歡迎來到資產估值：因子模型！

你好！歡迎來到你 CM2 學習旅程中最實用的章節之一。到目前為止，你已經了解了單一資產的表現。但你是否曾好奇為什麼某些股票群體似乎會同步波動？或者為什麼在經濟衰退期間，某些股票跌得比其他股票更慘？因子模型 (Factor models) 正是精算師和投資經理用來回答這些問題的工具。我們不再孤立地看待每一隻股票，而是著眼於驅動它們回報的「力量」（即因子）。如果一開始看見數學公式感到有些頭暈，別擔心——我們會把它拆解開來，一點一點地攻克！

1. 核心概念：為什麼要使用因子模型？

在理想的情況下，我們能精確知道股票價格變動的原因。但在現實中，這是廣泛經濟趨勢與公司特定新聞共同作用的結果。因子模型能幫助我們將這些因素分開。它們假設任何資產的回報都對一個或多個共同因子 (common factors) 敏感，外加一點隨機雜訊 (random noise)。

比喻： 想像海面上的一艘船。船的移動取決於潮汐（影響所有船隻的因子）、風向（另一個因子），以及引擎是否正常運作（公司特定因素）。因子模型能幫助我們衡量潮汐和風向的重要性，並與引擎的影響力進行對比。

快速複習：關鍵術語
系統性風險 (Systematic Risk)： 影響整個市場的風險（例如：利率變動）。這類風險無法透過分散投資來規避。
特定風險/非系統性風險 (Specific/Idiosyncratic Risk)： 僅屬於單一公司的風險（例如：工廠失火）。這類風險可以透過持有許多不同的股票來消除。

2. 單一指數模型 (市場模型)

建模回報最簡單的方法是假設只有一個因素至關重要：整體市場。這通常被稱為市場模型 (Market Model)。

公式

對於特定資產 \( i \)，其回報 \( R_i \) 可表示為：
\( R_i = \alpha_i + \beta_i R_m + \epsilon_i \)

讓我們拆解一下：
1. \( R_i \)：資產 \( i \) 的回報。
2. \( \alpha_i \) (Alpha)：截距項。即市場回報為零時，我們預期的回報。
3. \( \beta_i \) (Beta)：敏感度。它告訴我們每當市場回報 \( R_m \) 變動 1% 時，該資產的回報會變動多少。
4. \( R_m \)：市場指數的回報（例如富時 100 指數）。
5. \( \epsilon_i \) (Epsilon)：誤差項或「雜訊」。這代表了資產 \( i \) 獨有的特定風險。

關鍵假設

為了使該模型在數學上成立，我們假設：
- 兩隻不同股票的誤差項不相關：\( Cov(\epsilon_i, \epsilon_j) = 0 \)。
- 誤差項與市場回報不相關：\( Cov(R_m, \epsilon_i) = 0 \)。
- 誤差項的平均值（期望值）為零：\( E[\epsilon_i] = 0 \)。

記憶小撇步： 把 Beta 想像成一個「音量旋鈕」。如果 Beta 是 1.5，當市場將音量調大 1 格時，你的股票就會調大 1.5 格！

關鍵總結

單一指數模型透過以下觀點簡化了現實世界：「我只關心這隻股票相對於大盤是如何波動的。」

3. 多因子模型

有時候，單一因子是不夠的。即使「市場」保持不變，科技股對利率變動的反應也可能與雜貨店截然不同。這正是多因子模型 (Multifactor Models) 發揮作用的地方。

通用公式

我們不再只有一個 \( \beta R_m \)，而是擁有多個因子：
\( R_i = \alpha_i + \beta_{i,1}F_1 + \beta_{i,2}F_2 + ... + \beta_{i,k}F_k + \epsilon_i \)

其中：
- \( F_1, F_2, ... \) 是不同的因子。
- \( \beta_{i,1}, \beta_{i,2}, ... \) 是因子載荷 (factor loadings)（即股票對每個特定因子的敏感度）。

