基于机构投资者交易情绪的动态资产配置研究

导读

1、作为西学东渐--海外文献推荐系列报告第四十八篇，本文推荐了KENNETH A. FROOT和 RAJEEV BHARGAVA等人于2014年发表的论文《Multi-Asset Sentiment and Institutional Investor Behavior: A Cross-Asset Perspective》。
2、机构投资者是市场中极其特殊的一类投资者，其行为方式有着明显的相似性，因此囊括了更多、更持久的信息。本文利用道富资管提供的机构投资者资金流动数据构建指标捕捉市场整体情绪。
3、本文选用行为风险记分卡（Behavioral Risk Scorecard，BRS）来压缩道富资管提供的多个流动性指标，用于捕捉交易情绪。同时文中基于BRS结果形成符号(S)、变动(C)、符号+变动三个信号，构建动态资产配置策略。通过实证发现：a）由22个指标组成的简洁版行为风险记分卡是衡量总体情绪有效指标，其中包含了121个原始指标的大部分信息。b）基于BRS多资产得分构建的动态资产配置策略在风险调整后收益、年化alpha等多个指标上表现都优于基准。c）BRS单资产级别评分就能起到一定的作用，但效果较多资产评分要差。
4、本文第一次从行为指标和更全面地角度来构建捕捉交易情绪的跨资产指标，其在动态资产配置上的有效性为进一步研究提供了充足的动力。
风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。
1、引言
全球金融市场一体化程度提高以及主要发达市场央行政策的趋同，提高了跨资产收益率相关性，这也使得跨资产情绪指标的重要性得以提升。通过对道富资管（State Street Associates）管理的各资产类别的大量机构投资者行为数据进行分析，我们发现，整个市场的情绪随着机构投资者资金流动指标而动，甚至可以用机构投资者资金流动指标预测整体趋势。
之前的研究已经发现，许多具体的资金流动指标可以用于解释一类资产当前和未来的收益率。然而，本文则聚焦于跨资产类别的预测。例如，我们发现不仅股票资金流入可以用于解释目前和未来的股票收益率，将债券资金流入数据加入后可以进一步提升预测效果。这表明，市场情绪可以由大量资产横截面的资金流入、流出数据来定义与预测。投资者风险偏好较高的情况下可能会选择购买风险较高的股票和债券，卖出高股息股票、公用事业、投资级和发达国家国债等更安全的资产类别。如果这种流动模式是积极市场情绪的可替代指标，那么当这种模式出现时候当前乃至未来全市场范围的回报率应当会增加。
实际上，由于这些资金流动在不同资产类别之间显示出惊人的一致性，所以我们认为综合这些流动性指标能够更明显的凸显出这些属性。例如，如果一类资产持续有资金流入，并且和自有资产收益呈现自相关，那么我们应该能够从多资产中找到指标进行聚合，并进一步研究是否呈现相应的特征。
跨资产机构投资者资金流动相关指标的数量极多且范围极广，因此我们需要将这些信息压缩成更易于管理的要素。本文选用行为风险记分卡（Behavioral Risk Scorecard，BRS）来压缩道富资管提供的多个流动性指标，用于捕捉交易情绪。
2、机构投资者行为
道富资管根据机构投资者的综合活动，编制了一个行为指标集合。其中所选投资者的管理规模皆超过25万亿美元，来作为机构投资者的典型代表。
尽管机构投资者这个群体是多样化的，但他们的行为实际上彼此之间更为相似，而与企业、散户投资者，或者最近投资于债券、抵押债券领域的美联储在行为上往往不太一致。
这些机构投资者在构建投资组合时的相似性，以及他们与市场其他部分之间的差异性，使得对于他们总体行为的衡量变得有意义。如果没有这些相似之处，机构投资者囊括的信息可能会是随机的，那么分析他们的资金流、持有量数据也就没有什么作用了。我们发现，机构投资者的资金流入与收益率大多为正向关系。实际上，我们观察到，同一时期机构投资者在几乎所有资产类别上的流动和收益率之间都存在这种关系，而且这种关系持续而稳定。因此，机构投资者往往是更积极的交易者，要求市场的即时性。这种模式在各个资产类别中如此持久意味着，与散户和企业投资者相比，机构投资者更能表征市场的整体投资情绪。这些基本的共同属性表明，机构投资者行为的总体衡量指标，甚至是基础数据，如资金流、持有量、协议水平等，将与市场整体状态有很大不同，这种不同可能对未来有所启示。
那么，我们所用的衡量总体机构投资者行为的指标会有哪些呢？实际上有很多指标可供选择，如资金流、基准持有量、超配和低配、协议水平、风险偏好和PNL等，这些指标都跨越了不同的资产类别，并在许多方面进行分层，包括国家、行业、风格、公司属性、信贷、流动性等。其中资金流动是一个重要的行为指标，它代表了机构投资者正在买什么。
有了这些详细的行为信息，我们就可以从中提取出重要信息。和总统选举一样，有许多有趣的细节描述了选民的投票趋势。然而选民最想知道的关于选举的还是一件事：“谁赢了？”。从某种意义上说，这就是本文的目标，引入一种简单的行为衡量方法，利用非常宽泛的指标，能够相对较好地衡量投资者风险偏好。我们还通过更细致的分类方法，将这个大的数据集切割为更小的集合。然后我们研究这些指标，并试图将其作为风险偏好的总体衡量指标。
