彭博投资组合分析工具月报 | 揭秘彭博MAC3全球股票风险模型（1） - 剖析中证800因子回报

彭博MAC3模型借助专业和新颖的研究，提供准确的风险预测，以履行风险管理职责，同时为高级投资组合构建方法（包括优化）提供可靠的工具。MAC3模型提供根据不同投资期校准的风险估测，合理考虑了回报的自相关性和风险的均值回归。该模型监测市场的风险状态，对条件变化迅速作出反应，但会根据模型期限调整反应速度。MAC3是历经多年深入研究的结晶，新模型包括多项方法论发展和模型创新，重点如下。

风险的期限结构。MAC3模型使用混频（MXF）估计，预测不同期限的风险。MXF方法结合了高频（日频）和低频（如周频、月频）观测的信息，对投资组合在不同期限的风险进行更精确的估计。每个模型提供六个不同的预测期限，分别是日频、周频、月频、季频、年频和长期。这些模型可用于不同的投资实践。例如，对于所关注期限相对较短的风险经理，日频或周频模型比较有吸引力。相比之下，月频、季频和年频模型通常更加吸引投资期限更长的投资组合经理。最后，长期模型面向制定资产战略配置决策的资产所有者。

每日更新模型。每日估计并更新MAC3模型的所有组成部分。这些模型成分包括：(a) 因子敞口，(b) 因子回报，(c) 因子协方差矩阵，(d) 特定风险预测。每日生成的流程可以确保模型反映金融市场的最新信息。

行业和国别beta因子。MAC3股票模型对某一行业/国别所有股票对相应因子具有相同单位敞口的简单假设进行了改进。我们明确认识到，某些股票比其他股票对行业和国别因子的变动更为敏感。我们使用时间序列回归来估计敏感度（beta）。我们发现，使用行业和国别beta可以增加模型的解释力，并同时减少特定回报和因子回报之间的伪相关。

改进和扩展的风格因子。MAC3股票模型包含一套共14种风格因子，而上一代模型（MAC2）为10种。MAC3对因子结构的一大改进是将MAC2的波动率因子拆分为两种风格因子：市场beta和残差波动率。这两种因子捕捉了不同的风险要素，并且均为具有高解释力的强风险因子。类似地，MAC2的价值因子在MAC3中也被拆分为两种因子：收益率和估值（基于一套价格乘数）。MAC3模型引入的另一个因子是中盘股因子，旨在捕捉这一市场板块的独特特征。最后一项改进是纳入长期逆转风格因子。

卫星国家因子。MAC3股票模型引入了“卫星”国家因子的概念。卫星国家股票对地区模型的所有因子存在敞口，但不被纳入计算因子回报的估计总体。换言之，卫星国家股票权重不为零的唯一因子投资组合即是卫星因子本身。该处理使模型拥有捕捉独特国别风险的专门因子，而不会破坏估计总体的完整性。

有限样本调整。传统构建因子模型方法的一个长期问题是，因子风险和特定风险没有被合理区分。具体而言，传统方法“重复计入”了因子投资组合的特定风险，导致对因子波动率的估计虚高，而对特定风险的估计偏低。这是估计总体股票数量有限的直接后果。在MAC3模型中，我们针对这一问题实施了创新的解决方案，从而更好地分离了因子风险与特定风险，从而使波动率预测更加准确。

横截面波动率调整。MAC3模型使用创新算法，快速发现不断变化的市场动态，并相应调整波动率预测。特别地，该算法使用横截面观测值，检测风险预测中的“即时”偏差。然后，这些信息被用于“反馈循环”，以调整预测波动率并减少偏差。这一方法大幅减少了发生金融危机时风险预测存在低估的情况，并使危机消退后的预测波动率快速下降。

新的特定风险模型。MAC3模型对特定风险预测作出了重大改进。与MAC3因子协方差矩阵类似，特定风险模型使用日回报观测值，预测不同期限的特定风险（也被称为非因子风险）。特定风险模型包含两个成分：基于已实现特定回报的时间序列估计，以及基于因子敞口的结构模型。该结构模型实现了对近期IPO（历史回报数据很少或者没有）股票特定风险的准确预测。

新的BICS行业分类。MAC3模型使用2020年正式推出的最新版彭博行业分类系统（BICS）。BICS系统使用层级结构，最高层级是11个板块（一级），接下来是20个行业组（二级）、59个行业（三级）和214个子行业（四级）。新的BICS结构作出更新，以更好反映全球股票市场的当前格局。

改进回归加权机制。传统的股票因子模型将市值平方根作为回归权重。但从计量经济学角度看，最优回归权重与剩余方差的倒数成正比，原因是这样能够将因子回报估计准确度最大化（即将噪声最小化）。MAC3股票模型使用方差的倒数作为回归权重。我们的实证分析发现，这些权重大大减轻了因子回报的噪声，并降低了因子回报与特定回报之间的伪相关。

填补算法。MAC3模型纳入了复杂的填补算法，以处理因子回报数据缺失的情况。由于历史数据短或国家节假日，可能出现因子回报缺失的情况。无论何种情况，都必须填充缺失的因子回报数据，才能合理估计因子协方差矩阵。

模型代码的独立验证。为将实施错误和代码缺陷的可能性最小化，我们在MAC3模型的开发过程中进行两轮双盲代码验证。第一轮是在项目的研究阶段。团队用两种不同的编程语言，开发两个版本的模型，对两版研究代码进行校对。方法是输入相同数据并迭代，直到两种模型输出完全相同的结果（以极高的精确度）。在第二轮，我们将研究代码与生产代码进行校验，该生产代码由独立的软件工程师团队用不同的编程语言编写。这一严格的验证流程虽然耗时冗长，但对于最高标准的模型实施至关重要。

对因子相关性作出稳健估计。MAC3模型采用先进方法估计因子相关性，与最初在2016年为推出MAC2模型所开发的方法相同。该方法确保可以将因子相关性估计值有效用于风险预测和投资组合优化。我们的研究表明，业界使用的传统方法往往会系统性低估因子相关性，可能导致风险预测存在严重偏差。

本期以中证800指数为例，使用PORT <GO>投资组合与风险分析工具构建指数画像，剖析年初表现。

指数业绩归因

在PORT 中加载中证800指数作为投组，使用中国A股模型基于因子分析。年初至2023年2月17号，中证800指数总回报4.76%，其中可以用因子解释的部分为4.23%。