欢迎来到多元实证方法与绩效持续性！

欢迎来到 CAIA Level II 方法与模型（Methods and Models）中最实用的章节之一。在评估另类投资经理人时，常会浮现两个根本问题：“究竟是哪些系统性与动态因子真正驱动了基金回报？”以及“优异的绩效是能够持续的，抑或纯粹只是运气与市场体系转变的结果？”

为了解答这些问题，分析师倚重多元实证工具：多因子回归、统计因子分解（例如主成分分析）、动态风险模型，以及绩效持续性的实证检验。


1. 多因子回归与回报分解

在简单线性模型中，资产的回报仅针对单一市场指数进行回归。多元回归（Multivariate regression）则扩展了此框架，同时评估对多个系统性因子的敏感度。

一般多因子模型设定如下：

\( R_{i,t} - R_{f,t} = \alpha_i + \beta_{i,1} F_{1,t} + \beta_{i,2} F_{2,t} + \dots + \beta_{i,K} F_{K,t} + \epsilon_{i,t} \)

其中：
• \( R_{i,t} - R_{f,t} \) 是资产或基金 \( i \) 在时间 \( t \) 的超额回报。
• \( \alpha_i \) (Alpha) 是截距，代表无法由各因子解释的异常回报。
• \( \beta_{i,k} \) 是因子载荷（Factor loading），即对因子 \( k \) 的敏感度。
• \( F_{k,t} \) 是因子 \( k \) 在时间 \( t \) 的回报。
• \( \epsilon_{i,t} \) 是特质误差项（均值为零的残差杂讯）。

关键诊断统计量

• t-统计量（t-statistic）与 p-值（p-value）： 评估因子载荷 \( \beta \) 或超额回报 \( \alpha \) 是否在统计上显著不为零。通常 \( |t| > 2 \) 代表在 5% 显著水平下具统计显著性（\( p < 0.05 \)）。
• 判定系数（\( R^2 \)）与调整后 \( R^2 \)： \( R^2 \) 衡量模型解释总回报变异的比例。调整后 \( R^2 \)（Adjusted \( R^2 \)）则对增加的每个自变量施加惩罚，以防止过度拟合（Overfitting）。
• 偏自相关（Partial Autocorrelation）： 衡量时间序列在时间 \( t \) 与时间 \( t-k \) 之间的相关性，并已控制所有介于中间的滞后期数（\( t-1, \dots, t-k+1 \)）的线性影响。这有助于识别基金回报中真实的序列自相关，而非低阶持续性所产生的假象。


2. 解释回报的多因子方法

实证模型将风险因子分为三大主要类别：

• 宏观经济因子（Macroeconomic Factors）： 可观察的经济状态变量，例如未预期通胀、期限利差变化、信用利差冲击以及工业生产增长。
• 基本面因子（Fundamental Factors）： 转换为因子投资组合的公司层面财务特征。著名例子包括法玛-法兰奇三因子模型（Fama-French Three-Factor Model）（市场、通过 SMB 衡量的规模，以及通过 HML 衡量的价值）和卡哈四因子模型（Carhart Four-Factor Model）（加入通过 UMD 衡量的动能）。
• 统计因子（Statistical Factors）： 直接从历史资产回报中提取的潜在因子，无需预先设定经济标签。


3. 统计因子与主成分分析（PCA）

当分析师不想预先指定宏观经济或基本面驱动因素时，他们会采用统计降维技术，其中最著名的就是主成分分析（Principal Component Analysis, PCA）。

PCA 的运作机制

PCA 将大量具相关性的资产回报转换为一组数量较少、互不相关的正交线性组合，称为主成分（Principal Components）（或统计因子）：

• 正交性（Orthogonality）： 每个主成分彼此垂直（不相关），从而消除了衍生因子之间的多重共线性（Multicollinearity）。
• 方差最大化（Variance Maximization）： 第一主成分（\( PC_1 \)）解释了回报序列中最大可能的方差。第二主成分（\( PC_2 \)）在与 \( PC_1 \) 正交的前提下，捕捉剩余方差中最大的一部分，依此类推。
• 特征向量与特征值（Eigenvectors and Eigenvalues）： 数学推导依赖于回报协方差（或相关系数）矩阵的谱分解（Spectral decomposition）。每个特征值代表其对应特征向量（因子载荷权重）所解释的总方差量。

