此内容来自:文件夹

Smart-Beta索引:简单并不总是一种美德

某些索引与他们的标签不匹配。以下是如何捕捉您想要的风险,同时最大限度地减少您没有的曝光。

所谓的Smart-Beta股权指数在过去几年中具有增殖。产品现已在数百人中,大多数寻求捕获少数尺寸明确的风险因素的过剩返回,如尺寸,价值,低波动和股息产量。这些新索引的普及部分是归因于这种相对简单性。

但随着越来越多的投资者从基本面主动或传统的被动股票策略转向这些替代性指数,结果会与一揽子计划上的标签相符吗?事实证明,聪明的贝塔指数往往会产生明显不同的业绩结果,即使是针对同一个因素。例如,高股息指数可以产生巨大的风险调整回报率:过去十年,道琼斯美国精选股息指数的夏普比率(每单位风险的回报率)仅为0.37,而标准普尔500股息贵族指数的夏普比率为0.67,风险调整回报率相差80%。我们的研究表明,这不是一个孤立的现象。

那么什么是表现性能的差异?在我们看来,A的成功Smart-Beta索引取决于其能力不仅要捕获到有针对性的风险因素,而且还可以最大限度地减少非线性,未补偿的因素,如行业集中,货币和杠杆。风险因素投资策略的这些副产品可以有意义地贡献风险,而不会产生过剩的回报。

为了更准确地测量预期风险因素曝光,北方信任资产管理创建了称为因子效率比(FER)的度量。概念上非常简单,FER是指数的预期系数暴露于其意外暴露的比率。为了实现高焦点,索引必须对补偿危险因素或因子(高分子)具有强烈倾斜,同时最小化意外的因子暴露(低分管)。使用建立的风险模型,例如Barra或公理瘤来计算因子暴露。可以找到关于该过程的技术细节北方信托的网站或者在迈克尔·亨斯塔德和乔丹德卡蒙的纸上社会科学研究网络

通过将风险模型应用于索引回报和组成,我们确定了一些预期的曝光和意外暴露最广泛使用的智能贝塔指数并计算每个人的FER。我们的研究表明,每单位意外暴露的索引更有效地实现更有效的因素暴露。此外,通过测量靶向小尺寸,价值,低波动性和股息产量并将这些指标与历史锐利比率相关的索引,我们可以表明高效率也导致高风险调整的回报。

不幸的是,我们也发现的是,在分析的大多数智能测试版指数中,手段都很低。换句话说,现有指标通常不能提供所需的因子曝光,而不需要大量意外的暴露。我们认为这个问题源于智能β指数施工的相对简单性。对于大多数索引,无需控制意外投注的机制。结果是最佳资产的低效分配,并且可能对投资者产生重大风险。

从我们的研究中汲取的一课是值得的,所以必须了解索引的真正风险概况,并不会在索引名称和描述上放置太多信任。在积极的方面,我们认为,通过适当的设计和实施,风险因素投资可以达到许多投资者的期望,并始终如一地提供风险保费,同时最大限度地减少未补偿的因素。更多的是在未来的帖子中。

Matthew Peron是全球股权董事总经理,迈克尔·亨斯塔德是定量研究总监北方信托资产管理在芝加哥。

参见北方信托资产管理公司的免责声明

更多地获得更多索引

相关内容