因子投資是什麼?
![](https://assets.matters.news/embed/43980576-ee55-45a5-ad2b-2f2622810feb.jpeg)
★☆☆☆☆
我是狂徒,歡迎來到「淺談因子投資」系列的第一篇。
各位讀者可以輕鬆點,我也不想放入太多概念。
雖然我在「淺談資產配置」系列和《輕鬆投資 充實生活》末段都提過因子投資,但是我一直都只是簡單介紹,因為我不樂見目標讀者混淆不同名詞。
現在,我們可以先從宏觀的角度,思考坊間投資知識的傳播狀況,以及因子投資的使用人群,然後再進入因子投資的分析領域。
「因子」的世界烽火連天,從誕生之初就挑戰了學術權威,在茁壯的同時也打破了許多業界習慣。
所以如果你是任何基本教義派,那麼最好遠離因子投資,否則你會很痛苦。
不過,如果你樂於推翻既有理論,也很享受知識更新的過程,那你來對地方了。
Aight now we are talking.
1. 因子投資到底是哪裡冒出來的?
技術分析發展超過300年,基本面分析在最近一世紀廣為人知。
現代投資組合理論接近70歲,而因子分析聞世不足30載。
嚴格來說,不是大家接收資訊太慢,而是台灣的的金融知識環境落後,比不上美國和中國,所以民眾才對因子感到陌生。
但事實上,哪怕你只有基礎的資產配置知識,也應該會聽過因子投資。
所以我認為,因子在國內非常不普及的原因之一,就在於作者和老師的知識不足,而且無利可圖。
知識不足,造成老師就算想講,也不知道從何下手。
無利可圖,讓有些知識份子,寧願默默賺錢,也不想對牛彈琴。
看到這裡,大家可能會有疑問。
「狂徒,既然沒有好處,那你為什麼喜歡談因子?」
簡單來說,因為我的寫作背景特殊。
我寫文章不為了招生或吸引信徒,單純是因為我覺得開心。
我甚至沒有要說服誰,因為「你負責正確,我負責賺錢。」
所以回到因子投資領域,我願意寫這種注定冷門的文章,動機和我寫衍生性金融商品的定價理論一樣。
或許對各位讀者而言,因子投資還是很新鮮的題目。
不過如果多討論和質疑,應該能很快的上手。
2. 因子是什麼意思?
因子就是「要素」,因子投資就是研究資產和投資體系的獲利原因。
所以,任何特徵或行為,都可以屬於因子投資。
量化投資裡的多因子模型,以及資產風格因子,都叫做因子投資,只不過兩者側重有所不同。
我曾看到PTT(論壇網站)上民眾針對因子投資的定義吵架,但我認為沒有意義。
事實上,我們描述的價值、品質、規模......等股票風格,屬於典型語意上的因子投資。
至於人們口中的情緒、周轉率、宏觀經濟或高頻因子,屬於多因子模型,也是廣義的因子投資範疇。
另一方面,有些作者採用因子定性描述,所以整體內容會比較像「選股」。
例如,在股債配置完成之後,將股票指數ETF換成某些因子ETF,希望達到設定目標。
與之相對的概念,就是利用因子的優勢,將資產進行「定量分析」,然後計算出結果。
舉個例子,我們可以依據自己的需求,在限定的因子暴露和風險之下,找出合理的配置比例。
大家應該也能猜到,我就是要從定量領域下手,畢竟因子投資真正的「精隨」在此。
由於投資者對因子投資中的「超額收益」來源有不同看法,所以我們還有一種區分方法。
第一種是最直觀的股票獲利歸因,也就是不斷把未知的Alpha轉化成已知的因子。
第二種是從整體資產層面下手,站在投資人的角度思考報酬和風險,將因子的精神拓展到架構優化層面。
日後,我只會提到風格因子,不會著重於多因子模型。
我會說到一些量化因子分析的手段,讓讀者能自己嘗試。
順序上,我會從Alpha的分析開始,但也不會放過資產組合優化的領域。
3. β 跑去哪裡了?
狹隘的說,因子投資領域中沒人在乎β,因為大家都在挖掘α.
但實際上,在資產層面也根本沒有標準的β可以用,我們還是躲不掉。
例如股票和債券都有方便的指數投資工具,但是配置資產的時候,並不會有所謂「大盤」,所以大家終究要承受α
可想而知,因子投資的精神在於不斷用β替代找出的α,然後企圖複製並應用。
然而,如果在一開始就直接放棄對β的系統化分析方法,那投資人也無法了解後續的步驟。
我曾經看過坊間老師將「波動」和β混淆,結果造成一堆信眾跟風。
一般而言,我並不在意這種程度的錯誤,但我還是寫了一篇〈Beta和波動〉,讓新手讀者有最基本的認識。
波動和β當然有關係,但既然要面對信眾,就不應該憑自己的臆測亂說。
舉個例子,我們要控制火災,可以灑水或拿滅火劑,或許混用兩者並不會造成災難,我也沒有意見。
但是如果我去餐廳要一杯溫水,結果有人拿一杯奇怪的粉末給我喝,還跟我說兩種東西都一樣......那我會讓他們家失火。
在Dcard(社群網站)上,曾經有商科的讀者朋友問我,「為什麼低β和低波動不能混為一談?」
同時她還告訴我,「以衍生金融商品與訂價推導的角度來看,β的確具有波動幅度的概念。」
我直接引用商科的知名書籍 Investments (我也寫過推薦),明確告訴她兩者的區別。
然而關於衍生品部分,我倒沒有得到答覆,或許她還在構思。
![](https://assets.matters.news/embed/44f67e75-e4f5-4654-9c34-8fff7b1ba97b.png)
暫時性的忽略掉β和定義,或許能快速入門因子投資。
可是我們學習新知,並不是要應付考試,而是要增加自己在市場上的競爭力。
因此,我十分鼓勵讀者拿出研究精神,思考因子投資和量化分析的脈絡。
4. 因子投資和現代金融理論有何關聯?
