聪明的贝塔能成为投资的圣杯吗?关于这一最新的指数创新已经有很多文章，它可以让投资者精确地确定对特定市场的敞口或选择因素。这些替代方案旨在提供一种更明智的方式，以获取投资回报的驱动因素，并改善投资于指数基金的普通策略。虽然智能测试版投资尽管有批评，但这一策略在机构投资者中越来越受欢迎。亚博赞助欧冠研究公司晨星(Morningstar)今年5月报告称，这些策略的资产在2013年增长了59%，目前已达到近3000亿美元。资产管理公司罗素投资(Russell Investments) 2014年1月的一项调查发现，32%的机构投资者拥有聪明的贝塔资产配置，尽管这一比例低于平均投资者股票投亚博赞助欧冠资组合的10%。在另一份1月份的报告中，国际市场策略(Market Strategies International)的分支机构Cogent Research表示，在其调查的机构投资者中，近一半预计将在未来三年内投资智能贝塔策略。亚博赞助欧冠
聪明的测试版- 也称为因素投资，一种更好地捕获战略背后理由的标签 - 在成本和透明度方面承诺倾销的指标管理，同时承受不仅仅是静态市场因素。声明的好处是，通过使用一组规则来管理一个或多个动态因素的风险（价值，动量和波动性），投资者可以实现更好的风险返回概况，基本上超越了一个捕获的静态测试版传统指数基金。
但我说没有那么快。如果因子曝光驱动器组合返回，是历史悠久的资产类驱动的分配误导了吗？不会是一个智能的测试方法，并在哪些因素包括和排除哪些因素？有意义的倾斜怎么样？是否会在智能测试版投资组合中接触恒定？从理论上的角度来看，它很难成为基于因子的投资的粉丝 - 直到一个人实现了这种类型的策略的复杂性。
传统上，投资回报已成为两类：alpha或beta之一。永远难以实现的alpha是整体市场返回的风险调整后的回报;它代表经理技能。Beta是广泛市场的回归，通常由标准普尔500指数等标识的基准代表。Smart Beta - 金融工程师制作的混合产品 - 旨在提供两个世界的最佳选择：以索引价格的市场竞争回报。
尽管他们承诺很有希望，但智能测试版策略有其局限性。首先，沿着因素线分配资产比资产类更难，特别是在不使用短头（许多投资者的约束）的情况下。如果投资者将从资产类别的分配转移到要分配的分配，他们将需要获得复杂的风险模型，这可能是较小机构的挑战。此外，智能测试策略使用的基于规则的方法使它们容易受到前跑。尽管如此，智慧测试仍可能为投资者提供净利润，如果没有其他原因，它将使他们更聪明地对推动返回的因素更聪明。
构建索引捕获与特定类型的投资相关的系统组件的想法几乎没有新。The first factor-based index arguably was the Dow Jones Industrial Average, which was launched in 1896. Investors who observed its performance vis-à-vis their own portfolios would have been struck by the degree to which their portfolios’ returns were correlated with the returns of the index. In modern vernacular the portfolio returns could be deconstructed into two pieces: the first a function of the return of the market as measured by the DJIA and the second a function of the particular stocks they owned. If the portfolio mirrored the constituents of the DJIA, the majority of the return and the volatility of the portfolio could be attributed to the same systematic sources that drove the returns of the DJIA.
