作者kaijai10439 (长不大的死中二)
看板Foreign_Inv
标题[请益] 爱尔兰etf因子投资曝险？
时间Sat Apr 8 22:34:45 2023
前几天来版上询问闹笑话之後反省自己的心态问题
发觉症结点在自己功课作不够多
信仰不足所以难以忍受与大盘的追踪误差
也不了解对长期投资来说
10年回测结果也是近因偏误（美国or全球分散?)
但我还是习惯利用回测作为理解与加深信心的手段
所以最近一直回测发现几个问题想请教
第一 光是统合英美etf 做回测就有困难
大多数网站要不英股要不美股 etf
遑论第二 查询因子曝险这块
光是版上推jpgl 我不知从何查找因子曝险程度
我上etf官网也没有因子曝险相关图表
只有所持资产类别（工程、能源etc)与地区等等
只有美股能轻松查找因子曝险
第三
https://i.imgur.com/7OOYWe0.jpg
由以上图表 数字黑体代表有意义
但真的可以藉由数值大小比较曝险程度？
还是有需要考虑模型解释力R^2这块？
最後 有没有比较好的非美价值 动能etf ?
其实avdv 跟imom 也不错
但是因子曝险还是低於美国版
而且股息税大幅增加成本
问题很多 希望前辈帮忙解惑 感谢！
-----
Sent from JPTT on my iPhone
--
※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 27.52.42.95 (台湾)
※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Foreign_Inv/M.1680964487.A.3C8.html
※ 编辑: kaijai10439 (27.52.42.95 台湾), 04/08/2023 22:35:43
2F：→ daze: 不过这个网站是吃yahoo的报价资讯的。一来，yahoo的报价有时 04/08 23:05
3F：→ daze: 会出错。二来，通常建议用NAV跑回归会比用price跑回归的效果 04/08 23:06
4F：→ daze: 好。但至少这网站美股、英股都能吃，只要yahoo有提供报价。 04/08 23:06
5F：→ daze: 你也可以去ETF官网下载NAV的历史资料，整理成档案喂给这网站 04/08 23:08
6F：推 daze: 嗯，这网站的yahoo报价feed遇到某些问题，所以ticker功能目 04/08 23:16
7F：→ daze: 前是不能用的，但喂档案的功能似乎是好的。 04/08 23:16
8F：推 daze: 至於你的第三个问题...It's a good question. 04/08 23:28
9F：→ daze: 有一个基础的问题是，因子模型到底是predictive model，还是 04/08 23:30
10F：→ daze: explanatory model? 04/08 23:31
11F：→ daze: explanatory会比较重视有没有统计上显着，R^2比较不重要。 04/08 23:34
12F：→ daze: predictive则比较重视 R^2、AUC等等，p-value相对不重要。 04/08 23:35
13F：→ daze: 因子模型或许其实是试图用predictive modelling的方法论去做 04/08 23:40
14F：→ daze: explanatory model。而这背後可能会导致一些问题。 04/08 23:41
15F：→ daze: 当然，如果你相信因子模型既predictive又explanatory，那或 04/08 23:43
16F：→ daze: 许这一切都不是问题。但这就是看信仰了。 04/08 23:43
17F：→ kaijai10439: 感谢 不过我没统整资料的底子 可能只能等修好了 04/09 00:48
18F：→ kaijai10439: 另外 在学时只学过粗浅统计 每次发问又多了好多要学X 04/09 01:18
19F：→ kaijai10439: D 04/09 01:18
20F：推 daze: 举个例子来说，日本队韩国队打棒球经典赛，胜率如何? 你可以 04/09 10:19
21F：→ daze: 拿先发投手防御率、中心打线打击率等等资料建立explanatory 04/09 10:20
22F：→ daze: model，或者你可以说这些参数我都不需要，直接看赌盘赔率就 04/09 10:22
23F：→ daze: 可以得到一个 predictive model。 04/09 10:22
24F：→ daze: 只看赌盘赔率的model，预测准确度有可能还超过打击率的model 04/09 10:25
25F：→ daze: 但如果你是教练，想增加胜算，根据explanatory model临时换 04/09 10:27
26F：→ daze: 投手，也许是有用的。下重注改变赌盘赔率，很可能是没有用的 04/09 10:28
