作者kaijai10439 (長不大的死中二)
看板Foreign_Inv
標題[請益] 愛爾蘭etf因子投資曝險？
時間Sat Apr 8 22:34:45 2023
前幾天來版上詢問鬧笑話之後反省自己的心態問題
發覺癥結點在自己功課作不夠多
信仰不足所以難以忍受與大盤的追蹤誤差
也不了解對長期投資來說
10年回測結果也是近因偏誤（美國or全球分散?)
但我還是習慣利用回測作為理解與加深信心的手段
所以最近一直回測發現幾個問題想請教
第一 光是統合英美etf 做回測就有困難
大多數網站要不英股要不美股 etf
遑論第二 查詢因子曝險這塊
光是版上推jpgl 我不知從何查找因子曝險程度
我上etf官網也沒有因子曝險相關圖表
只有所持資產類別（工程、能源etc)與地區等等
只有美股能輕鬆查找因子曝險
第三
https://i.imgur.com/7OOYWe0.jpg
由以上圖表 數字黑體代表有意義
但真的可以藉由數值大小比較曝險程度？
還是有需要考慮模型解釋力R^2這塊？
最後 有沒有比較好的非美價值 動能etf ?
其實avdv 跟imom 也不錯
但是因子曝險還是低於美國版
而且股息稅大幅增加成本
問題很多 希望前輩幫忙解惑 感謝！
-----
Sent from JPTT on my iPhone
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 27.52.42.95 (臺灣)
※ 文章網址: https://webptt.com/m.aspx?n=bbs/Foreign_Inv/M.1680964487.A.3C8.html
※ 編輯: kaijai10439 (27.52.42.95 臺灣), 04/08/2023 22:35:43
2F：→ daze: 不過這個網站是吃yahoo的報價資訊的。一來，yahoo的報價有時 04/08 23:05
3F：→ daze: 會出錯。二來，通常建議用NAV跑回歸會比用price跑回歸的效果 04/08 23:06
4F：→ daze: 好。但至少這網站美股、英股都能吃，只要yahoo有提供報價。 04/08 23:06
5F：→ daze: 你也可以去ETF官網下載NAV的歷史資料，整理成檔案餵給這網站 04/08 23:08
6F：推 daze: 嗯，這網站的yahoo報價feed遇到某些問題，所以ticker功能目 04/08 23:16
7F：→ daze: 前是不能用的，但餵檔案的功能似乎是好的。 04/08 23:16
8F：推 daze: 至於你的第三個問題...It's a good question. 04/08 23:28
9F：→ daze: 有一個基礎的問題是，因子模型到底是predictive model，還是 04/08 23:30
10F：→ daze: explanatory model? 04/08 23:31
11F：→ daze: explanatory會比較重視有沒有統計上顯著，R^2比較不重要。 04/08 23:34
12F：→ daze: predictive則比較重視 R^2、AUC等等，p-value相對不重要。 04/08 23:35
13F：→ daze: 因子模型或許其實是試圖用predictive modelling的方法論去做 04/08 23:40
14F：→ daze: explanatory model。而這背後可能會導致一些問題。 04/08 23:41
15F：→ daze: 當然，如果你相信因子模型既predictive又explanatory，那或 04/08 23:43
16F：→ daze: 許這一切都不是問題。但這就是看信仰了。 04/08 23:43
17F：→ kaijai10439: 感謝 不過我沒統整資料的底子 可能只能等修好了 04/09 00:48
18F：→ kaijai10439: 另外 在學時只學過粗淺統計 每次發問又多了好多要學X 04/09 01:18
19F：→ kaijai10439: D 04/09 01:18
20F：推 daze: 舉個例子來說，日本隊韓國隊打棒球經典賽，勝率如何? 你可以 04/09 10:19
21F：→ daze: 拿先發投手防禦率、中心打線打擊率等等資料建立explanatory 04/09 10:20
22F：→ daze: model，或者你可以說這些參數我都不需要，直接看賭盤賠率就 04/09 10:22
23F：→ daze: 可以得到一個 predictive model。 04/09 10:22
24F：→ daze: 只看賭盤賠率的model，預測準確度有可能還超過打擊率的model 04/09 10:25
25F：→ daze: 但如果你是教練，想增加勝算，根據explanatory model臨時換 04/09 10:27
