การตีความ SML
ฉันทำตามเอกสารนี้และประเมินรูปแบบการกำหนดราคาสินทรัพย์ที่แตกต่างกันสองแบบผ่านระบบของเครือข่ายประสาทเทียมแบบลึก ทั้งสองรุ่นมีอินพุตที่เหมือนกัน: คุณสมบัติเฉพาะของ บริษัท สำหรับหุ้นสหรัฐฯ 10'000 (ไม่ซ้ำกัน) และตัวแปรเศรษฐกิจมหภาคชุดใหญ่ในช่วง 20 ปี (ระยะเวลาการฝึกอบรม = 1970-1990) แต่แตกต่างกันเล็กน้อยในด้านสถาปัตยกรรม เฉพาะเจาะจงมากขึ้น: ฉันได้ประมาณปัจจัยส่วนลดสุ่มสองแบบที่แตกต่างกันและด้วยเหตุนี้พอร์ตการลงทุนที่สัมผัสกันสองแบบ$F_{t}$บัญชีนั้นสำหรับการเปลี่ยนแปลงเวลา จากนั้นฉันได้ประเมินผ่านเครือข่ายประสาทอื่นความเสี่ยงเป็นผลลัพธ์$y = R^e_{t,i}F_t$ เพื่อประมาณ $\beta_{t,i}=\mathbb{E}_t[R^e_{t,i}F_t]$ ซึ่งเป็นสัดส่วนกับความจริง $\beta_{t,i}$.
ผลลัพธ์ที่แตกต่างจากตัวอย่างบางส่วนในช่วงปี 1995-2019 (หลังจากรวมตัวกันมากกว่า 10 ครั้ง):
- Sharpe Ratio ของ $F_t$ สำหรับรุ่น 1 คือ 2.8 รุ่น 2 เพียง 0.9
- ผลตอบแทนสะสมรวมสำหรับรุ่น 1 ประมาณ 8 (800%) สำหรับรุ่นที่สอง 14
- เบิกสูงสุดสำหรับรุ่น 1 คือ 8% ตลอดช่วงเวลาสำหรับรุ่น 2 คือ 59%
- มูลค่าการซื้อขายเฉลี่ยต่อเดือนสำหรับรุ่น 1 คือ 0.6 สำหรับรุ่น 2 คือ 0.07
- โมเดล 2 โหลดมากขึ้นในหุ้นขนาดเล็กและขนาดเล็ก แต่ไม่ได้โหลดตำแหน่งสั้นในหุ้นในเวลาใด ๆ โมเดล 1 ทำและฉันคิดว่าสามารถบรรลุอัตราส่วน Sharpe ที่สูงขึ้นนี้ได้
กล่าวโดยย่อโมเดล 2 มีลักษณะเหมือนดัชนีมากกว่าโดยมีปัจจัย MKT สูงและดังที่กล่าวถึงปัจจัย SMB โมเดล 1 เกือบจะเป็นกลาง MKT และ SMB โมเดล 2 สามารถอธิบายได้เป็นอย่างดีโดย FF5 ในขณะที่โมเดล 1 ไม่สามารถ:
หากไม่มีการเก็งกำไรการสกัดกั้นควรอยู่ที่ 0 เนื่องจากฉันดำเนินการในพื้นที่ที่ส่งคืนส่วนเกิน ทั้งสองรุ่นทำผลงานได้น่าพอใจทีเดียว แต่ฉันยังคงงงงวย: แบบจำลอง 1 ระบุค่าความเสี่ยงด้านตราสารทุนที่ 4.65% ต่อปีซึ่งได้รับผลจากการวิจัยทั้งหมดเป็นผลลัพธ์ที่สมเหตุสมผล รุ่น 2 มีความพอดีที่ดียิ่งขึ้น แต่บ่งบอกถึงเบี้ยประกันภัยที่สูงถึง 12.1% ต่อปี
การตีความปัจจุบันของฉันคือแบบจำลองที่ 2 บ่งบอกถึงเบี้ยประกันภัยที่สูงขึ้นเนื่องจากมีน้ำหนักมากขึ้นในขนาดเล็กซึ่งมีโปรไฟล์ผลตอบแทนความเสี่ยงที่น่าสนใจ