现在有很大程度上更多地了解各种市场的返回驱动程序，包括股票那固定收益和货币。显然，分解股票投资组合的回报需要的知识远不止它在整个市场的敞口。例如，在股票市场中，最初意识到小盘股与大盘股的回报分布不同，迫使投资者以不同的方式评估其投资组合中的小盘股敞口——更重要的是，将这一决策作为风险管理过程的一部分。这导致了现在普遍的做法，即在市场回报的背景下，以及基础投资组合的风格，来看待投资组合的回报。
由于我们对影响返回的不同类型的系统因素进行了更大的了解，我们越来越多地迁移到一个世界，其中投资组合返回归因于多个来源。在股权组合的情况下，如下图所示，投资者越来越能够划出投资组合的回报的部分，这些返回是归因于系统因素（Beta），这是对投资组合（alpha）的特殊因素（β）。后一组成部分 - 这是一个希望，积极代表主动管理的真实价值。
这种从系统因素源的回报幅度的实现导致了以经济有效的方式收获这些返回来源的愿望。这种方法是基于一个声音理论基础 - 即，预计各个证券将通过暴露于系统因素来获得回报。平均而言，这些因素是奖励，但它们会在糟糕的时期表现不佳，而且在美好时光中弥补这种差的表现。投资组合经理的目标金额为控制这些系统因素暴露，并使这些风险多样化不受系统奖励的风险。在投资组合中的系统风险管理可以是有效的 - 需要预测不同因素的退货 - 或被动的预测，其中投资组合对各种因素的暴露保持静态。
认识到有些或所有有效经理的回报可能从系统因素中发出毫无疑问，这无疑是目前智能测试版热情的原因之一。如果投资者可以简单地将一些投资直接分配给这些系统的回报来源，为什么要雇用积极经理？（也可以看看， ”智能贝拉将使对冲基金经理过时吗？“）此外，如果通过暴露于某些因素驱动返回，那么投资者不应该理解和管理他们的整体拨款，以与这些相同的风险因素？此外，如果安全回报是由单个市场因素的推动，如果在这些不同类型的系统风险中多样化一个人的投资组合，它不会产生良好的财务意义吗？简而言之，这些论点是今天提供的智能测试交易所交易所资金和投资组合解决方案的理由。虽然周围智能测试版的讨论往往是股权，但该理论适用于其他资产课程，包括货币，固定收益和商品。
因素敞口比资产类别更能推动投资组合的回报，这种观点让人意识到，专注于资产配置是错误的。相反，投资者应该专注于如何配置那些推动资产回报的关键因素。这需要戏剧性地重塑我们的世界观——显然还需要在这些关键因素或贝塔上达成一些共识。理想情况下，关键因素之间应该是不相关的;每一种都应该捕捉一种独特的系统性风险或投资者行为。
风险因素可以是静态的，也可以是动态的。静态因素是不需要太多主动管理的因素，比如对整体股票或固定收益市场的敞口。大多数资产类别的回报可被视为静态风险因素。一个静态的多元化资本加权投资组合，即使没有再平衡，也会在捕获资产类别的整体回报方面做出合理的工作。
动态因子需要至少一些主动管理的Modicum - 因此，一些相关的交易成本。一个例子涉及投资平均平均的证券。在股票市场，该价值贸易可以通过投资低于平均价格收益比率和具有高于平均水平的高于平均水平的证券来实现。在货币市场中，携带贸易，因为它已知，可以通过借入低利率货币并投资高利率汇率来实现。同样，在固定收入中，投资者可以在屈服曲线的高利率部分中保持长位置，并且较低的较低利率部分 - 这有时被称为乘坐产量曲线。无论资产类别如何，维持暴露于这种类型的因素都要求投资组合不断重新平衡。动态因素经常超越资产类，并涉及主动管理，以保持对该因素的暴露。该过程可以涉及人为判断或一套规则。捕获动态因子涉及一系列决定，捕获动态因素与投资静态因素所需的决策不同。
超越资产类别的动态因素的其他例子包括波动性：低波动证券倾向于优于高挥发性的趋势。该效果已在股票，固定收益和货币中得到了注意。势头或趋势，因素 - 这捕捉到过去六到12个月内具有强烈的相对表现的证券倾向，以继续优于优势 - 也跨越股票，固定收益，货币和商品。
