作者在此写出这样一个叙述文或者叫投研笔记,讲讲投研感悟,顺便科普金融教科书中最基础、对投资可能有用的知识,还有个重要的目的是,解释了之前部分客户感觉“新颖奇怪”研报的思路来源。鉴于目前国内“主流投资者”一直对人工智能不太认可,我们从多因子和人工智能谁是“正规军”这个有趣的角度切入。本文是“高谈阔论”不是严谨的策略,读着开心就好。
随机折现因子( SDF)资产定价的中心问题是处理风险和收益之间的关系,在金融市场不存在无风险套利机会的条件下,资产的价格和未来的收益可以通过“随机折现因子”联系起来,从而得到基本的定价方程,由于该方程的普适性,所以 Cochrane 把这个等式命名为“资产定价中心公式”:
p x mx ( ) ( ) = E与均衡定价和套利定价的表达形式相比,随机折现因子定价模型更具有一般性,更容易理解,而且对金融数据基本上没有任何的假设限定。在随机折现因子框架下,可以用一种较为简单的方式理解现代金融理论的许多经典问题,也可以推导出CAPM,APT ,Black - Scholes 的期权定价模型等等。随机折现因子模型是上世纪70年代末以来资产定价理论的统一框架。
SDF、多因子模型和人工智能随机折现因子的具体形式无从准确论证,所以,当随机折现因子呈现因子的线性组合形式时,资产的收益率就被表示成多因子形式, 也就是说对 SDF 进行不同特定形式的假设,最终得到的定价方程不同。 当然,AI 方法作为对复杂不确定函数的估计利器,也能对 SDF 进行估计。所以, 不管是多因子还是人工智能方法,只是对 SDF 估计的技术不同,两种手段本身并无优劣。 因子模型无论对学界和业界,可解释性更强,也更具象。AI 方法更抽象,但是在金融投资实战运用上,可能效果更好。
文章结构我们首先从资产收益的内积空间出发,通过无套利原理阐述了该空间在折现函数下的完备性,完备的内积空间是 Hilbert 空间,通过 Hilbert 空间下的 Reisz表示定理,证明了随机折现因子的存在性。随后,通过假设 SDF 为因子形式,得到了多因子模型。由于 SDF 的复杂性和抽象性,AI 方法可能有更好的估计,所以,我们阐述了 AI 方法。最后,我们探讨了两种方法的融合,以及作者对金融预测框架的思考。