26F：→ daze: 投手，也許是有用的。下重注改變賭盤賠率，很可能是沒有用的 04/09 10:28
27F：→ kaijai10439: 可在實務面上只有選與不選 及配置比例高低問題 那是 04/09 13:41
28F：→ kaijai10439: 否可以這樣理解 因子曝險較高者理論上會有較高溢酬 04/09 13:41
29F：→ kaijai10439: 但只要曝險有統計差異 R^2越高理論上勝率會越高 當然 04/09 13:41
30F：→ kaijai10439: 最後還是回歸機率問題 04/09 13:41
31F：推 vincent1700: 這些是風險因子，溢酬越高代表風險越高，提升投資效 04/09 17:45
32F：→ vincent1700: 率要看alpha 04/09 17:45
33F：推 daze: Fama-French factors是否代表風險，目前沒有定論。即使代表 04/09 17:58
34F：→ daze: 風險，也是對市場的representative trader有風險，對個人則 04/09 18:00
35F：→ daze: 不見得是風險(但對個人的風險高或低，其實很難證明) 04/09 18:01
36F：→ vincent1700: 這些因子都在解釋return的variance，在學術跟實務上 04/09 18:27
37F：→ vincent1700: 的定義就是風險 04/09 18:27
38F：推 jdes973241: 我也好奇第三個問題，根據清流君的說法QVAL是比AVUV更 04/09 18:33
39F：→ jdes973241: 集中曝險（價值因子），但跑那個網站的回測，AVUV在價 04/09 18:33
40F：→ jdes973241: 值因子的曝險係數都大於QVAL，所以就很困惑如果要追求 04/09 18:33
41F：→ jdes973241: 更高的價值因子曝險到底要相信AA的方法論還是網站的曝 04/09 18:33
42F：→ jdes973241: 險係數 04/09 18:33
43F：推 daze: 風險是取決於投資者自身，而不是產品本身的固有屬性。對於明 04/09 18:38
44F：→ daze: 天要用錢的人，10年公債是高風險產品。對於10年後才要用錢的 04/09 18:39
45F：→ daze: 人，10年公債是無風險產品。10年公債的短期variance對10年後 04/09 18:40
46F：→ daze: 才要用錢的人並不是風險。 04/09 18:41
47F：→ daze: 但term factor大概也是最容易說明這個概念的factor了。理論 04/09 18:41
48F：→ daze: 上，雖然也可能存在某些人，對他們來說value factor是零風險 04/09 18:42
49F：→ vincent1700: Duration risk當然也是風險，但講報酬率模型的時候 04/09 18:44
50F：→ vincent1700: ，variance就是所謂的風險 04/09 18:44
51F：→ daze: 的，但是到底是哪些人會有這個屬性，卻是很難回答的問題。 04/09 18:44
52F：→ vincent1700: 這在學術上是被公認的，FF(1993)的論文名稱就叫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自己應該是相信是risk factors。Behavior派的就不見得。 04/09 18:48
56F：→ daze: variance是risk的一種proxy，且在很多模型中或許good enough 04/09 18:50
57F：→ vincent1700: 我不覺得定義的問題是派別問題啦… 04/09 18:52
58F：→ daze: 大家喜歡用variance的一個可能理由是在數學上相對tractable 04/09 18:52
59F：→ vincent1700: 這個模型不是很明顯就是在講return的variance被什麼 04/09 18:55
60F：→ vincent1700: 解釋嗎？除非這不是用複回歸跑的 04/09 18:55
61F：推 daze: 就我的理解，FF模型是想解釋return，不是解釋variance。 04/09 19:14
62F：→ vincent1700: 那你可以看一下R^2怎麼算的 04/09 19:52
63F：→ kaijai10439: 指數投資人不討論alpha 啊 就算因子投資 也是相信因 04/09 20:02
64F：→ kaijai10439: 子是beta 04/09 20:02
65F：→ kaijai10439: 還是我又搞錯了什麼? 04/09 20:07
66F：推 daze: R^2是衡量residual大小的一種方式。 04/09 20:13
