主动风险与信息比率
Active Risk & Information Ratio · 0:53
中文讲解
偏离基准是成本，稳定创造超额收益才是能力。信息比率衡量每单位 tracking error 的主动收益。
考纲权重 10–15%
投资组合管理
Portfolio Management
资本市场预期、资产配置、风险管理、交易与执行。
边听边学
当前讲解：M1 · Learning Outcomes · 学习目标
使用浏览器本地朗读做快速复习；ElevenLabs 难点音频已改为静态嵌入，不再现场生成。
高频难点精讲音频
已预生成中文讲解，适合坐着复习、通勤或不方便看屏幕时快速过一遍核心逻辑。
主动召回、间隔重复与 3 分钟小测
先回忆再翻答案；系统会按“会了 / 模糊 / 不会”安排本地复习日期，答错题自动进入错题重练。
卡片 0/2今日复习 2小测 0/1
本科今日优先重练
公式公式尚未训练
Information Ratio · Information Ratio 的公式和分母含义是什么？
卡片尚未召回
Information Ratio · Information Ratio 的分母是什么？
卡片尚未召回
Fundamental Law · 主动管理基本定律里 IC、BR、TC 分别代表什么？
Flashcards
Information Ratio
Information Ratio 的分母是什么？
Fundamental Law
主动管理基本定律里 IC、BR、TC 分别代表什么？
Mini Quiz / 错题重练
Information Ratio
信息比率的分母 tracking error 衡量的是：
公式训练模式
先遮住答案，在脑中写出公式，再翻开核对；系统会把模糊和不会的公式自动放回复习队列。
已练 0/1今日到期 1
Information Ratio
Information Ratio 的公式和分母含义是什么？
学习进度
已完成 0 / 49 个小节；当前定位：M1 · Learning Outcomes · 学习目标
0% completed全部学习小节已浏览完成
Module 1 · Economics and Investment Markets
经济与投资市场 — 实体经济与金融资产价格之间的基本联系
Andrew Clare, PhD · Thomas F. Cosimano, PhD
Learning Outcomes · 学习目标
考生应能够：
- 解释这样一种观点：要影响市场价值，经济因素必须影响以下一项或多项：（1）各期限的无违约利率，（2）预期现金流的时间和/或规模，以及（3）风险溢价。
- 解释预期及预期变化在市场估值中的作用。
- 解释经济长期增长率、该增长率波动性与实际短期利率平均水平之间的关系。
- 解释商业周期阶段如何影响政策和短期利率、利率期限结构的斜率，以及不同期限债券的相对表现。
- 描述影响未进行通胀调整债券与通胀指数债券之间收益率利差的因素。
- 解释商业周期阶段如何影响信用利差以及信用敏感型固定收益工具的表现。
- 解释公司产品市场特征如何影响公司的信用质量。
- 解释股票的消费对冲属性与股票风险溢价之间的关系。
- 解释商业周期阶段如何影响短期和长期盈利增长预期。
- 描述周期性因素对估值倍数的影响。
- 描述影响商业房地产投资的经济因素。
1.01 Introduction · 导论
金融市场与实体经济在本质上是相互联系的。金融市场作为一个场所，将储蓄者与投资者联系起来：
- 储蓄者推迟今天的消费以实现未来的消费。
- 政府筹集资本以创造公共产品并构建安全的社会。
- 公司获取资本以利用盈利机会，从而推动经济增长和就业。
所有金融工具都代表着对某一基础经济体的索取权。因此，可以利用经济分析来对单个证券（债券、股票、房地产）以及金融市场指数等集合进行估值。
本模块的核心论点
经济因素只能通过三条传导渠道影响金融资产价格：
- 各期限的无违约利率（贴现率下限）
- 预期现金流的时间和/或规模（分子）
- 风险溢价（对现金流不确定性的补偿）
如果某一经济事件未影响上述三者中的至少一项，就不可能影响资产价格。
本阅读材料的结构为：从实际无违约债务 → 名义无违约债务 → 存在信用风险的债务 → 股票 → 商业房地产。
1.02 The Present Value Model · 现值模型
基本定价方程（方程 1）将任何金融资产的当前价值表示为所有预期未来现金流的现值：
长公式可横向滚动
E_t(CF_{t+s})
V_t = Σ ──────────────────────────────────────────────────
s (1 + l_{t,s} + θ_{t,s} + ρ_{t,s})^s
Where:
V_t = value (= market price) of asset i at time t
E_t(CF) = expected nominal cash flow s periods ahead, given info at t
l_{t,s} = real default-free yield for maturity s (e.g., TIPS yield)
θ_{t,s} = expected inflation rate from t to t+s (inflation premium)
ρ_{t,s} = risk premium for asset i, s periods ahead贴现率的三个组成部分
① l(t,s) — 实际无违约利率：
对实际无违约债券（如 TIPS）要求的收益率。反映推迟消费的机会成本。由总体储蓄/投资决策和 GDP 增长决定。
② θ(t,s) — 通胀溢价：
为补偿预期通胀侵蚀未来名义现金流的实际价值而要求的额外收益。对于短期 T-bills，该溢价较小；对于 20 年期债券，则包含通胀不确定性溢价。
③ ρ(t,s) — 风险溢价：
对资产现金流不确定性的补偿。不同资产类别之间差异显著：发达经济体 T-bills 的风险溢价接近于零，而股票和高收益债券的风险溢价较高。在经济衰退期间风险溢价会急剧上升。
加法近似（方程 2）
长公式可横向滚动
Discount rate ≈ l_{t,s} + θ_{t,s} + ρ_{t,s}
(Exact form is multiplicative; additive is a convenient approximation
used throughout the reading — ignores cross-product interaction terms)资产类别差异：区分资产类别的关键在于投资者对未来现金流确定性的程度——这直接决定了 ρ 的大小。政府债券（ρ 接近于零）vs. 股票（ρ 较高）vs. 商业房地产（ρ 较高且存在流动性不足）。
流动性风险
ρ 还包含流动性风险——即资产无法在短时间内以接近公允价值的价格变现为现金的可能性。该风险对商业房地产和高收益债券尤为重要。在 2008–2009 GFC 期间，MBS 的流动性极差，恰逢投资者最需要变现之时。
1.03 Expectations and Asset Values · 预期与资产价值
从方程 1 得出的一个关键洞见是：资产价值取决于预期未来现金流，而不是过去的现金流。这一点具有重要含义：
三个关键观察
- 资产价格反映的是预期，而非历史。关键在于市场对未来现金流和贴现率的当前最佳估计。
- 只有“新闻”（意外）才会推动价格变动。已被充分预期的信息已经反映在价格中。只有与原先预期不同的信息——即意外——才会导致资产价格调整，并产生偏离预期收益率的持有期收益。
- 投资者情绪会影响贴现率。除了影响现金流和无风险利率的经济因素外，投资者情绪（乐观/悲观）也会影响风险溢价 ρ，从而直接影响资产价格。
定义：新闻
新闻 = 相对于已被充分预期信息的意外部分。
例：若市场一致预期 GDP 增长为 3.0%，实际公布值也是 3.0%，则不会发生价格调整。若实际值为 2.0%，则这 1% 的负向意外就是“新闻”，会导致风险资产重新定价。
这一观察构成了半强式市场有效性的基础：价格会迅速对公开信息作出调整，因为这些信息会立即反映在预期之中。
1.04 Real Default-Free Interest Rates · 实际无违约利率
实际无违约利率 l(t,s) 由跨期替代率（IRS）决定——即投资者在边际上用当前消费换取未来财富的意愿：
长公式可横向滚动
P_{t,s} = E_t[ m_{t,t+s} ]
Where:
P_{t,s} = price today of a bond paying $1 at t+s (real, default-free)
m_{t,t+s} = inter-temporal rate of substitution (IRS)
= marginal utility of consumption at t+s
─────────────────────────────────────────
marginal utility of consumption at t直觉：何时 IRS 较高，何时较低？
| 经济状态 | 当期边际效用 | IRS | 债券价格 / 实际利率 |
|---|---|---|---|
| 景气时期（高收入、高消费） | 低（接近饱和） | 低 | 价格低 → 实际利率高 |
| 衰退时期（低收入、低消费） | 高（稀缺） | 高 | 价格高 → 实际利率低 |
在“景气”时期，相对于当前，未来收入显得充裕，因此投资者并不迫切需要储蓄。此时均衡实际利率上升，以诱导储蓄。在“衰退”时期（经济衰退），投资者涌向安全资产（质量飞跃），推动实际利率下降。
均衡条件
所有投资者都使用 IRS 方程进行决策。实际无违约债券的市场均衡价格等于所有参与者预期 IRS 的加权平均。相对于市场而言，更看重未来消费的投资者会买入债券（推高价格）；更看重当前消费的投资者会卖出债券。
Example 1 · 跨期替代率（基于 CFA Curriculum 示例 1–3）
Given
- 随机冲击 ε：不利状态（概率 0.4），有利状态（概率 0.6）
- 不利状态下 IRS = 0.954676，有利状态下 IRS = 0.954379
- 市场均衡价格 P_{t,1} = E[m] = 0.4×0.954676 + 0.6×0.954379
Steps
- E[IRS]： 0.4 × 0.954676 + 0.6 × 0.954379 = 0.954498
- 债券价格： P_{t,1} = 每承诺 $1 的价格为 $0.954498
- 一期实际无风险利率： l_{t,1} = (1/0.954498) − 1 = 4.7671%
Result: 一期实际无风险利率为 4.7671%——即对 E[m] 取倒数得到。
1.05 Uncertainty and Risk Premiums · 不确定性与风险溢价
对于未来现金流不确定的资产，投资者会要求更高的预期收益率。这源于 财富边际效用递减这一性质：
Why Uncertainty Raises Required Return
- 投资者具有边际效用递减特征：损失 1 美元带来的痛苦大于获得 1 美元带来的愉悦。
- 因此，在相同期望值下，不确定的收益要比确定的收益价值更低。
- 风险溢价就是对这种因现金流波动导致的效用损失的补偿。
Decreasing Absolute Risk Aversion (DARA)
随着投资者变得更富有，他们会在风险资产上投入更大的绝对金额（DARA 假设）。富裕投资者的基本消费需求已得到满足，因此他们为持有风险资产所要求的风险溢价更低，相较于较贫穷的投资者。这对财富周期中市场整体风险溢价具有重要影响。
当投资者变得更富有时，其 IRS 会下降（更富有的投资者只愿意以更低价格购买安全债券，即要求更高的实际利率）。这在总体财富水平与均衡利率之间建立了联系。
1.06 Risk Premiums on Risky Assets · 风险资产的风险溢价
对于未来价格不确定的资产（例如持有 1 年后卖出的 2 年期债券，或股票），其风险溢价由 IRS 与该资产未来价格的协方差决定：
长公式可横向滚动
P_{t,s} = E_t[P_{t+1,s-1}] / (1 + l_{t,1}) + Cov_t(m_{t,t+1}, P_{t+1,s-1})
─────────────────────────────────────────────
Risk-neutral PV (first term) + Discount for risk (covariance term)
Risk premium: ρ ∝ −Cov(m, return)
→ Negative covariance = positive risk premium (most assets)
→ Positive covariance = negative risk premium (rare — "hedge assets")Intuition: Why is Cov(m, P) Usually Negative?
大多数资产（股票、公司债）在景气时期收益较高（此时 m 较低），在衰退时期收益较低（此时 m 较高）。这种负向联动意味着该资产无法提供消费平滑功能——因此投资者会要求正的风险溢价。
Negative Risk Premium Assets (Hedge Assets)
在经济不景气时期（边际效用较高）能够支付较高收益的资产，可以提供消费对冲。其协方差 Cov(m, P) 为正 → 风险溢价为负 → 投资者愿意接受低于无风险利率的收益率。例子：衰退期的长期政府债券，或尾部风险事件中的黄金。
Example 2 · Covariance Pricing of a 2-Year Default-Free Bond (CFA Example 5–6)
Given
- Bad state (prob 0.4): IRS = 0.954676, future bond price = 0.839181
- Good state (prob 0.6): IRS = 0.954379, future bond price = 0.954840
- Expected future price = 0.4×0.839181 + 0.6×0.954840 = 0.908576
- Risk-neutral PV (using l_{t,1} = 4.7671%) = 0.908576/1.047671 = 0.867234
Steps
- Cov(m,P): 0.4(0.954676−0.954498)(0.839181−0.908576) + 0.6(0.954379−0.954498)(0.954840−0.908576)
- Bad term: 0.4 × (+0.000178) × (−0.069395) = −0.000005
- Good term: 0.6 × (−0.000119) × (+0.046264) = −0.000003
- Cov = −0.000008
- Actual price: 0.867234 + (−0.000008) = 0.867226
Result: Price is $0.000008 lower than risk-neutral PV → holder earns a small but positive risk premium on the 2-year bond.
