Факторный Бестиарий: Как Ценообразование Активов Переходит в Разряд Сложных Зверей

Автор: Денис Аветисян

Новое исследование показывает, что учет широкого спектра факторов в моделировании ценообразования активов позволяет добиться более точных и устойчивых результатов на рынках акций и облигаций.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

В представленном исследовании демонстрируется разнообразие факторов, влияющих на совместное ценообразование, представленное в виде спектра вероятностей, отражающего сложность и многогранность механизмов, определяющих рыночные цены.

Байесовское усреднение моделей демонстрирует, что наиболее надежное описание дисконтирующего фактора включает в себя плотный набор латентных факторов, подчеркивая важность агрегирования моделей вместо поиска единственной ‘истинной’.

Несмотря на обширный арсенал факторов, используемых в ценообразовании активов, остается неясным, какие из них действительно отражают фундаментальные источники риска. В работе ‘The Co-Pricing Factor Zoo’ проведен анализ $18 \times 10^{12}$ моделей для совместного ценообразования корпоративных облигаций и акций, который показал, что для объяснения премий за риск корпоративных облигаций достаточно учитывать только факторы, связанные с акциями и неторгуемыми активами, после корректировки на риск структуры сроков казначейских облигаций. Полученный стохастический дисконтный фактор, агрегирующий десятки факторов с помощью байесовского усреднения моделей, превосходит низкоразмерные модели как внутри, так и вне выборки, демонстрируя коэффициент Шарпа от 1.5 до 1.8. Может ли подход байесовского усреднения моделей стать стандартом в ценообразовании активов, позволяя эффективно преодолеть проблему «зоопарка факторов» и выявить истинные драйверы премий за риск?

Ограничения Традиционного Ценообразования Активов

Традиционные модели ценообразования активов зачастую не способны в полной мере объяснить наблюдаемые доходности, что приводит к устойчивым аномалиям на финансовых рынках. Эти аномалии, такие как эффект стоимости и эффект импульса, демонстрируют, что определенные факторы систематически влияют на доходность активов способами, которые не предсказываются стандартными теориями. Например, акции с низкой стоимостью по отношению к балансовой стоимости или доходу, как правило, показывают более высокую доходность, чем акции с высокой стоимостью, несмотря на то, что модели, основанные исключительно на риске, этого не объясняют. Подобные несоответствия указывают на то, что существующие модели нуждаются в доработке или расширении, чтобы адекватно отражать сложность поведения инвесторов и динамику финансовых рынков, а также учитывать поведенческие факторы и нерациональные предпочтения.

Применение исключительно частотного подхода к оценке параметров финансовых моделей, особенно в случаях высокой сложности, нередко приводит к неустойчивым и неточным результатам. Это связано с тем, что частотные методы, опираясь на большие объемы данных, чувствительны к выбросам и не учитывают неопределенность, присущую финансовым рынкам. Сложные модели, содержащие множество переменных и параметров, усугубляют эту проблему, поскольку требуют еще больше данных для надежной оценки. В результате, незначительные изменения во входных данных могут приводить к существенным колебаниям в оценках параметров, что ставит под сомнение надежность прогнозов и инвестиционных решений, основанных на этих моделях. Альтернативные подходы, такие как байесовский анализ, позволяют учесть априорные знания и неопределенность, тем самым повышая стабильность и точность оценок.

Наблюдается тенденция к постоянному увеличению числа факторов, учитываемых при оценке активов как на фондовом, так и на облигационном рынках. В то время как добавление новых факторов может улучшить статистическую подгонку модели к историческим данным, это неизбежно приводит к снижению ее простоты и затрудняет интерпретацию результатов. Сложные модели, включающие множество факторов, становятся трудными для понимания и применения на практике, а также более подвержены риску переобучения — то есть, хорошей работе на исторических данных, но плохой — в будущем. Поэтому, при построении моделей ценообразования активов, возникает необходимость поиска баланса между точностью и интерпретируемостью, чтобы обеспечить надежность и практическую ценность полученных результатов. Увеличение числа факторов также затрудняет выявление действительно значимых переменных, влияющих на доходность активов, и может привести к ложным выводам.

Оценка акций и облигаций вне выборки показывает, что различные модели BMA-SDF позволяют получать разные цены.