在静态因素方面，人们一致认为，对静态因素的定义是基于广泛的资产类别。关于动态因素的精确数量和结构，人们的共识少得多。例如，尽管大多数市场专家都同意价值是一个动态因素，但就应该根据市盈率、市净率还是股息收益率来定义价值，即使是股票分析师也没有达成一致。一些风险模型的提供者——这些模型的设计目的是使用这些系统性因素来描述股票投资组合的回报——通常将这三个因素以及其他几个因素都包括在内。
从资产类转向基于因子的方法的第一个主要障碍是同意在分配过程中使用的因素的数量和定义。一旦达成协议，标准资产分配工具 - 均值 - 方差优化，方案分析，风险分配 - 可以实现以确定所需的因子分配。使用风险因素分配的困难之一源于大多数投资者面临杠杆约束的事实。在典型的资产分配练习中，投资者通过将总资产暴露在100％的资本限制的情况下，避免使用杠杆;涉及风险因子分配时，其中杠杆限制因资产类别而异，过程更复杂。
投资CAP加权指数对于机构和个人投资者来说是司空见惯的。作为基准和投资者机会成本的基准和投资者的衡量标准的CAP加权指数具有典型的智能测试版索引中不存在的若干理想的属性。首先，凭借该指数含有与其市场资本成本的每股股票的事实，如果每个人投资这一指数，就是所有持股的总和就会等于指数的价值。所有投资者组合中，大型股票将在更大的体重增加，小帽股会有较小的重量。然而，对于大多数智能测试版索引而不是真的，因为投资组合权重由市场资本化以外的因素驱动。即使每个投资者想要投资相同的智能测试版，他们就无法这样做，因为Smart Beta产品组合中的权重与每个公司的相对大小成比例。换句话说，对于一名投资者来说，在基于市场资本化的基础上的重量持有股票，另一个投资者必须愿意持有相同的股票，这少于其基于帽的重量。
这意味着静态术语是，我们无法全部持有相同的智能测试版组合。事实上，对于一个投资者来持有一个智能测试版，另一个投资者必须有一个反智能测试版（听起来比“愚蠢的β”）倾斜相同的级别。虽然这是一种真实的，但一个人应该询问每个投资者是否应该具有相同的智能测试版分配。我们长期以来接受了资产分配在投资者之间有所不同的想法：一些拥有更多固定收入证券;其他人持有更多公平。很少，如果有的话，将固定的收入和公平与其市场重量的确切成比例保持。
市场投资组合由平均投资者持有。如果您与平均水平不同，则没有理由应将与平均投资者相同的产品组合。考虑投资者，这些投资者具有比其他人更有风险的能力。这样的投资者可以推出更多地接触那些在糟糕时期的返回率差的投资。相比之下，具有低于平均水平的风险能力的投资者应该越来越低于平均风险的平均暴露于这种投资。这不需要一个投资者是聪明的和另一个愚蠢的，但它确实要求投资者认识到他们对投资视角的相对优势和劣势。
例如，从回报的角度来看，对小盘股的投资通常被认为是可取的。然而，这个因素在不景气时往往有负回报，在景气时则有正回报。对于长期投资者来说，倾向于这个因素可能是有道理的。对于一个视野较短、在不景气时期承担风险能力较弱的投资者来说，高于平均水平的风险敞口可能是个坏主意。在这个例子中，要素回报和经济环境之间的关系很简单。对于势头等其他因素，这种关系可能更难确定。无论如何，这里的关键信息是，没有普遍的因素配置。相反，每个投资者必须确定一个合适的因素配置，然后选择合适的智能贝塔指数来复制它。
不同经济环境中选择股权因子的返回显示在下表中。市场因素是静态的，由CAP加权市场回报代表。其他因素是动态的，代表不同的潜在回报源。显然，没有单一因素在每个经济环境中提供积极的回报 - 说明管理各个因素曝光的价值。事实上，唯一具有这样一个财产的安全性将是典型的无风险安全性。例如，小帽子因子与市场具有相同的回报模式，体验其早期衰退的早期回报。由低β和高β股的投资组合之间的差异化的低波动性因子，在经济衰退的早期部分提供其最高回报;将其与小帽和整体市场因素相结合，将创建一个具有更好的回报概况的投资组合，而不是投资静态市场因素。增加势头和价值暴露将进一步改善返回概况，尽管分配需要考虑到价值，势头和低波动性的事实，但在经济衰退的后期阶段都有负回报。在一个因素分配世界中，挑战是建立一个对每个关键因素的多元化暴露的投资组合，以便从他们之间缺乏完美的相关性。