Key Exam Point
即使是无违约风险债券，若在到期前卖出，也会包含风险溢价，因为其未来价格是不确定的。该溢价来源于价格风险，而非信用风险。持有至到期的 1 年期债券风险溢价为零（收益确定）；持有 1 年的 2 年期债券则具有一个小的正风险溢价。
1.07 Default-Free Rates and Economic Growth · 利率与经济增长
基于 IRS 框架，对于实际无违约风险利率水平，可以得到两个经验性预测：
Two Relationships (Both Positive)
① 预期 GDP 增长 ↑ 时，实际利率 ↑
更高的预期未来收入意味着投资者对未来消费的担忧减弱——他们愿意现在多消费、少储蓄。要诱导其储蓄，就需要更高的实际利率。高增长的新兴经济体（India, China）的实际利率应高于低增长的发达经济体（UK, US, Japan）。
② GDP 增长波动性 ↑ 时，实际利率 ↑
对未来收入的不确定性越大，投资者就越谨慎（预防性储蓄动机）。但这也意味着极端不利结果的风险上升，从而提高所有资产（包括债券）的风险溢价。经验上，UK 实际国债收益率与 OECD GDP 波动性呈正相关（样本数据中 ρ ≈ 0.74）。
| Economy Type | GDP Growth | GDP Volatility | Expected Real Rate |
|---|---|---|---|
| Emerging (India, China) | High | High | Higher |
| Mature developed (US, EU) | Moderate | Moderate | Moderate |
| Japan / Western Europe | Low | Low | Lower |
| Post-crisis (ZLB environment) | Low + policy suppressed | High but QE-offset | Can be negative |
Ambiguous Effect of GDP Growth on Equity Values
GDP 增长上升通过两个相反方向的渠道影响股票价格：
- 分子效应（+）： 预期公司盈利提高 → E(CF) 上升。
- 分母效应（−）： 实际利率上升提高折现率 → PV 下降。
因此，对股价的净效应是不确定的——取决于两种效应的相对大小。这是典型的 CFA 考题考点。
1.08 Real Default-Free Rates and the Business Cycle · 实际利率与商业周期
实际无违约风险利率与商业周期同向变动，这可以从通胀挂钩政府债券（如 TIPS、UK index-linked gilts）的收益率中得到验证。
Exhibit 1 Key Findings (Cross-Section, July 2007)
- Australia（高 GDP 增长、高波动）拥有最高实际收益率（约 3.4%）。
- Japan（低 GDP 增长、低波动）拥有最低实际收益率（约 1.2%）。
- 实际收益率与历史 GDP 波动性的相关系数约为 0.74 （强于与增长水平 0.57 的相关性）。
Exhibit 2 Key Findings (UK, 1985–2018)
- 尽管 GDP 增长相对稳定，UK 实际国债收益率从约 3.5%（1985 年）下降至负值（2011 年后）。
- 1999–2007 年的下降与“Great Moderation”同时出现——GDP 波动性下降（波动性下降 → 实际利率下降）。
- 金融危机后：尽管波动性上升，收益率进一步下降——可用大规模 QE（央行购债）将收益率压低至均衡水平以下来解释。
实际无违约风险债券的关键定价公式（公式 9）： 对于实际无违约风险债券，其现金流在实际价值上是确定的，因此只有 l(t,s) 的变化会影响价格。所有经济效应都仅通过实际贴现率传导。
长公式可横向滚动
CF_{t+s} (certain in real terms)
V_t = Σ ──────────────────────────
s (1 + l_{t,s})^s
Simplification: No inflation premium (θ=0), no cash flow risk premium (ρ=0)
→ Only l_{t,s} moves the price of a real default-free bond.1.09 The Yield Curve and the Business Cycle · 收益率曲线与商业周期
从实际无违约风险债券转向名义无违约风险债券，投资者必须就通胀不确定性获得补偿。定价公式（公式 10）中加入了通胀风险溢价：
长公式可横向滚动
Nominal bond pricing (Equation 10):
CF_{t+s} (certain in nominal terms)
V_t = Σ ──────────────────────────────────────────
s (1 + l_{t,s} + θ_{t,s} + π_{t,s})^s
Where:
θ_{t,s} = expected inflation over [t, t+s]
π_{t,s} = inflation risk premium (compensation for inflation uncertainty)
l_{t,s} = real default-free rate (as before)
Note: Cash flow IS certain in nominal terms but uncertain in REAL terms
→ Unlike real bond, nominal bond carries an inflation-related risk premium πWhy the Inflation Risk Premium Exists
- 对于 3 个月 T-bill，投资者对通胀的判断较为有把握 → π 非常小。
- 对于 20 年期债券，20 年期通胀高度不确定 → π 较大。
- 到期时间越长，名义收益率中所包含的通胀风险溢价越大。
Yield Curve Shape and Business Cycle
| Yield Curve Shape | Economic Signal | Implication for Bonds |
|---|---|---|
| Steep / Upward sloping | 复苏初期；CB 已下调短端利率 | 若持有至到期，长期债券表现更好；在利率上升环境中，短期债券更安全 |
| Flat | 周期后期；CB 正在收紧 | 久期中性；信用风险上升 |
| Inverted | 衰退可能在前方；CB 过度紧缩 | 随着衰退到来且 CB 最终降息，长期债券表现更好 |
1.10 Treasury Bills, Policy Rates & the Taylor Rule · 国库券与泰勒规则
短期名义利率（T-bills）与央行政策利率高度同步，而政策利率又会根据通胀和产出缺口，随经济周期变化而调整。
Taylor Rule (Equation 12)
长公式可横向滚动
prt = lt + ιt + 0.5(ιt − ι*t) + 0.5(Yt − Y*t)
Where:
prt = policy rate at time t
lt = neutral real rate (long-run equilibrium real rate)
ιt = current inflation rate
ι*t = inflation target
Yt − Y*t = output gap (actual − potential GDP, in log levels ≈ %)
Simplified:
prt = Neutral nominal rate + 0.5 × Inflation gap + 0.5 × Output gapExample 3 · Taylor Rule — Policy Rate Calculation
Given
- Neutral real rate (l) = 2.0%
- Inflation target (ι*) = 2.0%
- Current inflation (ι) = 3.0%
- Output gap = +2.0% (economy above potential)
Steps
- Neutral nominal rate: l + ι* = 2.0 + 2.0 = 4.0%
- Inflation gap term: 0.5 × (3.0 − 2.0) = 0.5%
- Output gap term: 0.5 × 2.0 = 1.0%
- Taylor rule rate: 4.0 + 0.5 + 1.0 = 5.5%
Result: Appropriate policy rate = 5.5%. If actual fed funds rate is below this, monetary policy is too accommodative (inflationary risk).
Exhibit 4–5 Takeaways
- 美国和英国的 T-bill 收益率在历史上与通胀和政策利率高度同步。
- T-bill 期限足够短，通胀不确定性 (π) 极小 → 收益率 ≈ l + θ（预期通胀）。
- 美联储的政策利率在 2000 年代初偏离 Taylor Rule（利率维持过低 → 助长房地产泡沫），以及 GFC 之后（ZLB 约束）。
Policy Errors and Business Cycle Amplification
央行在出现政策失误时，可能会放大经济周期：
- 利率过低且持续时间过长 → 资产价格泡沫、信贷过度扩张。
- 利率过高且持续时间过长 → 不必要的衰退、通缩风险。
Taylor Rule 提供了一个客观基准，用于判断当前政策是否合适。
1.11 Break-Even Inflation Rates · 盈亏平衡通胀率
盈亏平衡通胀率（break-even inflation, BEI）是同一到期日名义无违约债券收益率与实际（通胀挂钩）无违约债券收益率之间的差额：
长公式可横向滚动
BEI_{t,s} = Nominal yield_{t,s} − Real yield_{t,s}
= θ_{t,s} + π_{t,s}
≈ Expected inflation + Inflation risk premium
Example: 10-year nominal Treasury yield = 4.0%
10-year TIPS yield = 1.5%
BEI = 4.0% − 1.5% = 2.5%BEI Is NOT Simply Expected Inflation
BEI = Expected Inflation (θ) + Inflation Risk Premium (π)
通胀风险溢价 π 补偿投资者的是未来通胀的不确定性，而不仅仅是预期水平。因此，BEI 系统性地高估真实的通胀预期。期限越长，该溢价越大。
Example 4 · Implied Inflation Risk Premium (CFA Example 11)
Given
- Estimated real risk-free rate: 1.25%
- Expected average inflation (next 1yr): 2.50%
- Observed nominal default-free bond price (face £100, 1yr): £95.92
Steps
- Nominal yield (approx): (100 − 95.92)/95.92 × 100 = 4.253%
- Theoretical yield without π: 1.25% + 2.50% = 3.75%
- Implied inflation risk premium: 4.253% − 3.75% = 0.503%
Result: The bond prices in an inflation risk premium of ~0.50%, reflecting compensation for inflation uncertainty beyond the 2.50% expected inflation.
Central Bank Use of BEI
央行将 BEI 视为衡量通胀预期的实时市场指标。BEI 上升表明市场担忧未来通胀走高——可能促使央行预先收紧政策。但需要谨慎解读，因为 BEI ≠ 纯粹的通胀预期（其中包含风险溢价成分）。
Exhibit 7 Summary (BEI across Australia, UK, US)
- 自 1980 年代以来，英国和澳大利亚的 BEI 率稳步下降，与全球通胀下行趋势一致。
- 在 GFC（2008–2009）期间，BEI 急剧下跌，因为通缩担忧占主导。
- 危机之后（2011 年 12 月）：BEI 回升但仍低于危机前水平，与通胀目标制下通胀预期被锚定的情形相一致。
Glossary & Practice · 术语表与练习
Inter-Temporal Rate of Substitution (IRS)
未来第 s 期消费的边际效用（分子）与当期消费边际效用（分母）之比。决定均衡实际无违约债券价格；在“坏时点”更高 → 债券价格更高 → 实际收益率更低。
Real Default-Free Rate (l_{t,s})
通胀指数化、无违约债券所需的回报率；反映总体储蓄/投资决策以及 GDP 增长动态。
Inflation Premium (θ_{t,s})
名义贴现率中补偿预期通胀侵蚀未来现金流实际购买力的部分。
Risk Premium (ρ_{t,s})
为承担现金流不确定性所要求的额外回报；由 Cov(IRS, 资产收益) 决定——协方差为负 → 风险溢价为正。
Break-Even Inflation (BEI)
名义收益率减去实际收益率；等于预期通胀 + 通胀风险溢价。会高估纯粹的通胀预期。
Inflation Risk Premium (π_{t,s})
因未来通胀不确定性而要求的额外回报；期限越长越大；嵌入在名义（而非实际）债券收益率中。
Taylor Rule
政策利率 = 中性实际利率 + ι* + 0.5(通胀缺口) + 0.5(产出缺口)；用于衡量央行利率设定是否合适的基准。
Output Gap
实际 GDP 减去潜在 GDP；为正 → 通胀压力上升 → 央行应加息；为负 → 存在闲置产能 → 央行应降息。
News / Surprise
与完全预期信息不同的新信息；只有“新闻”会推动资产价格变动，已被预期的信息不会。
Decreasing Absolute Risk Aversion (DARA)
财富更高的投资者在绝对金额上持有更多风险资产；意味着富有投资者要求的风险溢价更低。
Consumption Hedging
在“坏状态”（边际效用高）下有良好表现的资产是消费对冲资产；其风险溢价为负（例如经济衰退期间的长期政府债券多头）。
Flight to Quality
在经济衰退中，投资者从风险资产转向安全资产（政府债券、黄金），推高安全资产价格并压低实际收益率。
Example 1 · Three Channels of Economic Impact
According to the fundamental pricing equation, a change in an economy's monetary policy can affect asset values ONLY if it affects:
- A.The level of GDP and corporate earnings.
- B.At least one of: default-free interest rates, expected cash flows, or risk premiums.
- C.Investor sentiment and market momentum.
Answer: B
The fundamental pricing equation (Equation 1) shows that economic factors affect asset values only through the three components of the discount rate (l, θ, ρ) and/or the expected cash flows. Monetary policy primarily works through l_{t,s} (changing real rates) and θ_{t,s} (changing inflation expectations), and can also affect ρ (risk sentiment). GDP and corporate earnings are the cash flow channel.
Example 2 · Risk Premium Sign
An asset tends to generate high returns during economic expansions and low returns during recessions. This asset's risk premium is MOST likely:
- A.Negative, because it hedges consumption.
- B.Zero, because it is risk-free.
- C.Positive, because it fails to hedge consumption.
Answer: C
An asset that pays off in good times (when marginal utility of consumption is low) and poorly in bad times (when marginal utility is high) has a negative covariance between the IRS and its return. This negative covariance results in a POSITIVE risk premium — investors must be compensated for holding an asset that amplifies, not smooths, consumption.
Example 3 · GDP Growth and Real Interest Rates
Country A has higher trend GDP growth and higher GDP volatility than Country B. All else equal, the real default-free rate in Country A versus Country B is MOST likely:
- A.Lower, because investors will save more in Country A.
- B.Higher, because both higher growth and higher volatility push real rates up.
- C.The same, because the two effects cancel each other out.
Answer: B
Real rates are positively related to BOTH (1) expected GDP growth (higher future income → less need to save → higher rate needed to induce saving) and (2) GDP growth volatility (greater uncertainty → higher risk premium). Both effects push Country A's real rate above Country B's.
Example 4 · Taylor Rule Direction
The central bank's policy rate is 3.0%. The Taylor Rule implies a rate of 5.5%. Which statement BEST describes the situation?
- A.Monetary policy is overly restrictive and may cause a recession.
- B.Monetary policy is overly accommodative and may be inflationary.
- C.Monetary policy is at the neutral rate.
Answer: B
If the actual policy rate (3.0%) is below the Taylor Rule rate (5.5%), monetary policy is too loose — interest rates are too low given current inflation and the output gap. This is accommodative policy, which if sustained, risks generating excessive credit growth, asset price inflation, or consumer price inflation.
Example 5 · Break-Even Inflation Interpretation
A 10-year nominal government bond yields 4.2% and a 10-year inflation-linked bond of the same issuer yields 1.8%. Which statement BEST describes the break-even inflation rate of 2.4%?
- A.The market expects exactly 2.4% inflation over the next 10 years.
- B.2.4% equals expected inflation plus an inflation risk premium.
- C.2.4% is the real return required by investors.
Answer: B
BEI = θ_{t,s} + π_{t,s} = Expected inflation + Inflation risk premium. BEI systematically overstates pure inflation expectations because it includes the inflation risk premium (compensation for uncertainty around future inflation). The premium is typically positive for long-maturity bonds, meaning actual inflation expectations are below 2.4%.
Example 6 · Ambiguous GDP Growth Effect on Equities
If expected real GDP growth increases unexpectedly, and real corporate earnings growth is assumed to follow GDP growth proportionally, the most likely effect on equity prices is:
- A.Unambiguously positive, because higher earnings drive prices up.