Байесовская Эконометрика и Факторные Модели: Новый Взгляд на Ценообразование

Байесовская эконометрика предоставляет естественный способ включения априорных знаний и количественной оценки неопределенности в ценообразовании активов. В отличие от классических методов, требующих жестких предположений о распределении параметров, байесовский подход позволяет задавать начальные распределения (априорные вероятности) для параметров модели, отражающие имеющуюся экспертную оценку или результаты предыдущих исследований. Это особенно важно в задачах оценки факторов риска и премий за риск, где априорные знания могут значительно улучшить точность и стабильность оценок. Кроме того, байесовский подход обеспечивает не только точечные оценки параметров, но и полные апостериорные распределения, позволяющие оценить неопределенность и построить доверительные интервалы для параметров модели, что критически важно для принятия обоснованных инвестиционных решений.

Факторные модели представляют собой эффективный инструмент для объяснения доходности активов, основываясь на идее о том, что наблюдаемые изменения цен обусловлены влиянием небольшого числа общих, систематических факторов риска. Эти факторы, такие как β (рыночный риск), размер компании или стоимость, оказывают влияние на доходность широкого спектра активов. Модель предполагает, что доходность каждого актива может быть представлена как линейная комбинация этих факторов, плюс специфический для данного актива компонент. Это позволяет значительно снизить размерность задачи оценки и выявления ключевых драйверов доходности, а также упростить прогнозирование будущей доходности активов, используя оценки параметров модели и текущие значения факторов риска.

Применение байесовского подхода к факторным моделям позволяет получить более стабильные и интерпретируемые оценки факторных нагрузок и премий за риск. Традиционные методы оценки, такие как метод максимального правдоподобия, могут быть чувствительны к выбросам и приводить к нестабильным результатам. Байесовская методология, напротив, позволяет включить априорные знания о параметрах модели и учитывать неопределенность оценок. В результате тестирования на исторических данных было установлено, что расширенные байесовские факторные модели демонстрируют годовую норму доходности к риску (Sharpe ratio) в диапазоне от 1.5 до 1.8 на вневыборочных данных, что свидетельствует о повышенной эффективности стратегий, основанных на данном подходе.

Анализ совместного фактора избыточной доходности облигаций показывает вероятности задних факторов и соответствующие цены риска.

Уменьшение Размера: Spike-and-Slab Априорное Распределение в Факторном Моделировании

В факторном моделировании существенной проблемой является определение значимости отдельных факторов и предотвращение переобучения модели. Переобучение возникает, когда модель слишком точно подстраивается под обучающие данные, что приводит к снижению её способности к обобщению и предсказанию новых данных. Идентификация действительно важных факторов затруднена из-за высокой размерности пространства факторов и потенциальной корреляции между ними. Неспособность эффективно отсеять незначимые факторы приводит к увеличению дисперсии модели и ухудшению её прогностической силы на независимых данных. Для решения этой проблемы применяются методы регуляризации и отбора признаков, направленные на упрощение модели и повышение её обобщающей способности.

Априорное распределение «Шпик и Плита» (Spike-and-Slab prior) представляет собой байесовский метод автоматического уменьшения коэффициентов нерелевантных факторов в факторных моделях. В отличие от методов регуляризации, таких как L1 или L2, данный априорный подход не просто обнуляет или уменьшает все коэффициенты, а позволяет каждому фактору иметь вероятность быть либо полностью исключенным (spike — «шпик», значение близкое к нулю), либо существенным (slab — «плита», ненулевое значение). Это достигается путем назначения каждому коэффициенту вероятности принадлежности к одному из двух распределений: дискретному (для «шпика») и непрерывному (для «плиты»). Вероятность выбора между этими распределениями определяется гиперпараметрами, которые могут быть оценены на основе данных, обеспечивая адаптивное уменьшение коэффициентов и избежание переобучения модели.

Применение Spike-and-Slab априорного распределения способствует построению экономных факторных моделей за счет автоматического уменьшения коэффициентов при нерелевантных факторах. Это приводит к улучшению точности прогнозов на новых данных (out-of-sample prediction accuracy) по сравнению с традиционными подходами, поскольку модель фокусируется на наиболее значимых факторах. Кроме того, упрощение модели за счет исключения незначимых факторов повышает ее интерпретируемость и облегчает понимание взаимосвязей между переменными, что подтверждается результатами сравнительного анализа с существующими моделями.

Результаты моделирования демонстрируют, что использование бесполезных факторов и неточных прокси-переменных приводит к снижению точности и надежности симуляции.

