商品期货价值投资

  摘要
文献来源：Markwat T., Quist J., and Zomerdijk C. Value Investing for Commodities [J].The Journal of Alternative Investments Fall 2020, 23 (2) 127-140.推荐原因：尽管价值投资在多种资产中得到了深入研究和广泛应用，但我们对其在商品期货中的应用方式知之甚少。最著名的商品价值投资研究方法可能是由Asness等人（2013）提出的，但我们利用其原始因子得到的策略结果并不尽如人意。主要原因是价值因子对展期和动量因子均有显著的负向暴露。当我们进一步对原始价值因子进行因子中性化和行业中性化处理后，策略表现大幅改善，夏普比率从0.13提升到0.79，具有显著的经济意义和统计意义。

1.简介
价值投资，是一种购买相对便宜的资产并出售相对昂贵的资产的投资方式。价值投资者的主要任务是评估资产的市场价格与其基本面价值相比是高还是低。对于股票，我们通常使用市净率或市盈率来判断股票是便宜还是昂贵（参见Fama和French 1993）。但是对于大宗商品投资而言，基本面价值数据无法直接获得，这部分解释了对大宗商品市场价值投资的研究相对较少。
Asness等人（2013）是少数系统性研究商品价值策略的，他们使用过去长期的现货价格收益作为基本面价值的参考值。受Bondt和Thaler（1985）启发，他们使用过去长期的收益作为价值标准来选股。该变量可用过度反应和均值回归的概念来解释。如果某种商品发生过度反应，那么其长期回报将很高。高（低）长期回报将表明该商品昂贵（便宜），该商品的价值将为负（正）。因此，从这种价值测度方式得出的商品期货多空策略将看多长期低收益的商品，看空长期高收益的商品。
Asness等人的论文目的是表明价值和动量在任何资产中都是可获利的，商品市场也是如此。但其对于商品价值策略的回报特征和动态变化涉及较少。因此，本文的目标是详细研究商品期货的价值投资。我们的研究可以看作是Asness等人关于商品价值投资方法的主要扩展。
我们首先将策略的价值因子定义为五年长期回报的负值，并根据该价值因子创建多空组合。表面上看，这一多空策略表现不尽人意，仅产生微弱正收益，但在经济和统计上并不显著。经风险调整后的收益率表现较差，夏普比率为0.13，与Asness等人的发现一致。但有趣的是，当我们将策略绩效分为现货收益和展期收益时，该策略完全符合其设计意图，即现货价格的均值回归。因此，作为均值回归的价值因子实际上对商品的现货价格具有很强的预测能力。由于策略倾向于选择展期收益相对不利的商品，相当一部分现货利润被负的展期收益所抵消。
此外，Asness等人已经证明了通用价值因子对通用动量策略的负向暴露。商品期货超额收益为现货收益加上展期收益（或者说利差）。展期收益通常占到了商品超额收益的很大一部分。基于大宗商品收益的动量策略也高度依赖展期收益，因此，动量和展期收益策略的超额收益是相当可比的。通过多元回归分析发现，通用价值因子在展期和动量上均具有较大的暴露。
为了适应上述所有发现，我们通过消除对套利和动量的暴露提高了通用价值因子的表现。我们对通用价值因子的第一个改进是通过滚动多元回归得出事前Beta，以此动态地对冲其对展期和动量的风险敞口。改进后策略的夏普比率从0.13增至0.51，翻了两番。研究表明，这种增强策略没有明显暴露于展期或动量因子。
第二个改进是由不同行业的异质性驱动的。我们观察到跨行业的商品相关性较低，但是行业内部的相关性相对较高。因此，我们假设行业中性策略受不必要的结构性风险的影响较小，因为这些风险可能会在行业内部抵消。另一方面，随着更多可比较的商品被用于行业内的多空组合中，价值因子的预测能力甚至可能提高。行业中性策略SR大幅提升，从0.13增至0.56。尽管行业中性策略已经显示出这种改善，但是在某些方面，仍然存在对行业中性的展期和动量因子的暴露。如果用事前Beta对冲这些风险，则最终的SR为0.79，这在统计和经济上都非常显著。因此，通过分析Asness等人提出的价值变量，我们能够构建非常有利可图的商品价值策略。
我们的目标是针对这个价值因子的缺点提供解决方案以增强它的表现。尽管使用某些因子或风格做投资决策并不是新现象，但以有效、结构化以及一致的方式做因子投资决策是相对较新的。在过去的十年中，这种投资理念在研究学者和从业者中越来越受欢迎（参见Cerniglia和Fabozzi 2018）。实际使用的因子包括价值、动量、利差、质量和低风险。
最初，因子投资研究主要局限于选股（Blitz，2015）。最近，它在信贷投资中引起了关注（见Houweling和Van Zundert，2017）。尽管研究者已经开始在商品交易中尝试引入因子投资，例如Erb和Harvey（2006），Fuertes（2010），Blitz和De Groot（2014），以及de Groot等（2014），但关于商品市场中的因子收益表现我们还是知之甚少。因此，我们通过广泛分析商品价值因子策略来填补这一空白。最后，我们参考Miffre（2016）对商品市场中现有的多空策略的概述。
本文的其余部分安排如下。在第二节中，我们对数据进行描述性统计，介绍商品数据和该资产类别的一些特定细节。第三节详细描述了通用价值因子策略的基本结果，深入分析了通用价值因子与其他因子的关系。在第四节中，通过动态对冲和行业中性消除了展期和动量的敞口，从而对价值因子进行提纯。第五节进行了总结。