- B.Unambiguously negative, because higher real rates discount cash flows more.
- C.Ambiguous, because both earnings expectations and real discount rates rise.
Answer: C
Higher GDP growth raises expected corporate earnings (numerator ↑) but also raises the real default-free rate l_{t,s} (denominator ↑). The net effect on equity prices is ambiguous and depends on the relative magnitudes. This is the canonical 'ambiguous GDP growth effect on equities' exam question in the CFA curriculum.
1.12–1.15 Yield Curve, Term Spread & Bond Risk Premiums · 收益率曲线与期限利差
在已经建立了单个名义债券定价的基础上，我们现在考察收益率曲线如何随经济周期发生移动，以及其斜率（期限利差）如何反映预期与风险溢价。
收益率曲线三大特征（Exhibit 9）
| Factor | Description | Variance Explained (US) |
|---|---|---|
| Level | Average height of the curve; driven by expected inflation + real growth | 92.7% |
| Slope | Steepness; driven by central bank policy rate expectations + term premium | 6.9% |
| Curvature | Bow shape; mid-maturity yields relative to short and long ends | 0.3% |
超过 99% 的收益率曲线变动可以仅由水平与斜率两个因素解释；曲率几乎可以忽略不计。
期限利差 = 长期收益率 − 短期收益率
- 正值（向上倾斜）： 正常状态——风险溢价 + 对利率上升的预期。长期债券收益率更高，以补偿更大的价格不确定性和通胀风险。
- 平坦： 市场预期利率保持不变；期限溢价 ≈ 0，或短期利率上升预期被期限溢价下降所抵消。
- 倒挂（向下倾斜）： 市场预期未来将降息，通常预示经济衰退。短期利率处于高位（央行已收紧），而长期收益率反映较低的预期未来短期利率。
历史证据（Exhibit 11，1900–2011）： 美国和英国的收益率曲线都曾间歇性倒挂，最为剧烈的是 1979–1980 年，当时 Volcker 和 Thatcher 提高政策利率以遏制通胀（美国峰值 17.5%，英国 17.0%）。随后出现的明显倒挂准确发出了即将到来的通缩与经济衰退信号。
债券风险溢价（期限溢价）— Exhibit 12 关键事实
- 平均收益率利差（长期相对于短期）在美国、英国、法国、加拿大大多为 正值 → 期限溢价通常随期限上升而增加。
- 总回报随期限上升而提高（例如，美国：2 年期 = 5.77%，30 年期 = 9.07%）——补偿更大的久期风险。
- 政府债券回报与 GDP 增长的相关性 主要为负 → 债券在经济不景气时表现较好 → 投资者接受较低的预期回报（良好的消费对冲工具）。
- 债券风险溢价在 GFC 之后大幅下降（Exhibit 13）：投资者更加重视政府债券的避险属性 → 推高价格 → 降低所需回报率。
影响收益率曲线形态的其他因素
- 供需扭曲： 亚洲央行在 2000 年代初大量购买 Treasuries，财政盈余在 1999–2000 年减少 Treasury 供给。
- 监管 / 会计规则： 英国 1997 年养老金立法要求大量配置长期 gilts → 英国长期端结构性倒挂持续数十年。
- 零利率下限（ZLB）/ QE： GFC 之后央行购买债券压低长期收益率至基本面之下 → 人为压缩期限溢价。
- 日本案例研究（Exhibit 14）： 1990 年泡沫破裂后增长崩塌 → 利率长期接近零 → 降息使曲线变陡 → 之后随着长期收益率也接近零，曲线再次趋平。
Example 7 · 收益率曲线斜率——倒挂的经济原因
哪一项最能解释为何倒挂收益率曲线往往预示经济衰退？
- A.长期债券风险更高，因此其收益率总是低于短期债券。
- B.经济后周期高通胀与紧缩货币政策推高短期利率；长期收益率则反映随着增长放缓而出现的未来降息预期。
- C.倒挂曲线是由外国央行购买长期债券造成的，与经济无关。
Answer: B
倒挂通常出现在央行为对抗通胀而大幅提高短期利率（抬高短端）时，而长期端则反映市场对通胀回落和经济放缓的前瞻性预期（未来短期利率下降）。倒挂发出了政策可能逆转的信号，而这在历史上往往先于经济衰退出现。
Example 8 · 债券风险溢价与消费对冲
政府债券回报与 GDP 增长呈负相关。这最可能意味着政府债券风险溢价是：
- A.高于股票风险溢价，因为投资者担心违约。
- B.低于在回报与 GDP 正相关情形下的水平，因为债券提供消费对冲。
- C.为零，因为政府债券是无风险的。
Answer: B
与 GDP 的负相关意味着债券在经济不景气时表现较好（此时消费边际效用较高）——它们是良好的消费对冲工具。IRS 与债券回报的正协方差降低了所需风险溢价。政府债券并非真正无风险（存在价格风险和通胀风险），但其消费对冲特性压低了其风险溢价。
1.16–1.18 Credit Premiums & Sovereign Risk · 信用溢价与主权风险
超越无违约风险债券，我们在可能发生违约的债券贴现率中加入信用风险溢价（φ）。信用风险债券（方程 13）的定价方程是在无违约贴现率基础上加上 φ：
长公式可横向滚动
Discount rate (credit-risky bond) = l_{t,s} + θ_{t,s} + π_{t,s} + φ_{t,s}
Where:
φ_{t,s} = credit risk premium for this issuer, maturity s
Credit spread = Yield(corporate) − Yield(same-maturity gov't bond)
≈ φ_{t,s} (plus small interaction effects)
Expected loss = Probability of Default (PD) × Loss Given Default (LGD)
= PD × (1 − Recovery Rate)信用利差与经济周期（Exhibit 15）
- 信用利差在经济衰退期间扩大（PD 上升、回收率下降），在扩张期收窄。
- 高收益（Baa/BBB）利差波动更大，在下行周期中相较投资级（Aaa/AAA）利差扩大幅度更大。
- 当利差整体收窄时，改善速度对较弱信用主体更快（回升空间更大）。反之在利差走阔时亦然。
信用评级与财务指标对照（Moody's Exhibit 18）
| Metric | Aaa | Aa | A | Baa | Ba | B | Caa |
|---|---|---|---|---|---|---|---|
| Pre-tax interest coverage (×) | 17.6 | 7.6 | 4.1 | 2.5 | 1.5 | 0.9 | 0.7 |
| Free op. CF / Total debt (%) | 42.3 | 28.0 | 13.6 | 6.1 | 3.2 | 1.6 | 0.8 |
| Total debt / Total capital (%) | 21.9 | 32.7 | 40.3 | 48.8 | 66.2 | 71.5 | 71.2 |
Aaa 公司利息保障倍数为 17.6×；B/Caa 公司甚至无法覆盖利息支出（利息保障倍数低于 1×）。随着评级下降，杠杆率单调上升。
行业与板块对信用质量的影响
- 周期性板块（航空、可选消费、汽车）：盈利对 GDP 高度敏感 → 在衰退期利差大幅走阔。
- 非周期 / 防御性板块（必选消费、公用事业、医疗保健）：盈利更稳定 → 利差走阔程度较小。
- 在相同评级类别内，周期性板块债券的利差要宽于防御性板块债券。
主权信用风险
- 新兴市场主权： 即便在技术上可以印钞，许多国家仍在外币债务上发生违约。相对于 US Treasuries 的利差反映政治风险、外汇储备充足性以及增长前景。
- 发达经济体危机（Eurozone 2010–2012）： 货币联盟（€）内国家无法通过印钞偿还债务 → 希腊、爱尔兰、葡萄牙、西班牙、意大利的利差大幅飙升。
- CDS 溢价（Exhibit 20，Royal Bank of Scotland）在 2011–2012 年峰值约 360 bps，反映了欧洲主权债务危机期间的系统性银行风险。
Example 5 · 隐含信用溢价（CFA Example 15）
Given
- Real risk-free rate = 1.25%
- Expected inflation = 2.50%
- Inflation risk premium = 0.50%
- Observed corporate bond price: £100 face, 1yr maturity = £94.21
Steps
- Nominal yield: (100 − 94.21)/94.21 = 6.144%
- Default-free nominal yield: 1.25% + 2.50% + 0.50% = 4.25%
- Implied credit premium (φ): 6.144% − 4.25% = 1.894%
Result: Credit premium ≈ 1.89%。投资者相对于无违约名义收益率需要约 190 bps 的补偿以承担违约风险。
Example 9 · 信用利差——经济周期
在经济衰退期间，哪类公司债券最有可能出现最大幅度的信用利差走阔？
- A.收益稳定、受监管收入支持的 AAA 级公用事业债券。
- B.固定成本高、收入具周期性的 B 级航空公司债券。
- C.拥有专利保护现金流的 AA 级制药公司债券。
Answer: B
信用利差对以下两类主体走阔最为明显：（1）评级较低的发行人（衰退期 PD 更高）；（2）周期性板块（收入在下行周期大幅下降）。航空业是周期性最强的行业之一——固定成本高、收入依赖可自由支配的旅行支出。B 级航空公司债券同时具备这两种最不利特征。
1.19–1.21 Equities, ERP & Earnings Growth · 股票与权益风险溢价
股票定价方程（Equation 15）将信用风险债券定价公式扩展到永续且不确定的股利：
长公式可横向滚动
Equity pricing (Equation 15):
E_t(Div_{t+s})
V_t = Σ ─────────────────────────────────────────
s (1 + l_{t,s} + θ_{t,s} + π_{t,s} + φ_{t,s} + κ_{t,s})^s
Where:
φ_{t,s} = credit risk premium (same issuer, same as its bonds)
κ_{t,s} = additional equity-specific premium (residual claim risk)
N → ∞ (dividends extend indefinitely)
Equity Risk Premium (ERP) = φ + κ
= additional return required over comparable default-free bond
= compensation for: (1) residual/junior claim in liquidation, and
(2) total loss in bankruptcy (vs. partial recovery for bondholders)股票为何是差劲的消费对冲资产
- 实际股票收益在经济衰退期间大幅下跌——恰恰是在投资者最需要消费支持的时候（Exhibit 21：美国股票在大萧条期间约 −40%，在全球金融危机期间约 −30%；英国股票在 1972–1974 年约 −50%）。
- 这种顺周期性意味着股票是糟糕的消费对冲工具 → 投资者因此要求较高的风险溢价（ERP）。
- 相比之下，政府债券与 GDP 呈负相关 → 对消费有部分对冲作用 → 风险溢价较低。
事后股权风险溢价（Exhibit 25，DMS 1900–2017）
| Market | Real Equity Return | Real Bond Return | Ex-Post ERP |
|---|---|---|---|
| Australia | ~6.9% | ~1.5% | ~5.0% |
| United States | ~6.5% | ~2.0% | ~4.5% |
| United Kingdom | ~5.5% | ~1.5% | ~4.0% |
| Japan | ~4.1% | ~−0.9% | ~5.0% |
| Switzerland | ~4.4% | ~2.2% | ~2.2% (lowest) |
在 117 年期间，ERP 每年大约在 ~2.2%（Switzerland）到 ~5.1%（Japan）之间。事后 ERP（ex-post ERP）与事前 ERP（ex-ante ERP）并不相同——未来的 ERP 可能不同。
盈利增长与经济周期（1.20）
- 实际盈利增长与 GDP 高度同步——在经济衰退期出现大幅下滑（Exhibit 22），对周期性公司尤为明显。
- 周期性行业（可选消费、汽车、航空公司）：盈利高度波动——放大经济周期。
- 非周期性 / 防御性行业（必需消费品——如牙膏）：需求缺乏弹性；盈利在经济周期中相对稳定。
- 耐用品消费的波动远大于非耐用品（Exhibit 23）——生产耐用品的公司盈利波动相应更大。
Example 10 · Equity Risk Premium — Consumption Hedging
哪一项股票特征最直接地解释了为何投资者需要股权风险溢价？
- A.股票没有到期日，使其现金流为永续现金流且更难预测。
- B.股票收益在经济衰退期往往较低或为负，而此时消费的边际效用最高，因此股票是糟糕的消费对冲工具。
- C.股票比债券更具流动性，但其交易成本更高。
Answer: B
ERP 的根本原因在于其糟糕的消费对冲属性：股票在“坏时点”（经济衰退）下跌，而这恰恰是投资者最需要投资组合产生回报的时候。边际替代率（IRS）在衰退期较高，而股票收益较低，两者之间的负协方差导致了较大且为正的风险溢价。永续现金流和预测难度只是次要因素。
Example 11 · Cyclical vs. Non-Cyclical Earnings
某公司生产豪华汽车。在经济衰退期间，其收入和利润下降 40%。另一家公司生产牙膏，其利润仅下降 3%。对此差异最可能的解释是：
- A.牙膏属于非周期性必需品，需求缺乏弹性；豪华汽车属于可选耐用品，需求高度富有弹性。
- B.汽车公司具有更高的财务杠杆，从而放大了经济周期的影响。
- C.牙膏公司在经济衰退期间受益于政府补贴。
Answer: A
消费必需品（如牙膏）的需求缺乏弹性——无论经济周期如何，消费者都会继续购买。豪华汽车属于可选耐用品：消费者可以在经济衰退期间推迟购买，且对奢侈品的需求对收入高度敏感。这种周期性使得汽车公司的盈利波动远远大于整体 GDP 下滑所暗示的程度。
1.22 Valuation Multiples & CAPE · 估值倍数与周期调整市盈率
估值倍数——尤其是 P/E 和 P/B——在商业周期中呈系统性变化，反映了对预期盈利、折现率以及风险溢价的变化。
市盈率（P/E）：定义与周期性特征
- P/E = Share price ÷ EPS。 告诉投资者为每 1 美元盈利支付了多少价格。
- P/E 在扩张期上升（风险溢价较低、盈利增长预期较高、折现率较低）。
- P/E 在衰退期下降（风险溢价较高、对盈利崩塌的担忧、折现率较高）。
- 1900–1990 年美国平均历史滞后 P/E 约为13.5×。在 1999–2000 年互联网泡沫期间峰值约为 ~45×。
支撑更高 P/E 的五大因素（均与经济周期相关）
- ↑ 预期实际盈利增长
- ↓ 实际利率 l(t,s)——可能源于 GDP 波动率下降（Great Moderation）
- ↓ 通胀预期 θ(t,s)
- ↓ 通胀不确定性 π(t,s)
- ↓ Equity risk premium (ERP)
以上五个因素都受到商业周期的影响——P/E 是市场对这五个因素综合看法的汇总统计量。
周期调整市盈率（CAPE / 席勒 PE）
长公式可横向滚动
CAPE = Real equity price
─────────────────────────────────────────
10-year moving average of real earnings
Advantage: Smooths out short-term earnings volatility from the cycle.
