AQR校长Ronen Israel和副校长Adrienne Ross
为什么投资者应该关注因素暴露?
投资者越来越关注如何以一种有效的方式获得回报。这一过程的很大一部分包括了解投资组合中的风险和回报的来源。“基于风险的投资”通常把一个投资组合看作是产生回报的过程或风险因素的集合。这些因素中最普遍和最广泛的是股票市场(股票风险溢价);但也有其他因素，比如价值和动量(通常被称为“风格溢价”)。1
然而，测量风险因素的风险可能是一个挑战。投资者需要在他们的投资组合中介绍如何构建和实施因素。
他们还需要知道如何最好地应用统计分析。如果没有合适的模型，因素暴露的回报可能会被误解为“阿尔法”，投资者可能会被错误地告知他们的投资组合真正面临的风险(以及他们为此支付的费用)。最终，对现有投资组合和考虑中的风险来源有清晰认识的投资者，在建立更有效的投资组合方面可能具有优势。2
如何测量因子曝光
测量因子暴露的常见方法是线性回归分析;它描述了从属变量（PORTFOLIO返回）和解释变量（因子）之间的关系。回归分析可以在任何类型的产品组合上完成，使用一个因素或许多。理想情况下，所使用的因素应该与投资组合中存在的因素类似，或者至少一个应该占这些评估结果的差异（我们将回到此问题）。风险因子分解的回归框架显示在展览1中。
测量因子曝光的框架
我们可以使用这个框架来检查一个假设的只做多的股票投资组合的风险，目的是从价值、动量和规模风格溢价中获取回报。3.在实践中，投资者可能事先不知道投资组合的风险敞口，但由于我们的目标是说明如何最好地应用分析，我们将继续进行。
作为我们的解释性变量，我们使用了众所周知的长/短学学分：HML，UMD和SMB。4.我们使用回归模型来评估投资组合的驱动程序。具体而言，我们通过在样本期间将因子的平均风险溢价乘以因子的平均风险溢价来衡量每个因素对投资组合的贡献（参见展览2）。
用因素分解假设的投资组合收益
展览2中所示的结果与我们的直觉一致：产品组合将阳性暴露（β）有值（HML），动量（UMD）和大小（SMB）。5.并且由于这些因素在此期间各自提供了积极的回报，因此这种积极的曝光使投资组合分别受益于投资组合的价值，势头和规模，贡献2.4％，0.5％和1.2％，以便投资组合的超额现金回报。
来自展览2的另一个重要产出是alpha估计，这可能提供对经理“技能”的洞察力。
重要的是，投资者能够区分经理是否实际上是在以上和超出其因子曝光之外的alpha。但这样做需要我们正确的模型。没有适当的模型，因子暴露的奖励可能被误解为alpha。这可能导致次优投资选择，例如为似乎提供“alpha”的经理支付高费用，但实际上只需提供简单的因素倾斜。
要了解这一点，假设我们要将我们的测试组合视为与股票市场的模型视为唯一因素（众所周知的CAPM）。Against this model it would seem that a large portion of port- folio returns are dominated by “alpha,” but as we just saw, roughly 4% of the portfolio’s returns are driven by style exposures (2.4%+0.5%+1.2%=4%). These results have important implications — if investors don’t control for multiple exposures in a multi-factor portfolio, then excess returns will look as if they are mostly alpha.
值得注意的是，“alpha”取决于已经在投资组合中已经存在的东西。对于任何投资组合，对现有暴露都不相关的正预期回报策略可能是一个重要的改善来源。例如，对于拥有被动股权市场曝光的投资者来说，添加新的投资组合返回来源，例如价值和势头，将具有与投资组合添加到投资组合的效果相同的效果 - 即使包含市场的回归，价值和势头解释阿尔法。6.