2.数据
我们使用GSCI商品指数的24种商品。我们从彭博获得了商品期货合约的月度通用价值数据和到期日期。在交易商品期货时，要避免实物交割。为此，我们根据GSCI展期计划选择要投资的合约。该计划通常等于投资于最近月份合约并在到期前一个月展期至次近月合约。但是，在某些情况下，近月合约流动性不足或过于接近交割日。由于GSCI展期时间表基于在任何给定时间仅使用流动合约的假设，因此我们仅使用流动性最高的合约，避免实际交割。
与GSCI在每月的第5个至第9个工作日展期20%的期货合约头寸的方法相反，我们在该月的第一天展期所有的期货合约头寸，合约展期日期与我们主动策略的重新平衡日期一致，好处是避免不必要的交易。
表1 报告了GSCI商品指数的24个成分商品的汇总统计数据。表格列示了商品所属的行业、名称、编号、开始日期、年化收益率、标准差、夏普比率。谷物、黄金和白银是可获得最早数据的商品。对于大多数商品而言，1984年至1988年之间可以获得价格数据。1998年1月之后，当铅期货价格数据可用时，就可以使用GSCI指数中所有商品的价格。
人们常说商品是一种另类资产，这一点已被其风险和收益特征所证实。即使在特定行业内，也出现了很多差异。例如，瘦肉猪的超额收益为负，而育肥牛的超额收益为正。此外，瘦肉猪的挥发性远高于育肥牛。单个商品收益的夏普比率在-0.20到0.49之间变化，这表明商品的风险收益空间中没有异常值。
商品超额收益包括现货收益和展期收益。展期收益通常被称之为利差，被定义为现货价格不变时获得的收益。如表1所示，24种商品的平均现货收益（Mean Spot）是正值，但大部分平均展期收益（Mean Carry）为负值。这意味着平均而言，大多数商品期货曲线是正向的。未报告的结果表明，如仅考虑样本的后半部分时，这些展期收益值甚至更低。Erb和Harvey（2006和2016）以及Gorton和Rouwenhorst（2006）广泛讨论并强调了这些负收益及其对投资者的影响。

3.通用价值因子
对于样本中的每种商品，我们取商品当前价格除以4.5到5.5年前平均价格的相反数得到价值因子的信号，该价值因子可以解释为过去五年收益的负数。Bondt和Thaler（1985）提出使用过去长期收益来近似地估计估值变化，他们表明该方法与单个股票的BM比率相当相似。我们选择使用近月合约价格来代替商品价格，因为现货价格在商品市场中往往表现不佳。使用Asness等人和Koijen等人基于线性的加权方案，我们将价值信号转换为投资头寸。

其中，  是商品 i 在时间 t 的原始价值信号，N 是商品在时间 t 的总数。我们使用缩放变量  ，以使多头和空头的总和为100%。从理论上讲，多空策略的表现当然可以加杠杆无限膨胀。但是，考虑到经济关系，多头和空头的100%名义头寸似乎是合理的。这种方法是纯粹的多头空头策略，名义净敞口为零，并且为具有更高绝对原始价值因子值的商品分配了更大的权重。