Avoids distortion when recession depresses earnings (making P/E
look artificially high) or boom inflates them (artificially low).
Historical signal: High CAPE → below-average future long-run returns.
Low CAPE → above-average future long-run returns.
Limitation: NOT useful for short-run market timing — valuation can stay
"stretched" for many years before mean-reverting.市净率（P/B）
P/B = Share price ÷ Net assets per share。 反映市场相对于会计账面价值所给予的溢价程度。P/B 低于 1 意味着市场对公司的估值低于其报告的净资产——这在严重熊市或特许经营权恶化的公司中较为常见。
Example 12 · CAPE Interpretation
某分析师观察到，某主要股票市场当前的 CAPE 为 35，而其历史平均值为 18。以下哪一表述最能准确描述这一现象所隐含的含义？
- A.该市场被高估，并将在未来 12 个月内崩盘。
- B.预期长期实际股票回报率可能低于其历史平均水平，但无法做出短期预测。
- C.由于盈利本身具有波动性，市场 P/E 毫无意义。
Answer: B
较高的 CAPE（35 对比历史均值 18）表明，相对于趋势盈利，股票估值偏贵，意味着随着估值随时间均值回归，预期长期回报率将低于历史平均水平。然而，CAPE 并不是良好的短期择时工具——市场可能在较长时间内维持高估状态。Alan Greenspan 在 1996 年提出“irrational exuberance”时，CAPE 约为 28；而市场在 4 年后于约 45 的水平见顶。
1.23–1.24 Commercial Real Estate · 商业房地产
商业房地产（CRE）是一类混合资产：其既具有类债券的租金收入，又具有类股票的资本价值升值/贬值特征，并包含显著的流动性溢价。
商业房地产收益的三大组成部分
① 债券成分——租金收入
租金是合同约定的，类似于债券票息。其质量取决于租户的信用状况（正如债券质量取决于发行人的信用）。政府租户的租约可按实际债券定价；企业租户则需要加入信用溢价。
② 股票成分——资本价值 / 再开发
当租约到期时，业主可以重新出租、再开发或出售。未来资本价值的不确定性带来类股票风险。CRE 的资本价值高度顺周期——在全球金融危机期间，Ireland 下跌 55%，UK 下跌 43%（Exhibit 28）。
③ 流动性溢价
CRE 无法在短时间内以公允价值迅速变现。投资者在基本风险溢价之上还要求流动性溢价（λ）。流动性不足会恶化 CRE 的消费对冲属性（在需要现金时无法迅速出售）。
商业房地产折现率（Equation 17）
长公式可横向滚动
Discount rate for CRE = l_{t,s} + θ_{t,s} + π_{t,s} + φ_{t,s} + ρ_prop + λ
Where:
l_{t,s} = real default-free rate
θ_{t,s} = expected inflation
π_{t,s} = inflation risk premium
φ_{t,s} = credit risk of tenant (reflects quality of rental income)
ρ_prop = property-specific risk premium (uncertainty of future value)
λ = illiquidity premium
Example tenant types:
Gov't tenant, inflation-indexed rent → only l_{t,s} in discount rate
Gov't tenant, fixed nominal rent → l + θ + π
Corporate tenant, fixed nominal rent → l + θ + π + φ + ρ_prop + λExample 6 · CRE Valuation (CFA Example 17)
Given
- Real risk-free rate = 1.25%, expected inflation = 2.50%, inflation risk premium = 0.50%
- Supermarket plc 10-yr bond yield = 5.75%; credit spread = 1.50%
- Property risk premium = 0.50%, liquidity premium = 1.00%
- Annual rent (in arrears): $500,000/yr for 10 years
- Terminal sale value at Year 10: $10,000,000
Steps
- Required return: 5.75% + 0.50% + 1.00% = 7.25%
- PV of rental annuity: $500,000 × [1−(1.0725)^{−10}]/0.0725 = $3,453,256
- PV of terminal value: $10,500,000 / (1.0725)^{10} = $5,214,543
- Total property value: $3,453,256 + $5,214,543 ≈ $8,438,000
Result: 隐含物业价值约为 $8.44M。若要价高于 $8.44M，则预期回报率低于门槛收益率（7.25%）——不应投资。
商业房地产与经济周期
- 名义租金收入相对稳定（UK：平均约 6.5%/年，Exhibit 28 Panel A）。
- CRE 的资本价值高度波动且顺周期——在经济衰退期间大幅下跌（在全球金融危机中，Ireland：−55.5%，UK：−43%）。
- 由于 CRE 无法对冲不利的消费结果（在衰退期价格下跌），投资者要求较高的风险溢价。
- CRE 的风险溢价很可能与公司债和股票的风险溢价高度相关。
Example 13 · CRE vs. Public Equity Valuation
以下哪一因素最能区分直接商业房地产估值与上市股票估值？
- A.商业房地产不产生任何收入，而股票会支付股利。
- B.商业房地产估值需要考虑流动性溢价，因为其无法像上市股票那样在短时间内以公允价值出售。
- C.商业房地产不受商业周期影响，因为租金是合同固定的。
Answer: B
关键的区别在于流动性。上市股票可以在数秒内按当前市场价格出售。商业房地产的出售可能需要数月甚至数年，并伴随较高的交易成本。这种流动性不足意味着 CRE 无法作为消费对冲工具（在“坏时点”无法迅速变现），因此投资者在基本风险和通胀溢价之上还要求流动性溢价（λ）。
模块 2 · 主动投资组合管理分析
主动投资组合管理分析 — 信息比率、主动管理基本定律与转移系数
Roger G. Clarke, PhD · Harindra de Silva, PhD, CFA · Steven Thorley, PhD, CFA
学习目标 · Learning Outcomes
考生应能够：
- 描述主动管理创造价值（超额收益）的衡量方式
- 计算并解读信息比率（事前/事后），并与夏普比率对比
- 描述并解读主动管理基本定律，包括转移系数（TC）、信息系数（IC）、广度（BR）和主动风险
- 说明信息比率如何用于经理人选择和主动风险水平的确定
- 比较市场择时与个股选择等主动策略，并用基本定律评估策略变化
- 描述主动管理基本定律的实际优势与局限性
2.01–2.02 主动管理与超额价值 · Active Management & Value Added
主动管理的目标是跑赢基准组合（benchmark）。超额价值（value added）定义为主动管理组合收益与基准收益之差，即主动收益（active return）：
长公式可横向滚动
主动收益（Active Return）：
R_A = R_P − R_B
风险调整后超额价值（alpha）：
α_P = R_P − β_P × R_B
（当 β_P = 1 时，α_P = R_A）
主动权重（Active Weight）：
Δw_i = w_{P,i} − w_{B,i} （主动权重之和 = 0）
超额价值分解（Equation 3）：
R_A = Σ Δw_i × R_{Ai}
其中 R_{Ai} = R_i − R_B （个券相对于基准的超额收益）
→ 正超额价值来源：超配超跑基准的证券 + 低配跑输基准的证券基准组合的三个必要条件
- 代表性：反映主动管理所选资产的全集
- 可复制性：基准持仓可以低成本实际持有
- 可验证性：事前权重可查、事后收益及时公布
超额价值归因分解（Equation 4）
将总超额价值分解为资产配置和证券选择两部分：
长公式可横向滚动
R_A = Σ_j Δw_j × R_{B,j} ← 资产配置贡献
+ Σ_j w_{P,j} × R_{A,j} ← 证券选择贡献
（j 表示各资产类别，如股票/债券）示例（2018年）：资产配置贡献 −0.4%，证券选择贡献 −0.8%，总超额价值 −1.2%
数值示例：MSCI EAFE 国家配置（2018年）
| 国家 | 基准权重 | 组合权重 | 主动权重 Δw | 2018收益 |
|---|---|---|---|---|
| 英国 | 17% | 16% | −1% | −7.6% |
| 日本 | 25% | 14% | −11%（最大低配） | −9.0% |
| 法国 | 11% | 8% | −3% | −3.5% |
| 德国 | 9% | 24% | +15%（最大超配） | −15.8% |
| 其他 | 38% | 38% | 0% | −0.1% |
超额价值 = −0.01(−7.6) − 0.11(−9.0) − 0.03(−3.5) + 0.15(−15.8) = −1.2%（超配德国是主要拖累）
Example 1 · 超额价值来源
一个主动管理组合的所有持仓均与基准权重完全相同（Δwi = 0），则该组合：
- A.将产生正超额价值，因为选股技能仍在。
- B.不会产生任何超额价值，因为超额价值完全由主动权重驱动。
- C.将产生与基准相同的风险调整后超额价值。
Answer: B
根据公式 R_A = Σ Δwi × RAi，若所有主动权重 Δwi = 0，则无论个券表现如何，超额价值均为零。这是主动管理的根本逻辑：必须偏离基准权重才能创造（或损毁）价值。
2.03–2.04 夏普比率与信息比率 · Sharpe Ratio & Information Ratio
风险收益权衡可从绝对（夏普比率）和相对于基准（信息比率）两个维度衡量。这是本模块最核心的两个指标。
夏普比率（Sharpe Ratio）— 绝对衡量
长公式可横向滚动
夏普比率（Equation 5）：
SR_P = (R_P − R_F) / σ_P
R_P = 组合收益率
R_F = 无风险利率
σ_P = 组合收益率标准差（总风险/波动率）
关键性质：
加入现金或加杠杆 → SR_P 不变
（原因：分子分母均按相同比例缩放）
两基金分离定理（Two-Fund Separation）：
最优组合 = 最高 SR 的风险资产组合 + 无风险资产
→ 投资者通过调整现金比例控制总风险，不改变 SR历史参考：美国股票长期 SR ≈ 0.40–0.60；债券因波动率低 SR 也可较高（如 Bloomberg Barclays Agg: 0.77）
信息比率（Information Ratio）— 相对衡量
长公式可横向滚动
信息比率（Equation 6）：
IR = E(R_A) / σ_A = E(R_P − R_B) / σ(R_P − R_B)
E(R_A) = 期望主动收益（事前）或 平均实现主动收益（事后）
σ_A = 主动风险 / 跟踪误差（benchmark tracking risk）
关键性质（与 SR 对比）：
✓ 加杠杆或加现金 → SR 不变，但 IR 会改变（有别于 SR）
✓ 等比例放大所有主动权重 → IR 不变（分子分母同比扩大）
✓ 零和性质：同基准下所有基金的平均实现 IR ≈ 0
✓ 典型事后 IR 范围：−0.30 至 +0.30（一年期更宽）SR 与 IR 的关系（Equation 7）— 考试高频公式
长公式可横向滚动
最优主动组合的 SR 与 SR_B、IR 的关系：
SR_P² = SR_B² + IR²
→ SR_P = √(SR_B² + IR²)
含义：更高的 IR（更强的主动管理技能）可以在基准 SR 基础上
提升总组合的 SR。IR 越高，提升越大。
最优主动风险水平（Equation 8）：
σ_A* = (IR / SR_B) × σ_B
→ 主动风险 ∝ IR（技能越强，应承担更多主动风险）
→ 主动风险 ∝ σ_B（基准风险越大，容许更多主动风险）夏普比率 vs. 信息比率：关键区别
| 维度 | 夏普比率 SR | 信息比率 IR |
|---|---|---|
| 衡量对象 | 绝对收益超越无风险利率的效率 | 相对于基准的主动收益效率 |
| 分母风险 | 总风险 σ_P | 主动风险 σ_A（跟踪误差） |
| 加现金/杠杆 | SR 不变 | IR 改变（主动风险被稀释） |
| 放大主动权重 | SR 改变（总风险增大） | IR 不变 |
| 典型应用 | 选择风险资产池中的最优组合 | 评估、比较主动管理经理人的技能 |
| "贴标签"基金 | 封闭式指数基金：SR ≈ 基准 SR，IR ≈ 0 | 真正主动型：SR 可高于基准，IR > 0 |
Example 1 · 最优主动风险与夏普比率提升（CFA Example 3）
Given
- 基准 S&P 500：平均收益 9.9%，σ_B = 14.4%，SR_B = 0.53
- Fund II (Growth Fund of America)：主动收益 +1.2%，主动风险 6.2%，IR = 0.20
- 无风险利率 2.3%
Steps
- 最优主动风险: σ_A* = (0.20 / 0.53) × 14.4% = 5.4%
- 调整后 SR: SR* = √(0.53² + 0.20²) = √(0.2809 + 0.04) = √0.3209 = 0.57
- 基准组合占比: w_B = 1 − 5.4%/6.2% = 1 − 0.871 = 13%（加入13%基准以降低主动风险）
- 期望主动收益: E(R_A) = IR × σ_A* = 0.20 × 5.4% = 1.1%
- 期望总超额收益: 7.6% + 1.1% = 8.7%；总风险 = √(14.4² + 5.4²) = 15.4%；SR = 8.7/15.4 = 0.57 ✓
Result: 在最优主动风险下（5.4%），Fund II 将基准 SR 从 0.53 提升至 0.57，即 SR_P = √(SR_B² + IR²)
Example 2 · 信息比率与主动风险的关系
一位经理的信息比率为 0.30，主动风险为 8%。若将其所有主动权重乘以 2（即全部主动偏离翻倍），信息比率将：
- A.从 0.30 增加到 0.60，因为主动收益翻倍。
- B.从 0.30 下降到 0.15，因为主动风险翻倍而收益不变。
- C.保持 0.30 不变，因为主动收益和主动风险均翻倍，比值不变。
Answer: C
IR = E(R_A) / σ_A。当所有主动权重乘以常数 c 时，期望主动收益变为 c × E(R_A)，主动风险变为 c × σ_A，两者之比（即 IR）保持不变。这说明信息比率衡量的是技能质量，与主动激进程度（aggressiveness）无关。
Example 3 · 加现金对信息比率的影响
某主动基金的 IR = 0.25，主动风险 σ_A = 6%。若将该基金与 20% 的基准组合混合（即持有 80% 主动基金 + 20% 基准），混合组合的信息比率为：
- A.0.25，因为 IR 不受主动权重缩放影响。
- B.0.25，因为加入基准相当于按比例缩放主动权重，IR 不变。
- C.0.20，因为主动风险从 6% 降至 4.8%（0.8×6%），而主动收益也降至 0.8 倍。
Answer: B
将主动基金与基准按 w:(1−w) 混合，等价于将原基金所有主动权重乘以 w。主动收益和主动风险均缩小为 w 倍，IR 不变。注意：加入无风险现金（而非基准）则会改变 IR，因为现金不参与基准相对收益，主动收益被分母基准稀释。