首先，第一步是基于简单的直觉，我们将每个流量指标分类为“风险偏好”与“风险规避”两类。例如，新兴市场（EM）的资本流动被视为一种风险偏好指标。因为通常来看，投资者会认为这些市场风险相对较大。当资金流入美国国债，即常认为的避险资产时，可以认为投资者在进行风险规避。我们可以看到，一般情况下美国国债和新兴市场股票流动呈负相关，这使相反的风险状态得到了证实。
除了这些明显的非黑即白的风险状态外，一些资产流动是介于中间的，即灰色指标。我们尝试利用常识进行分类，然而，事实上，我们的结果对这些灰色指标如何分配不是很敏感。
在我们将每个指标打上“风险偏好”与“风险规避”的标签之后，指标大小就没有意义了。这使得事情变得简单，我们只需关注相关指标的数量，而不关注个别指标的大小。
3、文献综述
在金融领域，市场情绪(市场预期和投资者行为)可能是决定资产回报的重要因素，并引起了从业者和学者的极大兴趣。
事实上，之前的研究已表明，历史上股票波动水平过高，且仅凭基本面无法证明其合理性。LeRoy和Porter [1981]; Shiller [1981];Campbell和Shiller[1988]，表明贴现率是由内在风险，以及风险的感知，或投资者的风险情绪决定的。此外，Barberis等人[1998]和Bordalo等人[2012]基于心理学提出了投资者情绪的简约模型，表明股票市场的反应不足和过度反应实际上可以被利用来产生超额回报，而不承担额外的风险。
过去10年，市场关注焦点已从证明市场情绪会驱动资产回报率，转向确定更合适的能够捕捉市场情绪的指标。Baker and Wurgler [2006, 2007]使用代理指标：封闭式基金折价、纽交所佣金、IPO市场、股票发行总股本和债券、股利溢价等作为输入，基于主成分分析构建了一个分析股市人气的指数。这也进一步证明，聚合市场情绪指标有利于分析股票价格。Bandopadhyaya和Jones[2008]研究了两种常见的市场情绪指数:卖权/买权价格比率(PCR)和vix。他们发现，在控制了经济因素之后，PCR能更好地解释标准普尔500指数的变化。其他基于调查的信心指数，如密歇根大学消费者信心指数，已被证明具有预测能力(Charoenrook[2005])，可用于进行动态资产配置(Basu等人[2006])。
捕捉市场情绪的主要挑战在于，一般情况下，只有事实发生之后，市场情绪才能一定程度上被准确衡量。因此，考虑到信息被纳入价格的速度，更快的市场情绪指标可能无助于预测的目的。然而，众所周知，机构投资者作为一个整体，所囊括的信息会更持久(Froot et al. [2001];Froot和Donohue[2002])。
Froot和O’connell[2003]使用机构投资者代表性样本的交易和持有数据，将股票需求分解为两个部分，一个基于基本面，另一个基于投资者的信心或风险承受能力，来分解它们各自对全球价格的影响。分析表明，他们对风险容忍度(即投资者信心)的衡量，解释了投资组合中存在的大量差异，也具有预测性。
随着金融市场日益一体化，投资者正在探索跨资产的相互作用，以寻找更多的alpha来源。实际上，Friewald等人的分析表明，一家公司的股权回报率和夏普比率会随着估计的信贷风险溢价而上升，这一发现与默顿的结构模型(Merton’s structural model[1974])一致：即公司在股权和信贷市场的风险溢价是相关的。Erturk和Nejadmaleyeri[2012]的研究表明，股票市场的卖空行为传递了关于未来债券价格的负面信息。他们发现，当空头利率上升时，信贷利差（credit spread）就会增加。Nayak[2010]使用Baker和Wurgler[2006]基于股票市场信息构建的复合模型，发现信贷利差随投资者情绪而变化。最近，Lee[2012]研究了自2008-2009年金融危机以来盛行的风险偏好/风险规避市场风格，即投资者根据风险偏好不加区别地买卖风险资产。此外，Maggiori[2013]最近的研究表明，美元是投资者在危机时期蜂拥而入的避风港，与一篮子货币相比，美元获得了安全溢价。为了捕捉整个金融市场的系统性风险，Kritzman和Li[2010]构建了一个市场动荡指数，使用多个资产类别的价格数据，其中包括美国股票和非美国的股票、美国债券和非美国债券、大宗商品和美国房地产等资产。这些研究都强调了从多资产类别角度监测投资者风险情绪的重要性。
在本文中，我们通过提出一种简单而直观的方法来扩展文献，从而构建一个基于打分法的多资产情绪指数，该方法既可以测量多资产情绪，也可以深入到特定的资产类别驱动因素。此框架另一个优点是，可以轻松地合并其他信号。
4、资金流动数据/行为风险记分卡构建
为了构建衡量交易情绪的跨资产综合指标，本文使用了道富资管提供的较为全面的日度交易量指标（图表1）。我们通过下面三个步骤从该子集中提取出一个总体度量：
1）首先，对于道富资管所提供的121个资金流量序列，我们依据风险直觉打上标签，即属于“风险偏好”或者“风险规避”。如图表1所示，其中绿色表示“风险偏好”，红色表示“风险规避”。黄色表示介于中间，即对于风险无明显代表性质。(彩色版本可从 www.iijpm.com下载)。