表2展示了通用价值策略的主要结果。该策略在扣除交易成本后每年平均赚取2.9%，年化波动21.7%，夏普比率（SR）为0.133，这一全样本结果似乎令人失望。子样本的结果中，在1993-1999和2010-May 2018周期中该策略获得正SR，而中间2000-2009周期SR为负。表2还报告了该策略的交易成本，结果证明该成本较低。
表2的最后4列为现货收益和展期收益的策略绩效细分。完整样本的现货收益为0.565，1993-1999和2010-May 2018周期中也观察到较高的SR，甚至在2000-2009周期中，现货收益的SR也为正。另一方面，展期收益的SR均为负。例如，对于完整样本，展期SR为-0.427，这表明通用价值策略由于做空展期收益而遭受了不少损失。
表3展示了累计超额收益和累计现货收益的自然对数。还显示了两者之间的差异。1992年底的投资在今天将具有近似相同的名义价值。如果仅可以投资现货，则将产生约1,130%的回报（对数为251%）。两条线之间的区别是展期收益产生的损失。
做空展期收益带来的损失可以解释为市场对现货价格的均值回归进行定价的程度。我们可以得出结论，现货价格平均回归的很大一部分是由其他市场参与者正确预测的。这可能使我们得出结论，价值是由市场定价的，并阻止我们进一步追求价值战略。但是，在重新平衡价值投资组合之前，我们可以提前计算待支付的展期收益。因此，可以通过使用增强的投资组合构建方法来避免支付展期收益。我们将在接下来的部分中探索一些此类增强方式。

4.价值、展期收益和动量
通用价值策略通过现货的波动获得可观利润。不幸的是，现货交易产生的大部分利润都被负的展期收益不利地抵消了，因为该策略倾向于选择展期收益最不利的商品。因此，我们进行回归分析来了解通用价值因子在多大程度上受到展期因子的影响。我们使用Koijen等人的方法来得到通用展期因子，首先计算每个时间点所有商品的展期收益。然后，在展期因子最高的50%商品上做多，在展期因子最低的50%商品上做空。我们通过公式（1）来确定头寸，该公式描述了一个针对空头和多头头寸，在展期收益率排名中呈线性关系的加权方案。因此，我们将更高的权重赋予了更极端的展期因子。
在接下来的回归分析中我们添加了一个通用动量因子。仿照了Asness等人，以过去12个月的收益计算动量因子。再次，我们使用公式（1）计算头寸。
表4的面板A展示了回归分析的结果。不同行代表用于解释通用价值因子的不同模型。面板B显示了因变量（价值因子）和自变量（展期因子和动量因子）的一些特征。模型1是在展期因子和动量因子上进行多元回归。首先，价值因子的alpha为10.6%，很高并且显著。其次，展期因子和动量因子的系数基本为负，并且（非常）重要，拟合优度为31%。第三，我们发现较高的AR（请参见Treynor和Black 1973）为0.59。请注意，该值几乎是我们在上一节中SR（0.13）的五倍。

展期因子和动量因子对价值策略的巨大影响令人惊讶。对于展期，这可以解释，因为我们使用收益归因表明，通用价值因子在展期收益上产生结构性损失。对于动量因子，负载荷也是可预期的，因为价值因子的均值回归回溯窗口与动量因子的回溯窗口部分重叠。
根据表2和表4的B部分得出的结果，略有正向但统计意义上不显著的2.9%的年收益，我们可以得出这样的结论：价值因子不适用大宗商品。但是，较强的alpha表示价值策略可以提高多因子投资组合（展期和动量）的调整后收益。Alpha值还表明，理论上可以通过增加+0.194的展期因子和+0.511的动量来实现价值策略的展期和动量因子中性，可以预期其与其他因子不相关的独立出色表现。AR为0.59表明了这种策略的潜在夏普比率。
表4的B组数据显示，展期和动量是紧密相连的。SR Carry一列显示，动量策略的收益可以完全归因于展期。实际上，它因价格变化而产生损失。这种观察可以通过以下事实来解释，展期是商品收益中很大且持续存在的部分。由于商品收益中的展期占比很大，因此一年收益最高的商品通常是展期最高的商品。此外，由于展期是持续存在的，因此过去一年中展期高的商品趋向于继续保持高展期。由于展期因子和动量因子是紧密相连的，因此希望在独立投资组合中获得价值alpha的投资者可能会怀疑，是否真的有必要中性化价值策略时既中性化展期因子又中性化动量因子，或者是否只将其中之一中性化足以得到alpha。
因此，我们还对展期因子和动量因子进行单变量回归，如面板A中的模型2和模型3。结果显示，AR分别为0.43和0.52，低于模型1的0.59。这表明对展期因子和动量因子同时中性化，相较于仅对其中之一中性化，更具潜力实现强劲的夏普比率。