2.05–2.06 主动管理基本定律 · The Fundamental Law
Grinold（1989）和 Clarke、de Silva、Thorley（2002）发展了主动管理基本定律（Fundamental Law of Active Management），将信息比率分解为三（或四）个关键参数的乘积。
Grinold 规则（Equation 10）— 预期主动收益的标定
长公式可横向滚动
μ_i = IC × σ_i × S_i （Grinold 规则）
μ_i = 第 i 只证券的预期主动收益（期望超额收益）
IC = 信息系数（information coefficient）
= 预期收益预测值与实现值的横截面相关系数
取值范围 [−1, +1]；典型值 0.02–0.15
σ_i = 第 i 只证券主动收益的预期波动率
S_i = 标准化评分（scores），跨截面方差 = 1
含义：IC 越高（预测越准）、波动率越大（不确定性越高）、
评分越极端，则给该证券赋予越大的预期主动收益基本定律（Basic Form，Equation 13）— 无约束
长公式可横向滚动
基本定律：
E(R_A)* = IC × √BR × σ_A
信息比率：
IR* = IC × √BR
参数说明：
IC = 信息系数（预测精度）
BR = 广度（breadth）= 每年独立投资决策次数
简单情形：BR = 证券数量 N（各资产主动收益不相关，且各期独立）
σ_A = 主动风险（aggressiveness，主动激进程度）
核心含义：
① IC 相同时，更多独立决策（↑BR）→ IR ∝ √BR（边际递减）
② IC 更高（技能更强）→ IR 线性增加
③ σ_A 越大 → E(R_A) 线性增加，但 IR 不变完整基本定律（Full Form，Equation 14）— 含约束下的转移系数 TC
长公式可横向滚动
完整基本定律（含约束）：
E(R_A) = TC × IC × √BR × σ_A
信息比率（含约束）：
IR = TC × IC × √BR
转移系数（Transfer Coefficient）：
TC = ρ(μ_i/σ_i , Δw_i × σ_i)
= 最优主动权重与实际主动权重之间的风险加权相关系数
取值范围 [−1, +1]；典型范围 0.20–0.90
TC 的含义：
TC = 1.0 → 无约束，预期主动收益完全转化为实际权重
TC = 0.5 → 约束（如多头限制）使一半的预测信息损失
TC = 0.0 → 权重与预测完全无关，不应主动管理（直接买基准）
约束示例：
多头限制（Long-only）：TC ≈ 0.60–0.70
+ 最大超配限制：TC 进一步降低至 0.50–0.60事后绩效分解（Ex Post，Equation 15）
长公式可横向滚动
事后实现的主动收益分解：
R_A = TC × IC_R × √BR × σ_A + 噪音（Noise）
IC_R = 当期实现的信息系数（realized IC）
= 实现主动权重与实现主动收益的横截面相关系数
噪音 = 约束导致的实际权重偏离最优权重所产生的误差
绩效方差分解：
TC² 部分 → 来自预测成功与否（可控技能）
(1−TC²) 部分 → 来自约束引入的噪音（不可控误差）
示例：TC = 0.80 → 64% 的业绩波动来自预测技能，36% 来自噪音基本定律四参数总结
| 参数 | 英文 | 含义 | 管理者可控？ |
|---|---|---|---|
| IC | Information Coefficient | 预测精度（技能水平）；横截面预测-实现相关系数 | ✓ 核心技能 |
| BR | Breadth | 每年独立投资决策次数；≤ 证券数 × 年频率 | 部分可控 |
| TC | Transfer Coefficient | 预期主动收益转化为实际权重的程度；约束越多越低 | 部分可控 |
| σ_A | Active Risk / Aggressiveness | 主动风险（跟踪误差）；可通过持仓调整控制 | ✓ 可直接控制 |
Example 2 · 完整基本定律计算（含 TC，CFA Example 6）
Given
- 4 只证券，主动收益不相关，每年预测一次 → BR = 4
- IC = 0.20（预期信息系数）
- 最优主动权重：+18%, +9%, −18%, −9%（基于 σ_A = 9%）
- 实际主动权重（含约束）：+6%, +4%, +7%, −17%
- 实际主动风险 σ_A = 9%
Steps
- TC 计算: ρ(最优权重 × σ_i, 实际权重 × σ_i) = 0.58（risk-weighted相关系数）
- 期望主动收益（无约束）: E(R_A)* = 1.0 × 0.20 × √4 × 9% = 3.6%
- 期望主动收益（含约束）: E(R_A) = 0.58 × 0.20 × √4 × 9% = 2.1%
- 信息比率（含约束）: IR = TC × IC × √BR = 0.58 × 0.20 × 2 = 0.232
- 直接验证: E(R_A) = 0.06(5%) + 0.04(10%) + 0.07(−5%) + (−0.17)(−10%) = 2.0% ≈ 2.1% ✓
Result: 约束（TC = 0.58 < 1）导致期望主动收益从 3.6% 降至 2.1%，IR 从 0.40 降至 0.232。这是多头限制等约束的直接成本。
Example 4 · 广度（BR）对 IR 的影响
策略 A：IC = 0.10，每季度做一次市场择时决策（BR = 4/年）。策略 B：IC = 0.10，同时选择 100 支独立个股（BR = 100/年）。两种策略的信息比率之比（IR_B / IR_A）最接近：
- A.2.5 倍，因为 BR 增加 25 倍，√25 = 5，但 IC 相同所以 IR 比值 = 5。
- B.5 倍，因为 IR = IC × √BR，IR_B/IR_A = √100/√4 = 10/2 = 5。
- C.25 倍，因为 BR 从 4 增至 100 增加了 25 倍。
Answer: B
IR = IC × √BR。IR_A = 0.10 × √4 = 0.20；IR_B = 0.10 × √100 = 1.00。比值 = 1.00 / 0.20 = 5。广度增加 25 倍，但 IR 只增加 √25 = 5 倍（边际递减）。这说明个股选择策略（高 BR）比纯市场择时（低 BR）有天然优势，即使 IC 相同。
Example 5 · 转移系数（TC）对期望主动收益的影响
一个主动管理策略的参数为：IC = 0.05，BR = 100，σ_A = 4%，TC = 0.80。期望主动收益为：
- A.TC × IC × √BR × σ_A = 0.80 × 0.05 × 10 × 4% = 1.6%
- B.IC × √BR × σ_A = 0.05 × 10 × 4% = 2.0%（忽略约束）
- C.TC × IC × √BR = 0.80 × 0.05 × 10 = 0.40%（忘记乘以 σ_A）
Answer: A
完整基本定律（Equation 14）：E(R_A) = TC × IC × √BR × σ_A = 0.80 × 0.05 × √100 × 4% = 0.80 × 0.05 × 10 × 4% = 1.6%。不含约束的最优期望主动收益为 IC × √BR × σ_A = 2.0%；约束使之降低了 20%（TC = 0.80 → 损失 20% 的信息转化效率）。
2.07–2.08 应用案例 · Applications
以下两类应用展示了基本定律在不同资产类别中的使用： ① 全球股票基金（横截面分析）；② 美国固定收益（时间序列 + 横截面分析）。
应用一：全球股票基金（ACWI 基准，Exhibit 7）
- 资产池：24 个 MSCI 国家市场；IC = 0.099；BR = 24.5；TC = 0.995（几乎无约束）
- 主动风险目标：2.0%
- 基本定律验证：E(R_A) = 0.995 × 0.099 × √24.5 × 2.0% = 0.98%
- 信息比率：IR = 0.995 × 0.099 × √24.5 = 0.49
- 当分配不同评分（Exhibit 9，如调换 UK/DE、CH/AU 的评分）：IC 微升至 0.105，IR 提升至 0.52
约束对全球股票策略的影响（Exhibit 10）
| 策略 | TC | IC | BR | 主动收益 | IR |
|---|---|---|---|---|---|
| 无约束（Exhibit 7） | 0.995 | 0.099 | 24.5 | 0.98% | 0.49 |
| 多头限制 + 最大10%超配 | 0.694 | 0.099 | 24.5 | 0.68% | 0.34 |
| 多头限制 + 最大10%超/低配 | 0.567 | 0.099 | 24.5 | 0.76%（σ=2.74%） | 0.28 |
约束使 TC 从 0.995 降至 0.694/0.567，IR 相应从 0.49 降至 0.34/0.28。约束是主动管理的隐性成本。
应用二：固定收益 — 信用择时（市场择时 vs 证券选择）
- 策略：每季度做一次信用敞口决策（超配或低配高收益债 vs 投资级债）
- 广度：BR = 4（每年 4 次独立季度决策）
- 主动风险目标：2.0%/年；IC = 0.10（55% 正确率 → IC = 2×55%−1 = 0.10）
- 期望主动收益：E(R_A) = 0.10 × √4 × 2.0% = 40 bps/年
- 信息比率：IR = 0.10 × √4 = 0.20（非常低！）
- 关键结论：市场择时策略广度极小（BR = 4），即使 IC 不变，IR 也远低于高广度的个股选择策略
提高广度的效果：频率增加 vs 独立性要求
- 每月决策（BR = 12）：IR = 0.10 × √12 ≈ 0.35（仅当月度决策真正独立时）
- 每日决策（BR = 250，理论上）：IR = 0.10 × √250 ≈ 1.58
- 关键约束：若每月的信用判断信号来自相同的缓慢变化信息（如经济周期），则各期决策并非独立 → 实际 BR 远低于名义频率
- 多头限制下含 TC：若 TC = 0.62（基于正态分布截断计算），IR_actual = 0.62 × 1.58 ≈ 0.98
应用三：美国国债期限配置（Exhibit 11–13）
- 资产池：5 个期限段（0–1, 1–3, 3–7, 7–10, 10–20年）国债；等权基准（各 20%）
- 广度 BR = 9.4（而非 5）—— 因为各期限段国债之间的主动收益相关性（绝对值较大）使广度实际高于资产数
- 评分集 1（简单平坦化）：IC = 0.12，E(R_A) = 0.12 × √9.4 × 1.0% = 37 bps
- 评分集 2（复杂曲线形变预测）：IC = 0.18，E(R_A) = 0.18 × √9.4 × 1.0% = 55 bps
- 广度与资产数不同：当相关系数不为零时，BR = N / (1+(N−1)ρ)（Equation 19）
Example 6 · 广度与独立性
一个主动策略每年对 S&P 500 的 500 只个股做月度决策（12 次/年），理论广度 = 500 × 12 = 6,000。以下哪项原因会导致实际广度远低于 6,000？
- A.每月决策完全独立，且 500 只股票之间无相关性。
- B.行业内个股主动收益高度相关（截面依赖），且月度信号基于慢变量（时序依赖）。
- C.主动风险被设定为较低水平（如 3%），限制了广度的发挥。
Answer: B
广度的核心要求是决策的独立性。截面上，同行业个股若共用同一逻辑（行业超配/低配），则不是 500 个独立决策；时序上，若月度信号来自缓慢变化的估值因子（如 P/E），相邻月份决策高度相关，也不是 12 个独立时间决策。实际广度可能只有几十，而非 6,000，导致 IR 被严重高估。
2.09 Practical Limitations · 实践局限性
Limitation 1: Ex-ante Uncertainty of IC Measurement
- IC 衡量的是预期的预测准确度，事前难以准确估计
- Qian & Hua（2004）指出：若 IC 本身随时间变化（存在不确定性 σ_IC），则实际主动风险大于风险模型预测值：
长公式可横向滚动
Qian-Hua 修正（Equation 17–18）：
σ_A² = σ_RM² + IC² × σ_IC² × BR
σ_RM = 风险模型预测的跟踪误差
σ_IC = IC 的不确定性（IC 随时间变化的标准差）
修正后的 IR 公式（Equation 18）：
IR_actual = (IC × √BR × σ_A) / σ_A_actual
≈ 45%–91% 的原始估计值（个股选择策略）
含义：即使基本定律在框架上正确，IC 不确定性使实际
信息比率系统性低于理论值Limitation 2: Independence Assumption of Breadth (BR)
- 截面依赖：行业/地区内证券的主动收益相关 → 实际 BR 低于资产数
- 时序依赖：缓慢变化的信号（如估值倍数）导致相邻期预测相关 → 提高再平衡频率不一定增加真实 BR
- 相关系数修正（Equation 19）：
长公式可横向滚动
BR = N / (1 + (N−1) × ρ)
ρ = 所有证券主动收益的共同相关系数
示例：N = 2 只相互套利的 ETF，ρ = −0.8
BR = 2 / (1 + 1×(−0.8)) = 2 / 0.2 = 10
→ 即使只有 2 只资产，近套利策略的广度可达 10！Other Limitations Summary
- 忽略交易成本与税收：频繁再平衡提升名义 BR，但实际净 IR 可能因此降低
- 多期动态实施：单期静态基本定律不完全适用于跨期优化
- 长期 IC 不稳定：经济环境变化可能导致某一因子的预测有效性时有时无
- 固定收益特殊性：国债期限段高度相关（负相关性可能提升 BR，但也使分析更复杂）
Example 7 · Limitations of the Fundamental Law
分析师估算某个股选择策略的信息比率：IC = 0.05，BR = 12 × 500 = 6,000（月度再平衡 × 500 只股票），计算得 IR = 0.05 × √6,000 ≈ 3.87。以下哪项是该估算最主要的误差来源？
- A.主动风险目标设定过低，应当提高激进程度。
- B.截面相关性（行业内股票协动）和时序相关性（月度预测非独立）导致实际 BR 远低于 6,000。
- C.IC = 0.05 已经太高，实际不可能达到此精度。
Answer: B
当 S&P 500 的 500 只个股按行业共同运动时（截面相关），独立决策数远低于 500；当月度信号基于 P/E 等缓变因子时（时序相关），12 个月决策并非独立，实际 BR 可能只有几十。BR = 6,000 的假设严重高估了广度，使 IR 被大幅夸大。在实践中，需结合风险模型的相关矩阵（Equation 19）计算真实广度。
Glossary & Practice · 术语表与练习
主动收益 Active Return (R_A)
组合收益减去基准收益：R_A = R_P − R_B；可正可负；超额价值的度量。
主动权重 Active Weight (Δw_i)
个券组合权重减去基准权重：Δw_i = w_{P,i} − w_{B,i}；所有主动权重之和 = 0。
主动风险 Active Risk (σ_A)
主动收益的标准差，又称跟踪误差（tracking error）；衡量组合偏离基准的幅度。
夏普比率 Sharpe Ratio
SR = (R_P − R_F) / σ_P；衡量每单位总风险所获得的超额收益；加现金/杠杆不改变 SR。
信息比率 Information Ratio
IR = E(R_A) / σ_A；衡量每单位主动风险所获取的期望主动收益；比较主动经理技能的核心指标。
信息系数 IC
预期收益预测与实现收益的横截面相关系数；衡量预测精度；典型值 0.02–0.15。
广度 Breadth (BR)
每年独立投资决策次数；受截面相关性和时序相关性影响，通常 BR ≤ 证券数 × 年频率。
转移系数 TC
最优主动权重与实际主动权重的相关系数（risk-weighted）；衡量约束对预测信息的损耗；多头限制约 0.60–0.70。
Grinold 规则
μ_i = IC × σ_i × S_i；将标准化评分转换为预期主动收益的标定规则。
基本定律（完整）
E(R_A) = TC × IC × √BR × σ_A；IR = TC × IC × √BR；将主动管理价值来源分解为四个可分离参数。
事后 IC (IC_R)
当期实现的信息系数 = 实际主动权重与实现主动收益的相关系数；是事前 IC 的实现值，可正可负。
两基金分离 Two-Fund Sep.