67F：→ vincent1700: 因子投資花這麼多心思不就是為了追求alpha嗎？不然 04/09 21:39
68F：→ vincent1700: 就在指數投資的基準上做leveage放大風險就好了 04/09 21:39
69F：→ vincent1700: daze大請問你認真的嗎？ 04/09 21:40
70F：推 daze: 關於因子投資的一種看法是 FF factor是ICAPM的good enough 04/09 22:19
71F：→ daze: proxy，投資者可以根據自己的state variable來決定load up哪 04/09 22:20
72F：→ daze: 些factors。某些人適合load up value，另一些人也許適合load 04/09 22:20
73F：→ daze: up growth。但這個看法有一些難以證明而只能靠信仰的部分。 04/09 22:22
74F：→ daze: 當然，主要目的是追求alpha的人，應該也是不少啦。 04/09 22:24
75F：→ vincent1700: 你要提高投資效率就是隱含在追求alpha，不然就被動 04/09 22:28
76F：→ vincent1700: 投資市值加權基金，看你能承受的風險去調槓桿比率， 04/09 22:28
77F：→ vincent1700: 我這樣解釋已經夠直白了吧？ 04/09 22:28
78F：→ vincent1700: 延伸到財務理論就是追求更準確的CAPM模型沒錯，你用 04/09 22:31
79F：→ vincent1700: 更準的模型可以更準確判斷該資產是被高估還是低估， 04/09 22:31
80F：→ vincent1700: 此處所謂高估跟低估就是所謂的alpha 04/09 22:31
81F：推 daze: 在單變數線性回歸，R^2是比較回歸線的residual平方，比起算 04/09 22:36
82F：→ daze: 數平均值作為預測值，residual可以減少多少。 04/09 22:37
83F：→ daze: 進一步可以推廣到多變數線性回歸，或者其他非線性回歸。 04/09 22:38
84F：推 daze: ICAPM是指Intertemporal Capital Asset Pricing Model，是為 04/09 22:40
85F：→ daze: 了引入multiple period的一個模型。 04/09 22:41
86F：推 daze: 關於為什麼要用因子投資而不是直接增加market factor的槓桿 04/09 22:50
87F：→ daze: ，一個可能的講法是，某些人的個人狀態可能適合load up某些 04/09 22:52
88F：→ daze: 因子，會比load up market factor更能夠增加他的utility。通 04/09 22:53
89F：→ daze: 常舉的例子是，某些人力資本有大量growth曝險的人(比如科技 04/09 22:54
90F：→ daze: 業)，也許可以考慮load up value factor，來部分抵銷他的人 04/09 22:55
91F：→ daze: 力資本的曝險。雖然這個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: 要調整風險的人，只要調整槓桿倍率即可。但在multifactor的 04/09 23:03
94F：→ daze: 世界，market portfolio不再是tangent portfolio，直接增減 04/09 23:04
95F：→ daze: 槓桿倍率，就不見得是最佳的選擇了。 04/09 23:04
97F：→ vincent1700: 我沒有說一定在tangent point上呀，但符合mean vari 04/09 23:42
98F：→ vincent1700: ance criteria，本來現實世界隨著風險上升投資效率 04/09 23:42
99F：→ vincent1700: 會遞減，惟台指期是少數例外。順道一提的是，有沒有 04/09 23:42
100F：→ vincent1700: 發現這邊的variance是什麼？ 04/09 23:42
101F：推 daze: 我猜猜看你想要表達什麼。以算數平均值作為預測值，residual 04/10 00:24
102F：→ daze: 的平方會恰等於Y的variance。採用其他預測，則會得到不同的 04/10 00:27
103F：→ daze: residual。若其他的預測fit的比較好，就可以"explain away" 04/10 00:28
104F：→ daze: variance。但說這是在解釋variance，其實有點微妙。 04/10 00:30