5.价值因子提纯
先前的分析表明，尽管通用价值因子没有很强的独立表现，但由于其对动量和展期的负暴露，它确实在多因子投资中增加不少价值，但价值投资者可能不喜欢其他因子带来的风险。在本节中，我们通过使用因子和行业中性来表明，在不失去具有吸引力的价值alpha的情况下，可以消除不必要的动量因子和展期因子的风险敞口，产生显著、独立的价值因子夏普比率。

5.1.因子中性化
表4显示，当价值策略对展期因子和动量因子进行回归时，价值策略的alpha值较高。因此，从投资组合的角度来看，收益是显而易见的。通用价值因子的AR为0.59，代表对冲展期和动量因子风险后的理论夏普比率。0.59只是理论上的SR，因为无法实时获得全部样本的回归系数。为了预估实时的事前Beta，我们用价值因子的收益对展期和动量进行60个月的滚动回归。
便于说明，我们在图5中绘制通用价值因子的单变量Beta。显然，展期因子和动量因子的敞口是结构性的，并且在很长一段时间内基本上为负。有趣的是，随着时间的推移，这两个Beta值显示出非常相似的趋势，在1993-1996年期间保持在0左右，在1997-1999年期间急剧下降，在2000-2007年期间保持最大负值。

为了中性化通用价值策略的展期和动量，我们在双变量回归中估计了这些因子的风险敞口。然后，我们添加展期和动量的对应仓位以实现实时对冲这些风险敞口。该结果在表6中报告为Factor-Neutral。面板A显示，因子中性策略的展期和动量系数在统计上不显著，拟合优度仅为0.001，而通用价值策略的为拟合优度为0.308。面板B的夏普比率为0.51，表明通用价值的AR不仅是理论上的夏普比率，而且在实际应用中我们可以非常接近这个数值。
因此，因子中性化策略成功实现了其预期目的，即在不损失alpha的情况下，对冲重大、负暴露的展期和动量因子。该策略仍留下少量的负风险敞口，这解释了该策略没有完全捕捉到通用价值AR的原因，并且表明，平均而言我们低估了展期和动量因子的风险敞口。由于事前Beta系数是一种前瞻性估算，我们发现，平均而言，Beta系数被低估与我们在图5中观察到的Beta系数的下降趋势一致。

5.2.行业中性化
本文中的商品可细分为五个领域，即能源、金属、软商品、谷物和肉类。每个行业的商品都是相似的；他们的展期相似，相关性较强且具有相似的经济特征。
表7显示，与其他行业的商品相比，能源、金属、谷物和肉类的回报与同行业的商品相关性更高。软商品是一个异质行业，是这一发现的例外。对于我们样本中的大多数商品，大部分回报是由行业驱动的。由于动量策略是根据过去的收益选择商品，而价值策略是根据过去的价格变化选择商品，因此动量和价值投资组合中的很大一部分必须由行业驱动。此外，由于表4中的面板B显示动量收益可以归为展期收益，因此我们认为，通用价值对展期因子的负暴露也可以成立。因此，我们假设，价值因子对展期因子和动量因子的负暴露的很大一部分，可以通过对不同行业的暴露来解释。

为检验这一假设，我们将商品收益归因于行业收益和特质收益。行业收益是一个行业内商品的加权平均收益。特质收益是指减去行业平均水平后剩余的收益。我们通过对头寸、行业收益和特质收益的总和来对价值因子收益做归因。在表8的面板A数据中，我们分别对价值因子的行业收益、特质收益进行回归分析。价值策略-0.194的展期因子敞口中，-0.162可归因于行业，价值策略-0.511的动量因子敞口中，-0.428可归因于行业。超过80%的不利于价值和动量因子的敞口是来自行业敞口，而只有不到20%来自行业内的不同头寸。
表8中的面板B报告了归因于行业和特质收益的价值策略的平均值、标准差和夏普比率。令人惊讶的是，尽管行业对策略风险的贡献很大，标准差为18.6%，但对平均回报的贡献却为负（-1.0%）。特质收益对平均回报的贡献为+ 4.0%，标准差仅为9.2%。特质收益的夏普比率为0.44，比价值策略强得多。
我们发现动量和展期的负暴露是由行业驱动的，并且行业配置对价值策略的回报产生了负面影响，我们将在策略中添加行业中性消除这些不必要敞口。我们利用价值在各个行业内的排名构建了一个新因子，并使用公式（1）在行业内形成多空投资组合。我们预计行业内的展期和动量因子的负暴露将被抵消，但价值因子仍保持强劲。即评估商品价格相对便宜还是相对昂贵取决于与之相比的商品。分析原油价值，应当与布伦特原油比较，而不是和瘦肉猪相比。与通用价值策略相比，该投资组合中的行业风险将降低。