27F：→ kaijai10439: 可在实务面上只有选与不选 及配置比例高低问题 那是 04/09 13:41
28F：→ kaijai10439: 否可以这样理解 因子曝险较高者理论上会有较高溢酬 04/09 13:41
29F：→ kaijai10439: 但只要曝险有统计差异 R^2越高理论上胜率会越高 当然 04/09 13:41
30F：→ kaijai10439: 最後还是回归机率问题 04/09 13:41
31F：推 vincent1700: 这些是风险因子，溢酬越高代表风险越高，提升投资效 04/09 17:45
32F：→ vincent1700: 率要看alpha 04/09 17:45
33F：推 daze: Fama-French factors是否代表风险，目前没有定论。即使代表 04/09 17:58
34F：→ daze: 风险，也是对市场的representative trader有风险，对个人则 04/09 18:00
35F：→ daze: 不见得是风险(但对个人的风险高或低，其实很难证明) 04/09 18:01
36F：→ vincent1700: 这些因子都在解释return的variance，在学术跟实务上 04/09 18:27
37F：→ vincent1700: 的定义就是风险 04/09 18:27
38F：推 jdes973241: 我也好奇第三个问题，根据清流君的说法QVAL是比AVUV更 04/09 18:33
39F：→ jdes973241: 集中曝险（价值因子），但跑那个网站的回测，AVUV在价 04/09 18:33
40F：→ jdes973241: 值因子的曝险系数都大於QVAL，所以就很困惑如果要追求 04/09 18:33
41F：→ jdes973241: 更高的价值因子曝险到底要相信AA的方法论还是网站的曝 04/09 18:33
42F：→ jdes973241: 险系数 04/09 18:33
43F：推 daze: 风险是取决於投资者自身，而不是产品本身的固有属性。对於明 04/09 18:38
44F：→ daze: 天要用钱的人，10年公债是高风险产品。对於10年後才要用钱的 04/09 18:39
45F：→ daze: 人，10年公债是无风险产品。10年公债的短期variance对10年後 04/09 18:40
46F：→ daze: 才要用钱的人并不是风险。 04/09 18:41
47F：→ daze: 但term factor大概也是最容易说明这个概念的factor了。理论 04/09 18:41
48F：→ daze: 上，虽然也可能存在某些人，对他们来说value factor是零风险 04/09 18:42
49F：→ vincent1700: Duration risk当然也是风险，但讲报酬率模型的时候 04/09 18:44
50F：→ vincent1700: ，variance就是所谓的风险 04/09 18:44
51F：→ daze: 的，但是到底是哪些人会有这个属性，却是很难回答的问题。 04/09 18:44
52F：→ vincent1700: 这在学术上是被公认的，FF(1993)的论文名称就叫comm 04/09 18:46
53F：→ vincent1700: on risk factors in the return on stocks and bond 04/09 18:46
54F：→ vincent1700: s 04/09 18:46
55F：推 daze: Fama自己应该是相信是risk factors。Behavior派的就不见得。 04/09 18:48
56F：→ daze: variance是risk的一种proxy，且在很多模型中或许good enough 04/09 18:50
57F：→ vincent1700: 我不觉得定义的问题是派别问题啦… 04/09 18:52
58F：→ daze: 大家喜欢用variance的一个可能理由是在数学上相对tractable 04/09 18:52
59F：→ vincent1700: 这个模型不是很明显就是在讲return的variance被什麽 04/09 18:55
60F：→ vincent1700: 解释吗？除非这不是用复回归跑的 04/09 18:55
61F：推 daze: 就我的理解，FF模型是想解释return，不是解释variance。 04/09 19:14
62F：→ vincent1700: 那你可以看一下R^2怎麽算的 04/09 19:52
63F：→ kaijai10439: 指数投资人不讨论alpha 啊 就算因子投资 也是相信因 04/09 20:02
64F：→ kaijai10439: 子是beta 04/09 20:02
65F：→ kaijai10439: 还是我又搞错了什麽? 04/09 20:07
66F：推 daze: R^2是衡量residual大小的一种方式。 04/09 20:13
