防御性宏观因子择时研究

原标题:防御性宏观因子择时研究

导读

1、作为西学东渐--海外文献推荐系列报告第四十一篇,本文推荐了Kristin Fergis于2019年发表的论文《Defensive Factor Timing》。

2、与持续低配或高配某些因子来追求长期战胜某一基准的主动性因子择时不同,防御性因子择时专注于控制风险,旨在通过不定期地降低组合风险来减小组合可能出现的损失。

3、本文首先利用模拟组合方法对经济增长、通货膨胀等六大类宏观因子进行复制,并构建风险容忍度、多样化收益、因子估值三个指标进行防御性因子择时。我们通过对两次欧债危机、缩减恐慌、中国经济与石油价格担忧这四个历史案例的分析,展现了指标在降低投资组合风险方面的有效性。

4、本文的防御性因子择时方法有利于投资者有效控制投资组合风 险,对投资者有着重要的指导意义。同时文章模型也可进行以下拓展:a)改进使用的指标或增添其他的防御预测器;b)本文关注的是宏观因子,但防御性因子的择时也可用于市值等风格因子。

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。

一、引言

对因子或者资产进行配置,是构建一个良好的长期投资组合的基础。然而,因子溢价通常会随时间变化,一般情况下投资者可以采用下列三种方法来应对时变的因子溢价。

1)借鉴马科维茨(1952)的做法,忽略因子溢价短期的变动。这种方式通过战略性的配置来获取长期应当获得的收益。

2)建立一个关于因子权重的短期预测模型(如Hodges et al. 2017),通过调整因子权重来获得超额收益。方式二相对于方式一具有短期收益降低的风险,同时这些风险可能会随权重调整频率和次数的增加而增加。

3)防御性因子择时:在特定时间,为了在槽糕的市场环境中保存资本而降低特定的因子或整个组合的风险。

本文主要研究因子择时的第三种方式—防御性因子择时。防御性因子择时旨在通过不定期地降低组合风险来减小组合可能出现的损失,而不是通过持续低配或高配某些因子追求长期战胜某一基准,即防御性因子专注于控制风险。同时我们的操作是较为低频的,一般发生在总市场风险容忍度异常低或多样化收益异常低的时期。

本文利用多个因子来度量宏观风险:经济增长、实际利率、通胀、信贷、新兴市场和流动性,同时我们采用大类资产收益来模拟这些宏观因子的收益。例如,名义债券受到实际利率和通胀变化的影响。因此通胀因子投资组合做多名义债券、做空实际债券。

在构建宏观因子的模拟投资组合后,本文通过下述三个定量指标来进行防御性因子择时:

1)风险容忍度,它直观地捕捉了投资者在压力时期转向高质量资产的效应;

2)多样化比率,度量来自分散化的收益;

3)各因子的估值

我们将讨论如何在一个系统的投资框架中如何使用这三个指标来实现防御性的择时。

本文基于四个实例来说明防御性因子择时的作用:

1)2010年、2012年的欧债危机。始于希腊的债务危机,2009年12月8日全球三大评级公司下调希腊主权评级。2010年起欧洲其它国家也开始陷入危机,希腊已非危机主角,整个欧盟都受到债务危机困扰,整个欧元区面对严峻的考验。

2) 2013年5月的“缩减恐慌”(Taper Tantrum)。当时美联储(fed)宣布,计划逐步缩减债券购买,这导致国债价格大幅下跌,并蔓延至其它资产类别。

3)2015年下半年,人们产生了对中国经济增长放缓和大宗商品价格下跌的担心。

我们的防御性指标捕捉到了上述的每一个阶段,这能够预先提醒基金经理控制组合风险。

我们的文章涉及两大研究流派:

第一个是因子择时,更普遍地说,是市场择时。Ferson和Harvey(1991)撰写了这个领域的开创性论文,Arnott et al.(2016)、Asness(2016)和Hodges et al.(2017)等人也为这个领域的发展作出相应贡献。我们的防御性因子择时框架是因子择时的一种形式,但它专注于降低风险,而不是产生超额回报。

另一个是风险管理领域。风险管理的大多数论文都关注于使用信号和特征来监控给定投资组合的风险。Grossman、Zhou(1993)以及Browne(1997)等曾经研究了控制下行风险的最佳策略,但他们只使用了投资组合收益序列的信息,并且不允许投资者利用其它基本信息做出防御性的择时决策。