为了给行业赋予与价值策略相当的权重，我们首先根据各个行业的资产数量进行加权，将多头-空头行业投资组合汇总为因子投资组合。如表6中，我们将此策略称为Sector neutral × N Assets。尽管仍然存在较大的动量风险敞口，但0.05的拟合优度明显低于通用价值策略的0.31，这表明与通用价值策略相比，展期和动量因子的负暴露明显减少。AR为0.61，与通用价值非常相似，这表明风险调整后的alpha值仍然很高。面板B报告的标准差为12.3%，而通用价值策略的标准差为21.7%，行业中性策略大大降低投资组合风险。
接下来，我们将展示一个更简单的加权方案以及结果，其中每个行业的权重相同。我们将表6中的策略称为Sector neutral。平均加权方案改善了该策略在行业之间的多元化，从而使夏普比率进一步提高到0.56。

5.3.行业、因子中性化
上一节显示，运用行业中性通过减少不必要的因子暴露来提高夏普比率。尽管24种商品的通用动量和展期因子的敞口大大减少了，但价值仍可能与动量和展期因子在行业内背道而驰。因此，我们根据先前行业中性价值因子的方法同样构建了行业中性动量因子、行业中性展期因子，回归结果在表6A组中的Sector neutral*。价值因子仍然与展期、动量因子相反，负暴露为-0.13和-0.41，在统计意义上显著。行业内的展期和动量是具有正收益溢价的因子。因此，行业中性价值因其负暴露而得到较高的alpha值，AR为0.87。
的确，经风险调整后的alpha值表明，对商品进行价值投资的潜力甚至比我们之前的结果还大。下面我们使用“因子中性”的方式对冲行业中性价值因子对展期因子和动量因子的负暴露，不同之处在于我们将对行业中性化的展期、动量因子进行回归并建立对冲头寸。
该策略结合行业中性和因子中性，结果见表6中Sector and Factor Neutral。面板B报告的夏普比率为0.79，大大高于单独的行业中性或因子中性的夏普比率，并且与通用价值策略的0.13夏普比率相比有重大改进。面板A结果显示，行业、因子中性后的价值因子对展期、动量因子的暴露基本上为零。该策略的信息比率为0.79，等于夏普比率。
虽然通用价值因子可以成功地预测现货价格的变化，但也因为做空展期收益失去部分现货收益。表6的B组显示，应用行业和因子中性解决了这一主要问题。确实，通用价值因子的夏普比率可归因于+0.56的现货收益和-0.43的展期收益，但行业与因子中性价值策略获得的夏普比率可归因与+0.44的现货收益和+0.37的展期收益，更为平衡。
表9显示，行业与因子中性价值策略获得的溢价随着时间的推移变得非常强劲。与通用价值策略相比，该策略的最大改进是在2000-2007年期间。从直觉上来说，这与表5中的时期相符，当时通用价值对强势的展期和动量溢价的负向暴露最大。

6.结论
我们详细分析了商品的价值投资。Asness等人提出的基于均值回归的价值变量，是我们研究的起点。他们的方法是基于缺乏商品的基本价值度量（例如股票的账面价值），因此，他们使用过去的长期收益来评估商品价格的便宜或昂贵。我们证明了该价值变量在现货价格变动中具有惊人的获利能力，但由于负的展期收益暴露损失了大部分收益。这产生了正的、但在经济和统计意义上不显著的利润。
通过回归发现，我们可以通过展期、动量因子显著的负系数来解释该价值因子表现不佳的原因。在将这些强劲的因子的负载荷校正后，价值因子的alpha值在经济和统计上变得显著。
在本文的剩余部分，我们消除了不必要的展期和动量因子的敞口，同时保持价值因子的强alpha值。首先，我们用因子中性的方法对冲通用价值因子的事前Beta。我们得出，AR不仅是理论上的夏普比率，并且在实践中也是可以实现的。其次，我们采用了行业中性的方法，通过减少动量因子和展期因子结构性敞口，大大提高价值因子的夏普比率。
最后，我们进一步分析行业中性的价值因子发现，虽然其对通用动量因子和通用展期因子的敞口大大减少了，但对行业中性化的动量、展期因子仍保留了较大的敞口。在校正这些行业中性因子的负暴露后，所得alpha值更高。为了独立的运用、获取更强的alpha值，我们对冲了行业中性动量因子和行业中性展期因子的风险。与通用价值因子0.13的夏普比率相比，我们通过这种行业和因子中性的方法实现了策略0.79的夏普比率，这是一个巨大的突破。