ถาม:คุณมีข้อเสนอแนะหรือการตีความว่าเหตุใดทั้งสองรุ่นจึงมีขนาดที่เหมาะสม แต่แตกต่างกันมากในด้านความชันสำหรับข้อมูลอินพุตเดียวกัน
แก้ไข 1 (เพื่อตอบคำถามของคริส)
- ระยะเวลาในการถือครองสองกลยุทธ์ของคุณ? การปรับสมดุลรายเดือนสำหรับทั้งสองรุ่น
- Sharpe ที่ 2.8 ค่อนข้างสูง (เช่นเดไซล์สูงสุด +) สำหรับการซื้อระยะยาวและถือกลยุทธ์หุ้นความถี่กลางถึงต่ำ แม้. 9 จะอยู่ในระดับสูงสำหรับดัชนีในวงกว้างของสหรัฐฯ โมเดล 1 ไม่ใช่ระยะยาวเท่านั้น แต่ยังมีสถานะสั้นในหุ้นด้วย รุ่น 2 เป็นแบบยาวเท่านั้น ผู้เขียนต้นฉบับยังได้รับ SR ที่ใกล้เคียงกันที่ 2.65 ในช่วงเวลาที่แตกต่างกันเล็กน้อย
- การใช้ 70-90 เป็นชุดการฝึกและ 95- ปัจจุบันเป็นชุดตัวอย่างนอกระบบดูเหมือนจะเป็นประเด็นสำคัญสำหรับประเด็นที่เกี่ยวข้องกับการเปลี่ยนแปลงระบอบการปกครอง ฉันไม่สามารถนึกถึงการตัดออก (เช่นปี 1995) ให้สอดคล้องกับการเปลี่ยนแปลงโดยทั่วไปในรูปแบบธุรกิจพื้นฐานโดยเฉพาะการเกิดขึ้นของเทคโนโลยีเป็นตัวขับเคลื่อนหลักในหุ้นของสหรัฐฯ ฉันเห็นด้วยที่นี่ฉันไม่ได้คิดอย่างนั้น ฉันเลือก 20 ปีของการฝึกซ้อมเพื่อให้มีชุดใหญ่สำหรับการฝึก แต่ไม่ใหญ่เกินไปเนื่องจากการฝึกในเรื่องนี้ใช้เวลา 23 ชั่วโมงต่อวง (10 ครั้งต่อวง) จากนั้นฉันใช้เวลา 5 ปี (1990-1995) ในการตรวจสอบความถูกต้อง และส่วนที่เหลืออยู่ระหว่างการทดสอบ วิธีนี้ทำให้ฉันมีช่วงเวลานอกตัวอย่างที่ยาวนานมากซึ่งฉันคิดว่าเป็นสิ่งสำคัญในการทดสอบโมเดลดังกล่าวโดยเฉพาะอย่างยิ่งการวิเคราะห์พฤติกรรมของพวกเขาในช่วงฟองสบู่ดอทคอมและ GFC 2008 นอกจากนี้ฉันต้องการเปรียบเทียบผลลัพธ์ของฉันกับเอกสารต้นฉบับ ที่มีช่วงเวลาใกล้เคียงกัน
- เกี่ยวกับคำถามติดตามผลของคุณทำไมคุณถึง 'ตรวจสอบ SML' คุณทำให้เบต้าของคุณเป็นปกติในสินทรัพย์ได้อย่างไร? คุณกำลังสร้างผลงานที่ตามมาของคุณอย่างไร? คุณจะต้องให้รายละเอียดเพิ่มเติม ฉันยังใหม่กับการวิจัยการกำหนดราคาสินทรัพย์เชิงประจักษ์ด้านนี้และแก้ไขฉันถ้าฉันผิดเท่าที่ฉันเข้าใจก็คือโมเดลคลาสสิกไม่สามารถจับความเสี่ยงด้านตราสารทุนได้อย่างถูกต้องและโมเดลจำนวนมากกลับแบน SML ซึ่งเมื่อเทียบกับในอดีต (positive) risk premia เป็นสิ่งที่ขัดแย้งกันใช่ไหม? ดังนั้นนอกจากอัตราส่วน Sharpe