策略指数收益来源是因子溢价还是行业暴露

策略指数收益来源是因子溢价还是行业暴露？--基于因子行业中性化处理的分析1策略指数收益来源是因子溢价还是行业暴露？--基于因子行业中性化处理的分析摘要投资策略中行业暴露一直是理论和实务界关注的重点问题。早期市值加权组合就涉及行业暴露不均衡问题，并由此衍生出行业分层等权等行业中性投资策略。2005 年来随着因子投资发展，因子投资中行业暴露风险问题备受关注，但就是否应当对所有因子进行行业中性化处理并无研究定论。大量研究认为因子行业中性化处理能够提高组合收益表现，而仍有部分研究证明因子策略中的行业风险敞口能够带来回报。境内市场常见的风险因子都有行业暴露倾向，但不同类型因子行业偏向性存在差异。从因子收益预测角度来看，不同类型因子超额收益来源不同，同一类型因子中不同指标的超额收益来源也不同，但绝大部分因子超额收益主要来自于行业内选股，少量因子超额收益会受益于行业暴露，如短期动量因子。同时，因子行业中性化处理能够降低行业暴露不均衡带来的波动风险，提升因子未来获取超额收益的稳定性。从因子纯多头表现和多空表现对比来看，价值、低波、成长等因子的多空投资组合将受益于行业中性化，而纯多头投资组合则会从行业暴露中获益，行业中性化处理效果不明显。应结合不同的场景探索因子行业中性化处理在单因子或多因子策略指数中的应用。一方面，可结合不同类型因子在不同样本空间内的行业偏向程度及行业中性化前后组合表现，分析是否选用行业中性化后的因子暴露值作为单因子或多因子指数的选样指标；另一方面，由于价值、低波、成长等因子部分细分指标行业中性化后空头表现明显更弱，可考虑使用行业中性化处理后的细分指标构建负面剔除条件，降低因子尾部风险。展望未来，随着境内指数化投资深度发展及投资者对 Smart Beta 策略认知度提升，基于行业中性策略的“宽基+Smart Beta”指数具有较大发展空间。策略指数收益来源是因子溢价还是行业暴露？--基于因子行业中性化处理的分析2一、策略中特定行业风险如何处理备受关注（一）学术研究中行业中性问题由来已久指数构建中是否需要考虑行业中性化问题由来已久。随着Markowitz（1952）“投资组合选择”理论提出，投资者认识到风险分散的重要性，在构建投资组合时，尽可能地投资多个不同种类、不同行业的资产,“不要将鸡蛋放在一个篮子里”成为投资界众所周知的黄金法则。Sharpe(1964)等人在Markowitz（1952）基础上提出CAPM模型，并指出最优的资产组合即为市场资产组合，为市值加权指数发展奠定理论基础，早期的指数以市值加权为主。然而，Peter Lynch(1989)首次在其著作“One Up On Wall Street”指出，市值加权指数是根据市值来决定指数权重，可能导致部分行业权重过大，与其在经济中的重要性不相匹配，这一观点引发市场对指数加权方式和行业权重分布的关注。同时，随着19世纪末20世纪初科技互联网泡沫的破裂，大量研究关注到市值加权组合中的行业暴露不均衡问题 ， 如 Jacobs 和 Levy (2000) 、 Kacperczyk, Sialm 和 Zheng(2005) 、 Hou 和Robinson(2005)等。尽管上述研究并未表明行业均衡处理会给投资组合带来超额收益，但却指出能有效避免特定行业风险，行业分层等权重指数应运而生。行业中性化处理在因子投资策略中更为常见。CAPM模型提出后，大量学者发现CAPM理论难以解释的“异常现象”（Anomalies），如“小市值”效应、“元月效应”、“周末效应”、“节日效应”等，Fama和French (1993)吸纳前人研究成果，率先提出市场、规模、价值的三因子模型，其后大量学者进一步挖掘出动量、低波、质量、成长等因子。根据Harvey, Liu和Zhang(2016)整理，截至2013年主流学术文献共计提出多达316个因子，主要以美国市场证券为研究对象。Fama-French三因子模型开启了学术界和投资界对因子投资的探索，随着人们对因子认识的不断扩展，不同类型风格和Smart Beta因子广泛应用于指数编制和量化投资策略中，因子投资快速发展，有关因子投资风险问题的研究层出不穷。由于因子投资组合经常会表现出特定的行业偏好，因子投资中行业暴露风险问题备受关注，但学术界就是否应对所有因子进行行业中性化处理并无研究定论。Jegadeesh和Titman（1993）指出动量策略在不同行业有效性存在差异，暗示了构建动量因子策略组合时需要考虑行业影响。Moskowitz和Grinblatt（1999）进一步表明股票动量效应主要来自行业层面，Asness、Poter和Stevens（2000）等大量学者基于不同因子研究，认为基于行业中性因子构建的投资策略组合能够提高组合收益率，而Kacperczyk, Sialm和Zheng（2005）等研究表明即便认可行业中性化策略能够降低特定行业风险，但因子行业暴露可能会带来特定行业投资机会并因此获得超额收益。策略指数收益来源是因子溢价还是行业暴露？--基于因子行业中性化处理的分析3近年来有关因子行业中性研究依然频现于不同学术研究中。Ehsani，Harvey和Li（2021）新近研究表明，某个因子暴露较高的股票，其收益（rfactor）预测能力有两个来源，一是来自行业间差异（racross），认为该特征能够预测行业间预期收益的差异；二是来自行业内个股的差异（rwithin），也即有：rfactor = racross + rwithin文章对Fama and French（2015）中的五个因子指标（规模、价值、盈利、投资和动量）进行行业中性化处理（因子值-行业均值），并分别基于原始因子排序和行业中性化处理后的因子排序构建不同的投资组合（包括纯多头、多空、价值因子加权及等权），计算以上五个因子原始指标的夏普比例（SR）和行业中性化后投资组合的夏普比例（SR∗）。研究发现，多空策略下，因子行业中性化处理后投资组合的夏普比率（SR∗）通常高于原始因子投资组合的夏普比率（SR）；而在纯多头策略下，行业中性化处理前后组合的夏普比率相差不大，甚至于行业中性化处理会降低投资组合的夏普比率。该研究认为，在纯多头策略中，投资者不仅可以从行业内公司的特定因子暴露上获取超额收益，也可以从行业暴露中获益。图 1 行业中性化前后因子投资组合夏普比率变化图Vyas和Van Baren（2021）研究同样也表明，在构建因子策略组合时，对所有类型的因子一刀切地进行行业中性化处理做法并不可取，应当就不同因子具体分析。文章重点研究跨行业因子回报溢价存在差异的程度，具体研究价值、质量、动量、低波和规模等五大类共计21个常规风格因子的行业配置效率，即研究某个因子究竟是通过行业内选股还是通过行业配置获取回报。实证分析时，作者分别引入了行业内因子和跨行业因子，并将其定义为：策略指数收益来源是因子溢价还是行业暴露？--基于因子行业中性化处理的分析4Fi,twithin =Fi,t − Industry(i)(Fi,t)k ∗ Industry(i)(Fi,t)Fi,tacross = Industry(i)(Fi,t)进一步，作者构建以下线性因子组合来分析投资组