往期链接

海外文献推荐：因子选股类
向下滑动查看往期链接

第164期：Smart beta 策略中的“肉”在哪里?
第163期：从实体经济角度对股市未来长期收益进行预测
第160期：因子的两种类型：基于因子组合的收益分解
第157期：在分散化收益的视角下Smart Beta是否仍然Smart
第154期：异象策略的相关性结构
第144期：价值因子已死？
第142期：ESG投资：从罪恶股到Smart Beta

第135期：货币政策敞口因子MPE
第134期：横截面与时间序列因子模型比较
第125期：现金流久期因子

第118期：使用深度神经网络提升时间序列动量策略

第116期：更高的因子有效性评价标准
第108期：分析师的共同覆盖——动量溢出效应的根源
第99期：低PE，成长，利率：对估值的再思考——最聪明的投资回收期
第98期：低波动需要很少的交易
第97期：机器学习时代的回测原则
第95期：防御性质的因子择时
第90期：收益预测性：来自中美两国供应链的证据
第89期：盈利，留存收益，账面市值比在股票横截面收益中的作用
第87期：因子大陆上的爱丽丝梦游：纠缠因子投资的三大谬误
第79期：不确定性、动量和盈利能力
第77期：因子动量与动量因子第71期：短期的Beta还是长期的Alpha
第70期：SmartBeta与多因子组合的最优配置
第63期：劳动杠杆与股票收益的截面效应
第62期：利用CART决策树选股
第60期：学术研究毁了因子的预测结果吗？
第59期：策略回测效果如何评估？
第58期：ESG能够提高新兴市场投资的风险调整后收益
第56期：盈余公告收益及标准化预期外盈利
第54期：六因子模型与解决价值因子冗余
第53 期：Shiller P/E与宏观经济环境
第52 期：微观领先于宏观？非流动性对股票收益和经济活动的预测能力
第50期：因子如何复合——自上而下及自下而上的指数构建方法
第50期：分析报告的可读性与股票收益
第49期：风格在债券投资中的应用
第49期：盈利指标的紧缩指数
第48期：HML 因子中的细节
第46期：市值效应的事实与流言
第43期：机器学习与资产定价
第43期：价值投资的事实和流言
第40期：因子择时是与非
第39期：质优股与垃圾股
第38期：隔夜收益与特定企业股票的投资情绪
第37期：因子选择的新指标
第36期：一种新的公允周期调整市盈率（CAPE）预测方法
第35期：因子投资模型增强：基于深度学习来预测基本面数据
第34期：工匠阿尔法：风格投资的应用
第33期：风格投资与机构投资者
第31期：因子正交与系统性风险分解
第31期：情景基本面，模型与主动管理
第30期：消化异象：一种投资方法
第29期：风格投资、联动性与股票收益可预测性
第28期：期估值因子的风险来源于哪里？由PB 分解得来的证据
第28期：基于波动率管理的投资组合
第26期：收益的可预测性
第25期：价格影响还是交易量：为什么是Amihud(2002)度量
第25期：金融危机期间企业社会责任的价值
第24期：股票流动性和股价暴跌风险
第22期；估计Beta值
第22期：价值、规模、动量、股利回报以及波动率因子在中国A股市场的表现
第19期:恐慌指数v.s.规模因子

第18期:调整因子在对收益率解释中的表现
第15期:改进的动量模型
第15期:利润质量研究
第13期:股票市场波动性与投资学习
第13期:社会责任共同基金的分类及其绩效的衡量
第13期:因子择时风险导向模型
第10期：利用信息因子解释回报
第10期;异质现金流和系统性风险
第9期：“打赌没有β”投资策略研究
第9期：利用条件信息理解投资组合的有效性
第8期：因子择时模型
第8期：优化价值
第7期：动量崩溃
第7期:动量因子及价值因子在投资组合中的运用的实证研究
第7期：后悔的神经证据及其对投资者行为的影响
第6期：持续过度反应和股票回报的可预测性
第6期：五因子资产定价模型在国际市场上的检验
第5期：价值的另一面：毛盈利能力溢价
第5期：卖空比例与总股票收益
第4期：巨变的贝塔：连续型贝塔和非连续型贝塔
第4期：全球、本地和传染的投资者情绪
第4期：投资者更关注哪些因子？来自共同基金资金流的证据
第4期：总资产增长率与股票截面收益率的实证
第3期：Beta套利
第3期：前景理论与股票收益：一个实证研究
第3期：趋势因子：投资时限的信息能获得收益？
第3期：时变的流动性与动量收益
第2期：CAPM新视角：突尼斯和国际市场基于copula方法的验证
第2期：资本投资，创新能力和股票回报
第2期：风暴来临前的平静
第2期：资本投资，创新能力和股票回报
第1期：三因子与四因子模型对比与动量因子的有效性检验
第1期：五因子资产定价模型
第1期：多资产组合中的动量因子影响
第1期：基于插值排序标准化变量法和复杂变量的平衡分离树的多因子选股模型

