Постоянство в моделях контролируемого обучения на основе факторов
Гийом Кокере, Journal of Finance and Data Science
Аннотация
В этой статье мы документально подтверждаем важность памяти в моделях на основе машинного обучения (ML), опирающихся на твердые характеристики для оценки активов. Мы обнаружили, что алгоритмы прогнозирования работают лучше всего, когда они обучаются на длинных выборках с долгосрочными доходами в качестве зависимых переменных. Кроме того, мы сообщаем, что постоянные функции играют важную роль в этих моделях. Применительно к выбору портфеля мы обнаруживаем, что инвесторы всегда лучше прогнозируют годовую доходность, даже если ребалансировка проводится с меньшей частотой (ежемесячно или ежеквартально). Наши результаты остаются устойчивыми к транзакционным издержкам и масштабированию риска, что дает полезные указания для количественных управляющих активами.
Ключевые слова: факторное инвестирование, машинное обучение, оценка активов, автокорреляция.
Как меняются факторные премии с течением времени? Век доказательств
Антти Ильманен, Ронен Исраэль, Тобиас Дж. Московиц, Эшвин К. Тапар, Рэйчел Ли
Abstract
Оценка того, как факторные премии меняются с течением времени и по классам активов, является сложной задачей из-за ограниченных данных временных рядов, особенно за пределами акций США. Мы изучаем четыре важных фактора в шести классах активов за столетие. Мы находим мало свидетельств того, что арбитражная деятельность влияет на доходность, хотя есть некоторые новые свидетельства предубеждений переобучения. Мы определяем значимое изменение во времени доходности с поправкой на факторный риск, которая кажется не связанной с макроэкономическими рисками, что подтверждает другие теории динамической премии за доходность. Пытаясь уловить эту изменчивость, мы оцениваем различные стратегии синхронизации факторов, но обнаруживаем относительно скромную предсказуемость, которая, вероятно, не может преодолеть трения реализации.
Ключевые слова: факторная премия, синхронизация факторов, класс мультиактивов, систематическая ошибка переобучения, арбитражная активность.
Новое определение качественного инвестирования
Луис Отеро
Аннотация
В этой статье мы оцениваем взаимосвязь между качественными инвестициями в сочетании с Экономическим рвом, ESG (экологическими, социальными и управленческими) и мнениями аналитиков за период 2014–2020 гг. (28 кварталов) на основе набора данных, включающего 803 акции США с рейтингом. от Морнингстар. Производительность оценивается в основном с точки зрения альфы (шестифакторная модель). Наши результаты показывают, что качественные акции, измеряемые ROIC, показывают превосходные результаты. Включение конкурентных преимуществ (экономический ров Морнингстара) позволяет лучше различать классические высококачественные стратегии. Инвестиции в акции с качеством и высоким ESG влекут за собой выплату премии, но покупка качественных компаний с Economic Moat компенсирует этот негативный аспект. Рейтинг Morningstar Star не имеет значения, когда мы контролируем производительность, например, по сектору или размеру и учитывая экономический ров, но это среднее целевое соотношение цены к цене (консенсус аналитиков). Наши результаты показывают, что традиционные стратегии качества могут быть улучшены за счет учета конкурентных преимуществ компании и, прежде всего, консенсуса аналитиков в отношении возможности переоценки акций.
Ключевые слова: Качественное инвестирование, Экономический ров, ESG, прогноз аналитиков, результативность.
Является ли отраслевая нейтральность в факторном инвестировании ошибкой?
Сина Эхсани, Кэмпбелл Р. Харви, Фейфей Ли
Аннотация
Характеристики акций имеют два источника предсказательной силы. Во-первых, характеристика может оказаться полезной для определения высокой или низкой ожидаемой доходности в разных отраслях. Во-вторых, характеристика может быть полезна для определения ожидаемой доходности отдельных акций в отрасли. Прошлые исследования обычно показывают, что компонент, специфичный для фирмы, является самым сильным предиктором, что заставляет многие отрасли нейтрализовать воздействие факторов. Мы показываем, что эта задача эквивалентна классической задаче о двух рискованных активах, и выводим условие, определяющее, когда отраслевая составляющая характеристики должна быть опущена. Мы показываем как аналитически, так и эмпирически, что долгосрочный инвестор с большей вероятностью выиграет от хеджирования секторных ставок, тогда как инвестор, использующий только длинные позиции, с большей вероятностью выиграет от инвестирования в фактор в его нынешнем виде.
Ключевые слова: нейтрализация сектора, отраслевые факторы, факторы капитала, нейтральный сектор, ставка на сектор, наклон сектора, зоопарк факторов, управление портфелем, умная бета.
Запланируйте сеанс DDIChat в Data Science / AI / ML / DL:
Подайте заявку на участие в программе DDIChat Expert здесь.
Работайте с DDI: https://datadriveninvestor.com/collaborate
Подпишитесь на DDIntel здесь.