105F：→ daze: 考慮一組data:(-2,-2),(-1,-1),(0,0),(1,1),(2,2)。 04/10 00:31
106F：→ daze: 以Y=0作為預測值，residual的平方是4+1+0+1+4=10 04/10 00:32
107F：→ daze: 以Y=X為預測值，residual平方是 0，R^2=1。 Y=X這條預測線， 04/10 00:35
108F：→ daze: "解釋"了所有以Y=0作為預測值的residual。 04/10 00:42
109F：→ daze: 如果改以Y=0.5X為預測值，residual平方是2.5，R^2=0.75，"解 04/10 00:43
110F：→ daze: 釋"了75%的，以Y=0作為預測值的residual sum of squares。 04/10 00:45
111F：→ vincent1700: Variance就是risk的proxy，有很難懂嗎 04/10 00:47
112F：→ vincent1700: 我知道d大您懂很多，但不能每次我在說A你就提B呀， 04/10 00:52
113F：→ vincent1700: 這樣很難討論 04/10 00:52
114F：推 daze: 我同意很多模型會用Variance當作risk的proxy啊。 04/10 00:55
115F：→ vincent1700: 這裡的efficient frontiers裡面的x軸就是expected r 04/10 00:56
116F：→ vincent1700: eturn的variance，也就是風險 04/10 00:56
117F：→ vincent1700: 學術跟實務上都是用variance當作return 的風險，我 04/10 00:57
118F：→ vincent1700: 想不到有什麼例外？ 04/10 00:57
119F：→ daze: 我想想...你對R^2的想法，大概是基於假設factor是orthogonal 04/10 00:58
120F：→ daze: 的normal distribution的和，且沒有殘差。如此一來，不同因 04/10 00:59
121F：→ daze: 子的variance可以直接相加，並直接得到return的variance。 04/10 01:00
122F：→ daze: 但這個假設是個特例，大部分是不成立的。 04/10 01:02
123F：→ vincent1700: 您又過度解讀了，所以這篇文不是用複回歸？ 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: 請問我哪裡有提到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...那大概是我猜錯了吧。 04/10 01:07
128F：→ vincent1700: 這裡R^2=SSR/SST，直白就是解釋多少比例return的var 04/10 01:07
129F：→ vincent1700: iance，用圖來思考就是複回歸的擬合程度 04/10 01:07
130F：→ vincent1700: 這個高中數學應該不用說這麼詳細吧 04/10 01:08
131F：→ daze: 嗯，我們對R^2的理解似乎有很大的不同。我猜不出問題在哪。 04/10 01:09
132F：→ vincent1700: 背後的假設機率分配當然可以討論，但完全不是本篇的 04/10 01:09
133F：→ vincent1700: 重點啊 04/10 01:09
134F：推 daze: 我們不要繼續講R^2好了。 04/10 01:11
135F：→ daze: 除了用 Variance 當作風險的proxy，有些模型會加入skewness 04/10 01:12
136F：→ daze: 等higher moment，作為風險的一部份。某些則會用 maximal 04/10 01:13
137F：→ daze: drawdown來作為風險的proxy。 04/10 01:14
138F：→ daze: 更進一步，這些proxy仍是基於認為風險是產品的固有屬性，用 04/10 01:16
139F：→ daze: 來描述產品的特性。 04/10 01:19
140F：→ daze: CAPM的其中一個假設是投資者的utility只跟return與variance 04/10 01:21
141F：→ vincent1700: 你有沒有發現你講的都跟variance有關？ 04/10 01:22
142F：→ daze: 相關。後續衍生的很多模型也都繼承了CAPM的這個假設。 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: 兩個分佈可以有相同的variance，但skewness比較負的，通常認 04/10 01:28