2）接下来，我们计算每个资产类别中每个元素的流量。其中，这里的流量是该元素过去20天流量的移动平均值。
3）最后，和前面提到的一样，我们会将数据转换为虚拟变量：a）当变量属于风险偏好，其流量大于0时，虚拟变量取值为1，反之取值为-1；b）当变量属于风险厌恶，其流量大于0时，虚拟变量取值为-1，反之为1；c）当变量无风险倾向，则虚拟变量取值为0。因此，最后的指标打分结果值有+1，0，-1三种取值。
我们知道，资产间相关性的增长，会导致风险大幅度增长。一般来说，很难找到支持这种统一变动的来源和被广泛认可的解释。然而，投资者情绪相关研究可以填补这些空白。此外，考虑到资产间相关性的普遍存在，人们可以通过尽可能多的资产类别来洞察总体情绪。因此，我们的多资产信心衡量指标在把握综合风险的择时方面可能会很有用。
为了量化总体情绪，我们使用了三个评分：一个在单个指标层面，一个在单个资产层面，第三个在跨资产类别层面。我们将三个集合的汇总称为行为风险记分卡（BRS）。对于BRS，绿色表示风险偏好流，红色表示风险厌恶流。为了生成BRS多资产评分，我们按照之前的计算，每周对所选择的记分卡系列进行求和。
我们还将指标的数量提取为22个，以便更容易地监控各个组成部分和总分。在我们看来，这些指标最直观地反映了风险偏好或风险规避行为。我们发现，这个更小的子集反映了更大的121个指标集合的整体走势。实际上，这两个系列都倾向于随着资产风险而波动，在危机期间，相对于其他时期，市场人气大幅下降。图表2列出了22个指标名单。与之前一样，这22个指标涵盖了4个主要的资产类别和多资产风险偏好/风险规避因素。“+/ -”标志突出了与风险偏好正/负相关的因素。