我先問各位,資本資產定價模型(CAPM)為什麼出名?
因為它「簡單」。
Markowitz推廣知名的方差均值優化法(MVO),並開創了現代投資組合理論。
具體而言,他利用臨界線算法(CLA)來執行「凸二次規劃求解」(convex quadratic programming)
雖然對我們來說,用Excel一下子就可以解決,可是在當時,計算和時間成本非常高昂,因此不斷有學者想要找出更快速的解法。
Sharpe受到Markowitz影響,逐漸發展出CAPM,也就是使用「線性組合」來描述資產價格,大幅降低運算難度。
簡單來說,本來要用電腦才能解出來的價格模型,現在我們可以心算解決。
![](https://assets.matters.news/embed/14397b58-4aae-4aa2-82c5-1a3f7a546485.png)
這是Sharpe在1964的文章,雖然當時他的理論尚未發展完全,但是我們可以看出CAPM和β的雛形。
同時,β的定義和它來自線性組合的血緣,影響後人對於資產定價的看法。
事實上,我就是參考這篇原型文獻,在自己的文章中放入β的簡易證明。
我們利用CAPM,可以在分析一間公司股票的波動和收益後,倒推出它的β,以及剩餘的殘差。
而因子投資者在研究的,就是這組模型無法用β解釋的部分。
現在,回到波動和β,如果真的有老師把兩者混淆,又會發生什麼事情呢?
最明顯的,他應該無法接受CAPM,因為波動無法解釋波動本身。
再來,他會發現因子投資很困難,因為除了β本身以外,模型又多了不同因子,以及殘差。
更慘的是,把共變異數(Cov)和變異數(Var)的商,當成變異數本身,那麼他也不可能了解標準差(Std)和相關係數(Corr)。
我順便預告,由於殘差直接被無視,所以標準誤(SE)也會成為無意義的名詞。
他不但無法完成因子分析中的線性回歸和挖掘,也吸收不了時序分析中的異質變異數 (Heteroscedasticity)和自回歸條件異質變異數模型(ARCH).
簡短的說,因子投資的名詞不複雜,可是背後的理論發展卻涉及多領域的串聯。
現在,我們可以多花30秒了解基礎概念,再逐步累積知識。
為了求速成而囫圇吞棗,最終應用在實際投資層面時,只會需要花更多時間彌補,甚至根本無法理解。
5. 純新手想了解因子投資,怎麼辦?
像前面提到的,因子投資由CAPM的線性組合定價演變而來,所以並不會涉及到多深的數學。
如果妳聽過標準差、相關係數、共變異數等名詞,那麼在了解因子投資的分析工具時,應該不會覺得太陌生。
我估計常見的因子投資內容,應該有30%能讓各位無縫接軌。
萬一,因為某種機緣,你全部看不懂但一路讀到這裡,那你可以先看我寫的〈因子投資〉,或是找一些機構寫的介紹文章。
Berkin等人寫的《因子投資》是一本非常親民的介紹書籍,William Bernstein的《智慧型資產配置》也提到部分因子的概念,而國內葉怡成教授發表的《研究室》系列(和paper)也值得參考。
當然,考量到整體吸收效率,我也推薦一本 Investments.
這是一本很適合散戶新手的書,講解投資組合和定價模型部分也很詳細。
真的遇到什麼奇怪的理論或概念時,發揮求知精神,找出知識源頭,然後親自驗證,就是最佳的學習管道。
最後,因子投資是個實戰性很強的領域,它從來就不是象牙塔理論。
從創立以來,因子投資學者不走傳統學院派的路子,而是結合業界和學界的概念,把各種異象和行為金融學的解釋都收歸麾下。
不管是不是支持有效市場假說(EMH),不管對於CAPM的批評有多強烈,這些人總在不斷的打破過去、挑戰彼此。
就算是純因子門派,學界有張櫓q⁵和Fama French 5之爭,業界也有AQR大戰Research Affiliates,辯論沒有停過。
因此,你可以選擇看書,了解各種研究成果和產品。
你也可以看我的因子投資系列,知道大家喜歡為什麼內容吵架。
妳還可以拿出紙、筆和電腦,透過實際演算,把知識轉化為市場競爭力。
我盡量確保內容正確,也隨時歡迎各位踢館指教。
如果讀者朋友有什麼疑問,也可以提出。
參考資料:
CAPITAL ASSET PRICES: A THEORY OF MARKET EQUILIBRIUM UNDER CONDITIONS OF RISK
狂徒書評 《因子投資》 金融界的分子料理(Vocus)
喜欢我的作品吗?别忘了给予支持与赞赏,让我知道在创作的路上有你陪伴,一起延续这份热忱!
![](https://imagedelivery.net/kDRCweMmqLnTPNlbum-pYA/prod/avatar/c4ee52c0-bc46-4d72-80aa-b8eaee4df23a.jpeg/public)
- 来自作者
- 相关推荐