[請益] 愛爾蘭etf因子投資曝險？

daze04/08 23:03你可以試看看 https://f4ratk.web.app/

daze04/08 23:05不過這個網站是吃yahoo的報價資訊的。一來，yahoo的報價有時

daze04/08 23:06會出錯。二來，通常建議用NAV跑回歸會比用price跑回歸的效果

daze04/08 23:06好。但至少這網站美股、英股都能吃，只要yahoo有提供報價。

daze04/08 23:08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

daze04/08 23:16嗯，這網站的yahoo報價feed遇到某些問題，所以ticker功能目

daze04/08 23:16前是不能用的，但餵檔案的功能似乎是好的。

daze04/08 23:28至於你的第三個問題...It's a good question.

daze04/08 23:30有一個基礎的問題是，因子模型到底是predictive model，還是

daze04/08 23:31explanatory model?

daze04/08 23:34explanatory會比較重視有沒有統計上顯著，R^2比較不重要。

daze04/08 23:35predictive則比較重視 R^2、AUC等等，p-value相對不重要。

daze04/08 23:40因子模型或許其實是試圖用predictive modelling的方法論去做

daze04/08 23:41explanatory model。而這背後可能會導致一些問題。

daze04/08 23:43當然，如果你相信因子模型既predictive又explanatory，那或

daze04/08 23:43許這一切都不是問題。但這就是看信仰了。

kaijai1043904/09 00:48感謝 不過我沒統整資料的底子 可能只能等修好了

kaijai1043904/09 01:18另外 在學時只學過粗淺統計 每次發問又多了好多要學X

kaijai1043904/09 01:18D

daze04/09 10:19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

daze04/09 10:20拿先發投手防禦率、中心打線打擊率等等資料建立explanatory

daze04/09 10:22model，或者你可以說這些參數我都不需要，直接看賭盤賠率就

daze04/09 10:22可以得到一個 predictive model。

daze04/09 10:25只看賭盤賠率的model，預測準確度有可能還超過打擊率的model

daze04/09 10:27但如果你是教練，想增加勝算，根據explanatory model臨時換

daze04/09 10:28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

kaijai1043904/09 13:41可在實務面上只有選與不選 及配置比例高低問題 那是

kaijai1043904/09 13:41否可以這樣理解 因子曝險較高者理論上會有較高溢酬

kaijai1043904/09 13:41但只要曝險有統計差異 R^2越高理論上勝率會越高 當然

kaijai1043904/09 13:41 最後還是回歸機率問題

vincent170004/09 17:45這些是風險因子，溢酬越高代表風險越高，提升投資效

vincent170004/09 17:45率要看alpha

daze04/09 17:58Fama-French factors是否代表風險，目前沒有定論。即使代表

daze04/09 18:00風險，也是對市場的representative trader有風險，對個人則

daze04/09 18:01不見得是風險(但對個人的風險高或低，其實很難證明)

vincent170004/09 18:27這些因子都在解釋return的variance，在學術跟實務上

vincent170004/09 18:27的定義就是風險

jdes97324104/09 18:33我也好奇第三個問題，根據清流君的說法QVAL是比AVUV更

jdes97324104/09 18:33集中曝險（價值因子），但跑那個網站的回測，AVUV在價

jdes97324104/09 18:33值因子的曝險係數都大於QVAL，所以就很困惑如果要追求

jdes97324104/09 18:33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

jdes97324104/09 18:33險係數

daze04/09 18:38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

daze04/09 18:39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

daze04/09 18:40人，10年公債是無風險產品。10年公債的短期variance對10年後

daze04/09 18:41才要用錢的人並不是風險。

daze04/09 18:41但term factor大概也是最容易說明這個概念的factor了。理論

daze04/09 18:42上，雖然也可能存在某些人，對他們來說value factor是零風險

vincent170004/09 18:44Duration risk當然也是風險，但講報酬率模型的時候

vincent170004/09 18:44，variance就是所謂的風險

daze04/09 18:44的，但是到底是哪些人會有這個屬性，卻是很難回答的問題。

vincent170004/09 18:46這在學術上是被公認的，FF(1993)的論文名稱就叫comm

vincent170004/09 18:46on risk factors in the return on stocks and bond

vincent170004/09 18:46s

daze04/09 18:48Fama自己應該是相信是risk factors。Behavior派的就不見得。

daze04/09 18:50variance是risk的一種proxy，且在很多模型中或許good enough

vincent170004/09 18:52我不覺得定義的問題是派別問題啦…

daze04/09 18:52大家喜歡用variance的一個可能理由是在數學上相對tractable

vincent170004/09 18:55這個模型不是很明顯就是在講return的variance被什麼

vincent170004/09 18:55解釋嗎？除非這不是用複回歸跑的

daze04/09 19:14就我的理解，FF模型是想解釋return，不是解釋variance。

vincent170004/09 19:52那你可以看一下R^2怎麼算的

kaijai1043904/09 20:02指數投資人不討論alpha 啊 就算因子投資 也是相信因

kaijai1043904/09 20:02子是beta

kaijai1043904/09 20:07還是我又搞錯了什麼?

