几十年来，在市场的资产配置策略中，跨境或行业投资组合倍受青睐。然而， 近年来，因子投资作为一种新兴方法迅速兴起。因子投资的理念是将投资组合分 散到潜在的特征风险因子中，这些因子在文献中往往用于解释或预测股票回报。 本研究的主要目的是调查基于因子的投资组合表现是否优于基于行业的投资组合。 此外，本文旨在探究因子择时能否创造超额价值，并检验动态因子投资策略是否 优于静态等权重基准。本文扩展了 Briere 和 Szafarz(2021)的早期研究，重点关 注可投资的因子和行业指数，并分析各种不同的样本外投资策略。 将单因子资本资产定价模型（Sharpe, 1964）拓展为多因子模型，在学术界 有着悠久的研究传统。在对套利定价理论（APT）进行了十年的深耕后，Chen 等 人（1986）提出了一种引入预设宏观经济变量的多因子模型。Fama 与 French （1993）则将多因子分析进一步延伸至特征因子领域，最初将系统性风险划分为 三大核心类别。这一框架为研究人员与投资者提供了更清晰的视角，用以区分资 本市场中各类风险的来源及对应的风险溢价。后续，Carhart（（1997）在该模型中 加入动量因子，将其扩展为四因子模型；Fama 与 French（2015, 2018）又在自 身模型中新增两个因子，形成五因子模型；若计入动量因子，则进一步扩展为六 因子模型。此外，学界还常使用其他因子，例如 股息因子（Fama & French, 1988, 1993）、流动性因子（Pástor & Stambaugh, 2003）、做空贝塔因子（Frazzini & Pedersen, 2014）以及 优质减劣质因子（Asness et al., 2017）等。
直到 Ang 等人(2010)发布了关于挪威政府养老基金的授权报告，因子才作为 一种资产类别正式进入资管领域。该分析表明，系统性风险因子可以解释主动管理基金回报的很大一部分。因此，资产管理不仅应使用因子来衡量基金绩效，还 应用其来构建投资组合。这项研究表明，资产配置策略应从传统的跨行业或跨国 家分散化转向基于因子的方法。随后，因子配置策略在投资组合经理中越来越受 欢迎(Amenc et al.2016)。 在本研究中，本文分析了不同的资产配置模型并比较了它们的投资组合绩效。 本文采用了可以通过交易所交易基金(ETF)的方式实现低成本投资因子和行业指 数。因为 Bessler 等人(2021)提供了近期证据表明行业配置优于跨境配置，本文 比较行业和因子配置，而不是比较跨境和因子配置。本文首先通过分析风险和回 报以及夏普比率，其次通过比较基于多因子回归的 Alpha 来衡量两种策略的投资 组合绩效。本文还分析了基于因子的优化投资组合是否比买入并持有因子投资产 生更高的回报和更高的多因子 Alpha。本文将整个时期分为几个情景，并比较每 个时期行业和因子绩效的时间变化。对于较长的投资期限，本文发现因子配置优 于行业配置。对于较短的时期，结果却不太一致。
Asness 等（2013）率先证实因子投资组合具备分散化潜力。他们通过研究 价值与动量特征的关联性，发现潜在因子之间普遍存在较强的负相关性。因此， 暴露于价值或动量特征的投资组合应该能分散化收益，从而大幅降低风险。这两 项研究报告进一步称，在不同的资产类别和市场中都存在可观的价值和动量溢价， 这表明相对于跨境或行业配置等经典的策略，基于因子的资产配置方法提供了更 高的分散化、回报和绩效潜力。 Kim 等人(2017)对因子配置这一主题进行了广泛的文献综述。他们得出以下 结论：尽管因子和资产之间存在模糊性，但在投资过程中纳入因子模型可能会改 善投资策略。 Bender 等人(2010)通过在投资组合配置过程中增加因子的数量，扩展了 Asness 等人(2013)的思路。他们的发现支持了这样一种观点，即在投资策略中结 合不同的因子，会产生优于传统资产配置方法的绩效。虽然不同因子的等权重组 合与传统的股票-债券组合产生的平均回报相似，但因子组合包含的风险要低得多 （不到传统股票-债券组合风险的三分之一），因此提供了更高的绩效（以夏普比 率衡量）。
在一项类似的研究中，Blitz(2011)使用四个不同因子（规模、价值、动量和低 波动）的多头部分作为投资组合的成分。当通过包含回报预测来扩展等权重优化组合时，结果证实，与经典配置策略相比，基于因子的配置策略提供了显著更高 的回报。 Hjalmarsson(2011)也通过在配置过程中增加额外的因子，扩展了 Asness 等 人(2013)的方法。七个或更多因子的等权重组合产生的夏普比率高于任何观察到 的单因子组合或 Asness 等人(2013)的双因子组合。这表明经典的分散化效应（随 着资产数量增加而降低风险）可能也适用于因子组合。 在另一项研究中，Melas 等人(2011)模拟了不同的基金策略和组织结构。通 过衡量基于因子的投资组合的绩效提升，作者总结认为，机构投资基金的关注点 应从主动资产配置转向不同系统性风险来源（如因子）之间的配置。因此，大型 投资组合的配置应主要关注 Beta，而较少关注 Alpha 管理，这与 Ang 等人(2010) 的观点是一样的。 事实上，Ang(2010)将因子与回报之间的相互作用描述为基础性的，类似于 “营养成分与食物”之间的关系。遵循这一概念，Ang 和 Kjaer(2012)认为，专业 投资组合管理应基于 Beta（（“营养成分”）来组织其配置策略，而不是求最最高 的 Alpha。因此，最佳策略包含跨因子的分散化方法。
