chinese Journal of Management Science， 2023，31（7）：22-37.
10	万谍，杨晓光. 中国股市正反馈交易涨强不对称的定价能力［J］. 系统工程理论与实践， 2019， 39（1）： 1-18.
	Wan D， Yang X G. Pricing power of rise-favor asymmetry of positive feedback trading in China's stock market［J］. Systems Engineering-Theory & Practice， 2019， 39（1）： 1-18.
11	Ross S A. The arbitrage theory of capital asset pricing［J］.Journal of Economic Theory，1976，13（3）： 341-360.
12	Tian M. Firm characteristics and empirical factor models： A model mining experiment［J］. The Review of Financial Studies， 2021， 34（12）： 6087-6125.
13	Yara F B， Boyer B H， Davis C. The factor model failure puzzle［R］. Working Paper， Available at SSRN 3967588， 2021.
14	Fama E F， French K R. Common risk factors in the returns on stocks and bonds［J］. Journal of Financial Economics， 1993， 33（1）： 3-56.
15	Fama E F， French K R. A five-factor asset pricing model［J］. Journal of Financial Economics， 2015， 116（1）： 1-22.
16	Carhart M M. On persistence in mutual fund performance［J］. The Journal of Finance， 1997， 52（1）： 57-82.
17	Hou K， Xue C， Zhang L. Digesting anomalies： An investment approach［J］. The Review of Financial Studies， 2015， 28（3）： 650-705.
18	Stambaugh R F， Yuan Y. Mispricing factors［J］. The Review of Financial Studies， 2017， 30（4）： 1270-1315.
19	Daniel K， Hirshleifer D， Sun L. Short-and long-horizon behavioral factors［J］. The Review of Financial Studies， 2020， 33（4）： 1673-1736.
20	Hou K， Xue C， Zhang L. Replicating anomalies［J］. The Review of Financial Studies， 2020， 33（5）： 2019-2133.
21	Kozak S， Nagel S， Santosh S. Shrinking the cross-section［J］. Journal of Financial Economics， 2020， 135（2）： 271-292.
22	Bryzgalova S， Huang J， Julliard C. Bayesian solutions for the factor zoo： We just ran two quadrillion models［J］. The Journal of Finance， 2023，78（1）： 487-557.
23	Rapach D E， Strauss J K， Zhou G. International stock return predictability： What is the role of the United States？［J］. The Journal of Finance， 2013， 68（4）： 1633-1662.
24	Freyberger J， Neuhierl A， Weber M. Dissecting characteristics nonparametrically［J］. The Review of Financial Studies， 2020， 33（5）： 2326-2377.
25	Feng G， Giglio S， Xiu D. Taming the factor zoo： A test of new factors［J］. The Journal of Finance， 2020， 75（3）： 1327-1370.
26	Kelly B T， Pruitt S， Su Y. Characteristics are covariances： A unified model of risk and return［J］. Journal of Financial Economics， 2019， 134（3）： 501-524.
27	Fan J， Liao Y， Wang W. Projected principal component analysis in factor models［J］. Annals of Statistics， 2016， 44（1）： 219-254.
28	Kozak S， Nagel S， Santosh S. Interpreting factor models［J］. The Journal of Finance， 2018， 73（3）： 1183-1223.
29	MacKinlay A C. Multifactor models do not explain deviations from the CAPM［J］. Journal of Financial Economics， 1995， 38（1）： 3-28.
30	黄嵩，倪宣明，钱龙，等. 基于集成学习的在线高维投资组合策略［J］.系统科学与数学，2020，40（1）： 29-40.
	Huang S， Ni X M， Qian L， et al. Large-dimensional online portfolio strategy based on ensemble learning［J］. Journal of Systems Science and Mathematical Sciences， 2020， 40（1）： 29-40.
31	倪宣明，沈鑫圆，赵慧敏，等. 基于多任务相关学习的投资组合优化［J］. 系统工程理论与实践， 2021， 41（6）： 1428-1438.
	Ni X M， Shen X Y， Zhao H M， et al. Portfolio optimization based on multi-task relationship learning［J］. Systems Engineering-Theory & Practice， 2021， 41（6）： 1428-1438.
32	倪宣明，邱语宁，赵慧敏. 基于因子特征的高维稀疏投资组合优化［J］. 系统科学与数学， 2021， 41（10）： 2716-2729.
	Ni X M， Qiu Y N， Zhao H M. High-dimensional sparse portfolio optimization based on factor characteristics［J］. Journal of Systems Science and Mathematical Sciences， 2021， 41（10）： 2716-2729.