ที่ดีแล้วแบบจำลองจะต้องสามารถอธิบายความแตกต่างของผลตอบแทนผ่านความแตกต่างของความเสี่ยงต่อปัจจัยที่เป็นระบบ$F_t$. ฉันทำตามบทความนี้และประเมินน้ำหนักผลงานผ่านโครงข่ายประสาทเทียม$\omega_{t,i}$ สำหรับพอร์ตโฟลิโอสัมผัสโดยนัย $F_{t+1}=\sum_{i=1}^{N_t}\omega_{t,i}R_{t+1,i}$, ที่ไหน $\omega_{t,i}$คือผลลัพธ์ของระบบ NN betas I estiamte ไม่ได้ผ่านการถดถอยเชิงเส้น แต่ใช้ NN อื่นและเป็นสัดส่วนเท่านั้น ด้วยวิธีนี้ฉัน (และผู้เขียนต้นฉบับ) สามารถหลีกเลี่ยงการประมาณเมทริกซ์ความแปรปรวนร่วมสำหรับหุ้นหลายพันตัวทุกเดือน ซึ่งหมายความว่าสำหรับหุ้นทุกตัวฉันจะได้รับเบต้าโดยประมาณซึ่งควรเป็นสัดส่วนกับเบต้าที่แท้จริง เนื่องจากฉันได้รับสิ่งนี้สำหรับหุ้นทั้งหมดฉันจึงสามารถคำนวณเบต้าถัวเฉลี่ยถ่วงน้ำหนักสำหรับ$F_{t}$ให้น้ำหนักด้านบน นี้$\beta^F_{t}$ จะไม่เป็น 1 ดังนั้นฉันต้องปรับขนาด betas หุ้นเดี่ยวทั้งหมดในหน้าตัดนั้นด้วย 1 /$\beta^F_t$เช่นนั้นในที่สุด $\beta^F_t=1$. จากนั้นฉันจัดเรียงหุ้นแบบตัดขวางเป็นเดซิลตามเบต้าและชั่งน้ำหนักในพอร์ตการลงทุนเหล่านี้เท่า ๆ กัน ทุกเดือนจะได้รับการประเมินในเดือนถัดไป สุดท้ายสำหรับ SML ฉันคำนวณผลตอบแทนส่วนเกินเฉลี่ยและค่าเฉลี่ยเบตาสำหรับ porftolios เหล่านี้ทั้งหมดในช่วงทดสอบและดำเนินการตามนี้ข้างต้น
คำตอบ
มีหลายสิ่งให้เลือกที่นี่ แต่ที่จะเริ่ม:
(1) ระยะเวลาในการถือครองสองกลยุทธ์ของคุณ? Sharpe ที่ 2.8 ค่อนข้างสูง (เช่นเดไซล์สูงสุด +) สำหรับการซื้อระยะยาวและถือกลยุทธ์หุ้นความถี่กลางถึงต่ำ แม้. 9 จะอยู่ในระดับสูงสำหรับดัชนีในวงกว้างของสหรัฐฯ
(2) การใช้ 70-90 เป็นชุดการฝึกและ 95- ปัจจุบันเป็นชุดตัวอย่างที่ไม่ได้มาตรฐานดูเหมือนจะเป็นประเด็นสำคัญสำหรับประเด็นที่เกี่ยวข้องกับการเปลี่ยนแปลงระบอบการปกครอง ฉันไม่สามารถนึกถึงการตัดออก (เช่นปี 1995) ให้สอดคล้องกับการเปลี่ยนแปลงโดยทั่วไปในรูปแบบธุรกิจพื้นฐานโดยเฉพาะการเกิดขึ้นของเทคโนโลยีในฐานะตัวขับเคลื่อนหลักในตลาดหุ้นสหรัฐฯ
(3) เกี่ยวกับคำถามติดตามผลของคุณทำไมคุณถึง 'ตรวจสอบ SML' คุณทำให้เบต้าของคุณเป็นปกติในสินทรัพย์ได้อย่างไร? คุณกำลังสร้างผลงานที่ตามมาของคุณอย่างไร? คุณจะต้องให้รายละเอียดเพิ่มเติม