Ilmanen 和 Kizer(2012)通过比较资产类别和动态因子分散化的有效性，扩展 了 Ang 和 Kjaer(2012)的这一观点。他们报告称，基于因子的投资组合所包含的 整体相关性比基于行业的投资组合要低得多。他们对等权重因子组合与“传统资 产”组合的绩效比较支持了这一观点，因子组合产生了明显更高的夏普比率。然 而，Ilmanen 和 Kizer(2012)的分析仅限于等权重组合，且仅针对截至 2010 年的 时期。通过比较截至 2020 年底各种动态资产配置策略和不同投资组合优化技术 的行业与因子组合，扩展了现有文献。 随着因子组合的受欢迎程度增加，Kahn 和 Lemmon(2016)预测主动投资组 合管理将发生重大变化。他们认为，SmartBeta 和因子投资可能会取代很大一部 分典型的专注于 Alpha 的主动管理。 Briere 和 Szafarz(2021)比较了基于因子和基于行业的配置，并总结认为行业 投资有助于降低危机期间的风险，而因子投资可以在扩张期间提高回报。Dichtl 等 人(2020)通过开发一个框架，将因子的益处纳入标准化配置流程，提供了支持因 子分散化效应的进一步证据。 Briere 和 Szafarz(2021)的分析建立在 Fama-French 因子之上，这些因子是 不可直接投资的。实施基于这些因子的投资组合策略涉及巨大的投资组合换手率 和交易成本，因为不仅 Fama-French 因子组合需要每月更新，而且因子组合的权 重也需要随时间调整。因此，本文从实践角度分析因子与行业策略，并将分析建 立在可以通过 ETF 以低成本投资的因子和行业指数之上。本文也明确地考虑了交易成本。此外，相对于 Briere 和 Szafarz(2021)，本研究测试了各种样本外配置策 略，以分析因子与行业投资对不同投资者类型和投资风格的益处。
然而，学术界对因子回报和资产配置策略日益增长的兴趣也导致了一种相反 的观点。Arnott 等人(2016)区分了回报的结构性来源和情境性来源，其中结构性 的增值在时间上是稳定的，而情境性是相反的，因此结构性来源是未来回报的可 靠来源。作者提出，近年来追最业绩的投资组合经理对因子组合的追捧趋于过热， 直接推高了其估值。在此背景下，未来持续获得高回报的概率下降，因子收益也 因此具备了显著的情境性特征。Dimson 等人(2017)指出，因子的核心意义是具有 特定属性的股票群体的共同运动。他们将观察到的某些群体中的反向运动解释为 降低投资组合风险的重要驱动力。然而，作者并未在观察到的因子中找到可持续 回报溢价的证据。 一个关键问题是，与静态因子配置相比，因子择时（Factor Timing）或因子 倾斜（Factor Tilting）是否能增加价值。一般而言，因子倾斜描述的是相对于其他 因子，对某一因子进行相对超配或低配。因子择时取决于因子回报的可预测性。 Dichtl 等人(2019)调查了使用因子择时和倾斜的参数化投资组合策略，认为这可 能会显著改善因子投资组合的绩效。然而，在考虑交易成本后，实际投资组合管 理中的收益会恶化。
本节介绍在研究中实施的各种资产配置模型和样本估计流程。本文遵循 DeMiguel 等人(2009)的研究结论，即没有任何一种投资组合构建技术能持续优于 1/N，因此本文使用该方法作为本文的基准模型。随后，本文采用各种加权和优化 方法，分析它们的相对表现，并评估它们是否优于 1/N 策略。本文的资产是行业 指数和因子指数，因此，本文的研究目标是比较各种基于因子和基于行业的配置 策略的益处。这些策略包括作为基准的简单等权重(1/N)投资组合、基于风险的资 产配置规则风险平价(RP)，以及四种投资组合优化方法：最小方差(MinVar)、均值 -方差(MV)、贝叶斯-斯坦(BS)和布莱克-利特曼(BL)。 本文的优化过程构建如下：根据所有先前的信息，在每月最后一个交易日确 定每个投资组合的权重。本研究通过将计算出的权重与相应月份的成分回报相乘， 来计算下个月的投资组合回报。考虑到是通过 ETF 来实施配置，文中将交易成本 设定为 20 个基点是合理的。本文每月重复此过程，将样本期向前推移一个月，并 计算下个月的优化权重。考虑到预测和优化校准期，本文比较了这两种资产类别 （行业和因子）的所有资产配置策略，样本外期间为 2007 年 5 月至 2020 年 11 月。
除了优化模型外，最优投资组合配置决策中的一个关键是输入数据，对此本 文使用历史平均回报。作为稳健性检验，本文采用了从 12 到 60 个月不等的不同 窗口长度。本文还采用了累积平均(CA)策略，该策略包括了从样本期开始到当前 观测值的所有观测数据。此外，为了检验本文结果的稳健性，本文使用了不同的 投资约束，例如仅做多投资组合和包含空头头寸的投资组合。本文还通过在35%(50%)（（空头头寸）和+35%(50%)（（投资组合中成分的最大权重）围内内宽 约束，来考察约束对绩效的影响。接下来，本文将讨论用于本文投资策略的不同 资产配置方法。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