33	倪宣明，陈檬檬，钱龙，等. 基于因子载荷二叉树的高维投资组合优化［J］. 系统科学与数学， 2022， 42（9）： 2312-2326.
	Ni X M， Chen M M， Qian L， et al. High-dimensional portfolio optimization based on binary tree of factor loadings［J］. Journal of Systems Science and Mathematical Sciences， 2022， 42（9）： 2312-2326.
34	钱龙，韦江，赵慧敏，等. 基于AdaBoost的投资组合优化［J］. 系统科学与数学， 2022， 42（2）： 271-286.
	Qian L， Wei J， Zhao H M， et al. Portfolio optimization based on AdaBoost［J］. Journal of Systems Science and Mathematical Sciences， 2022， 42（2）： 271-286.
35	钱龙，彭方平，沈鑫圆，等.基于已实现半协方差的投资组合优化［J］.系统工程理论与实践，2021，41（1）： 34-44.
	Qian L， Peng F P， Shen X Y， et al. Portfolio optimization based on realized semi-covariance［J］. Systems Engineering-Theory & Practice， 2021，41（1）： 34-44.
36	Wei K C J. An asset-pricing theory unifying the CAPM and APT［J］. The Journal of Finance， 1988， 43（4）： 881-892.
37	Huberman G， Kandel S. Mean-variance spanning［J］. The Journal of Finance， 1987， 42（4）： 873-888.
38	Welch I. The link between Fama-French time-series tests and Fama-Macbeth cross-sectional tests［R］. Working Paper， Available at SSRN 1271935， 2008.
39	Grinblatt M， Saxena K. When factors do not span their basis portfolios［J］. Journal of Financial and Quantitative Analysis， 2018， 53（6）： 2335-2354.
40	Daniel K， Mota L， Rottke S， et al. The cross-section of risk and returns［J］. The Review of Financial Studies， 2020， 33（5）： 1927-1979.
41	Fama E F， French K R. Comparing cross-section and time-series factor models［J］. The Review of Financial Studies， 2020， 33（5）： 1891-1926.
42	Lettau M， Pelger M. Factors that fit the time series and cross-section of stock returns［J］. The Review of Financial Studies， 2020， 33（5）： 2274-2325.
43	Connor G， Korajczyk R A. Risk and return in an equilibrium APT： Application of a new test methodology［J］. Journal of Financial Economics， 1988， 21（2）： 255-289.
44	Liu J， Stambaugh R F， Yuan Y. Size and value in China［J］. Journal of Financial Economics， 2019， 134（1）： 48-69.
45	Newey W K， West K D. A simple， positive semi-definite， heteroskedasticity and autocorrelation consistent covariance matrix［J］. Econometrica， 1987， 55（3）： 703-708.
46	Gibbons M R， Ross S A， Shanken J. A test of the efficiency of a given portfolio［J］. Econometrica， 1989， 57（5）： 1121-1152.

数据集名	资产数	时间跨度	来源
ME5-BEME5-CN	25	1995/01-2022/11	CSMAR(基于个股信息构造)
ME5-INV5-CN	25	1995/01-2022/11	CSMAR(基于个股信息构造)
ME5-OP5-CN	25	1995/01-2022/11	CSMAR(基于个股信息构造)
ME5-MOM5-CN	25	1995/01-2022/11	CSMAR(基于个股信息构造)
ME5-PE5-CN	25	1995/01-2022/11	CSMAR(基于个股信息构造)
ME5-ROE5-CN	25	1995/01-2022/11	CSMAR(基于个股信息构造)
ME5-BEME5-US	25	1963/07-2022/10	Kenneth R. French Data Library
ME5-INV5-US	25	1963/07-2022/10	Kenneth R. French Data Library
ME5-OP5-US	25	1963/07-2022/10	Kenneth R. French Data Library
ME5-MOM5-US	25	1963/07-2022/10	Kenneth R. French Data Library

模型	BEME （1）	INV （2）	OP （3）	MOM （4）	PE （5）	ROE （6）
Base：FF3
FF3	13.1445	19.9210	16.5175	15.0180	14.3725	17.1991