下文我们首先介绍了使用的宏观因子,接着使用三个指标构建了一个防御性因子择时的系统框架:包括衡量总体市场状况的风险容忍度指标、捕捉多样化收益的指标以及每个宏观因子的估值指标。最后我们讨论了可以应用这些指标的历史案例。

二、宏观因子

根据Ross(1976)的框架,我们总结了能够解释全球资产收益变动的宏观因子。这些因子具有三个基本特征:

1)它们有助于解释大部分的资产类别回报率;

2)从历史上看,它们由于不可分散的风险溢价获得了长期回报;

3)这些宏观因子的影响足够广泛,跨越多个资产类别,暴露于这些因子可以获得长期的风险溢价。

2.1

数据

我们首先通过主成分分析(PCA)方法研究2004年4月-2012年12月间14种全球主要资产的投资组合收益,可以发现解释不同资产类别收益所需要的共同因子数量是有限的。如图表1所示,前三个主成分解释了82%的收益, 6个主成分的解释能力提高到了92%。

上面我们说明14种全球资产的收益率是由少量共同因子驱动的。接下来,我们遵循Chen、Roll和Ross(1986)的方法,基于经济学原理选择了图表2所示的因子。

这些宏观因子是直观的,同时一直是文献研究的焦点。例如,经济增长是基于消费的资产定价和商业周期模型的基础(参见Lucas 1978)。同时政策制定者一般会分开研究实际利率和通胀的影响(Taylor 1993),同时这些变量也会在货币政策方面起到作用(Bernanke and Gertler 1995)。

我们利用每个宏观因子组成一个模拟的多空投资组合,使其最大限度地暴露于潜在的宏观因子。其中新兴市场因子极其重要,虽然新兴市场与发达市场有着显著的相关性,但新兴市场存在特定风险,超过其对发达市场股票的敞口(Bekaert and Harvey 2003)。流动性因子也十分重要,因为经济衰退期间市场的非流动性风险会增加(Amihud,Mendelson和Pedersen,2005)。

2.2

宏观因子投资组合的经济直觉

下面,我们展示了由这些宏观因子构成的初始投资组合的表现,其中宏观因子包括经济增长、实际利率、通胀、信贷、新兴市场和流动性,可以发现每一个宏观因子都捕捉到了基本的风险溢价。

图表3中展示了国内生产总值(GDP)的预期差走势,即已实现GDP与GDP预期之间的差额,数据来源于Consensus Economics surveyforecast。1997年至2017年的经济增长因子收益率与GDP预期差序列的相关性为0.6。投资者对经济增长预期的溢价反映了他们为承担国内生产总值(GDP)增速将低于预期的风险而获得的补偿。例如,在2008年金融危机期间,实际GDP明显低于预期。在这段时间里,我们看到发达国家股票、大宗商品和上市房地产追随GDP的下滑的亏损,经济增长因子收益为负。

图表4中我们展示了实际利率因子的收益(国债实际收益率和现金利率的差)以及实际利率预期差。需要注意的是图表4的左轴是负向的,即当实际利率低于预期时,我们认为实际利率因子会带来正收益。这两个时间序列的相关系数大小为0.8。2009年的实际收益率有一个显著的负向情况,我们认为这主要是由于金融危机复苏期间国债实际收益率上涨。2013年有一个大幅上升,当时美国联邦储备委员会(fed,美联储)主席本•伯南克(Ben Bernanke)宣布减少大规模债券购买,出乎债券市场的意料,而这之后2008年以来的量化宽松走向末尾,因此2013年也成为了实际利率因子表现最差的年份。

在证明了这些宏观因子投资组合是潜在经济风险的良好代理指标之后,我们接下来说明持有这些宏观因子投资组合的投资者如何能够利用各种指标对这些因子进行防御性择时。

2.3

防御性因子择时指标

首先我们基于宏观因子建立一个初始的投资组合,该组合30%的风险来自经济增长,30%来自实际利率,其余40%由通胀、信贷、新兴市场和流动性等加权组合驱动。总投资组合按比例调整为10%的无条件波动。当我们观察到极端的风险厌恶、资产收益相关性或因子估值出现极端情况时,会重新分配这些风险。