最优投资 = 最高 SR 的风险资产组合 + 现金；SR_P² = SR_B² + IR²；最优主动风险 = (IR/SR_B) × σ_B。
Example 8 · Application of SR²_P = SR²_B + IR²
基准 SR_B = 0.40，主动经理 IR = 0.30。在最优部署下，整体组合的夏普比率最接近：
- A.0.40 + 0.30 = 0.70（算术加总）
- B.√(0.40² + 0.30²) = √(0.16 + 0.09) = √0.25 = 0.50
- C.0.40 × 0.30 = 0.12（乘积）
Answer: B
根据 Equation 7：SR_P² = SR_B² + IR²，即 SR_P = √(0.16 + 0.09) = √0.25 = 0.50。注意是平方和的平方根，不是简单相加。这是考试最高频的计算公式之一，务必记住形式类似勾股定理。
Example 9 · Information Ratio and Manager Selection
下列关于信息比率的说法，哪项最准确？
- A.信息比率越高的基金，其夏普比率一定高于基准，因此应始终选择 IR 最高的基金。
- B.在具有相同基准的主动基金中，IR 是选择基金的最佳单一标准，因为更高的 IR 等价于更高的可实现夏普比率提升。
- C.负 IR 的基金应立即清算，因为其主动管理能力为零。
Answer: B
根据 SR_P² = SR_B² + IR²，在同基准下，IR 越高的基金与基准组合混合后能产生越高的总 SR。因此 IR 是评估主动管理技能的最佳单一标准。选项 A 错误：IR 高不代表 SR 绝对高（取决于基准 SR 和约束）；选项 C 错误：负 IR 反映事后技能欠佳，不代表基金毫无价值，可能只是该期运气差。
Example 10 · Market Timing vs Stock Selection
经理 A 做季度大类资产配置（每年 4 次决策，IC = 0.15）。经理 B 做月度个股选择（每年独立决策 120 次，IC = 0.05）。假设所有决策真正独立，哪位经理的信息比率更高？
- A.经理 A：IR_A = 0.15 × √4 = 0.30；经理 B：IR_B = 0.05 × √120 ≈ 0.55；经理 B 更高。
- B.经理 A：IR_A = 0.15 × 4 = 0.60；经理 B：IR_B = 0.05 × 120 = 6.0；经理 B 更高。
- C.经理 A 更高，因为其 IC 更高（技能更强）。
Answer: A
IR = IC × √BR（假设 TC = 1）。IR_A = 0.15 × √4 = 0.15 × 2 = 0.30；IR_B = 0.05 × √120 = 0.05 × 10.95 ≈ 0.55。尽管经理 B 的 IC 只有经理 A 的三分之一，但通过 30 倍的广度（√30 ≈ 5.5 倍 IR 优势），最终 IR 仍高于经理 A。这是基本定律的核心启示：广度可以弥补技能的不足。
模块 3 · 交易所交易基金：机制与应用
交易所交易基金：机制与应用 — 创建赎回、跟踪误差、风险与投资组合运用
Joanne M. Hill, PhD · Dave Nadig
学习目标 · Learning Outcomes
考生应能够：
- 解释 ETF 的创建/赎回（creation/redemption）流程以及授权参与者（AP）的职能
- 描述 ETF 在二级市场的交易方式
- 描述 ETF 跟踪误差的来源
- 描述影响 ETF 买卖价差的因素
- 描述 ETF 溢价/折价于净值（NAV）的来源
- 描述持有 ETF 的成本
- 描述 ETF 的风险类型
- 识别并描述 ETF 在投资组合管理中的各类用途
3.01–3.02 ETF 基本机制 · Mechanics
ETF 与共同基金（mutual fund）的核心区别在于份额的创建与赎回方式。 共同基金只能在每日收盘后按净值（NAV）进行现金申购/赎回；ETF 则在交易所全日交易， 且通过独特的实物创建/赎回（in-kind creation/redemption）机制管理份额数量。
一级市场与二级市场（双市场结构）
| 市场 | 参与者 | 交易方式 | 作用 |
|---|---|---|---|
| 一级市场（Primary） | 授权参与者（AP）↔ ETF 发行商 | 场外（OTC）实物换份额 | 唯一创建/赎回 ETF 份额的市场 |
| 二级市场（Secondary） | 投资者之间 | 交易所撮合交易，像股票一样 | 普通投资者的唯一买卖途径 |
授权参与者（AP）与创建赎回流程
- AP 是唯一能创建或赎回 ETF 份额的机构投资者（通常为大型券商/做市商）
- 创建（Creation）：AP 将一篮子证券（Creation Basket）交给 ETF 管理人，换取等值 ETF 份额（创建单元 Creation Unit，通常 50,000 份）
- 赎回（Redemption）：AP 将 ETF 份额交还给管理人，换取一篮子证券（Redemption Basket）
- ETF 管理人每日公布创建篮子的成分和权重；赎回篮子通常相同，但管理人可针对税务优化定制
- 实物交换发生在收盘后结算，但 AP 在交易日内就能买卖 ETF，因为已知篮子构成
套利机制：ETF 价格与 NAV 保持接近
长公式可横向滚动
溢价情形（ETF 价格 > NAV）：
AP 买入一篮子证券（按 NAV = $25.00）
同时卖出 ETF 份额（按市价 $25.10）
→ 套利利润 $0.10/份；ETF 价格被向下压
→ 可进一步创建 ETF 份额加速价格收敛
折价情形（ETF 价格 < NAV）：
AP 买入 ETF 份额（按市价 $24.90）
同时卖出一篮子证券（按 NAV = $25.00）
→ 套利利润 $0.10/份；ETF 价格被向上推
→ 可进一步赎回 ETF 份额加速价格收敛套利差距（arbitrage gap）随底层证券流动性变化：高流动性（如 S&P 500）可低至 $0.01；高收益债 ETF 可超过 1%。
实物创建赎回的核心优势
- 成本隔离：AP 承担所有证券交易成本，通过买卖价差传导给交易的投资者，不交易的持有人不受影响（共同基金则由全体持有人共担）
- 税务公平（Tax Fairness）：投资者在二级市场卖出 ETF 份额给其他投资者，ETF 管理人无需抛售底层证券，不触发资本利得税分配
- 税务效率（Tax Efficiency）：当 AP 赎回时，管理人可选择成本最低（未实现增益最大）的持仓交付赎回篮子，有效减少基金内未实现增益
不同资产类别的创建赎回差异
- 股票 ETF：通常实物创建赎回，成本最低，税务效率最高
- 固定收益 ETF：底层债券可能流动性差（如高收益市政债可能数日不成交），发行商可选择现金创建赎回以简化流程（但会产生交易成本和税务影响）
- 杠杆/反向 ETF、商品 ETF：通常使用现金创建赎回，因为底层是 OTC 掉期合约，难以实物交付
Example 1 · AP 的职能
以下关于授权参与者（AP）的描述，哪项最准确？
- A.AP 是 ETF 的零售投资者，可以在交易所直接买卖 ETF 份额。
- B.AP 是唯一能够与 ETF 发行商在一级市场创建或赎回 ETF 份额的机构，通常是大型券商/做市商。
- C.AP 负责管理 ETF 的底层证券组合，并负责日常再平衡。
Answer: B
AP 是唯一能在一级市场（与 ETF 发行商之间）创建或赎回 ETF 份额的特殊机构投资者。普通投资者只能在二级市场（交易所）买卖 ETF，与 ETF 管理人完全无关。AP 通常是大型做市商，有财务动机通过套利保持 ETF 价格与 NAV 接近。
Example 2 · 实物创建赎回的税务优势
ETF 被认为比传统共同基金具有更高税务效率的主要原因是：
- A.ETF 完全免除资本利得税，而共同基金须缴纳资本利得税。
- B.普通投资者在二级市场的卖出不要求 ETF 出售底层证券，且实物赎回允许管理人交付低成本持仓以清除未实现增益。
- C.ETF 的管理费比共同基金低，因此税后回报更高。
Answer: B
ETF 的税务优势来自两个层面：①税务公平——二级市场交易不触发底层证券买卖，一个投资者的卖出不会给其他持有人带来税负；②税务效率——当 AP 赎回时，管理人可选择低成本基础（大未实现增益）的股票交付赎回篮子，从基金中清除潜在税务负担，这在共同基金中无法实现（共同基金必须卖出证券支付现金赎回）。
3.03a 跟踪误差与买卖价差 · Tracking Error & Bid-Ask Spreads
跟踪误差 vs 跟踪差（核心区别）
| 概念 | 定义 | 用途 |
|---|---|---|
| 跟踪误差 Tracking Error | ETF 与指数日收益差的标准差（统计离散度） | 衡量每日偏差的波动幅度 |
| 跟踪差 Tracking Difference | 持有期（如 12 个月）内 ETF 相对指数的累计收益偏差 | 更准确地反映持有成本和长期表现 |
考试要点：跟踪差（尤其是滚动 12 个月）比跟踪误差更有用——跟踪误差只衡量日偏差的分散程度，不揭示系统性偏差方向；跟踪差直接反映持有代价。理论上，指数基金的年化跟踪差应约等于其费用率。
跟踪误差的七大来源（考试必背）
- 费用与开支（Fees and Expenses）：基金运营费用直接拖累相对指数收益；指数计算假设无摩擦交易
- 代表性抽样/优化（Representative Sampling）：基金持有指数的子集而非全部成分（如 GMF 仅持有 763/2342 只），导致相对误差扩大
- 存托凭证和其他 ETF：以 ADR/GDR 替代本地股份，交易时间差异导致定价偏差
- 指数调整（Index Changes）：指数成分变动时，基金实际执行时间/价格与指数假设不同
- 基金会计惯例：汇率计价时点、债券估值方法等与指数计算方法存在差异
- 监管与税务要求：非本国持有人的股息预扣税率与指数假设（通常基于美国投资者）不同
- 资产管理人运营（证券借贷、股息追回）：借出证券获得收益，属于"负成本"，可使 ETF 收益超过指数
代表性抽样对跟踪误差的影响（EEM vs GMF 案例）
| ETF | 策略 | TTM 最大跟踪差 | TTM 最小跟踪差 | 范围（Range） |
|---|---|---|---|---|
| EEM（新兴市场，全复制） | 接近全复制 | −0.38% | −0.95% | 0.57%（窄） |
| GMF（亚太新兴，763/2342） | 大量优化抽样 | +1.14% | −0.81% | 1.95%（宽，约 4×） |
GMF 的抽样偏向大盘股（中位市值 $2.8B vs 指数 $0.695B），在不同市场环境下表现有时跑赢、有时跑输，跟踪差范围约为 EEM 的 4 倍。
ETF 买卖价差（Bid-Ask Spread）的决定因素
长公式可横向滚动
买卖价差 ≤ 以下各项之和：
± 创建/赎回费用及其他直接交易成本（经纪、交易所费用）
+ 底层证券的买卖价差
+ 流动性提供方持仓/对冲的风险溢价
+ 做市商目标利润价差
− 短期内获得反向 ETF 委托的折扣（对冲流）
关键影响因素：
① ETF 日成交量（越大 → 价差越窄）
② 做市商竞争程度（竞争越激烈 → 价差越窄）
③ 底层证券流动性（流动性越好 → 价差越窄）
④ 对冲工具可得性（指数期货可用 → 价差大幅收窄）固定收益 ETF vs 股票 ETF 的价差差异
- 固定收益 ETF 价差更宽：底层债券在 OTC 做市商市场（dealer market）交易，不连续定价，对冲成本高
- 国际股票 ETF：当底层市场（如亚洲、欧洲）收盘后，美国交易时间内价差走阔，因做市商无法即时对冲
- 大型流动 ETF（如 SPY）：价差极窄（约 1 分），因持续双向成交使做市商几乎不需用到创建/赎回机制
| 类别 | 资产加权平均价差 | 中位价差 |
|---|---|---|
| 美国股票 | 0.03% | 0.16% |
| 国际股票 | 0.05% | 0.24% |
| 美国固定收益 | 0.02% | 0.14% |
| 国际固定收益 | 0.06% | 0.24% |
| 杠杆 ETF | 0.29% | 0.32% |
| 所有 ETF（美国） | 0.04% | 0.20% |
来源：FactSet，2018 年底（60 日均值）。资产加权价差远低于中位价差，说明大型 ETF 价差极窄，但小型 ETF 价差可能相当宽。
Example 3 · 买卖价差与底层流动性
iShares Russell 2000 ETF (IWM，追踪 2000 只小盘股）的买卖价差与 SPDR S&P 500 ETF (SPY) 相近，尽管 IWM 的底层股票流动性更差。最可能的原因是：
- A.IWM 比 SPY 费用率更低，吸引了更多流动性提供方。
- B.IWM 日成交量极高（约 $40 亿），且 Russell 2000 指数有活跃期货市场，使做市商能够快速对冲大单风险。
- C.IWM 是全复制 ETF，持有所有 2000 只成分股，底层流动性完全等同于 SPY。
Answer: B
ETF 价差由做市商对冲成本决定，而非直接由底层证券流动性决定。IWM 日成交量大（中位 $38 亿），更重要的是 Russell 2000 有活跃的期货市场，使做市商能在毫秒内对冲大量 IWM 持仓，无需立即交易 2000 只小盘股。持续双向成交 + 可对冲性（hedgeability）是决定 ETF 价差的关键。