FF3	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)
FF3-MV	1.0940	2.4821	1.8546	1.9885	1.8909	1.7332
FF3-MV	(0.3476)	(0.0002)	(0.0089)	(0.0040)	(0.0072)	(0.0179)
MVE	1.1936	1.6755	1.6119	2.7056	1.0238	1.5562
MVE	(0.2770)	(0.0482)	(0.0619)	(0.0006)	(0.4512)	(0.0769)
MVE-MV	1.2363	1.6886	1.5791	2.6570	1.1149	1.5245
MVE-MV	(0.2424)	(0.0461)	(0.0709)	(0.0008)	(0.3517)	(0.0874)
PCA	70.8700	3.3591	4.8543	7.0512	2.8394	5.3881
PCA	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)
PCA-MV	36.7027	1.9102	2.7191	3.0232	1.9557	2.5225
PCA-MV	(0.0000)	(0.0192)	(0.0006)	(0.0002)	(0.0159)	(0.0015)
Base：C4
C4	13.1858	19.9417	17.7860	15.6457	14.4048	17.7537
C4	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)
C4-MV	1.5014	2.5055	1.9206	1.6961	1.8865	1.7416
C4-MV	(0.0615)	(0.0001)	(0.0060)	(0.0220)	(0.0074)	(0.0171)
MVE	0.9425	1.8707	1.7414	1.7378	0.9287	1.8171
MVE	(0.5500)	(0.0217)	(0.0369)	(0.0375)	(0.5674)	(0.0271)
MVE-MV	1.0259	2.0083	1.7728	1.6430	0.9712	1.8196
MVE-MV	(0.4490)	(0.0124)	(0.0329)	(0.0553)	(0.5145)	(0.0271)
PCA	2.5416	2.4555	3.2339	6.2533	1.2769	3.3114
PCA	(0.0001)	(0.0002)	(0.0000)	(0.0000)	(0.1733)	(0.0000)
PCA-MV	1.5867	1.9160	2.2437	2.3251	1.1922	1.9420
PCA-MV	(0.0700)	(0.0188)	(0.0048)	(0.0034)	(0.2799)	(0.0169)
Base：FF5
FF5	12.2916	18.2013	14.5138	13.8382	12.8829	15.3652
FF5	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)
FF5-MV	1.2171	1.8741	1.4984	2.0453	1.7119	1.4176
FF5-MV	(0.2213)	(0.0080)	(0.0624)	(0.0028)	(0.0202)	(0.0925)
MVE	1.3119	1.1819	1.0459	2.4659	0.9739	1.0127
MVE	(0.1879)	(0.2873)	(0.4257)	(0.0017)	(0.5111)	(0.4642)
MVE-MV	1.2985	1.1894	1.0537	2.4592	1.0417	1.0062
MVE-MV	(0.1973)	(0.2812)	(0.4172)	(0.0018)	(0.4308)	(0.4721)
PCA	5.0999	4.8512	6.0405	9.0142	4.6782	5.8977
PCA	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)
PCA-MV	3.4042	1.5849	2.3086	2.8972	1.9755	2.4746
PCA-MV	(0.0000)	(0.0705)	(0.0036)	(0.0003)	(0.0147)	(0.0018)

模型	BEME	INV	OP	MOM	PE	ROE
Base：FF3
FF3	13.1445	19.9210	16.5175	15.0180	14.3725	17.1991
FF3	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)
FF3-MV	3.4874	2.9205	2.6322	3.5418	2.7474	2.5147
FF3-MV	(0.0000)	(0.0002)	(0.0009)	(0.0000)	(0.0006)	(0.0015)
MVE	1.1936	1.6755	1.6119	2.7056	1.0238	1.5562
MVE	(0.2770)	(0.0482)	(0.0619)	(0.0006)	(0.4512)	(0.0769)
MVE-MV	0.6125	1.8356	2.0824	5.9804	1.5512	2.3772
MVE-MV	(0.9290)	(0.0099)	(0.0022)	(0.0000)	(0.0477)	(0.0003)
PCA	70.8700	3.3591	4.8543	7.0512	2.8394	5.3881
PCA	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)
PCA-MV	65.1869	3.0563	4.4415	6.7906	2.4868	4.9631
PCA-MV	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0002)	(0.0000)
Base：C4
C4	13.1858	19.9417	17.7860	15.6457	14.4048	17.7537
C4	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)
C4-MV	1.5985	4.0996	2.1118	1.9392	2.1105	1.9459
C4-MV	(0.0675)	(0.0000)	(0.0085)	(0.0174)	(0.0085)	(0.0169)