2.3.1 风险承受能力指标

在正常的经济条件下,资产的预期收益率与风险通常为正函数:资产风险越大,预期收益就越大。然而,在风险容忍度比较低的时期,资产的预期收益率和风险可能变为负相关。当投资者恐慌时,他们往往会逃离风险高的资产,降低这些资产的价格,同时抬高更安全的资产的价格。在极端负面情绪时,即使是分散化很高的投资组合,投资者也可能会因为持有高风险的资产而遭受巨大损失。

通常情况下,RTI为正则表示投资者信心(即风险偏好)日益增强,而在投资者信心下降的时期(往往与投资者对质量的追求同时出现),RTI将为负。当RTI达到极端负值水平时,我们可以按比例缩小初始多因子投资组合的风险敞口。

我们使用滚动的三个月周期(收益率频率为周频)计算14种资产类别的RTI,并将统计结果和已对冲的MSCI全球股票指数滚动一年期收益率(RTI与其相关性为0.6)绘制在图表6中。当股票收益率下降,投资者在避险环境中追求更安全的资产,例如2008年、2011年,以及最近的2018年第一季度,我们看到RTI出现了相应的下降。当风险资产和安全资产之间的相关性降至-1时,RTI的跌幅最大,此时风险资产向安全资产的转移最为严重,例如2008年。

2.3.2 多样化比率

虽然RTI衡量的是资产风险与回报之间的关系,但在经济不景气时期,资产之间的相关性也会发生变化。这个时期,对资产进行多样化配置可能变得不那么有效。为了捕捉这种效应,我们将多样化比率作为衡量投资组合集中度的指标:

多样化比率如果较高则表明投资组合的风险大大小于单个资产的风险之和,此时投资者能从显著的分散化中获益。当资产之间的相关性增加时,多样化比率降低到1,意味着投资组合中的分散化收益减少。多样化比率较低的时期,往往对应着市场压力较大的时期,即尾部风险较高的时期。

我们的多因子投资组合旨在通过平衡历史回报的宏观经济因子的风险来实现多样化收益的最大化,因此它很容易受到相关性上升的影响。投资组合多样化的短期衡量指标可以作为在相关性增加的背景下降低投资组合风险的指标。

图表7展示了股票/债券(2:8配置)的投资组合一年期滚动回报率的多样化比率,与20%的摩根士丹利资本国际全球股票指数(对冲)和80%的彭博巴克莱全球债券综合指数(对冲)收益。我们使用一个20/80的投资组合来表示一个简单的多资产投资组合,它具有平衡的股票和利率风险。2013年的“缩减恐慌”(taper tantrum)是多样化收益不断恶化的一个极端现象,当时股票和债券之间的相关性飙升至1。在图表7中,我们看到多样化比率和20/80投资组合收益的同时下降。值得注意的是,在2013年多样化比率下降的时候,RTI仍然大致保持正值,这说明了拥有多个防御性择时指标的好处。

2.3.3 估值指标

估值指标衡量了不同因子相对于历史时期是否值得购买。下面我们描述每个因子的估值方法。

经济增长

我们使用Shiller的周期性调整市盈率(CAPE)作为经济增长风险的估值指标。

实际利率

自Solow以来,许多学者将经济中的均衡实际利率与经济增长以及消费者效用偏好参数联系起来。在这些公式中,实际利率是在不加入通货膨胀的情况下,与经济增长潜力相匹配的利率。然而,由于风险溢价和政策制定者的影响,实际债券中的实际利率可能有所不同。综上,我们利用发达市场经济体的实际利率与预期国内生产总值(GDP)增长之间的关系,以确定实际利率因子的估值。

通货膨胀

我们通过比较基于五年期政府债券的市场隐含的盈亏平衡通胀与预期通货膨胀来衡量通胀溢价的估值。

信贷

Merton(1974)表明信贷利差必须补偿投资者的预期违约,我们将当前信贷利差与违约损失之间的差异作为信用风险的估值。

新兴市场

我们使用股票和债券估值来衡量新兴市场风险溢价。对于股票,我们比较了Shiller的收益率和新兴市场和发达市场国家的股息收益率。对于债券,我们将新兴市场债券与美国国债的当前利差与其长期平均值进行比较。此外,参考Harvey(1995)等人做法,我们使用基于回归的各种政治风险指标分析来计算政治风险的边际价格,这表明市场中的政治风险是否被定价以获得溢价。

流动性

流动性估值指标考虑了构成因子的两种策略:small-minus-big效应(Banz 1981)和volatility selling策略(Bakshi和Kapadia,2003)。对于小市值股票,我们使用Shiller的收益率,同时比较了小盘股和大盘股的收益率。volatility selling部分包括两个估值指标:VIX期限结构所隐含的套利以及当前价格,现货VIX与基本价值的比率(我们将其视为标准普尔500指数的短期实现波动率)。