前面的例子考虑了四种不同的经济体制。世界要复杂得多，因此谨慎的投资者还会考虑不同波动机制下关键因素的表现、投资者情绪、流动性、太阳黑子活动、裙摆以及任何他们认为会对资产市场产生重大影响的其他措施。不管你喜不喜欢，这都需要对这些因素之间的关系以及与之相关的未来回报做出假设——这与传统的积极型投资经理的工作没有什么不同。传统主动管理和聪明贝塔策略的区别在于，后者的风险管理规则是事先规定的。
将投资者的情况考虑到相对于因素返回有些不同于有时被称为责任驱动的投资。在典型的LDI方法中，目标是符合投资者负债的利率和通胀敏感性。虽然投资者承担某些类型的利率和通胀风险的能力是因子分配的重要决定因素，但有许多其他要素需要考虑，包括相对规模，投资地平线，流动性需求和能力在困难的经济环境中承担损失的能力。每个计划都会对这些尺寸有所不同，导致最佳因子分配的产生影响。例如，虽然大多数养老金计划有很长的视野，但非常大的人自然会发现它挑战，以获得有意义的某些因素，例如小写。相比之下，较小的计划可能能够在他们想要这个因素时获得尽可能多的曝光。
假设投资者可以确定危险因素的最佳分配，以满足其独特环境，该过程中的下一步是构建提供暴露于所需风险因素的投资组合。在一个理想的世界中，在其中有关于各种相关因素的因素和低成本的成本达成协议，这将是一个相对简单的任务 - 类似于处方药的药房。不幸的是，实施所需的因子分配并不像分配给几个索引资金或选择每个资产类别中最好的管理者那么容易。
资产配置在决定投资组合的风险和回报方面的重要性是投资者很清楚的。资产类别明显不同;例如，股票不同于国债和高收益债券。多年来，投资策略都是围绕资产类别设计的，因此实施资产配置要比实施要素配置容易得多。在决定某只股票是否受到某一特定因素影响时存在分歧时，尤其如此。为了举例说明，考虑罗素价值和增长指数共有大约335只股票;将投资于价值因素这样动态因素的个股进行分类并不是黑白分明的。
抛开定义问题，实施智能测试版方法有两种额外的挑战。首先，尽管捕获大多数动态因素需要长而短的头寸以有效地获得曝光，但大多数智能测试版仅限。没有短位置的显着降低了捕获真实因子返回的能力。根据积极管理的根本规律，人们估计有效的减少将大约50％。这可能导致投资组合，该组合无法捕获所需的因素返回，并导致不可避免的投资者失望。
其次，在构建风险因素投资组合时，必须注意可能会作为投资组合构建过程本身的结果潜入投资组合的意外倾斜。例如，一个聪明的贝塔股票投资组合试图具有价值偏差，也可能具有小盘股和低波动性偏差。对于寻求实现因素配置的投资者来说，如果配置中对某些因素有持续的敞口，而对其他因素没有敞口，将会容易得多。如果一个投资组合涉及多个因素，就应该事先设计好并指定。
对大型机构投资者来说，基金经理或其他供应商提亚博赞助欧冠供的选择数量可能会让他们不知所措，因为他们渴望提供定制的智能beta解决方案。对于一个懂得量化投资组合管理技术并有能力管理短期投资组合的经理来说，创建一个具有理想因素配置的投资组合并不是一项非常困难的任务。虽然营业额和交易的管理对实施基于因素的分配方法至关重要，但这是老生常谈的问题，不应成为实施这种投资战略的主要障碍。
另一方面，希望使用现成的产品来实施因素产品组合的较少特权投资者面临更加艰巨的任务。落入智能测试营的大多数投资组合都包含底层证券的唯一职位。凭借少数例外情况，投资者只能购买静态测试版（市场返回）和动态测试版（例如价值高级）购买的预先包装版本。例如，如果投资者希望额外接触低波动性因子，则需要对将市场暴露以及低波动因子暴露相结合的产品进行分配。换句话说，如果他们愿意承担因子暴露的市场曝光，这些投资者只能购买一个因素。将投资者对其进行对比这一点，其中投资者获得了市场组合，市场中性值基金和市场中立的低波动性基金 - 就像随附的表格中使用的投资组合。长期和短期岗位的资金的可用性将增加投资者的投资机会套装，这反过来可能会产生卓越的性能。回想一下，这些策略的理论理由是人们能够管理对不同因素的暴露。在没有能够以隔离购买每个人的情况下，如果不是不可能的话，难以接近一个人的理想因素分配。
