軟問題
影響您思維的經驗或理論量化見解？
有哪些量化理論或經驗見解塑造了您的思維或為解釋回報和風險提供了更深層次的概念基礎？
大圖
- 時間序列變異數主要由貼現率驅動，而預期現金流量主導橫截面變異數。這些結果很重要，因為它們強調了關注股票價格和回報這兩個維度的價值：時間序列和橫截面。然而，另一方面，它們也表明單一機制無法解釋這兩種類型的變化。
- 成長型股票的現金流對受市場貼現率衝擊驅動的總股票價格的臨時變動特別敏感，而價值型股票的現金流對受總現金流沖擊驅動的永久性變動特別敏感。因此，具有市場貼現率（現金流）衝擊的成長型（價值型）股票的高貝塔值是由成長型和價值型公司的現金流基本面決定的。成長股不僅僅是“魅力股”，其係統性風險純粹由投資者情緒驅動。更一般地，具有相似會計特徵的個股的系統性風險主要由其基本面的系統性風險驅動。- 約翰坎貝爾
- “有你懂的beta，也有你不懂的beta。” ——約翰·科克倫
- 一般均衡論證。例如，系統性風險必須由整體承擔，因此阿爾法是一個零和遊戲。或者，不能將單個公司的“困境”視為風險因素。這種痛苦是特殊的，可以多樣化。只有普通投資者關心的匯總事件才會產生風險溢價。
- 傳統的線性資產定價模型暗示了正的和單調的風險回報關係（例如，Merton，1973）。相比之下，具有不同消費增長率的離散制度之間的變化可能導致增加、減少、平坦或非單調的風險回報關係，如 Backus 和 Gregory (1993)、Whitelaw (2000) 以及 Ang 和 Liu ( 2007）。跨制度轉換的可能性，即使這種情況相對很少發生，也會引發投資者想要對沖的一個重要的額外不確定性來源
- 最好將風險視為資產收益與投資者現金流量的共變異數，而不是資產收益與投資者環境無關的變異數
- 大多數回報和價格變化來自風險溢價的變化，而不是預期現金流或利率的變化
- 貝氏決策
- 不存在無條件風險溢價
技術訣竅
- 回報通常是尖峰態、左偏和非平穩的，並且表現出絕對回報的自相關。好的模型將反映市場的程式化經驗事實
- 時間序列回歸中的回歸係數可以解釋為投資組合權重或對沖比率
- 平方根規則（適用於縮放變異數）僅適用於復合收益不變的假設，即它們在時間上表現相同且獨立。夏普比率與水平的平方根成比例
- 優化器是誤差最大化器
- 在估計樣本外的 Beta 時，穩健回歸往往優於 OLS 或 LAD
- 神經網路可以模擬 DGP 的任何功能形式，但意味著對大量參數的估計，隨之而來的是過度擬合和失去預測能力的風險
- 要求殘差在因子模型中相互不相關且不相關與要求殘差是獨立同分佈的變數是不同的。前者是對模型的假設，後者是對不同樣本如何分佈的假設
- 樣本內顯著性測試沒有那麼有用…超時測試至關重要
- 如果您對數據進行足夠的折磨，他們會承認任何事情
- 有時值得接受偏差以降低變異數並提高泛化能力