因子排序法

狂徒

2022 年 4 月 26 日

IPFS

哪種公司的股價上漲較快? 想知道答案，我們可以借用排序法來觀察。

★☆☆☆☆

有人說，大公司體質比較健康，也有壟斷性，所以股票常上漲。
也有人說，小公司通常股本小，能受到資金拉抬，價格容易往上衝。
究竟誰才正確，哪種公司的股價上漲較快?
想知道答案，我們可以借用排序法來觀察。

我找出台股市值前300大公司，以及它們的3年漲幅，並製成圖表。
在我眼中，雖然出現局部隨機的起伏，但是整體而言似乎有「規律」。

為了方便檢視，我進一步把60家公司分成一組，總共5組，再次製圖。這時候規律更明顯，市值高的組別同時也有高報酬。

利用同樣的方式，我們可以找出近10年/20年、前500大/1000大公司的表現，並檢視市值和報酬的關聯。
相似的，投資人也可以測試「殖利率和股價」、「成立時間和成交量」、「老闆幾歲和法人買進占比」....等各類條件。

我曾經寫過的〈殖利率Fetish〉，內容就來自殖利率因子和報酬的關聯。我認為殖利率因子無效(或是不存在)，但如果讀者持相反意見，一樣可以自行使用同樣的方式驗證。

可以這麼說，排序法的重點就在於規律。
我們把股票依條件排開，如果另一個特徵呈現隨機分布，那兩者大概沒什關聯。
相對的，要是結果像「市值-報酬」圖，我們可以合理懷疑，兩者存在某種規律。

排序的應用很廣泛，接下來讓我們進入因子領域，也就是因子排序。

1. 因子排序法

粗略的說，因子排序能幫助投資人檢驗和觀察因子的效力。

雖然排序法不是最佳的方法，但是門檻最低。
排序法能夠最大程度避免數學公式，包括定量分析中的相關性、標準誤、回歸等，對人類而言具有高效率。
因此在我的經驗中，即使投資人第一次接觸，也能知道排序法的精神。
白話文就是，因子有沒有效，一「看」就知道。

當然，在實戰的時候不可能這麼草率，我們會需要借助其它統計工具，讓因子的品質提升。
我畫了一張台股10年間Beta因子的排序圖，總量500家，乍看之下高Beta確實代表高收益。

然而僅憑因子排序圖，我不知道當時間窗口延伸到15/20年，這個條件會不會持續，而且圖中的分組和總量也是我「挑過」的數字。
因此，排序法只是一個好用方便的方法，而投資人遲早需要熟練其它武器。

2. 因子曝露和構建

因子(風格因子)的組成多半藉由多空交易完成，我們通常只需要把因子分成「小中大」3種或是「強弱」2種，然後選擇持有或賣空。
據我觀察，分組數量是主觀決定，市面上也有人分出5組，將因子曝露最強的20%資產扣掉最弱的20%.
大家想分成10組/20組/50組也可以，不過當分組太細，雜音會蓋過獲利規律，而且因子投射到資產(股票)池的時候，可能會造成標的太少，甚至從缺。

在此有人可能會好奇，怎麼連簡單的分組數量都能產生分歧?
這是因為，排序和分組，本身就是一個在效率和效能之間妥協的產物。
量化的因子分析不一定會採用排序法，有些框架是用線性回歸的方式，只不過這些方法都會涉及到統計和模型，本篇不談。

回到主題，假設現在有了目標因子，以市值因子為例，具體而言我該怎麼投資呢? 有兩個簡單的方式。
第一，我可以持有小市值股票。
第二，我也可以同時做多小市值和做空大市值。如果小市值是一個能獲利的因子，那我的因子策略就會有比較好的表現。

利用排序法做出因子投資組合，就是這麼親民，接下來我要補充兩個常見疑問。

3. 因子和資產的關係

有人覺得透過因子分組來找出股票，屬於「選股」，但我覺得兩者差異很大。

我沒有精確的定義來區分兩者，但因子投資大概也只有在構築步驟會涉及到選股。
推論上，依照某種條件把資產排序、分組，我們當然需要「選擇」。
可是，排序法的主要目標，是要讓投資人獲取因子，而不是持有某種資產(例如股票)。

簡單的說，如果你透過因子排序選出心儀股票，然後就長期持有，那比較接近選股。
如果妳只注重獲利的因子，而會依照篩選條件增減手中的持股，那大致屬於因子範疇。

另外一個疑問，可以輔助說明前者。
「因子和槓桿是什麼關係?」

多空和槓桿屬於同類概念，而因子也天生自帶槓桿。
或許股票池中根本沒有任何一支股票，具有夠純粹的因子原料，但是透過多空和槓桿，投資者有辦法得到放大的因子。
換個方式描述，投資人利用多空構建組合的過程，可以提取出超過資產本身的「因子濃度」。

此圖來自Alphaarchitect的一篇文章，大致描述投資組合加入價值和動量因子的表現，我們可以看到效率前緣的擴大。
效率前緣來自全市場股票，即使加入重複的股票也不可能造成曲線改變，因此，這剛好能說明因子投資和單純選股的不同之處。
順帶一提，如果把股票本身的多空槓桿限制也解除，效率前緣的圖會變得很狂妄，各位畫過一次就會意識到了。

4. 雙重排序法

再次回到主題，隨著時間進展，我們在單因子排序之外，也開始關心因子間的關聯，其中一個方法就是雙重排序。
我們先看1992 Fama等人的研究，他們把市淨率和市值兩個因子排序，並統計相應組別的平均月度收益。

各位看到什麼? 一堆數字。

我借用文內的資料，並畫出heat map.

或許各位能夠發現，從左到右或從上到下，股票的收益都呈現規律。
也就是說，市值和市淨率，在實驗時間內具有對於收益的解釋力。

在這裡需注意，Fama使用的是「獨立」排序，也就是一次排到位。
實際上，有另外一種「條件」排序，先控制一組變因，再取組內平均，然後換因子再試一次，最後會拿到兩組單獨排序圖。

「狂徒，有單獨排序也有雙重排序，那有沒有三重排序?」

5. 多重排序法

在三重或四重排序，投資人需要考慮到獨立或條件排序方式。
而且既然維度更高，所以大家會面對較多的資料和運算，脫離它原本簡約的特性。
理論上，你想要做十重因子排序也可以，只不過非常沒有計算效率。
因此，即使電腦可以輕鬆勝任多重排序，可是通常投資人不會把排序法應用到更高維度上。

注意我的說詞。
更高維度的因子分析和建構方式確實存在，也是整個因子投資框架的重點，但是排序法本身有極限，不適合處理相應的資料。
另外一點，傳統的風格因子投資和量化多因子、機器學習的特徵工程幾乎沒有交集，所以這裡說的「多重」或「高維」是指雙重以上，和常見語意的高維數據沒什麼關聯。
不過主觀而言，我認為排序法的維度和流行多因子模型有關，不超出六因子，因此不同廣義因子投資領域相安無事，井水不犯河水。

實務上，由於因子分析的精神就是重新拆分和融合，所以為了清楚評估各項重疊的因子風格，我們不太使用單獨排序，但三重排序又太複雜，因此「雙重」排序成為常見布局。

正常來說，我們用到多重排序法而不強調線性回歸，是希望在盡量不涉及數據統計的前提下，得出有意義的定性結論。
例如張櫓等人(2015)就曾經在寫q因子的時候，提到雙重/三重的因子構建，那是因為排序法有效避免曝露的計算。