daze04/09 20:13R^2是衡量residual大小的一種方式。

vincent170004/09 21:39因子投資花這麼多心思不就是為了追求alpha嗎？不然

vincent170004/09 21:39就在指數投資的基準上做leveage放大風險就好了

vincent170004/09 21:40daze大請問你認真的嗎？

daze04/09 22:19關於因子投資的一種看法是 FF factor是ICAPM的good enough

daze04/09 22:20proxy，投資者可以根據自己的state variable來決定load up哪

daze04/09 22:20些factors。某些人適合load up value，另一些人也許適合load

daze04/09 22:22up growth。但這個看法有一些難以證明而只能靠信仰的部分。

daze04/09 22:24當然，主要目的是追求alpha的人，應該也是不少啦。

vincent170004/09 22:28你要提高投資效率就是隱含在追求alpha，不然就被動

vincent170004/09 22:28投資市值加權基金，看你能承受的風險去調槓桿比率，

vincent170004/09 22:28我這樣解釋已經夠直白了吧？

vincent170004/09 22:31延伸到財務理論就是追求更準確的CAPM模型沒錯，你用

vincent170004/09 22:31更準的模型可以更準確判斷該資產是被高估還是低估，

vincent170004/09 22:31此處所謂高估跟低估就是所謂的alpha

daze04/09 22:36在單變數線性回歸，R^2是比較回歸線的residual平方，比起算

daze04/09 22:37數平均值作為預測值，residual可以減少多少。

daze04/09 22:38進一步可以推廣到多變數線性回歸，或者其他非線性回歸。

daze04/09 22:40ICAPM是指Intertemporal Capital Asset Pricing Model，是為

daze04/09 22:41了引入multiple period的一個模型。

daze04/09 22:50關於為什麼要用因子投資而不是直接增加market factor的槓桿

daze04/09 22:52，一個可能的講法是，某些人的個人狀態可能適合load up某些

daze04/09 22:53因子，會比load up market factor更能夠增加他的utility。通

daze04/09 22:54常舉的例子是，某些人力資本有大量growth曝險的人(比如科技

daze04/09 22:55業)，也許可以考慮load up value factor，來部分抵銷他的人

daze04/09 22:57力資本的曝險。雖然這個例子到底合不合理也是debatable的。

daze04/09 23:00如果CAPM成立，market portfolio就是tangent portfolio，想

daze04/09 23:03要調整風險的人，只要調整槓桿倍率即可。但在multifactor的

daze04/09 23:04世界，market portfolio不再是tangent portfolio，直接增減

daze04/09 23:04槓桿倍率，就不見得是最佳的選擇了。

daze04/09 23:06 https://tinyurl.com/2p9d78d9

vincent170004/09 23:42我沒有說一定在tangent point上呀，但符合mean vari

vincent170004/09 23:42ance criteria，本來現實世界隨著風險上升投資效率

vincent170004/09 23:42會遞減，惟台指期是少數例外。順道一提的是，有沒有

vincent170004/09 23:42發現這邊的variance是什麼？

daze04/10 00:24我猜猜看你想要表達什麼。以算數平均值作為預測值，residual

daze04/10 00:27的平方會恰等於Y的variance。採用其他預測，則會得到不同的

daze04/10 00:28residual。若其他的預測fit的比較好，就可以"explain away"