3.03b 溢价折价、持有成本与税收 · Premiums, Discounts & Costs
溢价与折价（Premium / Discount）
长公式可横向滚动
日终溢价/折价（End-of-Day）：
溢价/折价（%） = (ETF 价格 − NAV) / NAV
日内溢价/折价（Intraday）：
溢价/折价（%） = (ETF 价格 − iNAV) / iNAV
iNAV（Indicated NAV）= 基于当日创建篮子实时价格计算的日内公允价值估算
= 日内"参考"净值
ETF 溢价 → 价格 > iNAV（买方需多付）
ETF 折价 → 价格 < iNAV（买方以折扣成交）溢价/折价产生的原因
- 时区差异（Timing Differences）：持有海外证券的 ETF 的 NAV 基于亚洲/欧洲收盘价（可能早于美国 ETF 交易结束数小时），使 NAV 成为"过时"价格；ETF 价格反映当前信息，会产生"溢价/折价"，但这并非真正的错误定价
- 固定收益 ETF：NAV 基于债券的买方报价（bid price），但投资者按成交价交易 ETF；在市场压力时期，债券定价模型输入数据陈旧，固定收益 ETF 常呈现"折价"，实为 ETF 提供更准确的实时价格发现
- 交易不频繁的 ETF：若 ETF 数小时未成交，最后成交价可能与 NAV 大幅偏离
考试要点：在市场压力时期，流动性固定收益 ETF 相对 NAV 呈"折价"，这通常反映 ETF 比底层债券更真实地反映市场供求——ETF 成为价格发现（price discovery）工具。
ETF 总持有成本（Complete Cost of Ownership）
| 成本项目 | 性质 | 是否随持有期增加？ | 说明 |
|---|---|---|---|
| 管理费（Management Fee） | 显性 | ✓ 是 | 年化费率，持有越久总费用越高 |
| 跟踪误差（Tracking Error） | 隐性 | ✓ 是 | 可正可负；跑赢为负成本 |
| 佣金（Commission） | 显性 | ✗ 单次 | 买入/卖出各一次，摊薄随持有期延长 |
| 买卖价差（Bid-Ask Spread） | 隐性 | ✗ 单次 | 买入时付出，卖出时收回（反向） |
| 溢价/折价（Premium/Discount） | 隐性 | ✗ 单次 | 溢价买入为正成本，折价买入为负成本 |
| 投资组合换手（Portfolio Turnover） | 隐性 | ✓ 是 | 指数调整等内部交易成本，ETF 通常较低 |
| 资本利得税（Taxable Gains/Losses） | 显性 | ✓ 是 | ETF 通常低于共同基金 |
| 证券借贷收益（Security Lending） | 隐性（负成本） | ✓ 是（负号） | 借出底层证券获得收益，降低净成本 |
关键结论：短期战术交易者应关注交易成本（价差、佣金、溢折价）；长期持有者应关注持续成本（管理费、换手成本）。
Example 1 · ETF 来回交易成本（Round-Trip Trading Cost）
Given
- 交易金额：$20,000
- 单向佣金：$10（即 0.05%）
- 买卖价差：0.15%
Steps
- 佣金成本（来回）: 0.05% × 2 = 0.10%
- 价差成本（来回）: ½ × 0.15% × 2 = 0.15%（买半个价差，卖半个价差）
- 来回总交易成本: 0.10% + 0.15% = 0.25%
Result: 来回总交易成本 0.25%。若年化管理费为 0.03%（如 SPY），则一年内持有一次就足以使管理费低于交易成本。短期交易者的交易成本往往远超管理费。
税务公平与税务效率（Tax Fairness vs Tax Efficiency）
- 税务公平（Tax Fair）：普通投资者二级市场卖出 ETF 不触发基金底层证券交易，不会给其他持有人产生税负——"你卖出不影响我的税"
- 税务效率（Tax Efficient）：AP 赎回 ETF 时，管理人选择低成本基础（最大未实现增益）的股票交付赎回篮子，从基金中清除潜在税务敞口，免税交割
- 共同基金劣势：当投资者赎回时，基金被迫出售证券支付现金，产生的资本利得由所有持有人共担
Example 4 · 持有期与成本结构
一位投资者计划持有某 ETF 一周（战术交易）。在评估总持有成本时，以下哪项最重要？
- A.ETF 年化管理费，因为这是最透明的显性成本。
- B.买卖价差和溢价/折价，因为交易成本是一次性支出，在极短持有期内占总成本的主导地位。
- C.证券借贷收益，因为这能抵消大部分成本。
Answer: B
对于持有一周的战术交易者，管理费（年化 0.03%）一周仅产生 ~0.001% 的成本，几乎可忽略不计。而买卖价差（如 0.15%）和溢价/折价在买入和卖出时各产生一次，一周持有期内可能远超管理费。持有期越短，交易成本在总成本中占比越高；持有期越长，持续成本（管理费、换手）占比越高。
3.04 ETF 风险 · ETF Risks
交易对手风险（Counterparty Risk）
- 交易所交易票据（ETN）：ETN 不是基金，是发行人（通常是大型银行）的无担保无次级债务，承诺按指定指数收益（扣除费用）支付。理论上交易对手风险高达 100%（如发行银行破产，ETN 可能归零）。可通过发行人的 CDS 价差监测风险。
- 掉期型（Synthetic）ETF：使用 OTC 掉期合约获得市场敞口，存在结算风险（mark-to-market 未实现收益面临对手方违约）。通常每日或每周结算以降低风险。
- 证券借贷（Security Lending）：ETF 将持仓借给卖空者，获得额外收益，通常要求 102%（国内）或 105%（国际）超额抵押，对手方违约风险较低。
ETN 规则：一年期 CDS 价差超过 5% 应视为高风险信号。
基金关闭风险（Fund Closure Risk）
- 监管原因：监管变化可强制关闭某类基金（如以色列 2018 年禁止 ETN 结构，迫使 700+ 产品关闭并以 ETF 形式重开）
- 竞争原因：规模不足、费率竞争激烈→ ETF 发行商关闭亏损产品；AUM 低和成交量低是预警信号
- 企业行为：ETF 公司兼并后，新东家关闭低效产品
- 创建/赎回暂停（Creation Halt）：ETN 发行人可暂停新份额创建，导致 ETN 在二级市场交易价格脱离公允价值（供需失衡）
- 投资策略变更：发行人直接更换底层指数（"软关闭"），可能彻底改变敞口国家/行业/资产类别
- 关闭影响：通常出售底层持仓并向投资者返还现金，可能触发意外资本利得税和被迫再投资
投资者相关风险 — 杠杆与反向 ETF（Leveraged / Inverse ETFs）
杠杆/反向 ETF 提供指数日收益的倍数（如 2×、3× 或 −2×），设计目标是每日达成目标倍数，而非长期持有的倍数。
长公式可横向滚动
3× ETF 示例（FTSE 100）：
起始：NAV = £100，名义掉期敞口 = £300（3×）
当日：FTSE 100 上涨 5%
ETF 日收益：3 × 5% = +15%；NAV = £115
需要的新敞口：£115 × 3 = £345
当前敞口：£300 × 1.05 = £315
→ 需新增 £30 掉期敞口（每日重置/再平衡）
−2× ETF 复利效应（路径依赖）：
Day 1：指数 = 100，ETF NAV = $100
Day 2：指数 +10% → 110；ETF = −20%；NAV = $80
Day 3：指数 −10% → 99；ETF = +20%；NAV = $96
指数持有期收益：(99−100)/100 = −1%
朴素期望：−2× → +2%
实际 ETF 收益：(96−100)/100 = −4%（≠ +2%）
→ 复利效应使长持有期收益偏离目标倍数- 每日重置机制在波动市场中产生复利衰减（volatility decay）：即使指数最终持平，反复震荡也会侵蚀 NAV
- 一般不建议持有超过一个月；长期持有须定期再平衡以维持目标净敞口
Example 2 · −2× 反向 ETF 三日持有期（CFA Exhibit 15 重现）
Given
- 起始：指数 = 100，ETF NAV = $100
- Day 2：指数涨至 110（+10%）
- Day 3：指数跌至 99（相对 Day 2 的 −10%）
Steps
- Day 2 ETF 日收益: −2 × [(110−100)/100] = −2 × 10% = −20%
- Day 2 NAV: $100 × (1 + (−0.20)) = $80
- Day 3 ETF 日收益: −2 × [(99−110)/110] = −2 × (−10%) = +20%
- Day 3 NAV: $80 × (1 + 0.20) = $96
- 实际 ETF 持有期收益: (96 − 100)/100 = −4%
- 指数持有期收益: (99 − 100)/100 = −1%
- 朴素预期 ETF 收益: −2 × (−1%) = +2%（实际为 −4%，偏差 6%）
Result: −2× 反向 ETF 三日后收益为 −4%，而非朴素预期的 +2%。路径依赖（先涨后跌）叠加每日重置导致复利衰减，持有期越长偏差越大。
Example 5 · ETN 交易对手风险
与传统股票型 ETF 相比，交易所交易票据（ETN）最显著的独特风险是：
- A.ETN 的管理费通常高于 ETF，增加了持有成本。
- B.ETN 是发行银行的无担保债务，发行方破产可能导致本金全损（最高 100% 交易对手风险）。
- C.ETN 不能在交易所二级市场交易，流动性极差。
Answer: B
ETN 不持有底层证券，是发行银行（如 Barclays、Goldman Sachs）承诺按指数收益支付的无担保债券。若发行行破产，ETN 可能完全失去价值。可通过监测发行行的 CDS 价差衡量此风险（价差 > 5% 为高风险预警）。ETF 则直接持有底层证券，即使 ETF 发行商破产，底层资产仍归投资者所有。
Example 6 · 杠杆 ETF 复利效应
一位投资者购买 2× 多头 ETF 并持有 30 天，期间底层指数先涨 10% 后跌 10%，最终大致持平（略有损失）。投资者对 ETF 表现的合理预期是：
- A.ETF 收益约为 0%，因为指数持平，2× 乘以 0% 仍为 0%。
- B.ETF 收益为负，因为复利效应（volatility decay）使多日持有期收益低于简单倍数乘以持有期指数收益。
- C.ETF 收益约为 0% 至 2% 之间，每日重置仅有轻微影响。
Answer: B
杠杆 ETF 的每日重置机制使其长期持有产生复利衰减（volatility decay）。即使底层指数最终持平，波动路径（先涨后跌）使 2× 年化收益系统性低于 2 × 指数期间收益。在高波动市场中，这种衰减尤为显著。这也是为何杠杆/反向 ETF 通常不适合超过一个月的持有。
3.05 ETF 投资组合应用 · Portfolio Applications
ETF 在机构和零售投资者中的应用可分为三大类：①组合效率管理、②资产类别敞口管理、③主动与因子投资。
① 组合效率管理（Portfolio Efficiency）— 四大用途
现金管理 / 现金股票化（Cash Equitization）
将闲置现金迅速投入 ETF，保持满仓敞口（fully invested），最小化现金拖累（cash drag）。适用于股息收入、日常现金流管理等小额频繁资金流动。
组合再平衡（Portfolio Rebalancing）
当资产类别权重偏离目标时（如偏离 2% 阈值触发），用流动性高的 ETF 以单笔交易快速恢复目标配置，避免逐一买卖底层证券。
组合补全策略（Portfolio Completion）
当外部管理人主动偏离某市场板块时，用 ETF 填补敞口缺口，保持对目标市场段的持续覆盖，同时保留原管理人。例如：主动管理人低配新兴市场 → 用新兴市场 ETF 补全。
过渡管理（Transition Management）
在更换外部管理人期间（卖出旧管理人持仓 → 建立新管理人持仓），以 ETF 作为临时持仓维持基准敞口，避免空仓期间的市场风险。新管理人有时直接以 ETF 资金启动建仓。
② 资产类别敞口管理（Asset Class Exposure）
| 应用类型 | 时限 | 目的 | 示例 |
|---|---|---|---|
| 核心战略配置 | 长期 | 建立各大类资产长期基准敞口 | 国内/国际股票、债券、商品 ETF |
| 战术调整 | 中短期 | 基于市场观点增减特定敞口 | 短期看好科技板块→超配科技 ETF |
| 主题 ETF | 动态 | 获取主题性主动观点（但被动权重） | 网络安全、机器人、基础设施主题 ETF |
战术应用应优先考虑流动性和交易成本（而非管理费），选择该类别中成交量最高的 ETF。
③ 主动与因子投资（Active and Factor / Smart Beta ETFs）
