资产配置方法论系列之九：揭秘股债轮动
| 作 者 : | 王慧 |
| 日 期 : | 2017-05-15 |
| 摘 要 : |
股债轮动的奥秘。股债为什么轮动？ 不同时间跨度的资产定价体系存在差异，因此可以区分时间跨度来分析股债轮动的驱动因素： 1）中长期来看，股债暴露于不同的宏观风险因子下是其轮动的主因，代表性的分析框架如美林时钟；2）短期来看，股债轮动更多受到投资者风险偏好变化的影响。长期的股债轮动可以采用投资时钟理论定性地来分析， 那么如何用模型定量地捕捉短期的股债轮动呢？ 建模思路依然沿用《 资产配臵方法论系列之八：组合风险管理三部曲》报告中提到三个步骤： 判断风险来源、识别风险因子以及风险预测，模型的预测依然采用随机森林的方法， 但有两处不同：第一，本文针对分类型因变量而非数值型因变量建模。 也就是说我们把股债轮动简化为分类问题，即对股票回报率与 2 倍债券回报率的差值分类，差值为正即股强于债（A 类），反之则债强于股（B 类），针对差值分类是考虑到同向运动中的相对表现，用 2 倍债券回报率是考虑投资者在投资债券时对杠杆的运用等因素； 第二，采用改进的方差分析对分类型因变量进行因子识别，而非上篇报告中提到的随机森林或者神经网络等模型。 改进的方差分析识别股债轮动因子。方差分析是一种识别分类型因变量的简单而有效的方法。 理论上，某个因子如果能解释股债轮动，那么就可以建立该因子与股债轮动结果之间的映射关系，或者说股债轮动不同的结果对应的因子取值会不同，而这种差异可以用方差分析检验。但纯粹的方差分析存在一定缺陷，我们通过两个步骤改进： 1）在方差分析之前引入重采样得到多组训练样本，避免模型对单一样本的过拟合； 2）在方差分析之后加入相关系数分析，减少因子的共线性。 股债轮动模型实证分析。我们首先将月度配臵结果应用于中证全指和中证全债。回测显示，样本外的 2012 年 2 月至 2017 年 3 月， 该模型分类的正确率达到 63%，股债轮动组合的年化回报率为 27.0%，相比中证全指高了 15ppt， 夏普比率为 1.07。 如果把频率改为周度， 模型分类正确率为 56%，年化回报率 17.7%， 相比中证全指高了 4.3ppt，夏普比率为 0.74，表现不及月度模型，主要是因为更高频率的数据受到的短期噪声干扰更多，更难捕捉规律。 我们还将月度配臵结果应用于被动型基金和主动管理基金， 从 2014 年1 月至 2017 年 3 月，被动基金组合和主动管理基金组合分别获得了年化 33.3%和 44.1%的回报， 夏普比率分别为 1.12 和 1.60，回报率好于同期的趋势跟踪组合、 前述的指数组合、 以及中证全指。
|
| 关键词 : | 资产配臵方法；股债轮动 |
