歡迎來到多元實證方法與績效持續性！

歡迎來到 CAIA Level II 方法與模型（Methods and Models）中最實用的章節之一。在評估另類投資經理人時，常會浮現兩個根本問題：「究竟是哪些系統性與動態因子真正驅動了基金回報？」以及「優異的績效是能夠持續的，抑或純粹只是運氣與市場體系轉變的結果？」

為了解答這些問題，分析師倚重多元實證工具：多因子回歸、統計因子分解（例如主成分分析）、動態風險模型，以及績效持續性的實證檢驗。


1. 多因子回歸與回報分解

在簡單線性模型中，資產的回報僅針對單一市場指數進行回歸。多元回歸（Multivariate regression）則擴展了此框架，同時評估對多個系統性因子的敏感度。

一般多因子模型設定如下：

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

其中：
• \( R_{i,t} - R_{f,t} \) 是資產或基金 \( i \) 在時間 \( t \) 的超額回報。
• \( \alpha_i \) (Alpha) 是截距，代表無法由各因子解釋的異常回報。
• \( \beta_{i,k} \) 是因子載荷（Factor loading），即對因子 \( k \) 的敏感度。
• \( F_{k,t} \) 是因子 \( k \) 在時間 \( t \) 的回報。
• \( \epsilon_{i,t} \) 是特質誤差項（均值為零的殘差雜訊）。

關鍵診斷統計量

• t-統計量（t-statistic）與 p-值（p-value）： 評估因子載荷 \( \beta \) 或超額回報 \( \alpha \) 是否在統計上顯著不為零。通常 \( |t| > 2 \) 代表在 5% 顯著水準下具統計顯著性（\( p < 0.05 \)）。
• 判定係數（\( R^2 \)）與調整後 \( R^2 \)： \( R^2 \) 衡量模型解釋總回報變異的比例。調整後 \( R^2 \)（Adjusted \( R^2 \)）則對增加的每個自變數施加懲罰，以防止過度擬合（Overfitting）。
• 偏自相關（Partial Autocorrelation）： 衡量時間序列在時間 \( t \) 與時間 \( t-k \) 之間的相關性，並已控制所有介於中間的滯後期數（\( t-1, \dots, t-k+1 \)）的線性影響。這有助於識別基金回報中真實的序列自相關，而非低階持續性所產生的假象。


2. 解釋回報的多因子方法

實證模型將風險因子分為三大主要類別：

• 總體經濟因子（Macroeconomic Factors）： 可觀察的經濟狀態變數，例如未預期通脹、期限利差變化、信用利差衝擊以及工業生產增長。
• 基本面因子（Fundamental Factors）： 轉換為因子投資組合的公司層面財務特徵。著名例子包括法瑪-法蘭奇三因子模型（Fama-French Three-Factor Model）（市場、透過 SMB 衡量的規模，以及透過 HML 衡量的價值）和卡哈四因子模型（Carhart Four-Factor Model）（加入透過 UMD 衡量的動能）。
• 統計因子（Statistical Factors）： 直接從歷史資產回報中提取的潛在因子，無需預先設定經濟標籤。


3. 統計因子與主成分分析（PCA）

當分析師不想預先指定總體經濟或基本面驅動因素時，他們會採用統計降維技術，其中最著名的就是主成分分析（Principal Component Analysis, PCA）。

PCA 的運作機制

PCA 將大量具相關性的資產回報轉換為一組數量較少、互不相關的正交線性組合，稱為主成分（Principal Components）（或統計因子）：

• 正交性（Orthogonality）： 每個主成分彼此垂直（不相關），從而消除了衍生因子之間的多重共線性（Multicollinearity）。
• 方差最大化（Variance Maximization）： 第一主成分（\( PC_1 \)）解釋了回報序列中最大可能的方差。第二主成分（\( PC_2 \)）在與 \( PC_1 \) 正交的前提下，捕捉剩餘方差中最大的一部分，依此類推。
• 特徵向量與特徵值（Eigenvectors and Eigenvalues）： 數學推導依賴於回報協方差（或相關係數）矩陣的譜分解（Spectral decomposition）。每個特徵值代表其對應特徵向量（因子載荷權重）所解釋的總方差量。

