summarypapercovariance-forecastingrisk-modelfactor-modeltracking-errorportfolio-optimization

Chan, Karceski & Lakonishok (1999) — 预测协方差与选择风险模型

Louis K.C. Chan（伊利诺伊大学香槟分校）· Jason Karceski（佛罗里达大学）· Josef Lakonishok（伊利诺伊大学香槟分校 + NBER） · NBER Working Paper No. 7039，1999 年 3 月 · 27 页 + 附录 本次归档: raw/papers/199909-portfolio-optimization-forecasting-covariances/ (paper.pdf 810 KB + extracted.md)

一句话核心

这篇论文不比"哪种风险模型更好"（在最小方差目标下），而是问"预测未来协方差该用什么模型、该用几个因子"：结论是少数几个因子就能抓住协方差的一般结构，加因子不再提升预测力（一因子模型 ≈ 十因子模型），真正区分模型优劣的是把目标从"最小化总波动"换成"最小化跟踪误差"——此时按属性匹配基准的启发式方法反而打败标准因子优化。

问题与关键结构

评估分两层：统计层（预测值与实现值之间的平均绝对误差、回归斜率与相关系数）与经济层（用该预测做优化后组合的实现波动）。

比较的风险模型谱系：

模型 含义
历史完整协方差 样本协方差直接外推（因子数 = 股票数的极限情形）
因子模型 V = BQB' + D 因子为模拟组合收益；1/3/4/8/10 因子，依次加入市值、账面市值比、动量、股息率、现金流收益率、期限溢价、违约溢价、beta、长期技术因子
常数协方差 所有两两协方差相同，取估计期全体两两协方差的均值（相当于 James-Stein 型收缩到全局均值）

样本设计：每年 4 月从 NYSE+Amex 随机抽 250 只股票（剔除市值后 20%、股价低于 5 美元），用过去 60 个月估计，随后 12 个月或 36 个月实现值做检验；组合优化中权重非负、单股权重上限 2%。

关键发现

（一）协方差预测本身很弱。

  • 历史协方差与未来 36 个月实现协方差的相关系数只有 33.94%，12 个月更只有约 18%；方差则稳定得多（36 个月 52.5%）。预测相关系数的相关度更差（36 个月平均 24%）。
  • 12 个月预测的回归斜率：一因子 0.5435、十因子 0.4488、完整协方差 0.3589（高维模型斜率被衰减）。预测值与实现值的相关系数：一因子 0.1643、完整协方差 0.1792、三因子 0.1994。
  • 预测值的离散度：完整协方差 0.18%、一因子 0.14%、多因子约 0.16%——因子模型更平滑，高维因子模型更容易"偷看数据"。
  • 关键反例：假定所有两两协方差相同这一朴素模型的表现与因子模型相当（完整协方差模型平均绝对误差最大，但与"常相关"模型同档）。作者用随机配对模型做基准，36 个月平均绝对误差 0.0030。

（二）最小方差目标下，各模型差别很小。

  • 完美预知未来协方差时（理论上界），250 只股票全局最小方差组合的年化标准差 6.85%；等权组合 16.62%。
  • 用历史协方差代替完美预知后，年化标准差 12.94%；价值加权组合 15.54%。
  • 各风险模型的最小方差组合年化标准差落在 12.59%–12.94%：完整协方差 12.94%、三因子 12.66%、常数相关模型 12.59% 附近为单一最优、复合模型（四个模型等权平均）12.59%。
  • 组合特征：所有优化组合都偏好低 beta 股票（beta 平均 0.5–0.7，等权组合为 1.07），且至少 40% 权重押在公用事业（SIC 49）（价值加权 8.66%、等权 15.31%）；SIC 35-36 权重从不超过 4%。
  • 作者的解释是市场因子压倒一切：Connor-Korajczyk 主成分法下第一主成分解释等权 CRSP 指数方差的 75%，其余四个只占 6.9%、3.6%、8.8%、5.6%。因此各风险模型都在做同一件事——降低市场暴露，差异被掩盖。

（三）跟踪误差目标下，模型之间才分得开，而且启发式更好。

以 S&P 500 为基准，年化跟踪误差波动：等权组合 6.16%、一因子 5.12%、三因子 4.53%、完整协方差 4.03%、九因子 4.01%；价值加权组合 3.04%（最低，因为基准本身就是大盘股）。200 次重复抽样下：完整协方差 3.99%、三因子 4.54%、一因子 5.11%；一因子与三因子的平均差 0.57%（标准误 0.01%）。

更关键的是绕过因子载荷估计误差的"按属性匹配"方法（Table 6）：九因子模型 4.01% → 按九个属性匹配 3.01%；只匹配行业构成 5.79%，行业 + 规模 4.60%，只匹配规模的最小残差方差组合 3.53%。作为上界参照：完整协方差 + 完美预知未来超额收益协方差能做到 1.57%，低于上面两个（3.25% 与 3.01%）。200 次重复中九属性匹配平均比九因子模型低 0.95%（标准误 0.01%）。

换基准后规律一致但所需属性更多：对价值股基准（250 只最高账面市值比股票的价值加权），完整协方差跟踪误差 4.72%，九属性匹配 3.79%；对成长股基准，完整协方差 5.00%，九属性匹配 3.97%；此时只按规模匹配就不够了（4.61% / 4.78%），因为规模匹配组合的账面市值比与股息率偏离基准太多。

作者还指出一个实务成本：按跟踪误差优化得到的组合总波动比按总波动优化的组合平均高约 2 个百分点（Roll 1992 的结论），这可以看作"基金经理目标与最终投资者目标错配"的代价。

重要 caveat

  • 全篇只处理第二阶矩，不处理期望收益预测；作者明确说这是刻意选择，因为期望收益"出了名地难预测"且 MVO 对它极度敏感。
  • 全局最小方差组合是最小化二阶矩的标准解；论文明确说明不报告有效前沿上的其他点，因为那些点会把重心转移到期望收益上。
  • 基准用"市值最大的 1000 只股票的价值加权指数"作代理（S&P 500 成分股早期难以识别）。
  • 作者结论里有一句自陈的告诫：过去与未来协方差相关度低，说明"任何风险优化流程都需要一点谦逊"。

对 quant wiki 的意义

  • 协方差估计与预测的方法选择 页可以直接引用本文的实证结论：因子维度不是越高越好，一因子与十因子的预测力几乎相同。
  • 协方差收缩 页可引用"常相关模型与因子模型表现相当"这一结果——它从实证侧支持收缩/简单化的价值。
  • 马科维茨诅咒 页：本文给出的是诅咒的良性版本——即使协方差预测很弱，只要加上权重约束，最小方差组合仍能把波动从 16.62% 压到 12.59%–12.94%。
  • Ferson-Siegel 最优加权 与"按属性匹配基准"的启发式属同一族思路：不精确估计载荷，直接匹配可观测属性。

相关概念