图表3为行为风险记分卡的周度数据。行为风险记分卡突出了投资者对风险的态度，绿色和红色分别代表风险偏好和风险规避行为。在这里，颜色的强度也捕捉到流量的大小，用较深的颜色突出顶部或底部四分位数极端值。

4.1
股票资金流动指标
下面我们介绍股票领域的资金流动相关指标：
1）发达市场股票市场资金流动：为 23个发达国家股票市场资金流动的资本加权值；
2）新兴市场股票市场资金流动：为21个新兴国家股票市场资金流动的资本加权值；
3）全球周期性行业资金流动-防御性行业资金流动：其中周期性行业包括原材料、工业、非必需消费和信息技术类，防御性行业主要包括日用消费品、医疗保健、电信与公用事业；
4）全球周期性行业借贷-防御性行业借贷：基于全球股市的借贷数据计算，衡量了行业的卖空需求。
除上述四个指标，我们还跟踪了股票流量斜率，该指标衡量流入股票的资金流的强度。然而这个平均值忽略了高股息股票的债券类似性，因此我们还加入了全球高股息股票流量的斜率，这个值与美国国债表现更为类似。
4.2
债券资金流动指标
在债券领域，我们监控了2年期和10年期美国国债的资金流动差。如果流入2年期国债的资金相对增多，预示着收益率曲线会更陡峭，增长预期为正。同时我们还搜集了以期限加权的流入核心发达国家（美国、英国、德国）的国债资金，同时不同国家间以未偿债务加权。资金流入这一部分意味着机构投资者向高质量资产转移。此外，我们还追踪了10年期高收益债券减去投资级美国公司债券的资金流以及流入新兴市场国债的资金流。这表明了投资者的风险偏好行为。
4.3
外汇资金流动指标
在外汇市场，我们根据三个月的利率对货币进行分类，跟踪流入前五高收益货币(寻求风险)和前五大融资货币(规避风险)的资金。此外，我们跟踪新兴市场货币和美元的总流动;流入后者的资金增多，表明资金流向安全领域。
4.4
商品与宏观风格资金流动指标
对于大宗商品，我们监测了四个作为股票和外汇市场大宗商品需求指标的资金流动系列:
1）跨境资本流入14个商品出口国的市值加权和;
2）全球流入能源和材料行业的资金市值加权和；
3）商品风格斜率：用于衡量通过标准普尔GSCI总回报指数衡量的，与商品回报相关的股票流入的股票流入量；
4）商品货币总流量序列
最后，对于宏观风格，我们监视几个附加的股票风格斜率:商业周期风险、通货膨胀和质量。质量斜率衡量的是流入股本回报率相对较高的股票的资金，这些股票通常被认为是更安全的股本证券。
4.5
行为风险计分卡
上文对跨资产的22类指标进行了梳理，下面我们将基于上述指标构建立风险记分卡。如前所示，记分卡有三个层次：
1）指标层次：22个指标中每个指标的资金流量状态；
2）单资产层次：根据每个资产类别内的相关指标，计算每个细分资产领域的市场情绪状态
3）跨资产层次：将22个指标的资金流量虚拟变量进行加总，显示整个市场的情绪状态。
同时每个层次都是利用颜色进行区分目前状态的（如图表3所示）。首先在指标层次，我们对流量为正虚拟值的指标标记为绿色（表示风险偏好），并将流量为负虚拟值的指标标记为红色（表示风险规避）。在资产层次，是将每个资产下的细分指标进行汇总，如果得分高于0则为绿色，得分低于0则为红色。对于跨资产层次，将22个指标一起汇总，同样的，如果大于0为绿色，小于0为红色。
4.6
行为风险记分卡性质
在各种资产中，流动性指标表示出一致的特性，包括：1）持久性，指标影响通常在一段时间都存在；2）会对价格产生正面的影响；3）对收益率预测有一定作用。要使我们的跨资产指标具有信息性，重要的是将这些性质转换为聚合度量。
下面我们计算BRS多资产评分与等权重风险资产指数的收益率相关性。首先我们将MSCIACWI、巴克莱美国高收益债券总回报指数、摩根大通ELMI+指数和标准普尔GSCI总回报指数等权合成风险资产指数，然后计算BRS多资产评分与指数收益率同期和滞后一期的收益相关系数。
结果显示，在一周（5天）、两周（10天）和一个月两周（20天）的时间范围内，BRS多资产评分与风险指数收益率的相关性都较大，且在剔除金融危机后结果依旧保持不变（相关性有小许降低）。