海外文献推荐：资产配置类

      向下滑动查看往期链接↓

第156期：资产配置vs.因子配置——我们能否构建一类两者兼顾的策略第151期：利用新闻情绪动量进行战术性资产配置
第143期：关于低风险投资的事实与误区
第141期：利用先锋核心+卫星策略指引
第126期：利用Fama-French五因子模型的alpha进行行业轮动

第123期：行业收益的可预测性：使用机器学习方法

第122期：Capital Group 2020年市场展望
第65期：通过VaR Black-Litterman模型构建FOF投资绝对收益组合

第56期：利用低风险现象增强Black-Litterman 模型：来自韩国市场的证据
第56期：波动率模型以及波动率的程式化特征实证
第54期：放大市场异象
第53期：风险平价组合与其他资产配置方法的比较探索
第51期：关于公式化价值投资方法的事实
第48期：对风险配置策略的再思考
第41期：投资组合再平衡管理的另一类方法-叠加期权卖出合约
第38期：Smart Beta 策略怎么会出错？
第27期：风险因子的风险平价
第27期：桥水基金对风险平价和全天候策略的一些思考
第26期：协方差矩阵的非线性压缩：当Markowitz遇见Goldilocks
第24期：考虑寿命风险的多变量战略资产配置模型
第19期：稳定性风险调整后的投资组合
第17期：推动多因子世界中的战略资产配置
第17期：用更高阶矩衡量组合分散性
第16期：将因子暴露映射到资产配置
第14期：风险平价股票组合的转售价值
第12期：构造有效收入组合
第12期：投资组合中股票数量是否会影响组合表现
第11期：对冲基金收益优化投资组合
第5期：集中投资与全球机构投资者业绩

海外文献推荐：事件研究类
      向下滑动查看往期链接↓

第147期：政治事件投资组合
第146期：信息传播速度与卖方研究行业
第138期：心情Beta与股票收益的季节性
第119期：节假日前的公告效应

第115期：粘性预期与盈利异象

第96期：规模效应隐藏于日历效应之中

第47期：工业用电量与股票收益率
第45期：预测中国股票市场的股灾
第40期：IPO 批准对现有股票的影响：来自中国的证据
第21期：低频调仓、收益率自相关性和季节性
第8期：机构投资者和股票拆分的信息产生理论
第6期：季节性收益
第6期：可预测的行为、利润和关注
第6期：盈余公告与系统性风险

海外文献推荐：投资者行为类

      向下滑动查看往期链接↓

第161期：收益预期是如何形成的？——截面上的趋势外推

第159期：估计分析师预期偏差新方法——投资者是否过度依赖分析师预期
第153期：谷歌搜索量与个人投资者交易者行为
第137期：股票高收益同步性意味着怎样的价格信息含量？
第129期：“懒惰”的投资者——不可忽视的财报措辞变化
第128期：高频交易竞争
第105期：投资者情绪对于异象的解释是否源于“伪回归”？

第85期：原油期货市场的知情交易
第78期：高频报价：买价和卖价的短期波动性
第57期：数据提供者的信息中介角色
第55期：分析师的重新覆盖与市场反应不足
第42期：卖方研究在经济不景气时期更有价值吗？
第33期：公司债市场收益的共有因子
第23期：媒体关注与消费者投资行为之间的因果关系
第20期：高频交易之间的影响
第20期：是什么使得股价移动？基本面 vs. 投资者认知

第18期：短期机构交易的表现
第16期：坏习惯和好方法
第11期：状态变量、宏观经济活动与个股截面数据的关系
第10期：条件夏普比率
第9期：强制清算，减价出售与非流动性成本
第7期：买方与卖方谁发起交易
第7期：后悔的神经证据及其对投资者行为的影响
第7期：排名效应和交易行为：卖出最差的和最好的，忽略其余的
第6期：持续过度反应和股票回报的可预测性

