これは、時間 での特性に比例して各株式に投資されるロング ポジションとショート ポジションのポートフォリオです。
報酬。ショート ポジションで資金調達し、フィーチャの 乗和でスケール アップするため、組み合わせたフィーチャは
唯一。同様に、切片の推定値 t は、すべての資産を均等に加重した組み合わせの超過分です。
歩留まり、特性値はゼロです。期貨 この場合、フィーチャの断面平均はゼロではなく、勾配は
レートはロング/ショート ポートフォリオのリターンであり、切片は固有値がゼロのポートフォリオの超過リターンです (ただし、
この場合、それはもはや等しい重みの組み合わせではありません) これらの結果は、多因子回帰を直接要約したものです。その場合
以下では、各特徴の断面回帰係数は、特徴が単位値を持つ長いビンと短いビンの組み合わせです。
時間 での報酬、および他のすべての固有値はゼロであり、切片は任意の固有値です
ゼロ・エクスポージャー・ポートフォリオの超過リターンを課す。演習 では、回帰のグループを調査するよう求めています
組み合わせたプロパティ。 目に見える機能の利点を推定する別の方法は、パネル回帰を推定することです。これには
パネル回帰を使用して、特定の時点での資産リターンのクロスセクション相関回帰の標準誤差を調整します
正規化パッケージのグループ標準エラー コマンドにより、チューニングが容易になります。回帰式の説明変数を
量が時間とともに変化しない場合、パネル回帰およびクロスセクション回帰
カーベス推定値と標準誤差は同じ 解釈するとき
は、各間隔を与えるため、変数が時間とともに変化する場合に異なります
説明変数がある間隔で別の間隔よりも広がっている場合でも、重みは等しい またはパネル法によって推定された線形回帰 (特徴とリターン)
それらの間に線形関係が課せられます。現代の金融に関する文献は、真の関係が非線形である可能性をしばしば恐れています。
性的。この可能性を探るには、通常、 つ以上の機能によって分類された組み合わせレベルが使用されます。
平均収益率 (またはアルファ) テーブルが表されます。このような表は、その非線形性を明らかにします。実際に
実際には、特性と平均リターンの関係は、単調ではなく十分に非線形である場合、次のようになります。
非常に疑わしい。この組み合わせ分類法は、非線形性を見つけるための非常に優れた説明ツールです。
しかし、 つ以上の機能を同時に考慮すると不便になります。
回帰は、複数の機能が株式のリターンにどのように影響するかを理解するためのより良い方法です。
元の特徴の非線形変換を説明変数として使用することにより、非線形性を緩和できる場合 は、このアプローチを明らかにしました。 さまざまなテストには重要な共通点があります。複数のアセットを視聴する (追加
は、モデルからのより大きな偏差を見つける傾向があります。ただし、を大きくすると、バイアスの必要性も高まります。
の統計的除外から離れてスケールします。したがって、有用なテストを取得するには、次のことができます。
以前は価格が誤っていると考えられていた資産をいくつか選択します。ただし、有効なテストを行うことはできません
アセットは、テスト モデルのサンプル間隔での平均リターンを使用して選択されます。このプロセスは時々呼ばれます
「データスヌーピング」は、モデルの誤った除外につながります