同时我们还分别计算了特定资产评分（第二层评分）与四个指数的相关性的平均值。如图表5所示，可以看出BRS多资产评分的相关性是更高的。

5、基于BRS指标的动态资产配置策略
BRS多资产评分衡量的是风险情绪，接下来我们测试在资产配置择时和特定资产类别风险择时方面，BRS指标是否起作用。
基于BRS多资产评分体系，我们可以提取出三类有用的信号，每一个都包括不同的信息（如图表6）。
1） BRS评分的符号。通过符号我们可以表示当时的风险环境，如果“S > 0”表示风险偏好环境，如果“S < 0”,表示风险规避环境。
2） BRS评分周度变动：由C表示BRS评分的周变动，如果“C>0”表示市场情绪正在高涨，风险偏好上升。
3）将上述两者结合。例如当S和C都是正数，在某种程度上，这一综合要求抓住了投资者建立风险头寸的信心。也就是说，当投资者已经表现出寻求风险的行为时，他们愿意承担更多的风险吗?

5.1
现金/风险资产动态配置策略
为了衡量上述BRS系列指标在动态资产配置中的作用，本文首先建立了一个反映静态情绪水平的被动配置基准，超过这个水平，说明主动配置是有意义的。本文的基准是50%现金，50%等权投资于MSCI ACWI、巴克莱美国高收益债券总回报指数、摩根大通ELMI+指数和标准普尔GSCI总回报指数四类指数。同时我们基于下述法则建立动态资产配置组合：
1)S>0;
2)C>0;
3) S>0且C>0。
当出现上述信号时，我们投资于风险资产。当这些条件都不满足时我们投资于Barclays U.S. Treasury Bellwethers 3M total return index。同时这个组合会包括三天的滞后，即信号出现三天后再调整，每周进行再平衡，回测时间为2002年7月至2013年3月。
由图表7可以看出，22个元素组成的BRS多元资产评分与更广泛的121项时机资产配置指标表现一致。总体而言，情绪指标有助于择时决策，表现优于现金/风险资产基准。

同时，将符号和变化(S和C)组合在一起，在收益风险比方面会产生更强的作用(图表8)。一个显著的结果是，当我们使用符号和变化的组合时，风险调整后收益会显著增加。事实上，这个信心指标(S>0且C >0)揭示了一段时间内，寻求风险的投资者愿意承担更多风险，增加风险敞口的信心正在上升。

5.2
基于BRS多资产级别得分的特定资产风险择时策略
鉴于BRS是跨资产类别的流量信号的汇总，我们认为，BRS多资产评分不仅在确定现金/风险资产择时策略方面很有用，而且在确定特定资产风险方面也可能很有价值。
为了找出答案，我们依据信号在四个风险类别进行配置（MSCI AC World股票总收益指数，巴克莱美国公司高收益债券总收益指数，JPM ELMI +综合货币总收益指数以及S＆P GSCI总收益指数）。策略构建逻辑如下：
1)S>0;
2) C>0;
3) S>0且C>0;
上述条件满足时，会投资于上述的四个资产（对于每类资产构建三个策略），当上述条件不满足时，进行现金投资。我们发现这些择时策略（S，C，S和C）在四类资产上的表现都超过了基准（图表9）。同时S>0且C>0策略的信息比通常最高。