图表8提供了每个因子的历史估值水平。低于零的估值意味着一个因子目前相对于其历史来说是昂贵的,高于零的估值表明资产目前是有吸引力的。由于自20世纪70年代以来利率大幅下降(至少到2017年),实际利率因子长期被高估(A组)。同样,金融危机后通货膨胀因子具有较高的估值,主要原因是安全效应的影响推高了名义债券价格(B组)。相反,在金融危机期间,经济增长因子变得便宜,因为在此期间股票收益显著为负(D组)。

三、实证结果

上文,我们对三个防御性择时指标进行了详细介绍。在本节中,我们在最近的市场环境中评估了三个防御性择时指标的作用。

3.1

防御性因子择时的逻辑

防御性因子择时的目的是保护资本免受长期损失,而不是通过战略配置增加收益。因此,我们不会当上述指标出现恶化就降低组合的风险。相反,只有当这些指标出现极端程度的恶化时,才会采取操作。这里的极端情况代表接近或超过正负两个标准差的阈值。防御性因子择时是低频的,我们估计平均每12-18个月会才会发生一次防御性行为。

图表9展示了2006年到2018年第二季度的RTI和多样化比率走势。我们将以下四个时间段作为案例研究的基础:2010年欧洲危机、2012年欧洲危机、2013年缩减恐慌(Taper Tantrum)以及2015年中国经济和石油价格的担忧。在随后的案例研究中,我们发现,尽管我们假设的宏观因子投资组合在每个场景中都持续经历下降,但作为前瞻性指标的度量指标在各个场景中表现出不同的行为。对于第一种和第二种情况,RTI预示着即将到来的衰退,而在第三种情况下,多元化比率则预示着衰退。这凸显了综合指标的重要性,使防御性的择时决策更加稳健。在2006年1月至2018年6月的样本中,RTI与多元化比率的相关系数为-0.2,说明我们两个指标是互补的。

我们的分析是建立在可以对多元宏观因子中一个或多个指标所展示的高风险采取一定行动的假设上的。在接下来的案例研究中,我们将详细叙述市场背景如何影响防御性择时指标,并展示如何使用这些指标对投资组合的风险进行控制,从而减轻投资组合的损失。同时我们将去风险的宏观因子投资组合和原始假设的宏观因子组合的表现进行比较,利用两者的最大回撤来检验我们降低风险操作的有效性。为了简单起见,我们假定总投资组合的风险降低为20%,当单个因子需要调整时,我们假设下降5%。

3.2

2010年和2012年的欧债危机

虽然在全球金融危机之后全球经济有所改善,2010年欧洲主权债务危机使得投资者的信心极剧下降。2010年4月,西班牙和葡萄牙的国债投资评级被下调,希腊国债更被降至垃圾级。图表9显示,在2010年4月底,RTI迅速下降,在几周内从非常高的水平降到-30%以下。这种快速下降反映了一种极端的风险环境——我们认为这种环境需要降低总投资组合风险的降低。2010年9月,风险消退,RTI反弹至正值。但需要注意的是这段时间内多样化比率和估值指标都在正常范围。

如果投资者利用RTI的突然下降(反映了总体风险厌恶情绪的突然飙升)来确定何时在多因子投资组合中降低风险,会产生什么影响?

图表10中,我们假设在2010年5月至9月期间调整投资组合风险 (去风险20%)并与原始投资组合的收益进行比较,可以看出基线组合(原始投资组合)的最大回测为-4.1%,而去风险投资组合的最大回撤为-3.3%,即利用RTI指标进行预测是有效的。

2012年,随着对希腊和西班牙的担忧重燃,欧债又回到了风口浪尖。5月6日,希腊举行了选举,官员们首次承认,希腊有可能退出欧元区。此后不久,西班牙当局于5月25日宣布,西班牙最大的房地产贷款机构Bankia需要190亿欧元的紧急投资,而同时欧洲银行资本重组的截止日期为6月份,这加剧了市场紧张情绪。从图表9可以看出,第二伦欧债危机推动了RTI的下降,从2012年4月底的20%以上下降到2012年6月中旬的-60%。同时图表11显示,此时的实际利率因子估值高于两个标准差。