67F：→ vincent1700: 因子投资花这麽多心思不就是为了追求alpha吗？不然 04/09 21:39
68F：→ vincent1700: 就在指数投资的基准上做leveage放大风险就好了 04/09 21:39
69F：→ vincent1700: daze大请问你认真的吗？ 04/09 21:40
70F：推 daze: 关於因子投资的一种看法是 FF factor是ICAPM的good enough 04/09 22:19
71F：→ daze: proxy，投资者可以根据自己的state variable来决定load up哪 04/09 22:20
72F：→ daze: 些factors。某些人适合load up value，另一些人也许适合load 04/09 22:20
73F：→ daze: up growth。但这个看法有一些难以证明而只能靠信仰的部分。 04/09 22:22
74F：→ daze: 当然，主要目的是追求alpha的人，应该也是不少啦。 04/09 22:24
75F：→ vincent1700: 你要提高投资效率就是隐含在追求alpha，不然就被动 04/09 22:28
76F：→ vincent1700: 投资市值加权基金，看你能承受的风险去调杠杆比率， 04/09 22:28
77F：→ vincent1700: 我这样解释已经够直白了吧？ 04/09 22:28
78F：→ vincent1700: 延伸到财务理论就是追求更准确的CAPM模型没错，你用 04/09 22:31
79F：→ vincent1700: 更准的模型可以更准确判断该资产是被高估还是低估， 04/09 22:31
80F：→ vincent1700: 此处所谓高估跟低估就是所谓的alpha 04/09 22:31
81F：推 daze: 在单变数线性回归，R^2是比较回归线的residual平方，比起算 04/09 22:36
82F：→ daze: 数平均值作为预测值，residual可以减少多少。 04/09 22:37
83F：→ daze: 进一步可以推广到多变数线性回归，或者其他非线性回归。 04/09 22:38
84F：推 daze: ICAPM是指Intertemporal Capital Asset Pricing Model，是为 04/09 22:40
85F：→ daze: 了引入multiple period的一个模型。 04/09 22:41
86F：推 daze: 关於为什麽要用因子投资而不是直接增加market factor的杠杆 04/09 22:50
87F：→ daze: ，一个可能的讲法是，某些人的个人状态可能适合load up某些 04/09 22:52
88F：→ daze: 因子，会比load up market factor更能够增加他的utility。通 04/09 22:53
89F：→ daze: 常举的例子是，某些人力资本有大量growth曝险的人(比如科技 04/09 22:54
90F：→ daze: 业)，也许可以考虑load up value factor，来部分抵销他的人 04/09 22:55
91F：→ daze: 力资本的曝险。虽然这个例子到底合不合理也是debatable的。 04/09 22:57
92F：推 daze: 如果CAPM成立，market portfolio就是tangent portfolio，想 04/09 23:00
93F：→ daze: 要调整风险的人，只要调整杠杆倍率即可。但在multifactor的 04/09 23:03
94F：→ daze: 世界，market portfolio不再是tangent portfolio，直接增减 04/09 23:04
95F：→ daze: 杠杆倍率，就不见得是最佳的选择了。 04/09 23:04
97F：→ vincent1700: 我没有说一定在tangent point上呀，但符合mean vari 04/09 23:42
98F：→ vincent1700: ance criteria，本来现实世界随着风险上升投资效率 04/09 23:42
99F：→ vincent1700: 会递减，惟台指期是少数例外。顺道一提的是，有没有 04/09 23:42
100F：→ vincent1700: 发现这边的variance是什麽？ 04/09 23:42
101F：推 daze: 我猜猜看你想要表达什麽。以算数平均值作为预测值，residual 04/10 00:24
102F：→ daze: 的平方会恰等於Y的variance。采用其他预测，则会得到不同的 04/10 00:27
103F：→ daze: residual。若其他的预测fit的比较好，就可以"explain away" 04/10 00:28
104F：→ daze: variance。但说这是在解释variance，其实有点微妙。 04/10 00:30