5.3
基于BRS单资产级别评分的特定资产风险择时策略
最后，我们测试基于单个资产级别评分对特定资产进行动态配置的策略表现，与BRS多资产评分进行对比。我们预期，BRS能够更好的预测更广泛市场的走势，这主要考虑到当全球金融高度一体化及发达国家央行政策驱同提高了跨资产回报率的相关性，因此衡量投资者情绪的综合指标变得越来越重要。
使用22个指标的单资产级别评分，借鉴上述方法得到择时策略。可以发现S>0的表现优于其他两个信号。C>0信号甚至带来了负收益，这可能因为在22个指标中，每个资产下的指标数目较小，变化为0的比例较高。
虽然资产级得分也包含了部分信息，但BRS多资产得分在风险资产择时上表现较好。事实上，在风险调整基础上对单个资产类别回报进行择时时，单资产级别评分的表现要优于我们的BRS多重资产评分的情况只有一种:大宗商品评分。我们的BRS多重资产评分在股票、高收益债券和新兴市场货币回报率方面表现更好，这表明了不同资产类别的市场情绪结合在一起的力量。

6、结论
全球金融市场一体化程度提高以及主要发达市场央行政策的趋同，提高了跨资产收益率相关性，这也使得研究跨资产情绪指标的重要性提升。使用一系列跨资产类别的行为指标，我们获得了跨资产情绪指标。
我们利用BRS多重资产评分来汇总跨资产的风险偏好或风险规避行为。因为一般的行为度量—特别是资金流动度量—显示出跨资产类别相当一致的属性，所以我们认为跨资产流动指标能够更强烈地显示这些属性。如果流动是持久性的，并且与资产收益正相关，那么我们应该发现跨资产指标具有更强的持久性，并且与总资产收益正相关。我们的主要结论如下:
由22个指标组成的简洁版行为风险记分卡是衡量总体情绪的有价值的标尺，并对更广泛的资金流进行了信息总结。
BRS多资产得分的符号、方向，可用于进行资产类别特定风险的择时，并有助于做出明智的战术资产配置决策。
总体而言，RBS指标仅在单个资产级别得分上就能提高风险调整后的绩效。在使用多资产评分后，所囊括的信息更多，进一步提高了择时策略效果。
本文第一次从行为指标和更全面地角度来构建捕捉交易情绪的跨资产指标。未来，我们认为可以将交易情绪与头寸风险(以持有量衡量)和投资者共识(以协议衡量)叠加起来，进一步加深对行为风险的理解。
7、参考文献
【1】Baker, M., and J. Wurgler. “Investor Sentiment and the Cross Section of Stock Returns.” Journal of Finance, Vol. 61, No. 4 (2006), pp. 1645-1680.
【2】——. “Investor Sentiment in the Stock Market.” Journal of Economic Perspectives, Vol. 21, No. 2 (2007), pp. 129-151.
【3】Bandopadhyaya, A., and A. Jones. “Measures of Investor Sentiment: A Comparative Analysis Put-Call Ratio vs. Volatility Index.” Journal of Business & Economics Research, Vol. 6, No. 8 (2008), pp. 27-34.
【4】Barberis, N., A. Shleifer, and R. Vishny. “A Model of Investor Sentiment.” Journal of Financial Economics, Vol. 49 (1998), pp. 307-343.
【5】Basu, D., C. Hung, R. Oomen, and A. Stremme. “When to Pick the Losers: Do Sentiment Indicators Improve Dynamic Asset Allocation?” Paper presented at the European Finance Association Zurich Meetings, 2006.
【6】Bordalo, P., N. Gennaioli, and A. Shleifer. “Salience Theory of Choice Under Risk.” Quarterly Journal of Economics, Vol. 127, No. 3 (2012), pp. 1243-1285.
【7】Campbell, J., and R. Shiller. “The Dividend-Price Ratio and Expectations of Future Dividends and Discount Factors.” Review of Financial Studies, Vol. 1, No. 3 (1988), pp. 195-228.
【8】Charoenrook, A. “Does Sentiment Matter?” Working paper, The Owen Graduate School of Management, Vanderbilt University, 2005.
【9】Erturk, B., and A. Nejadmaleyeri. “What Do Bondholders Think of Equity Short Interest?” Paper presented at the Financial Management Association European Conference, 2012.
【10】Friewald, N., C. Wagner, and J. Zechner, “The Cross-Section of Credit Risk Premia and Equity Returns.” The Journal of Finance (forthcoming).
【11】Froot, K., and J. Donohue, “The Persistence of Emerging Market Equity Flows.” Emerging Markets Review, Vol. 3, No. 4 (2002), pp. 338-364.
【12】Froot, K., and P. O’Connell. “The Risk Tolerance of International Investors.” Working Paper No. 10157, National Bureau of Economic Research, 2003.
【13】Froot, K., P. O’Connell, and M. Seasholes. “The Portfolio Flows of International Investors.” Journal of Financial Economics, 59, (2001), pp. 151-193.
【14】Kritzman, M., and Y. Li. “Skulls, Financial Turbulence, and Risk Management.” Financial Analysts Journal, Vol. 66, No. 5 (2010), pp. 30-41.
【15】Lee, W. “Risk On/Risk Off.” The Journal of Portfolio Management, Vol. 38, No. 3 (2012), pp. 28-39.
【16】LeRoy, S., and A. Porter. “The Present-Value Relation: Tests Based on Implied Variance Bounds.” Econometrica, Vol. 49, No. 3 (1981), pp. 555-574.
【17】Maggiori, M. “The U.S. Dollar Safety Premium.” Working paper, New York University, 2013.
Merton, R. “On the Pricing of Corporate Debt: The Risk Structure of Interest Rates.” Journal of Finance, Vol. 29, No. 2 (1974), pp. 449-470.
【18】Nayak, S. “Investor Sentiment and Corporate Bond Yield Spreads.” Review of Behavioral Finance, Vol. 2, No. 2 (2010), pp. 59-80.
【19】Shiller, R. “Do Stock Prices Move Too Much to Be Justified by Subsequent Changes in Dividends?” American Economic Review, Vol. 71, No. 3 (1981), pp. 421-436.
风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。