图表12中,我们将这个时间段(2012年5月起)多因子组合的风险降低20%。与2010年类似,降低整个投资组合的风险可以减轻部分投资组合损失:2012年5月至8月,基准投资组合和去风险投资组合的最大回撤分别为-1.9%和-1.5%。2012年8月,由于欧洲央行(ecb)宣布可能购买政府债券,投资者的信心有所改善,RTI回到了接近于零的水平。

3.3

缩减恐慌

2013年5月,美联储主席贝南克(Ben Bernanke)向国会宣布,美联储准备结束(缩减)债券购买,这出乎市场意料,使得债券和股票价格同时下跌(这是不寻常的,一般情况下,债券价格与股票价格的变动方向是相反的),这个市场反应也被称为“缩减恐慌”(Taper Tantrum)。“缩减恐慌”(Taper Tantrum)是一个有趣的例子,在这种情况下,RTI在预先降低风险方面是无效的,但多元化比率成为一个有效的指标。

图表9显示,在这期间多样化比率下降,这也表明了不同资产之间相关性的上升。为了应对多样化比率的下降,我们在2013年6月将初始投资组合的风险降低了20%。在9月份,我们看到多样化比率回到5月份前的水平,因此我们将投资组合重新调整至完全风险水平。

在此期间,我们的因子估值指标也反映出极端的市场状况。图表13显示在这期间实际利率因子非常昂贵;在利率不确定性上升的环境下,这可能意味着对该因子的下行保护减少。鉴于这种极端估值和不断变化的市场环境,我们改变了因子配置,将实际利率因子的风险敞口降低了5%,并相应地增加了经济增长的风险敞口。

图表14展示了2013年5月-2013年9月的基线组合和去风险组合的收益,基准投资组合和去风险投资组合的最大回撤分别为-7.3%和-9.5%。同时这也说明在这种资产间相关性增强,但投资者信息大体保持不变的情况下,需要多个不相关的指标来进行防御性因子择时。

3.4

中国经济与石油价格的担忧

2015年夏季,金融市场对三大不确定性因素做出了反应:中国、希腊和大宗商品。尽管中国政府采取了稳定价格的措施,但整个7月份,中国股市仍然高度动荡,大宗商品也承受着以石油为首的巨大清算压力。7月5日,希腊就救助方案条款进行全民公投,结果遭到否决,这一消息占据了各大媒体的头条。我们从图表9中可以看到整个7月份投资者情绪的恶化,RTI在月底跌至-43%。

RTI的快速下跌再次表明了一个防御性的择时机会,我们将宏观因子投资组合的风险降低了20%。(请注意,这里没有从多样化比率或因子估值中得到任何警告迹象)。RTI实际上预示着7月份将成为金融危机以来金融市场最糟糕的一个月。8月份,随着中国经济放缓成为市场调整的核心,大宗商品价格跌至2008年以来的最低点,波动率指数(VIX)飙升至逾50,为金融危机以来的最高水平。RTI继续螺旋式下降,8月底为-60%。2015年10月,随着投资者开始接受中国经济放缓的现实,市场开始正常化;在这种正常化之后,我们可以放心地将投资组合风险增加到正常水平。

在2015年的7月至10月期间,去风险投资组合的最大回撤为-4.5%,相比于基线组合的-5.5%有一个微弱的改进。但2015年8月底到9月期间,即RTI进一步恶化到-90%期间,最大回撤的改善更加明显。

四、结论

在不利的市场条件下,防御性因子择时会降低特定因子或整个投资组合的风险敞口。这与机会主义的因子择时形成了鲜明对比,机会主义的因子择时试图通过频繁地对投资组合进行战术调整来产生超额回报;防御性的择时则选择试图减少风险的影响。

本文的防御因子的择时通过几个指标来完成:一个是衡量金融市场风险承受能力的指标;二是在某一时刻衡量多样化有效性的统计量;以及各因子的估值指标。如果这些指标达到足够高的阈值,表明市场环境有巨大的不利因素,投资者可以选择降低组合风险。

我们的分析框架有许多扩展,例如改进使用的指标或增添其他的防御预测器。同时本文关注的是宏观因子,但防御性因子的择时也可以考虑用于其他风格因子—例如动量表现出明显的负偏态。我们在防御性因子择时的例子中进行了离散的风险降低,但也可以考虑更健全的去风险决策。防御性因子择时在流动性不好的资产中格外重要,同时股票、房地产等资产对宏观因子有很大的风险敞口,防御性因子择时需要在流动性较高的资产中采取更多的防御性头寸来抵消宏观市场风险。

参考文献

【1】Amihud, Y., H. Mendelson, and L. H. Pedersen. 2005. “Liquidity and Asset Prices.” Foundations and Trends in Finance 1 (4): 269–364.【2】Akbas, F., W. J. Armstrong, S. Sorescu, and A. Subrahmanyam (2015). Smart money, dumb money,

【2】Ang, A. Asset Management: A Systematic Approach to Factor Based Investing. New York, NY: Oxford University Press, 2014.

