【独家】The Barra China Equity Model (CNE5)中文翻译版系列一

来源:量化投资与机器学习

原标题：【独家】The Barra China Equity Model (CNE5)中文翻译版系列一

编辑部

微信公众号

关键字全网搜索最新排名

『量化投资』：排名第一

『量 化』：排名第一

『机器学习』：排名第四

我们会再接再厉

成为全网优质的金融、技术类公众号

新中国股票模型更好地捕捉到中国本土市场长短期趋势和变化，充分运用风险理论研究的最新成果，使机构投资者能够把风险模型完全融入到其投资过程之中。改进的新一代模型能够真实地捕获中国股票市场的最新状况，通过丰富的因子结构把握市场特征，并提供相比上一代模型更强的模型解释力。

公众号觉得有必要详细、系统的翻译介绍基于MSCI在这方面的文献报告。以便大家更好的了解掌握。我们不知晓有没有其他自媒体做过这件事情，但是我们想做好这件事。

我们尽最大可能表达原文所述，对于一些专业词汇，如有翻译错误，请在留言区提出，我们会进行更正。

量化投资与机器学习公众号

翻译部

模型介绍

1.1 模型亮点

这篇报告主要提供实证结果和分析通过新一代Barra中国股票模型（CNE5）。其中包括更全面的内容在模型整体结构、表现和因子的解释力上。 此外，这篇报告还对CNE5模型与之前的CHE2模型在预测精度方面进行了完善的比较。CNE5模型利用了与Barra US Equity Model（USE4）相同的方法。

简单来说，主要内容如下：

● 优化偏差调整旨在通过减少采样误差对因子协方差矩阵的影响来改善优化投资组合要素的风险预测

● 波动状态调整旨在根据当前市场水平校准因子波动率和具体的风险预测

● 引入市场因素，将行业影响与整体市场分开，并及时提供相关性预测

● 一个新的特定风险模型基于每日特定的资产水平回报

● 贝叶斯调整技术，以减少由于抽样误差导致的特定风险偏差

● 统一的响应针对因子和特定组成部分，为投资组合风险的来源提供更大的稳定性

● 通过双盲开发过程对生产代码进行独立验证，以确保研究代码和生产代码之间的一致性和可靠性

● 模型每日进行更新

CNE5模型包括：短期（CNE5S），长期（CNE5L）和每日（CNE5D）三个版本。这三个版本具有相同的因子暴露和因子回报，但其因子协方差矩阵和具体风险预测有所不同。 CNE5S模型旨在更加灵活，并在每月提供更准确的预测信息。 CNE5L模型旨在为长期投资者提供一定程度的准确性，以提高风险预测的稳定性。 CNE5D模型提供为期一天的风险预测为所有投资者。

模型亮点

2.1 优化偏差调节

经Muller(1993)实证检验，低估最优化结果的风险会导致风险模型的重大偏差。 近来，Shepard(2009)推导出一个偏差大小的分析结论，表明了预测的准确性会大幅下降当因子的数量增长超过用于估量协方差矩阵的时间段数。估测误差是导致这个偏差的主要原因。也就是说，虚假相关性会导致有些股票在样本内表现良好，样本外却不如人意。

识别投资组合上的一个重要创新在于抓取偏差并设计对应的程序在协方差矩阵内直接修正。Menchero, Wang, 以及 Orr (2011)表明，样本协方差矩阵中的特征因子偏差是系统性的。更具体地说，样本协方差矩阵趋向于低估低波动性因子的风险，又过度预估高波动性因子的风险。此外，减少特征因子的偏差有助于提升最优化结果的风险因素预测。

在CNE5模型的背景下，特征因子代表原始纯因子组合。这种组合是比较特殊的，因为它们互不相关。同时需要注意的是，特征因子的数量等同于模型内原始因子的数量。

如在USE4 中指出，我们通过特卡洛模拟方法估测特征因子的偏差，进而调整预测的波动率，修正这些偏差。这个步骤有助于在因素协方差矩阵中进行直接修正，又充分保留了纯因子的意义和直观性。

2.2 波动状态调整

另一个风险模型的偏差的原因在于随着时间的推移，波动率一直在变化，即非定常性是一个重要的特征。由于风险模型必须解析过去预测未来，因此出现了在波动率上升时期容易低估风险，而在波动率下降时高估风险的趋势。

CNE5另一个创新在于引进了波动机制调整以更好地预测因子的波动性。如在USE4中指出的波动价值调整有赖于横向统计偏差，即引入波动率状态调整（具有每日横截面波动率调整的功能），使得模型对于市场突发事件更为敏感。该方法于2011年推出并在Barra美国股票模型USE4中首先得到应用。