105F：→ daze: 考虑一组data:(-2,-2),(-1,-1),(0,0),(1,1),(2,2)。 04/10 00:31
106F：→ daze: 以Y=0作为预测值，residual的平方是4+1+0+1+4=10 04/10 00:32
107F：→ daze: 以Y=X为预测值，residual平方是 0，R^2=1。 Y=X这条预测线， 04/10 00:35
108F：→ daze: "解释"了所有以Y=0作为预测值的residual。 04/10 00:42
109F：→ daze: 如果改以Y=0.5X为预测值，residual平方是2.5，R^2=0.75，"解 04/10 00:43
110F：→ daze: 释"了75%的，以Y=0作为预测值的residual sum of squares。 04/10 00:45
111F：→ vincent1700: Variance就是risk的proxy，有很难懂吗 04/10 00:47
112F：→ vincent1700: 我知道d大您懂很多，但不能每次我在说A你就提B呀， 04/10 00:52
113F：→ vincent1700: 这样很难讨论 04/10 00:52
114F：推 daze: 我同意很多模型会用Variance当作risk的proxy啊。 04/10 00:55
115F：→ vincent1700: 这里的efficient frontiers里面的x轴就是expected r 04/10 00:56
116F：→ vincent1700: eturn的variance，也就是风险 04/10 00:56
117F：→ vincent1700: 学术跟实务上都是用variance当作return 的风险，我 04/10 00:57
118F：→ vincent1700: 想不到有什麽例外？ 04/10 00:57
119F：→ daze: 我想想...你对R^2的想法，大概是基於假设factor是orthogonal 04/10 00:58
120F：→ daze: 的normal distribution的和，且没有残差。如此一来，不同因 04/10 00:59
121F：→ daze: 子的variance可以直接相加，并直接得到return的variance。 04/10 01:00
122F：→ daze: 但这个假设是个特例，大部分是不成立的。 04/10 01:02
123F：→ vincent1700: 您又过度解读了，所以这篇文不是用复回归？ 04/10 01:02
124F：→ daze: FF factor不是orthogomal的，所以variance不能直接相加。 04/10 01:03
125F：→ vincent1700: 请问我哪里有提到variance可以相加…？ 04/10 01:05
126F：→ daze: FF factor可能也不是normal distributed的。 04/10 01:05
127F：→ daze: well...那大概是我猜错了吧。 04/10 01:07
128F：→ vincent1700: 这里R^2=SSR/SST，直白就是解释多少比例return的var 04/10 01:07
129F：→ vincent1700: iance，用图来思考就是复回归的拟合程度 04/10 01:07
130F：→ vincent1700: 这个高中数学应该不用说这麽详细吧 04/10 01:08
131F：→ daze: 嗯，我们对R^2的理解似乎有很大的不同。我猜不出问题在哪。 04/10 01:09
132F：→ vincent1700: 背後的假设机率分配当然可以讨论，但完全不是本篇的 04/10 01:09
133F：→ vincent1700: 重点啊 04/10 01:09
134F：推 daze: 我们不要继续讲R^2好了。 04/10 01:11
135F：→ daze: 除了用 Variance 当作风险的proxy，有些模型会加入skewness 04/10 01:12
136F：→ daze: 等higher moment，作为风险的一部份。某些则会用 maximal 04/10 01:13
137F：→ daze: drawdown来作为风险的proxy。 04/10 01:14
138F：→ daze: 更进一步，这些proxy仍是基於认为风险是产品的固有属性，用 04/10 01:16
139F：→ daze: 来描述产品的特性。 04/10 01:19
140F：→ daze: CAPM的其中一个假设是投资者的utility只跟return与variance 04/10 01:21
141F：→ vincent1700: 你有没有发现你讲的都跟variance有关？ 04/10 01:22
142F：→ daze: 相关。後续衍生的很多模型也都继承了CAPM的这个假设。 04/10 01:23
143F：→ daze: skewness就不是基於variance。MDD也不是只基於variance哦。 04/10 01:26