實務應用： 在固定收益與另類投資組合中，前三個統計成分通常對應著直觀的曲線變動：\( PC_1 \) 通常反映整體市場／水準位移（Level），\( PC_2 \) 反映斜率或傾斜（Slope/Tilt），而 \( PC_3 \) 則捕捉曲率或離散度（Curvature/Dispersion）。


4. 動態風險敞口與時變相關性模型

傳統回歸假設靜態的因子敞口（恆定的 Beta）和穩定的相關性。然而，另類投資經理人（例如全球宏觀、CTA 以及股票多空對沖基金）會積極輪動敞口、順應市場體系擇時，並動態調整槓桿。

建構動態敞口模型

• 滾動窗口回歸（Rolling-Window Regressions）： 在滾動子期間（例如 24 或 36 個月）內估計回歸，以揭示經理人對市場、信用或波動度因子的敏感度是否隨時間波動。
• 條件／交互項（Contingent/Interaction Terms）： 納入交互斜率虛擬變數，使因子載荷能夠在不同市場環境下發生改變（例如上漲市場 vs. 下跌市場，或高波動 vs. 低波動體系）。
• 時變相關性模型（Changing-Correlation Models）： 在流動性緊縮與市場承壓期間，資產相關性通常會急升逼近 1.0。動態條件相關（DCC）與體系轉換（Regime-switching）模型能夠捕捉隨時間變化的協方差結構，防止風險管理者低估投資組合的尾部風險。


5. 基金績效持續性的實證證據

績效持續性（Performance Persistence）檢驗過去的優異（或劣後）表現是否能夠按規律延續至後續的評估期間。

檢驗方法

1. 列聯表（交叉積比率，Cross-Product Ratio）

經理人在第一期被分類為贏家（\( W \)）或輸家（\( L \)），並在第二期對其進行追蹤：

• \( WW \)：第一期贏家，第二期贏家（持續性）
• \( LL \)：第一期輸家，第二期輸家（持續性）
• \( WL \)：第一期贏家，第二期輸家（反轉）
• \( LW \)：第一期輸家，第二期贏家（反轉）

交叉積比率（Cross-Product Ratio, CPR）衡量相對持續性：

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

若 \( CPR > 1.0 \) 且具備統計顯著的 Z-統計量或卡方檢定（Chi-squared test），則顯示存在績效持續性。若 \( CPR = 1.0 \)，則過去的表現與未來的表現彼此獨立。

2. 回歸檢定

橫截面或面板回歸（Panel regression）以第二期績效對第一期績效進行回歸分析：

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

若斜率係數 \( \gamma \) 為正且具統計顯著性，則顯示存在持續性。

跨資產類別的實證發現

• 私募股權（Private Equity）： 實證研究歷來顯示，由同一普通合夥人（GP）連續發起的併購與創業投資有限合夥基金之間存在持續性，這主要是由營運能力、獨家項目來源（Proprietary deal flow）以及治理價值創造所驅動。
• 對沖基金（Hedge Funds）： 研究觀察到短期持續性（在月度或季度時間跨度內），但長期持續性較弱，且通常是由持續的高收費、非流動性溢價或共同因子敞口所驅動，而非可持續的純粹 Alpha。
• 共同基金（Mutual Funds）： 證據顯示，表現落後的基金存在強烈的持續性（歸因於持續的高費用率與交易拖累），但在控制了因子敞口與費用後，勝出基金之間的持續性非常有限。

影響持續性研究的偏差

實證研究結果必須針對資料庫偏差進行調整：

• 倖存者偏差（Survivorship Bias）： 倒閉與清算的基金會從商業資料庫中消失，人為推高了歷史平均回報並扭曲了持續性指標。
• 回溯偏差（Backfill / Instant History Bias）： 新加入資料庫的基金往往帶有其過往成功的業績記錄，而表現不佳的基金則根本不會被納入。
• 選擇偏差（Selection Bias）： 只有具備吸引資本動機的經理人，才會選擇主動呈報績效數據。


總結檢查清單

請確認你能自信地完成以下事項：
• 區分總體經濟、基本面與統計因子模型。
• 描述 PCA 的核心特徵：正交成分、方差最大化以及特徵值分解。
• 解釋為何在評估對沖基金策略時，動態因子敞口與時變相關性至關重要。
• 解讀列聯表，計算交叉積比率（\( CPR \)），並識別私募股權與對沖基金的實證持續性模式。