【3】Ang, A., and J. Liu. 2007. “Risk, Return, and Dividends.” Journal of Financial Economics 85 (1): 1–38.

【4】 Arnott, R., N. Beck, V. Kalesnik, and J. West. “How Can ‘Smart Beta’ Go Horribly Wrong?” Fundamentals, Research Affiliates, 2016.

【5】Asness, C. S. “My Factor Philippic.” Working paper, AQR, 2016.

【6】Bakshi, G., and N. Kapadia. 2003. “Delta-Hedged Gains and the Negative Market Volatility Risk Premium.” The Review of Financial Studies 16 (2): 527–566.

【7】Banz, R. W. 1981. “The Relationship between Return and Market Value of Common Stocks.” Journal of Financial Economics 9 (1): 3–18.

【8】 Bass, R., S. Gladstone, and A. Ang. 2017. “Total Portfolio Factor, Not Just Asset, Allocation.” The Journal of Portfolio Management 43 (5): 38–53.

【9】Bekaert, G., and C. Harvey. 2003. “Emerging Markets Finance.” Journal of Empirical Finance 10 (1–2): 3–55.

【10】 Bernanke, B., and M. Gertler. 1995. “Inside the Black Box: The Credit Channel of Monetary Policy Transmission.” Journal of Economic Perspectives 9 (4): 27–48.

【11】Browne, S. 1997. “Survival and Growth with a Liability: Optimal Portfolio Strategies in Continuous Time.” Mathematics of Operations Research 22 (2): 257–512.

【12】Campbell, J., and R. Shiller. 1988. “Stock Prices, Earnings, and Expected Dividends.” The Journal of Finance 43 (3): 661–676.

【13】Chen, N., R. Roll, and S. Ross. 1986. “Economic Forces and the Stock Market.” The Journal of Business 59 (3): 383–403

【14】Ferson, W., and C. Harvey. 1991. “The Variation of Economic Risk Premiums.” Journal of Political Economy 99 (2): 385–415.

【15】French, K., G. Schwert, and R. Stambaugh. 1987. “Expected Stock Returns and Volatility.” Journal of Financial Economics 19 (1): 3–29.

【16】Grossman, S., and Z. Zhou. 1993. “Optimal Investment Strategies for Controlling Drawdowns.” Mathematical Finance 3 (3): 241–276.

【17】Harvey, C. 1995. “The Risk Exposure of Emerging Equity Markets.” World Bank Economic Review 9: 19–50.

【18】 Hodges, P., K. Hogan, J. Peterson, and A. Ang. 2017. “Factor Timing with Cross-Sectional and Time-Series Predictors.” The Journal of Portfolio Management 44 (1): 30–43.

【19】 Huber, P. Robust Statistics. New York, NY: Wiley, 1981

【20】Lucas, R. 1978. “Asset Prices in an Exchange Economy.” Econometrica 46 (6): 1429–1445.

【21】Kumar, M., and A. Persaud. 2002. “Pure Contagion and Investors’ Shifting Risk Appetite: Analytical Issues and Empirical Evidence.” International Finance 5 (3): 401–436.

【22】 Markowitz, H. 1952. “Portfolio Selection.” The Journal of Finance 7 (1): 77–91.

【23】Merton, R. C. 1974. “On the Pricing of Corporate Debt: The Risk Structure of Interest Rates.” The Journal of Finance 29 (2): 449–470.

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。

证券研究报告:《西学东渐--海外文献推荐系列之四十一》。

对外发布时间:2019年9月12日

--------------------------------------

联系人:徐寅

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)!

返回搜狐,查看更多

责任编辑:

声明:该文观点仅代表作者本人,搜狐号系信息发布平台,搜狐仅提供信息存储空间服务。
阅读 ()
免费获取
今日搜狐热点
今日推荐