在一些产品中，设计师已经意识到只做多试图捕获单个智能测试版的问题，并试图通过将多个智能测试版合并到一个指数来克服这个问题。虽然这是一个更好的解决方案，但事实是，要素成分是在预先指定的比例提供的，这是一个主要的障碍，投资者寻求进行要素配置。大多数智能beta产品的销售都是基于其模拟的业绩记录，尽管模拟本身并不一定是负面的，但通常很少有对投资组合中风险敞口的精确描述。如果投资者打算从资产类别配置转向要素配置，他们需要能够轻松获得所投资基金的要素敞口。对于能够获得风险模型和投资组合的大型投资者来说，这是一项相对容易的任务，但对于较小的机构或个人投资者来说，这将是一项具有挑战性的任务。
对于积极的基金经理来说，聪明的贝塔发展有两个主要的含义。首先，如果基金经理的回报是被动因素倾斜组合的结果，那么就没有理由为产生回报而收取典型的主动费用。其次，即使基金经理的回报不是完全归因于因素倾斜的组合，对投资者来说，聪明的贝塔策略或聪明贝塔策略的组合可能是更有吸引力的选择。
第一次含义几乎没有新的。投资者长期以来将其管理人员与风格调整的基准进行了基准。然而，通常，这些基准基准基于静态倾斜到一个因素，并且因此可能没有捕获与特定策略相关联的真实因子返回。20世纪80年代后期和90年代末的趋势是为了创造经理的正常投资组合，部分地是静态单因素索引没有捕获特定策略的全部复杂性的认可。由于其复杂性增加，这种正常的普通产品组合方法未能部分地实现主流验收。即使在目前的智能测试索引裁剪裁剪中，难以衡量和评估经理的因子足迹。
人们可以通过将基金经理的单因素或多因素智能贝塔指数视为机会成本来回避业绩问题。在这样的框架下，智能贝塔指数的回报反映了投资者资本可以实现的回报和风险机会，而经理人可以相对于该指数进行衡量。换句话说，智能beta测试的组合将成为衡量经理业绩的市场基准的替代方法。
第一个智能赌博资金 - 即，指数基金 - 证明了投资者的福音。它们提供了低成本和高度的可预测性。可预测性直接源于这些基金复制静态因素的事实。重新创造整体市场表现很少有效管理。然而，当一个人试图复制动态因子时，出于前面讨论的各种原因，世界并不是那么静态。
旨在捕捉股票市场价值因素的基金的不同表现，就是困扰投资者的困惑的一个很好的例子。在特定投资组合中管理哪些因素、忽略哪些因素方面缺乏透明度也是一个挑战。除非我们的投资组合中所披露的因素反映在营养标签上，否则投资者很难做出明智的决定，避免失望。
其中一些策略使用的基于规则的方法使他们易于通过知情投资者进行前跑。非常喜欢游戏添加和减法到静态因子基金的努力，如标准普尔500指数，更成功的智能测试基金将成为试图利用基金使用的特定重新平衡规则的投资者的重点。如果有多个资金试图捕获相同的动态因子曝光 - 这很可能 - 还有可能重新平衡的可能性对特定因素的回报具有大量的系统影响。2007年量危机的幸存者记得大流量进出特定因素的潜在影响。
从理论上讲，人们很难不喜欢基于因素的投资——除非人们意识到这种策略的复杂性。由于定义动态因素和监测风险敞口的复杂性，很难看到基于因素的投资完全超过更常用的资产类别方法。由于在因素上缺乏共识，实际上不可能实现60-40均衡的股票-固定收益投资组合那样的基于因素的投资。
然而，对所有基于因素的战略来说，缺乏大规模的采用并不一定是不好的预兆。与传统指数基金等静态因素基金相比，这种策略是一种有吸引力的选择。它们还提高了主动管理者的标准，因为他们将不再能够声称自己的技能，因为被动地倾向于动态因素之一。展望未来，主动型基金经理面临的挑战将不仅是识别投资组合中的因素倾斜，还将展示这些倾斜产生的价值。“智能贝塔”最大的贡献可能不是产品本身，而是它们在让投资者更明智地了解驱动回报的各种因素、提高投资组合多样化水平方面所发挥的作用。••
Harindra de Silva是洛杉矶Analytic Investors的总裁和投资组合经理。他监督公司投资流程的研究和开发。