daze04/10 00:30variance。但說這是在解釋variance，其實有點微妙。

daze04/10 00:31考慮一組data:(-2,-2),(-1,-1),(0,0),(1,1),(2,2)。

daze04/10 00:32以Y=0作為預測值，residual的平方是4+1+0+1+4=10

daze04/10 00:35以Y=X為預測值，residual平方是 0，R^2=1。 Y=X這條預測線，

daze04/10 00:42"解釋"了所有以Y=0作為預測值的residual。

daze04/10 00:43如果改以Y=0.5X為預測值，residual平方是2.5，R^2=0.75，"解

daze04/10 00:45釋"了75%的，以Y=0作為預測值的residual sum of squares。

vincent170004/10 00:47Variance就是risk的proxy，有很難懂嗎

vincent170004/10 00:52我知道d大您懂很多，但不能每次我在說A你就提B呀，

vincent170004/10 00:52這樣很難討論

daze04/10 00:55我同意很多模型會用Variance當作risk的proxy啊。

vincent170004/10 00:56這裡的efficient frontiers裡面的x軸就是expected r

vincent170004/10 00:56eturn的variance，也就是風險

vincent170004/10 00:57學術跟實務上都是用variance當作return 的風險，我

vincent170004/10 00:57想不到有什麼例外？

daze04/10 00:58我想想...你對R^2的想法，大概是基於假設factor是orthogonal

daze04/10 00:59的normal distribution的和，且沒有殘差。如此一來，不同因

daze04/10 01:00子的variance可以直接相加，並直接得到return的variance。

daze04/10 01:02但這個假設是個特例，大部分是不成立的。

vincent170004/10 01:02您又過度解讀了，所以這篇文不是用複回歸？

daze04/10 01:03FF factor不是orthogomal的，所以variance不能直接相加。

vincent170004/10 01:05請問我哪裡有提到variance可以相加…？

daze04/10 01:05FF factor可能也不是normal distributed的。

daze04/10 01:07well...那大概是我猜錯了吧。

vincent170004/10 01:07這裡R^2=SSR/SST，直白就是解釋多少比例return的var

vincent170004/10 01:07iance，用圖來思考就是複回歸的擬合程度

vincent170004/10 01:08這個高中數學應該不用說這麼詳細吧

daze04/10 01:09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。

vincent170004/10 01:09背後的假設機率分配當然可以討論，但完全不是本篇的

vincent170004/10 01:09重點啊

daze04/10 01:11我們不要繼續講R^2好了。

daze04/10 01:12除了用 Variance 當作風險的proxy，有些模型會加入skewness

daze04/10 01:13等higher moment，作為風險的一部份。某些則會用 maximal

daze04/10 01:14 drawdown來作為風險的proxy。

daze04/10 01:16更進一步，這些proxy仍是基於認為風險是產品的固有屬性，用

daze04/10 01:19來描述產品的特性。

daze04/10 01:21CAPM的其中一個假設是投資者的utility只跟return與variance

vincent170004/10 01:22你有沒有發現你講的都跟variance有關？

daze04/10 01:23相關。後續衍生的很多模型也都繼承了CAPM的這個假設。

daze04/10 01:26skewness就不是基於variance。MDD也不是只基於variance哦。

daze04/10 01:28兩個分佈可以有相同的variance，但skewness比較負的，通常認

daze04/10 01:28為風險是比較高的。

vincent170004/10 01:31你是要說SD SD^2 SD^3無關嗎？Volatility就variance

vincent170004/10 01:31開根號呀

daze04/10 01:33嗯...Skewness不是SD^3哦。

daze04/10 01:33 https://en.wikipedia.org/wiki/Skewness

vincent170004/10 01:34我還以為你不懂統計呢XDD

vincent170004/10 01:36那你要說跟SD3的統計量無關嗎？

daze04/10 07:36不敢說多麼懂統計，但寫論文還是要用的XDD

daze04/10 07:38透過適當的構造樣本data，可在相同variance下得到非常不同的

daze04/10 07:39skewness。可見兩者不一定要相關。

daze04/10 07:49但重點是只靠variance不足以描述distribution。相同variance

daze04/10 07:50的distribution，可以有非常不同的風險程度。

SweetLee04/10 08:24問個問題 先說我不懂統計 我的問題是 如果價值因子跟市

SweetLee04/10 08:24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

SweetLee04/10 08:24該跟直接用市場開槓桿到同樣大的結果會不一樣嗎？可是

SweetLee04/10 08:24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

SweetLee04/10 08:24哪裡沒搞懂？

vincent170004/10 09:33skewness的最佳估計式就是跟三階動差有關

vincent170004/10 09:34https://i.imgur.com/FroJAmz.png

vincent170004/10 09:44回樓上，就算是市值加權組合，其variance也被系統性

vincent170004/10 09:44風險(rm)跟價值因子(HML)所解釋，而且就複回歸模型

vincent170004/10 09:44來說，全因子的R^2並不等於個別因子的相關係數相加

vincent170004/10 10:11會用市值加權組合是假設使用槓桿後他的點會落在效率

vincent170004/10 10:11前緣線上(alpha=0)，而強調價值因子的ETF不見得

avigale04/10 11:26你們說的每個字我都懂，可是合起來就不懂了，還好我只要

avigale04/10 11:26懂CMH就夠了。

slchao04/10 16:42因子曝險程度，有論壇在分析，目前比較擔心因子ETF總費用

slchao04/10 16:42率是否會特別高，台灣ETF每年都會公告，海外就比較難計算