MVE	0.9425	1.8707	1.7414	1.7378	0.9287	1.8171
MVE	(0.5500)	(0.0217)	(0.0369)	(0.0375)	(0.5674)	(0.0271)
MVE-MV	0.6349	2.1381	2.7254	2.1344	0.9488	2.701
MVE-MV	(0.9134)	(0.0016)	(0.0000)	(0.0016)	(0.5372)	(0.0000)
PCA	2.5416	2.4555	3.2339	6.2533	1.2769	3.3114
PCA	(0.0001)	(0.0002)	(0.0000)	(0.0000)	(0.1733)	(0.0000)
PCA-MV	4.1944	2.4587	3.6146	3.1235	1.1356	3.8824
PCA-MV	(0.0000)	(0.0002)	(0.0000)	(0.0000)	(0.3007)	(0.0000)
Base：FF5
FF5	12.2916	18.2013	14.5138	13.8382	12.8829	15.3652
FF5	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)
FF5-MV	3.5243	2.3147	1.8735	3.2986	2.5161	1.7374
FF5-MV	(0.0000)	(0.0037)	(0.0227)	(0.0001)	(0.0016)	(0.0397)
MVE	1.3119	1.1819	1.0459	2.4659	0.9739	1.0127
MVE	(0.1879)	(0.2873)	(0.4257)	(0.0017)	(0.5111)	(0.4642)
MVE-MV	0.4119	0.8239	0.6615	5.459	1.415	0.8911
MVE-MV	(0.9951)	(0.7107)	(0.8923)	(0.0000)	(0.0935)	(0.6182)
PCA	5.0999	4.8512	6.0405	9.0142	4.6782	5.8977
PCA	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)	(0.0000)
PCA-MV	3.1081	2.1424	4.6007	7.0399	2.8333	3.8119
PCA-MV	(0.0000)	(0.0015)	(0.0000)	(0.0000)	(0.0000)	(0.0000)

模型	BEME	INV	OP	MOM	PE	ROE
Base：FF3
FF3	0.0185	0.0197	0.0187	0.0189	0.0184	0.0188
FF3-MV	0.0178	0.0190	0.0179	0.0183	0.0177	0.0180
FF3-MV	0.0154	0.0137	0.0154	0.0165	0.0153	0.0153
MVE	0.0088	0.0086	0.0089	0.0096	0.0085	0.0088
MVE-MV	0.0038	0.0058	0.0047	0.0048	0.0041	0.0050
MVE-MV	0.0088	0.0088	0.0089	0.0096	0.0084	0.0087
PCA	0.0031	0.0052	0.0042	0.0046	0.0038	0.0045
PCA-MV	0.0026	0.0049	0.0040	0.0045	0.0032	0.0043
PCA-MV	0.0027	0.0050	0.0045	0.0047	0.0029	0.0045
Base：C4
C4	0.0184	0.0196	0.0186	0.0187	0.0183	0.0186
C4-MV	0.0150	0.0157	0.0152	0.0142	0.0147	0.0153
C4-MV	0.0157	0.0128	0.0155	0.0157	0.0149	0.0155
MVE	0.0061	0.0060	0.0066	0.0061	0.0063	0.0067
MVE-MV	0.0009	0.0036	0.0039	0.0020	0.0019	0.0044
MVE-MV	0.0062	0.0063	0.0068	0.0062	0.0066	0.0069
PCA	0.0016	0.0039	0.0036	0.0035	0.0017	0.0040
PCA-MV	0.0012	0.0039	0.0042	0.0021	0.0019	0.0047
PCA-MV	0.0016	0.0042	0.0040	0.0036	0.0022	0.0043
Base：FF5
FF5	0.0182	0.0198	0.0184	0.0184	0.0179	0.0185
FF5-MV	0.0165	0.0177	0.0167	0.0162	0.0162	0.0167
FF5-MV	0.0155	0.0137	0.0155	0.0160	0.0148	0.0155
MVE	0.0062	0.0056	0.0063	0.0066	0.0058	0.0062
MVE-MV	0.0014	0.0037	0.0015	0.0050	0.0028	0.0016
MVE-MV	0.0067	0.0057	0.0067	0.0070	0.0063	0.0066
PCA	0.0031	0.0051	0.0033	0.0049	0.0039	0.0035
PCA-MV	0.0019	0.0042	0.0021	0.0048	0.0031	0.0021
PCA-MV	0.0025	0.0029	0.0021	0.0048	0.0027	0.0021

模型	样本内			样本外
模型	FF3	C4	FF5	FF3	C4	FF5
FF3-MV	0.0222^***	0.0220^***	0.0276^***	0.0307^***	0.0304^***	0.0363^***
FF3-MV	(3.8420)	(3.8090)	(4.7230)	(2.8020)	(2.8540)	(3.5140)
C4-MV	0.2122^***	0.2225^***	0.2209^***	0.2342^***	0.2383^***	0.2260^***
C4-MV	(9.1940)	(12.2490)	(9.2880)	(3.8720)	(5.0100)	(3.8930)
FF5-MV	0.1560^***	0.1547^***	0.1462^***	0.1897^***	0.1887^***	0.2002^***
FF5-MV	(10.8350)	(10.8090)	(9.9790)	(5.3020)	(5.4220)	(5.8600)