海外文献推荐：择时策略类
      向下滑动查看往期链接↓

第136期：因子溢价与因子择时：一个世纪的数据验证
第106期：宏观经济的风险对因子收益的影响
第86期：哪种趋势指标是你的朋友
第76期：商品期货的特质动量
第32期：行业表现能预测股市走势吗
第14期：几类择时策略的比较

海外文献推荐：公司金融类
      向下滑动查看往期链接↓

第152期：识别导致价值/成长溢价的预期偏差效应：一种基本面分析方法

第150期：细节决定成败：ESG数据的差异性与责任投资的意义
第145期：预期管理与股票收益率
第103期：全球化风险溢价

第72期：独立董事的价值

第23期：经济周期、投资者情绪和高成本的外源融资
第12期：世界各地的资本结构决策：哪些因素重要
第11期：财务风险有多重要？
第3期：机构投资者对公司透明度和信息披露的影响

海外文献推荐：基金研究类

      向下滑动查看往期链接↓

第162期：COVID-19期间共同基金的业绩表现与资金流动
第155期：双重调整的共同基金业绩评估
第148期：长期任职的基金经理的业绩表现
第140期：价值平均策略、美元成本平均策略以及随机投资方式的收益对比——基于多场历史数据的实证检验
第139期：投资组合集中度与基金绩效
第133期：使用机器学习法推理基金配置

第132期：晨星债基风格箱构建方法论
第130期：什么时候基金管理技能更有价值？

第121期：使用期权对公募基金的益处
第120期：共同基金业绩，管理团队与董事会
第113期：基于DEA方法的共同基金业绩预测
第109期：只有艰难时期的赢家才能持续
第100期：便宜不一定好：论高费率共同基金的优越表现
第94期：基金经理是否具有市场流动性择时能力
第92期：波动率与主动基金管理者能力
第85期：主动ETF或将何去何从
第83期：基金经理的运气与技能
第75期：ETF的战争从未停止
第74期：风格中性FOF:分散投资还是成本重负
第73期：基于APB指标的共同基金业绩评估
第68期：弱市赢家方能恒强：对冲基金再不同市场下的表现持续性
第67期：美国ESG基金发展概览
第64期：基金的alpha源自基金经理的管理能力吗？
第52期：美国目标日期基金市场的成败之争
第51期：买方分析师的能力与角色研究
第47期：下滑轨道内部应该如何配置
第46期：时变的基金经理管理能力
第44期：一个有效的下行风险衡量指标下的FOF 策略
第42期：趋势跟踪策略在目标日期基金中的应用
第41期：基金经理的个人特征与业绩
第39期：风格中性的基金中基金：分散化还是锁定权重？
第37期：如何设计目标基金？
第34期：市场情绪与技术分析的有效性：来自对冲基金的证据
第32期：目标日期基金需要更好的分散化
第30期：一种新的衡量基金经理能力的方式
第29期：基金真的交易越多赚的越多么？

   海外文献推荐：其他
      向下滑动查看往期链接↓

第158期：商品因子投资
第149期：隐含波动率指数与股指收益之间的相关性
第131期：期权交易信息聚合
第127期：机器学习在量化中的应用趋势
第124期：基差动量

第117期：机器学习基金失败的十大原因及应对策略
第114期：大银行具有更高的价值吗？
第112期：节点遗失：规避神经网络过拟合的一种简单方法

第111期：利用Straddle期权对冲波动率风险
第110期：时间的关联规则挖掘：美国股市中的应用
第107期：基于Boruta的特征选择
第104期：商品期货市场中收益与波动的联动效应：流动性风险的影响
第88期：如何更好地复制对冲基金业绩
第80期：回归模型中的过拟合问题
第66期：揭开中国期货的神秘面纱
第61期：应该卖出哪一种指数期权
第21期：实证金融的未来

风险提示：本报告内容基于相关文献，不构成投资建议。
注：文中报告节选自天风证券研究所已公开发布研究报告，具体报告内容及相关风险提示等详见完整版报告。
证券研究报告
《天风证券-金融工程：海外文献推荐第165期》
对外发布时间
2021年1月13日（注：报告审核流程结束时间）
报告发布机构
天风证券股份有限公司
（已获中国证监会许可的证券投资咨询业务资格）
本报告分析师
吴先兴 SAC 执业证书编号：S1110516120001