往
期
链
接

海外文献推荐系列第四十七期：主动投资中的 Timing 与 Sizing
海外文献推荐系列第四十六期：市场对称性及其在组合选择中的运用
海外文献推荐系列第四十五期：股票、债券和因果关系
海外文献推荐系列第四十四期：如何确定股票的联动效应？基于网络模型的择时研究
海外文献推荐系列第四十三期：ESG投资基础：ESG对股票估值、风险和收益的影响研究
海外文献推荐系列第四十二期：使用机器学习方法预测基金持
海外文献推荐系列第四十一期：防御性宏观因子择时研究
海外文献推荐系列第四十期：股票收益的周内效应研究
海外文献推荐系列第三十九期：战术性资产配置的宏观经济仪表盘
海外文献推荐系列第三十八期：宏观量化投资新基础
海外文献推荐系列第三十七期：如何预测中国股市的下行拐点
海外文献推荐系列第三十六期：行业分类方法重构的有效性研究
海外文献推荐系列第三十五期：目标波动性策略最优性研究
海外文献推荐系列第三十四期：价值投资、成长投资的基本原则及“价值陷阱”的解释
海外文献推荐系列第三十三期：因子溢价与因子择时-跨越世纪的实证结果（二）
海外文献推荐系列第三十三期：因子溢价与因子择时-跨越世纪的实证结果（一）海外文献推荐系列第三十二期：构建纯多头多因子策略：投资组合合并与信号合并海外文献推荐系列第三十一期：如何对分析师预期数据进行建模?-基于贝叶斯方法的研究
海外文献推荐系列第三十期：什么是质量因子？

注：文中报告节选自兴业证券经济与金融研究院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：《西学东渐--海外文献推荐系列之四十八》。
对外发布时间：2019年10月31日
报告发布机构：兴业证券股份有限公司（已获中国证监会许可的证券投资咨询业务资格）
--------------------------------------
分析师：徐寅
SAC执业证书编号：S0190514070004
电话：18602155387,021-38565949
E-mail: xuyinsh@xyzq.com.cn
--------------------------------------
联系人：郑兆磊
电话：13918491550
微信：13918491550
E-mail: zhengzhaolei@xyzq.com.cn
--------------------------------------
更多量化最新资讯和研究成果，欢迎关注我们的微信公众平台（微信号：XYZQ-QUANT）！