多因子模型的類型

IFoA 課程根據因子的性質，區分了三種主要模型：

1. 宏觀經濟模型 (Macroeconomic Models)
這些模型使用可觀察的經濟數據。常見因子包括：
- 通脹率。
- GDP 增長率。
- 利率變動。
範例： 航空股對「油價」這一因子可能具有很高的敏感度 (Beta)。

2. 基本面模型 (Fundamental Models)
這些模型使用公司自身的特性。常見因子包括：
- 規模 (Size)： 小公司的表現往往與巨頭公司不同。
- 價值 (Value)： 比較股價與公司的實際帳面價值（如市盈率 P/E ratios）。
- 行業 (Industry)： 它是科技公司還是銀行？

3. 統計模型 (Statistical Models)
這些是「神秘盒子」。我們使用複雜的數學（如主成分分析，PCA）從歷史數據中找出模式。我們未必會給因子命名為「通脹」，但我們知道「因子 A」解釋了 40% 的波動。

你知道嗎？ 法馬-法蘭西三因子模型 (Fama-French Three-Factor Model) 是一個著名的基本面模型，它利用市場風險、規模和價值來解釋回報。它是超越單一指數方法的經典範例！

關鍵總結

多因子模型透過同時觀察多個回報驅動因素，為資產的風險提供了一份更詳盡的「指紋」。

4. 因子模型中的分散投資

這些模型最重要的用途之一是理解分散投資 (diversification)。讓我們利用因子模型來看看投資組合回報的變異數（風險）。

股票的總變異數可分為兩部分：
總變異數 = 系統性變異數 + 特定變異數

在單一指數模型中，這看起來像這樣：
\( Var(R_i) = \beta_i^2 Var(R_m) + Var(\epsilon_i) \)

為什麼這很重要？
當你在投資組合中加入越來越多股票時：
1. 特定變異數（即 \( \epsilon \) 部分）會變得越來越小，平均趨近於零。
2. 系統性變異數（即 \( \beta \) 部分）不會消失。無論你買多少隻股票，如果整個市場崩盤，你的投資組合很可能也會受到影響。

常見錯誤： 學生常誤以為分散投資能消除所有風險。請記住：分散投資只能消除特定風險 (Specific Risk, \( \epsilon \))，它無法觸及市場風險 (Market Risk)。

5. 分步解析：計算預期回報

如果在考試中遇到因子模型，以下是求預期回報 \( E[R_i] \) 的方法：

步驟 1： 識別常數。題目通常會給出 \( \alpha_i \) 和 \( \beta \) 值。
步驟 2： 找出因子的預期值，即 \( E[F_1], E[F_2] \)，等等。
步驟 3： 記住 \( E[\epsilon_i] = 0 \)。雜訊在平均之後會相互抵消！
步驟 4： 代入公式：
\( E[R_i] = \alpha_i + \beta_{i,1}E[F_1] + \beta_{i,2}E[F_2] \)

範例： 如果 \( \alpha = 2\% \)，\( \beta = 1.2 \)，且市場預期回報為 \( 10\% \)：
\( E[R] = 2\% + 1.2(10\%) = 14\% \)。

6. 總結與最後小撇步

總結清單：
- [ ] 單一指數模型： 單一因子（通常是市場）。回報遵循 \( \alpha + \beta R_m + \epsilon \)。
- [ ] 多因子模型： 多個因子（宏觀經濟、基本面或統計學因子）。
- [ ] Beta： 衡量對因子的敏感度。
- [ ] Alpha： 無法被因子解釋的回報。
- [ ] 分散投資： 消除特定風險 (\( \epsilon \))，但無法消除系統性風險 (\( \beta \))。

鼓勵的話： 本章是連接簡單統計學與現實金融世界的橋樑。一旦你掌握了「回報 = 基礎回報 + (敏感度 \(\times\) 力量) + 雜訊」這個概念，公式就會變得自然許多。請多練習變異數的拆解——這可是出題者的最愛！你一定行的！