衍生品系列研究之(九):商品市场宏观风险因子模型初探
商品市场的宏观风险因子模型:本篇报告是我们构建一种商品市场宏观风险因子模型的初步结果,依据传统的Barra结构化风险模型的总体思路,既给出了一套筛选有效风险因子的流程与标准,也找到了一些影响显著、有效又稳定的风险因子。
宏观风险因子具有的4个特点:根据国内商品市场的特点,识别宏观风险因子需要满足4个方面的条件:有效性(对收益的解释度Adj-R2为正)、低共线性(因子之间相关性低)、显著性(因子在各截面上显著的时间占比超过30%)、稳定性(因子滞后一期的截面相关性平均值超过0.85)。筛选出风险因子最基础最核心的条件是风险因子的有效性以及风险因子的共线性,因为风险因子是定价因子,既要有一定对收益的解释度,又要存在很低的共线性。不同于一般风格类的风险因子,宏观因子的变化在在商品上体现出的敏感度之差异导致产生了风险溢价,所以因子暴露度的获取应由时间序列的回归获得的敏感度来确定。所以一旦确定了风险因子,就首先需要在时间序列上加权回归得到Beta值(因子暴露),然后横截面回归得到因子收益率。
等权复合新因子与逐步回归挑选因子:为了等权复合出新的5类基本风险因子(利率、通胀、流动性、周期、汇率),平均VIF仅1.16,对截面收益的解释度平均值为56.97%;另一种方法是通过逐步回归或Lasso回归从原有的显著因子中挑选具有低共线性的因子,得到了6个因子(美元指数环比、PMI环比、M1同比、10年期国债收益率、景气先行指数环比、金融机构中长期贷款的环比),平均VIF为1.2,但对截面收益的解释度平均值高达61.46%。
基于Bootstrap的稳健回归方法:为解决小样本回归的非稳健性,假设样本数据(或其与全局回归的残差)具有高斯分布的形式。残差法的Bootstrap回归虽然方差小、有偏性小,实际使用时需注意可能导致降低风险因子的显著性、因子收益的波动性的情况。