测量因子暴露中的常见缺陷
到目前为止，我们专注于如何应用回归框架，但是有许多与回归分析相关的陷阱。他们是细致的细节，但他们真的很重要;它们与解释和因子设计差异的错误有关。
错误的解释
太过关注beta版本而不是T.-统计数据
许多投资者在评估因素暴露时只关注贝塔系数，而没有考虑这些估计的可靠性(或统计意义)。仅仅因为一个投资组合的贝塔系数高并不意味着它在统计上与一个零贝塔或没有贝塔系数的投资组合不同。因此，看一下T.每个测试版的间距;一种唯一的投资组合曝光，这只是经济上有意义（大β）但不可靠（微不足道T.-统计）可以以很大的方式影响投资组合，但具有高度的不确定性。
比较投资组合的Betas，具有不同的挥发性
由于波动性在投资组合中差异很大，因此Betas的比较可能是误导性的。对于相同的相关水平，投资组合的波动率越高，其β越高。7.当投资者未能考虑到投资组合之间的不同波动水平时，他们可能会得出这样的结论:一个投资组合比另一个投资组合提供更多的风险敞口，这在名义上是正确的，但就单位风险敞口而言，情况可能并非如此。
没有考虑R2
R2措施提供了对回归模型的整体解释力的洞察力;它表示通过使用的因素来计算返回的变异性。通常，R2越高，模型在解释产品组合返回时越好。
因素差异
除上述统计问题外，还有其他问题
在进行回归分析时要考虑。投资者应该问问自己:我使用的这些因素到底是什么，它们是否适用于我的投资组合?这些问题的答案影响beta和alpha估计。因素负荷受到所使用因素的设计和范围的高度影响，alpha估计反映了与获取因素相关的实现差异。我们将在下面详细讨论这些注意事项。
实现是否可比？
学术因素，如这里使用的FAMA-French因素，不要占实施成本。它们是费用，交易成本和税收。他们不面对可实现投资组合的任何现实世界摩擦。实施方法的差异可以反映在回归结果中。即使投资组合做出了捕获因素的完美工作，它仍然可以在回归模型中具有负alpha，这将代表实现
差异与捕获因素有关。8.
宇宙是一样的吗？
学术因素的市值范围很广，事实上，它们过度依赖于小盘股甚至是微型股。这些因素包括整个CRSP的大约5000只股票。许多实践者会同意，跌破罗素3000指数的交易策略是不太可行的，这可能是学术因素中最底部的两个五分之一的下跌。
是唯一或长/短的投资组合吗？
由于在其各自的基准重量上叠加，但长期的投资组合在收获风格的预体中更受限制。相比之下，长/短因子（和投资组合）是纯粹的，因为它们是无关的。在执行和解释因子分析时应理解这些差异。
投资组合是否基于每种风格的多种衡量标准?
通常，可以同时使用和应用多种措施，以形成更强大和可靠的因素视图。例如，虽然使用传统的学术簿位价值措施选择的股票在实证研究中表现良好，但没有理论表明这是最佳价值的衡量标准。
投资组合是否有风险结束oll曝光？
学术因素通常没有任何明确的风险控制。例如，在股票的情况下，学术因素经常在股票中进行简单的排名，并且在行业内部和跨行的行业中的风格投注（也在国际投资组合中的国家），没有任何关于相对的风险控制每个人的贡献。相比之下，从业者实施的因素可能会区分在行业内部和跨行（I.E.，Industy Peews）的股票。它们旨在独立捕获和瞄准风险。作为另一个例子，从业者在构建因素时也使用风险目标;这种方法动态地针对风险，以在不断变化的市场状况方面提供更一致的实现波动。最后，从业者还可以建立市场（或测试版）中立的长/短组合，而学术因素往往是美元中性，允许意外，超时的市场投注。
结论
回归分析可以帮助投资者更好地了解其投资组合中存在的风险因素，这具有多种效益。它可以帮助投资者评估费用，通过估算返回部分可以归因于系统因素暴露与特质回报来源，应该指挥溢价。它还可以通过确定缺少的回报来源和最可能是他们现有的投资组合来改善投资组合建设和多样化。
AQR是一家全球投资管理公司，采用系统的、研究驱动的方法来管理替代和传统的战略。
我们为机构投资者和投资专业人员管理超过1410亿美元。亚博赞助欧冠9.