实务应用： 在固定收益与另类投资组合中，前三个统计成分通常对应着直观的曲线变动：\( PC_1 \) 通常反映整体市场／水平位移（Level），\( PC_2 \) 反映斜率或倾斜（Slope/Tilt），而 \( PC_3 \) 则捕捉曲率或离散度（Curvature/Dispersion）。


4. 动态风险敞口与时变相关性模型

传统回归假设静态的因子敞口（恒定的 Beta）和稳定的相关性。然而，另类投资经理人（例如全球宏观、CTA 以及股票多空对冲基金）会积极轮动敞口、顺应市场体系择时，并动态调整杠杆。

建构动态敞口模型

• 滚动窗口回归（Rolling-Window Regressions）： 在滚动子期间（例如 24 或 36 个月）内估计回归，以揭示经理人对市场、信用或波动度因子的敏感度是否随时间波动。
• 条件／交互项（Contingent/Interaction Terms）： 纳入交互斜率虚拟变量，使因子载荷能够在不同市场环境下发生改变（例如上涨市场 vs. 下跌市场，或高波动 vs. 低波动体系）。
• 时变相关性模型（Changing-Correlation Models）： 在流动性紧缩与市场承压期间，资产相关性通常会急升逼近 1.0。动态条件相关（DCC）与体系转换（Regime-switching）模型能够捕捉随时间变化的协方差结构，防止风险管理者低估投资组合的尾部风险。


5. 基金绩效持续性的实证证据

绩效持续性（Performance Persistence）检验过去的优异（或劣后）表现是否能够按规律延续至后续的评估期间。

检验方法

1. 列联表（交叉积比率，Cross-Product Ratio）

经理人在第一期被分类为赢家（\( W \)）或输家（\( L \)），并在第二期对其进行追踪：

• \( WW \)：第一期赢家，第二期赢家（持续性）
• \( LL \)：第一期输家，第二期输家（持续性）
• \( WL \)：第一期赢家，第二期输家（反转）
• \( LW \)：第一期输家，第二期赢家（反转）

交叉积比率（Cross-Product Ratio, CPR）衡量相对持续性：

\( CPR = \frac{WW \times LL}{WL \times LW} \)

若 \( CPR > 1.0 \) 且具备统计显著的 Z-统计量或卡方检验（Chi-squared test），则显示存在绩效持续性。若 \( CPR = 1.0 \)，则过去的表现与未来的表现彼此独立。

2. 回归检验

横截面或面板回归（Panel regression）以第二期绩效对第一期绩效进行回归分析：

\( \text{Perf}_{i, t+1} = \alpha + \gamma \cdot \text{Perf}_{i, t} + \epsilon_{i, t+1} \)

若斜率系数 \( \gamma \) 为正且具统计显著性，则显示存在持续性。

跨资产类别的实证发现

• 私募股权（Private Equity）： 实证研究历来显示，由同一普通合伙人（GP）连续发起的并购与创业投资有限合伙基金之间存在持续性，这主要是由营运能力、独家项目来源（Proprietary deal flow）以及治理价值创造所驱动。
• 对冲基金（Hedge Funds）： 研究观察到短期持续性（在月度或季度时间跨度内），但长期持续性较弱，且通常是由持续的高收费、非流动性溢价或共同因子敞口所驱动，而非可持续的纯粹 Alpha。
• 共同基金（Mutual Funds）： 证据显示，表现落后的基金存在强烈的持续性（归因于持续的高费用率与交易拖累），但在控制了因子敞口与费用后，胜出基金之间的持续性非常有限。

影响持续性研究的偏差

实证研究结果必须针对数据库偏差进行调整：

• 幸存者偏差（Survivorship Bias）： 倒闭与清算的基金会从商业数据库中消失，人为推高了历史平均回报并扭曲了持续性指标。
• 回溯偏差（Backfill / Instant History Bias）： 新加入数据库的基金往往带有其过往成功的业绩记录，而表现不佳的基金则根本不会被纳入。
• 选择偏差（Selection Bias）： 只有具备吸引资本动机的经理人，才会选择主动呈报绩效数据。


总结检查清单

请确认你能自信地完成以下事项：
• 区分宏观经济、基本面与统计因子模型。
• 描述 PCA 的核心特征：正交成分、方差最大化以及特征值分解。
• 解释为何在评估对冲基金策略时，动态因子敞口与时变相关性至关重要。
• 解读列联表，计算交叉积比率（\( CPR \)），并识别私募股权与对冲基金的实证持续性模式。