144F：→ daze: 两个分布可以有相同的variance，但skewness比较负的，通常认 04/10 01:28
145F：→ daze: 为风险是比较高的。 04/10 01:28
146F：→ vincent1700: 你是要说SD SD^2 SD^3无关吗？Volatility就variance 04/10 01:31
147F：→ vincent1700: 开根号呀 04/10 01:31
148F：推 daze: 嗯...Skewness不是SD^3哦。 04/10 01:33
150F：→ vincent1700: 我还以为你不懂统计呢XDD 04/10 01:34
151F：→ vincent1700: 那你要说跟SD3的统计量无关吗？ 04/10 01:36
152F：推 daze: 不敢说多麽懂统计，但写论文还是要用的XDD 04/10 07:36
153F：→ daze: 透过适当的构造样本data，可在相同variance下得到非常不同的 04/10 07:38
154F：→ daze: skewness。可见两者不一定要相关。 04/10 07:39
155F：→ daze: 但重点是只靠variance不足以描述distribution。相同variance 04/10 07:49
156F：→ daze: 的distribution，可以有非常不同的风险程度。 04/10 07:50
157F：推 SweetLee: 问个问题 先说我不懂统计 我的问题是 如果价值因子跟市 04/10 08:24
158F：→ SweetLee: 场因子的相关性不是1的话 那市场加上价值的风险 不就应 04/10 08:24
159F：→ SweetLee: 该跟直接用市场开杠杆到同样大的结果会不一样吗？可是 04/10 08:24
160F：→ SweetLee: 这种想法好像不符合d大和v大前面讨论的说法？到底是我 04/10 08:24
161F：→ SweetLee: 哪里没搞懂？ 04/10 08:24
162F：→ vincent1700: skewness的最佳估计式就是跟三阶动差有关 04/10 09:33
164F：→ vincent1700: 回楼上，就算是市值加权组合，其variance也被系统性 04/10 09:44
165F：→ vincent1700: 风险(rm)跟价值因子(HML)所解释，而且就复回归模型 04/10 09:44
166F：→ vincent1700: 来说，全因子的R^2并不等於个别因子的相关系数相加 04/10 09:44
167F：→ vincent1700: 会用市值加权组合是假设使用杠杆後他的点会落在效率 04/10 10:11
168F：→ vincent1700: 前缘线上(alpha=0)，而强调价值因子的ETF不见得 04/10 10:11
169F：→ avigale: 你们说的每个字我都懂，可是合起来就不懂了，还好我只要 04/10 11:26
170F：→ avigale: 懂CMH就够了。 04/10 11:26
171F：推 slchao: 因子曝险程度，有论坛在分析，目前比较担心因子ETF总费用 04/10 16:42
172F：→ slchao: 率是否会特别高，台湾ETF每年都会公告，海外就比较难计算 04/10 16:42
173F：→ KooA: 不管是CAPM还是多因子都是在解释风险溢酬阿 怎麽会是 04/12 18:44
174F：→ KooA: variance 虾鸡巴乱讲== 04/12 18:44
175F：→ vincent1700: 你没有variance请问你怎麽算出风险溢酬跟R^2？ 04/13 14:26
176F：→ vincent1700: 解释风险溢酬回推到模型本身就是在解释variance啊 04/13 14:26
179F：→ vincent1700: 如果同学还有不懂的地方请洽Chatgpt 04/13 14:35
180F：推 daze: 我会建议不要问chatgpt。很多人对R^2的理解是不尽然正确的 04/13 14:57
181F：→ daze: ，chatgpt 汇总了这些data之後，未必能提供正确的见解。 04/13 14:57
182F：→ vincent1700: Just kidding, 但chatgpt的回馈也不差就是了 04/13 15:04
184F：→ vincent1700: 虽然答案不可能完美但也比一知半解好多了 04/13 15:14
185F：推 daze: 我会建议找个统计学的教授当面请教。我觉得恐怕很难在ptt上 04/13 15:18
186F：→ daze: 澄清我们理解上的差异。 04/13 15:18
187F：→ vincent1700: 您说R square的解释吗？上述理解就是从初统跟高统课 04/13 15:30
188F：→ vincent1700: 上学来的，可能我的教授没您厉害 04/13 15:30