Совместный Анализ Рынка Облигаций и Акций: Целостный Подход к Оценке Активов

Применение байесовских факторных моделей со схлопыванием (shrinkage) к рынкам облигаций и акций позволяет получить целостное представление о ценообразовании активов. Данный подход, в отличие от традиционных методов, не рассматривает эти рынки изолированно, а выявляет общие, скрытые факторы, определяющие доходность. Схлопывание, в свою очередь, помогает уменьшить влияние случайного шума и повысить надежность оценок факторов, особенно при работе с большим количеством данных. В результате, модель способна более точно отражать фундаментальные драйверы цен, что имеет решающее значение для эффективного управления рисками и формирования оптимальных инвестиционных портфелей. Такой подход позволяет инвесторам лучше понимать взаимосвязь между различными классами активов и принимать более обоснованные решения, основанные на комплексном анализе рыночной динамики.

Анализ совместного ценообразования облигаций и акций, основанный на общей факторной модели, позволяет выявить взаимосвязанные систематические факторы, влияющие на оба рынка. Этот подход значительно улучшает управление рисками и формирование портфелей, поскольку позволяет учитывать общие драйверы доходности, а не рассматривать эти активы изолированно. Инвесторы, использующие данный фреймворк, получают возможность более эффективно диверсифицировать свои вложения, снижая подверженность рыночным колебаниям и потенциально увеличивая доходность. Модель выявляет общие факторы, такие как эффект после объявления об отчете о прибылях и убытках как для облигаций, так и для акций, что указывает на глубокую взаимосвязь между этими классами активов и возможность использования этих знаний для оптимизации инвестиционных стратегий.

Анализ совместных движений на рынках облигаций и акций позволяет инвесторам значительно расширить возможности диверсификации портфеля и потенциально увеличить доходность. Модель, использующая байесовские факторные модели, демонстрирует впечатляющие результаты — коэффициент Шарпа, достигающий 1.5-1.8 при годовой ребалансировке. Исследование выявило, что ключевую роль в формировании доходности играют два общих фактора, проявляющихся в тенденциях после публикации финансовых отчетов как по облигациям, так и по акциям, что подтверждается высокой апостериорной вероятностью этих факторов. Идентификация подобных общих драйверов позволяет более эффективно управлять рисками и строить сбалансированные портфели, адаптированные к различным рыночным условиям.

Совместное рассмотрение доходности акций и облигаций с учетом дюрации позволяет оценить общую стоимость портфеля.

Исследование демонстрирует, что попытки упростить ценообразование активов, полагаясь на единую модель или ограниченный набор факторов, могут привести к значительным погрешностям. Авторы подчеркивают, что латентный фактор СКИД (Stochastic Discount Factor) оказывается удивительно плотным, требуя учета широкого спектра экономических сил. Это напоминает о том, что прогресс без этики — это ускорение без направления. Как заметил Генри Дэвид Торо, «Не ищите благоприятные ветры, научитесь настраивать паруса». В данном контексте, это означает, что вместо поиска идеальной модели, необходимо адаптироваться к сложной реальности, используя инструменты моделирования, способные учесть множество факторов и уменьшить риски, связанные с выбором одной «истинной» модели.

Что Дальше?

Представленное исследование, демонстрируя эффективность подхода байесовского усреднения моделей в ценообразовании активов, лишь подчеркивает глубину проблемы. Успех усреднения не отменяет вопроса о природе этих самых факторов, составляющих «зоопарк». Попытки найти «истинный» фактор, вероятно, обречены на неудачу. Важнее осознать, что каждый фактор — это не объективное отражение реальности, а закодированное мировоззрение, некий способ интерпретации рыночных данных. Данные сами по себе нейтральны, но модели отражают предвзятости людей, создавших их.

В будущем, акцент должен сместиться с поиска «лучшего» фактора на понимание ценностей, которые он несет. Необходимо исследовать, как различные факторы влияют не только на доходность, но и на распределение рисков, и какие социальные последствия могут возникнуть от использования тех или иных моделей ценообразования. Инструменты без ценностей — это оружие, и экономическое моделирование не должно быть исключением.

Следующим шагом видится разработка методов, позволяющих оценивать не только статистическую значимость факторов, но и их этическую оправданность. В конечном счете, прогресс без этики — это ускорение без направления. Задача исследователей — не просто строить более точные модели, а создавать инструменты, которые служат общему благу, а не усиливают существующие неравенства.

Оригинал статьи: https://arxiv.org/pdf/2604.04430.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-04-08 04:21