欢迎来到多元实证方法与绩效持续性！

你好！欢迎来到 CAIA Level II 课程中最实用的章节之一。如果你曾经好奇过：“这位基金经理是真的有实力，还是纯粹靠运气？”或者“我们该如何判断哪些因素才是驱动投资回报的真正动力？”那么你来对地方了。

别担心，“多元（Multivariate）”或“实证（Empirical）”这些词听起来或许有些吓人。简单来说，我们只是在学习如何同时检视多项数据，以找出其中的规律，并判断过去的成功在未来是否还会重演。让我们开始吧！


1. 理解多元线性回归

在 Level I 时，你可能接触过简单线性回归（探讨单一因素如何影响另一变量）。多元回归（Multivariate regression）则是它的“升级版”。我们不再只看单一因素，而是同时观察多个因素。

概念：试想你要预测房价。你不会只看面积（单变量），你会同时考虑面积、卧室数量、校网以及楼龄（多元）。这样你得到的预测会准确得多。

一般公式如下：

\( R_i = \alpha + \beta_1 F_1 + \beta_2 F_2 + ... + \beta_n F_n + \epsilon \)

其中：
• \( R_i \) 是投资回报率（应变量 Dependent Variable）。
• \( \alpha \) (Alpha) 是截距，代表无法由各因素解释的超额回报。
• \( \beta \) (Beta) 代表回报对各因素的敏感度（Sensitivity）。
• \( F \) 代表自变量（Independent Variables）（如市场风险、规模或价值等因素）。
• \( \epsilon \) (Epsilon) 是误差项（Error term）（即我们无法解释的“杂讯”或随机因素）。

必须掌握的关键统计术语

  • 系数（Coefficient, \( \beta \)）： 告诉你关系的方向和强度。如果“利率”的系数是 -0.5，代表利率上升时，你的投资回报倾向于下降。
  • t-统计量（t-statistic）： 用来判断某个因素是否具备统计显著性（Statistically significant）。一个简单的经验法则：如果 t-统计量的绝对值大于 2，该因素通常很重要。
  • p-值（p-value）： 结果纯属巧合发生的概率。我们希望得到较低的 p-值（通常小于 0.05），以确信该因素具有解释力。
  • 判定系数（R-squared, \( R^2 \)）： 告诉我们这些因素解释了多少整体的“故事”。如果 \( R^2 \) 是 0.80，代表投资组合中 80% 的变动可由我们的模型解释。

小贴士： 如果你在模型中加入更多变量，即使那些变量毫无用处，\( R^2 \) 几乎总会上升！这就是为什么我们使用调整后判定系数（Adjusted R-squared），它会针对无谓增加变量的行为进行惩罚。

总结： 多元回归帮助我们将回报归因于特定的风险因素，让我们能看清经理人是在创造独特价值（Alpha），还是仅仅在随波逐流（Beta）。


2. 多因子模型在实务中的应用

在另类投资领域，我们使用特定的模型来“拆解”经理人的回报来源。最著名的就是法玛-法兰奇模型（Fama-French Model）。

法玛-法兰奇三因子模型

该模型认为股票回报由以下三点驱动：
1. 市场风险（市场风险溢价）： 整体股市的波动。
2. 规模（SMB - Small Minus Big）： 小型股长期表现优于大型股的趋势。
3. 价值（HML - High Minus Low）： 高账面市值比（价值股）表现优于低账面市值比（成长股）的趋势。

模型的扩展

后来，卡哈四因子模型（Carhart Four-Factor Model）加入了动能（UMD - Up Minus Down），追踪赢家股持续获胜的趋势。近期，Fama 与 French 又增加了获利能力（Profitability）与投资（Investment）因素，构建了五因子模型。

你知道吗？ 过去许多号称能创造“Alpha”的经理人，实际上只是“挂羊头卖狗肉的指数追踪者（Closet Indexers）”，他们只是重仓了小型股与价值因子。一旦使用这些模型进行检测，他们的“过人能力”往往就消失了！

关键启示： 透过多因子模型，投资者可以判断他们所支付的高昂“Alpha”费用，是否其实只是在买“因子 Beta”（这些回报完全可以通过低成本的 ETF 买到）。


3. 绩效持续性：“火热手感效应”

绩效持续性（Performance Persistence）旨在研究赢家是否持续赢、输家是否持续输。在一个完全有效的市场中，过去的表现对未来的绩效应该毫无影响。

我们如何测试持续性

CAIA 课程主要采取以下两种方式：

方法一：列联表（Contingency Tables，赢家-赢家矩阵）

我们根据第一期的表现将经理人分为“赢家”与“输家”，再观察他们在第二期的表现。
• WW： 第一期赢家，第二期赢家（持续性）
• WL： 第一期赢家，第二期输家（反转）
• LW： 第一期输家，第二期赢家（反转）
• LL： 第一期输家，第二期输家（持续性）

如果 WW + LL 的数值显著大于 WL + LW，我们便认为存在持续性的证据。

方法二：回归分析

我们可以进行回归分析，以第二期回报作为应变量，第一期回报作为自变量。
\( Return_{t+1} = \alpha + \beta(Return_t) + \epsilon \)

如果 \( \beta \) 为正且具统计显著性，则暗示存在绩效持续性。

常见避坑指南： 不要以为如果经理人去年是“赢家”，今年就一定是“赢家”。研究显示，绩效持续性常出现于私募股权（Private Equity）（因为长期的营运调整），但在对冲基金（Hedge Funds）或共同基金（Mutual Funds）中则非常罕见且难以捉摸。


4. 实证分析的陷阱：幸存者偏差

当我们研究绩效持续性时，必须非常小心幸存者偏差（Survivorship Bias）。

类比： 想象你想找出长寿的秘密。你走进养老院，访问了所有 100 岁的老人。他们都说：“我每天都喝一杯威士忌！”如果你据此得出“威士忌是长寿秘诀”的结论，你就掉进了幸存者偏差。因为你没有访问到那些喝了威士忌却在 50 岁就去世的人——他们已经不在那里让你访问了！

在金融领域： 数据库通常会剔除已经清算的基金（通常是因为表现不佳）。如果我们只看“幸存”至今的基金，整个产业的平均表现会看起来比实际好得多。这会让人误以为经理人的绩效持续性比实际更高。

快速复习：
• 回溯偏差（Backfill Bias）： 当新基金加入数据库时，常会包含其“良好”的历史回报，却隐藏了早期的“糟糕”表现。
• 选择偏差（Selection Bias）： 只有表现优异的经理人才会选择向数据库主动呈报绩效。


总结检查清单

在继续学习之前，请确认你能回答这些问题：
• 自变量与应变量有什么区别？（因子 vs. 回报）
• t-统计量为 2.5 代表什么？（该因素具备统计显著性）
• 最初的 Fama-French 模型有哪三个因子？（市场、规模、价值）
• 为什么幸存者偏差会使绩效看起来比实际好？（因为它忽略了已经失败的“死亡”基金）

做得好！ 你已经掌握了多元实证方法的核心概念。休息一下，喝杯咖啡，让这些知识好好沉淀。你距离取得 CAIA 资格又更近了一步！