145F：→ daze: 為風險是比較高的。 04/10 01:28
146F：→ vincent1700: 你是要說SD SD^2 SD^3無關嗎？Volatility就variance 04/10 01:31
147F：→ vincent1700: 開根號呀 04/10 01:31
148F：推 daze: 嗯...Skewness不是SD^3哦。 04/10 01:33
150F：→ vincent1700: 我還以為你不懂統計呢XDD 04/10 01:34
151F：→ vincent1700: 那你要說跟SD3的統計量無關嗎？ 04/10 01:36
152F：推 daze: 不敢說多麼懂統計，但寫論文還是要用的XDD 04/10 07:36
153F：→ daze: 透過適當的構造樣本data，可在相同variance下得到非常不同的 04/10 07:38
154F：→ daze: skewness。可見兩者不一定要相關。 04/10 07:39
155F：→ daze: 但重點是只靠variance不足以描述distribution。相同variance 04/10 07:49
156F：→ daze: 的distribution，可以有非常不同的風險程度。 04/10 07:50
157F：推 SweetLee: 問個問題 先說我不懂統計 我的問題是 如果價值因子跟市 04/10 08:24
158F：→ SweetLee: 場因子的相關性不是1的話 那市場加上價值的風險 不就應 04/10 08:24
159F：→ SweetLee: 該跟直接用市場開槓桿到同樣大的結果會不一樣嗎？可是 04/10 08:24
160F：→ SweetLee: 這種想法好像不符合d大和v大前面討論的說法？到底是我 04/10 08:24
161F：→ SweetLee: 哪裡沒搞懂？ 04/10 08:24
162F：→ vincent1700: skewness的最佳估計式就是跟三階動差有關 04/10 09:33
164F：→ vincent1700: 回樓上，就算是市值加權組合，其variance也被系統性 04/10 09:44
165F：→ vincent1700: 風險(rm)跟價值因子(HML)所解釋，而且就複回歸模型 04/10 09:44
166F：→ vincent1700: 來說，全因子的R^2並不等於個別因子的相關係數相加 04/10 09:44
167F：→ vincent1700: 會用市值加權組合是假設使用槓桿後他的點會落在效率 04/10 10:11
168F：→ vincent1700: 前緣線上(alpha=0)，而強調價值因子的ETF不見得 04/10 10:11
169F：→ avigale: 你們說的每個字我都懂，可是合起來就不懂了，還好我只要 04/10 11:26
170F：→ avigale: 懂CMH就夠了。 04/10 11:26
171F：推 slchao: 因子曝險程度，有論壇在分析，目前比較擔心因子ETF總費用 04/10 16:42
172F：→ slchao: 率是否會特別高，台灣ETF每年都會公告，海外就比較難計算 04/10 16:42
173F：→ KooA: 不管是CAPM還是多因子都是在解釋風險溢酬阿 怎麼會是 04/12 18:44
174F：→ KooA: variance 蝦雞巴亂講== 04/12 18:44
175F：→ vincent1700: 你沒有variance請問你怎麼算出風險溢酬跟R^2？ 04/13 14:26
176F：→ vincent1700: 解釋風險溢酬回推到模型本身就是在解釋variance啊 04/13 14:26
179F：→ vincent1700: 如果同學還有不懂的地方請洽Chatgpt 04/13 14:35
180F：推 daze: 我會建議不要問chatgpt。很多人對R^2的理解是不盡然正確的 04/13 14:57
181F：→ daze: ，chatgpt 匯總了這些data之後，未必能提供正確的見解。 04/13 14:57
182F：→ vincent1700: Just kidding, 但chatgpt的回饋也不差就是了 04/13 15:04
184F：→ vincent1700: 雖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: 我會建議找個統計學的教授當面請教。我覺得恐怕很難在ptt上 04/13 15:18
186F：→ daze: 澄清我們理解上的差異。 04/13 15:18
187F：→ vincent1700: 您說R square的解釋嗎？上述理解就是從初統跟高統課 04/13 15:30
188F：→ vincent1700: 上學來的，可能我的教授沒您厲害 04/13 15:30