作者：石川

摘要：本文通過 Cui et al. (2025) 簡要探討因子擇時。

0

之前兩期文章的 topics 都出自 2024/25 年度中國量化投資白皮書中提到機(jī)構(gòu)策略探索清單。今天，我們照舊從中找些靈感。在這份清單上，排名第四的不是別人，正是大名鼎鼎的因子擇時。

熟悉我的小伙伴都知道，長久以來，我對因子擇時的觀點(diǎn)是這樣的：

是這樣的：

是這樣的：

不過，今年 5 月，我聽了一個題為《Breaks and Trends in Factor Premia》的報告。盡管我對因子擇時的態(tài)度依舊保守，但我認(rèn)為這個方法值得嘗試。之所以“拖”到今天才介紹它，是因?yàn)檫@篇文章不久前才被掛到 SSRN（Cui et al. 2025）。

1

該文方法背后的直覺含義可以通過下面這個例子來解釋。圖中曲線是利用 B/M 構(gòu)造的價值因子的累計(jì)收益曲線。（不過我插一句，這個圖的走勢我和認(rèn)知中的美股上價值因子自 GFC 之后持續(xù)回撤了 10 年不太一致；anyway。）

如果假設(shè)全局內(nèi)該因子 risk premium 不變，那么得到的就是圖中藍(lán)色直線，而該直線的 slope 就是因子溢價的估計(jì)。然而，如果我們把估計(jì)的頻率逐步提升，就會相繼得到綠色和紅色的動態(tài)因子溢價估計(jì)；它們表示不同時間的條件因子溢價。

因此，估計(jì)的核心就是選擇適當(dāng)?shù)臅r間尺度。一方面，我們希望在假設(shè) risk premium 時變的前提下盡可能利用數(shù)據(jù)中的信息（即不同的 risk premium 確實(shí)反映了 structural breaks），而另一方面我們同樣希望避免過擬合。而實(shí)現(xiàn)上述 trade-off 的方法就是正則化——該文提出了 Total-Variation Predictive Regression (TV-PR) estimator。

2

令??表示??期資產(chǎn)??的超額收益率；向量??表示??期資產(chǎn)??的因子值（經(jīng)過標(biāo)準(zhǔn)化后的 firm characteristics）。那么，我們熟悉的兩種做法其實(shí)代表了兩種極端情況。

第一種是假設(shè)全局內(nèi) risk premium 不變。此時，因子溢價可以通過下面這個 panel regression 來估計(jì)：

注意此處??是不帶下標(biāo)??的，表示因子溢價不隨時間變化。

而另一種極端是我們熟悉的 Fama-MacBeth regression，即每期都來估計(jì)一個?:

以 size、value 和 momentum 為例，下圖展示了上述兩種極端情況，其中 panel (a) 是恒定因子溢價的情況；而 panel (b) 則表示每期因子溢價都在變化。

3

Okay，接下來我們就來看看 TV-PR estimator。它的核心是一個 lasso type estimator，只不過把 sparsity 用在了識別因子溢價的 breaks 上面，具體的目標(biāo)函數(shù)如下：

上式中，第一項(xiàng)就是常見的 mse；而第二項(xiàng)是 TV-PR estimator 的核心，它衡量了時變因子溢價的 total variation，并通過 L1-norm 罰項(xiàng)的形式來控制過擬合（其中??是因子個數(shù)），控制識別出的因子溢價 breaks 數(shù)量；而第三項(xiàng)是在因子層面的 sparsity（用于 factor selection）。下圖的例子說明了該 estimator 中兩個罰項(xiàng)的作用。

由第二項(xiàng)的形式可知，當(dāng)??很小的時候（懲罰很低），模型會傾向于識別出更多的 breaks，即朝著 period-by-period Fama-MacBeth regression 來靠攏；而當(dāng)??很大的時候（懲罰很高），模型會傾向于識別出更少的 breaks，即朝著恒定因子溢價靠攏。

更多的關(guān)于該 estimator 的 statistical properties 的討論請參考原文。我們接下來看看美股上的實(shí)證結(jié)果。

4

首先，下圖展示了 2004-2023 年之間，常見美股因子上的因子溢價估計(jì)結(jié)果。

其次，作者用一個例子表明了在不同 rolling window 下，識別出的 structural breaks 的穩(wěn)健性。這一點(diǎn)對于后文使用 rolling window 來估計(jì)并進(jìn)行因子擇時（終于扣題了）至關(guān)重要。如果 breaks 確實(shí)反映了經(jīng)濟(jì)基本面的轉(zhuǎn)變，那么在這些 breaks 附近進(jìn)行估計(jì)時，應(yīng)能較為一致地檢測到 breaks 的出現(xiàn)。下圖的結(jié)果表明了這一點(diǎn)。

圖中，Estimation 1 to 4 均能在 2010 年前后檢測到一個顯著的 break，并且伴隨著風(fēng)險溢價的上升（紅色）。值得注意的是，即使樣本期正好從事件發(fā)生期間開始（Estimations 4 and 5），該 break 依然能夠被識別出來。這個結(jié)果表明，能否識別到 breaks 依賴于樣本期是否覆蓋了其發(fā)生的時點(diǎn)，且只要窗口覆蓋范圍足夠靠近事件發(fā)生時點(diǎn)，檢測的延遲就很小，進(jìn)而為因子擇時提供了及時的參考。

下面順理成章，來看看因子擇時的結(jié)果。為此，作者首先考差了基于截面相對強(qiáng)弱的因子輪動策略，即做多因子溢價估計(jì)值最高的 5 個因子、同時做空估計(jì)值最低的 5 個因子。下圖表明，結(jié)果在不同的超參數(shù)??取值下較為穩(wěn)健，且都能戰(zhàn)勝基于動量的因子選擇（要知道因子動量在美股還是很 strong 的）。

此外，作者也考察了單個因子以及單類別因子基于 risk premium 估計(jì)的時序擇時，并和 buy-and-hold 來比較，結(jié)果如下。圖中 45 度紅色虛線表示兩種策略的分界線：如果結(jié)果處于分界線之上則表明擇時優(yōu)于 buy-and-hold?？梢?，對于絕大部分單因子而言，基于該 estimator 的因子擇時都戰(zhàn)勝了 buy-and-hold；而如果以大類因子來考察，擇時的優(yōu)勢則更加明顯。

Okay. 以上就是對該方法的簡要介紹。希望它能為你的因子擇時提供一些思路。

而如果你問我？我的看法是因子注定會失效，structural breaks 也一定會出現(xiàn)。而是通過類似上述 estimator 進(jìn)行時變估計(jì)，還是采用什么別的方法來應(yīng)對，是我們每個人自己要做的功課。共勉。

References

• Cui, L., G. Feng, J. Ma, and Y. Su (2025). Breaks and trends in factor premia. Working paper.

免責(zé)聲明：入市有風(fēng)險，投資需謹(jǐn)慎。在任何情況下，本文的內(nèi)容、信息及數(shù)據(jù)或所表述的意見并不構(gòu)成對任何人的投資建議。在任何情況下，本文作者及所屬機(jī)構(gòu)不對任何人因使用本文的任何內(nèi)容所引致的任何損失負(fù)任何責(zé)任。除特別說明外，文中圖表均直接或間接來自于相應(yīng)論文，僅為介紹之用，版權(quán)歸原作者和期刊所有。