跳至正文
返回文库全部文档

用自适应因子选择解释低波动率异象

文章 arXiv papers · 作者: Robert A. Jarrow et al.
阅读原文

总结

本文从因子角度解释低波动率异象。研究应用自适应多因子模型，并使用组别可解释基选择算法估计，以识别与低波动率和高波动率组合相关的基资产。

报告的组合在因子载荷方面差异显著，因此作者认为，波动率与既有风险敞口相关，而非一种独立风险。他们将低波动率组合的超额表现归因于其因子敞口的均衡表现。论文还报告称，其自适应模型在样本内和样本外均优于 Fama-French 五因子模型。提供的说明没有具体说明数据、样本期、模型细节或表现指标，因此仅凭这段摘要无法评估这些说法。

核心观点

  • 本研究使用自适应多因子模型解释低波动率和高波动率组合收益。
  • 组别可解释基选择用于识别与这些组合相关的基资产。
  • 组合因子载荷不同，支持基于既有风险敞口的解释。
  • 作者报告称，该模型的样本内和样本外表现均优于 Fama-French 五因子模型。
  • 提供的说明未包含数据细节和表现指标。

标签

股票波动率因子投资投资组合构建
全文
# The Low-volatility Anomaly and the Adaptive Multi-Factor Model


# The Low-volatility Anomaly and the Adaptive Multi-Factor Model









The paper provides a new explanation of the low-volatility anomaly. We use the Adaptive Multi-Factor (AMF) model estimated by the Groupwise Interpretable Basis Selection (GIBS) algorithm to find those basis assets significantly related to low and high volatility portfolios. These two portfolios load on very different factors, indicating that volatility is not an independent risk, but that it's related to existing risk factors. The out-performance of the low-volatility portfolio is due to the (equilibrium) performance of these loaded risk factors. The AMF model outperforms the Fama-French 5-factor model both in-sample and out-of-sample.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。