w:aqr.com
1风格的Premia是返回的回报来源，这些回报是良好的研究，地理上普遍存在，并且在两次和多个资产类别上都被证明是持久的。为什么他们提供长期回报来源的逻辑，经济理由（并且很可能继续这样做）。见Asness，Moskowitz和Pedersen（2013）;Asness，Ilmanen，以色列和Moskowitz（2015年）;并“如果每个人都知道它，策略如何仍然可以工作？”2015年9月23日，欲了解更多信息。
2有关测量投资组合因素暴露的更多信息，请参阅以色列和罗斯（2015年）。
3投资组合以简单的价值衡量标准（簿售，使用Asness and Frazzini（2013）HML Devil方法的当前价格）和势头（12个月价格回报，跳过最近一个月）在小型宇宙中。
4为了简单起见，我们使用学术因素，而不是从业人员因素，这些因素来源于Ken French的数据库。HML是一个投资组合，它做多账面市值高的股票，做空账面市值低的股票;UMD在过去12个月里做多回报率高的股票(跳过最近一个月)，在同一时期做空回报率低的股票;中小企业做多小盘股，做空大盘股。
注意，如果我们使用HML Devil(使用当前价格)而不是HML(使用滞后价格)，我们将看到UMD的加载更高。参见Israel和Ross(2015)和Asness和Frazzini(2013)，了解更多关于如何将HML视为UMD的偶然赌注的信息，它通过降低UMD的负载来影响回归结果(因为HML正在吞噬一些UMD负载，否则将会存在)。
6伯格，克拉尔，以色列和Kabiller（2012年）。
7基于单变量的回归。
8请注意，我们的假设投资组合也是费用，交易成本和税收的额外，这使得在分析中使用学术因素的使用较少问题（与看起来真实世界摩擦的实时组合相比）。
9截至2015年12月31日。
本文阐述的信息或从AQR Capital Management，LLC（“AQR”）所信中的来源获得或得出的信息是可靠的。但是，AQR没有提出任何陈述或保证，表达或暗示，即信息的准确性或完整性，AQR也没有建议附加信息作为任何投资决策的基础。并不构成提供提供的要约或任何建议或建议的要约或征集，以购买任何证券或其他金融工具，并且可能不会被解释为。AQR特此声明任何义务为本文所载的分析提供任何更新或更改。
这里包含的数据和分析基于理论和模型组合，而不是代表AQR目前的资金或投资组合的表现。没有保证，表达或暗示，即将实现长期波动目标。实现的波动率可能升高或低于预期。过去的业绩不能保证未来的业绩。
假设的性能结果（例如，定量逆端）具有许多固有的局限性，其中一些但不是全部在此描述。没有任何代表性，任何基金或账户都将或可能达到类似于本文所示的利润或损失。事实上，假设绩效结果和随后由任何特定交易计划实现的实际结果存在常见差异。假设性能结果的一个局限性之一是它们通常是由于后敏感而制备的。此外，假设交易不涉及财务风险，并且没有假设的交易记录可以完全占对实际交易中金融风险的影响。例如，尽管有交易损失，承受损失或坚持特定贸易计划的能力是物质点，这可能会对实际交易结果产生不利影响。本文包含的假设绩效结果代表了当前在上面写的日期生效的定量模型的应用，并且不能保证模型将在未来保持不变，或者将来的目前模型的应用将产生类似的结果，因为在假设的绩效期间的相关市场和经济条件普遍存在，不一定会发生重现。通常有许多与市场有关的其他因素，或者执行任何特定的交易计划，这些贸易计划在编写假设绩效结果方面不能完全占，这一切都可能对实际交易结果产生不利影响。可以应用折扣因子来减少怀疑的异常。 This backtest’s return, for this period, may vary depending on the date it is run. Hypothetical performance results are presented for illustrative purposes only.
与交易商品，期货，选项，衍生品和其他金融工具相关的风险有很大的损失。在交易之前，投资者应仔细控制他们的财务状况和风险容忍度，以确定拟议的贸易风格是否合适。投资者应意识到，当交易期货，商品，选择，衍生品和其他金融工具时，人们可能会失去其账户的全部余额。交易衍生物或使用杠杆时，还可以损失超过初始存款。所有致力于此类交易策略的资金都应纯粹是风险资本。©AQR Capital Management，LLC。版权所有。