- Smart Beta（聪明 Beta）/ 因子 ETF：以规则化指数筛选和加权股票，追踪价值（Value）、动量（Momentum）、质量（Quality）、低波动（Low Vol）、股息增长（Dividend Growth）、规模（Size）等因子；学术上获证的因子可视为风险溢价
- 多因子 ETF：组合多个因子，通常波动率低于单因子策略，但因子择时收益潜力也较低
- 另类加权 ETF：以等权重、基本面权重（如股息率）替代市值加权；可捕捉规模/价值效应
- 风险管理应用：货币对冲 ETF（剥离汇率风险）、低波动 ETF（降低组合 beta）、久期对冲 ETF（持有信用债同时空头利率风险）
- 反向 ETF：短期战术用于临时降低基准敞口，避免大量更换底层持仓（实现高换手）
- 主动型 ETF：在固定收益领域较常见（如 PIMCO BOND ETF）；股票型主动 ETF 因持仓日披露要求（front-running 顾虑）发展较慢，在全球 ETF 资产中占比约 2–3%
使用 ETF 的注意事项（大型机构）
- 对规模极大的资产所有者（如养老金、主权基金），单独账户（SMA）可能费率更低、更可定制化
- 监管要求：持有 ETF 超过一定比例（占 ETF 总资产）可能需要信息披露
- ETF 适用性评估必须涵盖：指数构建方法论、成本结构、风险特征和历史表现
Example 7 · ETF 组合应用分类
一家养老基金刚刚解聘了其固定收益外部管理人，新管理人将在 6 周后开始接管。在此过渡期间，基金最可能用 ETF 来：
- A.代替原管理人的主动策略，作为长期战略配置的新核心持仓。
- B.在过渡期间维持基准债券敞口（过渡管理），避免市场敞口缺口，直到新管理人接手。
- C.通过杠杆 ETF 在过渡期间增加收益，弥补解聘原管理人的机会成本。
Answer: B
这是典型的过渡管理（transition management）用途。在外部管理人更迭期间，基金不希望空仓或持有大量现金，因为这会产生相对基准的风险敞口缺口。用追踪目标基准的 ETF 作为临时持仓，是机构最常见的 ETF 组合效率应用之一。
Example 8 · Smart Beta 因子 ETF
以下关于因子 ETF（Smart Beta ETF）的描述，哪项最准确？
- A.因子 ETF 属于完全主动管理，基金经理自行决定个股选择和权重。
- B.因子 ETF 追踪规则化因子指数（如价值、动量、质量），以系统主动（rules-based active）方式捕捉风险溢价，同时因规则透明而能日披露持仓。
- C.因子 ETF 总是优于市值加权 ETF，因为它们针对学术验证的风险溢价进行了优化。
Answer: B
因子 ETF（Smart Beta）追踪的是预定规则构造的因子指数（而非自由裁量型主动管理），因此权重确定性强且可日披露，解决了传统主动管理 ETF 的持仓暴露问题。这些因子（价值、动量、质量等）在学术上有支持，但并非总是跑赢市值加权基准——因子表现因市场周期而异（factor cyclicality），需结合投资观点和风险管理需求使用。
Example 9 · 现金管理与现金拖累
资产管理人使用 ETF 进行现金股票化（cash equitization）的主要目的是：
- A.锁定无风险收益，同时等待更好的市场进场时机。
- B.将闲置现金快速投入 ETF，保持满仓于基准敞口，消除现金拖累（cash drag）带来的跟踪误差。
- C.使用 ETF 的税务优势，规避底层证券的资本利得税。
Answer: B
现金拖累（cash drag）是指持有未投资现金导致组合相对基准产生负跟踪差（因为现金收益率低于权益基准）。通过将股息收入、客户入金等小额现金流迅速投入流动性高的 ETF，管理人可保持组合始终接近满仓基准配置，将跟踪误差降至最低。这是大型机构资产管理中 ETF 最重要的操作效率用途之一。
术语表 · Glossary
授权参与者 Authorized Participant (AP)
唯一能与 ETF 发行商在一级市场创建/赎回 ETF 份额的特殊机构投资者，通常为大型做市商/券商。
创建篮子 Creation Basket
AP 向 ETF 管理人交付以换取 ETF 份额的证券清单（每日公布）；也用于计算日内 iNAV。
赎回篮子 Redemption Basket
AP 赎回 ETF 份额时从管理人处收到的证券清单（可与创建篮子不同，管理人可针对税务优化定制）。
创建单元 Creation Unit
AP 与 ETF 发行商之间交易的大额 ETF 份额块，通常为 50,000 份。
iNAV（Indicated NAV）
日内基于创建篮子实时价格计算的 ETF 公允价值估算；用于计算日内溢价/折价。
跟踪误差 Tracking Error
ETF 与指数日收益差的标准差；衡量日偏差波动幅度，但不反映偏差方向。
跟踪差 Tracking Difference
ETF 相对指数的累计期间收益偏差；滚动 12 个月跟踪差更能反映总持有成本。
溢价/折价 Premium/Discount
ETF 市价高于（溢价）或低于（折价）NAV/iNAV 的百分比；固定收益 ETF 在市场压力下常见折价，实为价格发现。
现金拖累 Cash Drag
持有未投资现金导致组合相对权益基准产生负跟踪差；现金股票化（cash equitization）用 ETF 解决此问题。
ETN（交易所交易票据）
发行银行的无担保无次级债务，承诺按指数收益支付；最高 100% 交易对手风险，与真正持有底层资产的 ETF 完全不同。
Smart Beta / 因子 ETF
追踪规则化因子指数（价值、动量、质量、低波动等）的 ETF；系统性主动策略，可日披露持仓；兼具被动成本和主动因子敞口。
过渡管理 Transition Management
更换外部管理人期间，以 ETF 维持基准敞口的临时策略，避免空仓风险敞口。
Example 10 · 创建篮子与赎回篮子
ETF 发行商在赎回时常交付与创建篮子不同的赎回篮子，主要是出于以下哪项原因？
- A.赎回篮子由 AP 自行决定，ETF 管理人无权干预。
- B.ETF 管理人选择低成本基础（高未实现增益）的持仓交付赎回篮子，从基金中清除潜在税务负担，实现税务效率优化。
- C.法规要求创建篮子和赎回篮子必须不同，以防止套利。
Answer: B
管理人有权定制赎回篮子。通过选择账面增益最大（成本基础最低）的持仓交付赎回，这些低成本股票离开基金而无需产生应税事件（实物赎回通常不触发资本利得），从而在基金内留下相对较高成本基础的持仓。这被称为『税收批次管理』（tax lot management），是 ETF 相较共同基金的重要税务效率来源。
Example 11 · ETF 综合：费用率 vs 跟踪差
某新兴市场 ETF 的年化费用率为 0.69%，但其中位 12 个月滚动跟踪差为 −0.79%（相对指数跑输 0.79%）。以下哪项解释最合理？
- A.该 ETF 的管理团队技能差，导致额外 0.10% 的超额损失。
- B.除费用率外，跟踪差还包含外国股息预扣税、汇率计价差异等额外成本，共导致费用率以外约 0.10% 的额外拖累。
- C.费用率计算错误，实际费用率应为 0.79%。
Answer: B
跟踪差（−0.79%）超出费用率（0.69%）约 0.10%，表明除管理费外还存在其他跟踪误差来源。对于新兴市场 ETF，外国股息预扣税（税率与指数假设不同）、汇率计价时点差异、代表性抽样偏差等均可贡献额外跟踪差。0.10% 的超额拖累属于合理范围，EEM 实际案例中也有类似情形（中位年化跟踪差 −0.79% vs 费用率 0.69%）。
Module 4 · 使用多因子模型
多因子模型的应用 — APT、三类因子模型、收益与风险归因、组合构建
Jerald E. Pinto, PhD, CFA · Eugene L. Podkaminer, CFA
学习目标 · Learning Outcomes
考生应能够：
- 描述套利定价理论（APT）的基本假设及其与多因子模型的关系
- 定义套利机会并判断是否存在套利机会
- 给定资产的因子敏感性和因子风险溢价，计算资产预期收益
- 描述并比较宏观经济因子模型、基本面因子模型与统计因子模型
- 描述多因子模型的用途并解释多因子模型分析的输出结果
- 描述在资产收益建模中考虑多维风险对投资者的潜在收益
- 解释主动风险的来源，并解释跟踪风险（TE）和信息比率（IR）
4.01–4.02 APT 与套利定价理论 · Arbitrage Pricing Theory
套利定价理论（Arbitrage Pricing Theory, APT）由 Ross（1976）提出，是 CAPM 的替代理论。 APT 将资产（或投资组合）的预期收益表示为一组系统性风险因子的线性函数， 但不指定因子的数量或身份。
APT 三大假设（考试必背）
- 因子模型描述资产收益（Factor model describes returns）
- 充分分散可消除非系统风险（Well-diversified portfolios eliminate asset-specific risk）
- 市场均衡下无套利机会（No arbitrage opportunities among well-diversified portfolios）
与 CAPM 比较：CAPM 需要均值-方差框架、市场组合等更强假设；APT 仅需上述三条更宽松假设，因此 APT 是 CAPM 的一般化。
APT 核心公式 — 预期收益方程
长公式可横向滚动
多因子收益生成模型（时序模型）：
R_i = a_i + b_{i1}·I_1 + b_{i2}·I_2 + ... + b_{iK}·I_K + ε_i
APT 均衡预期收益（横截面模型）：
E(R_p) = R_F + λ_1·β_{p,1} + λ_2·β_{p,2} + ... + λ_K·β_{p,K}
其中：
R_F = 无风险利率
λ_j = 因子 j 的风险溢价（factor risk premium / factor price）
= 对因子 j 敏感性为 1、对所有其他因子敏感性为 0 的
投资组合的预期超额收益
β_{p,j} = 投资组合对因子 j 的敏感性
K = 因子数量（须远小于资产数量）若不存在无风险资产，则以 λ_0 替代 R_F，表示对所有因子敏感性均为 0 的有风险组合的预期收益。
套利（Arbitrage）与套利机会
- 套利（Arbitrage）：无需净投资、无风险、期望正利润的操作
- 套利机会（Arbitrage Opportunity）：当两个具有相同因子敞口的组合提供不同预期收益时产生
- 套利力量：投资者会买入被低估的组合并卖空被高估的等价组合，直至两者价格恢复均衡（套利利润消失）
Example 1 · 单因子 APT 参数求解（CFA Example 1）
Given
- Portfolio A: E(R) = 7.5%, β = 0.5
- Portfolio B: E(R) = 15.0%, β = 2.0
- Portfolio C: E(R) = 7.0%, β = 0.4
- 单因子 APT: E(R_p) = R_F + λ_1 · β_{p,1}
Steps
- 建立方程组（A, B）: 0.075 = R_F + 0.5·λ_1 和 0.150 = R_F + 2.0·λ_1
- 两式相减: 0.075 = 1.5·λ_1 → λ_1 = 0.05（5%）
- 代入 A 求 R_F: 0.075 = R_F + 0.5×0.05 → R_F = 0.05（5%）
- 验证 C: E(R_C) = 0.05 + 0.05×0.4 = 0.07（7%）✓ 与题目一致
Result: R_F = 5%，因子风险溢价 λ_1 = 5%，APT 方程：E(R_p) = 0.05 + 0.05·β_{p,1}
Example 2 · 识别套利机会并构建套利组合（CFA Example 2）
Given
- APT 方程（由 Example 1）：E(R_p) = 0.05 + 0.05·β_{p,1}
- Portfolio D: E(R) = 8.0%，β = 0.45
- 0.5A + 0.5C: E(R) = (0.5×7.5%) + (0.5×7.0%) = 7.25%，β = (0.5×0.5) + (0.5×0.4) = 0.45
Steps
- APT 期望值（β=0.45）: 0.05 + 0.05×0.45 = 0.0725（7.25%）
- 比较: D 实际 E(R) = 8.0% > APT 期望 7.25% → D 被低估
- 套利操作: 买入 $10,000 D（-$10,000 现金），卖空 $10,000（0.5A+0.5C）(+$10,000 现金）
- 初始净现金流: $0（零成本）
- 期末现金流: +$10,800（D 到期）− $10,725（偿还空头）= +$75
- 因子风险: β_D − β_{0.5A+0.5C} = 0.45 − 0.45 = 0（完全对冲）
Result: 以零成本、零风险获得 $75 套利利润。套利力量将推高 D 的价格直至其预期收益降回 7.25%，恢复均衡。
Carhart 四因子模型（考试高频）
长公式可横向滚动
超额收益模型：
R_p − R_F = a_p + b_{p1}·RMRF + b_{p2}·SMB + b_{p3}·HML + b_{p4}·WML + ε_p
均衡预期收益（a_p 期望值为 0）：
E(R_p) = R_F + β_{p,1}·RMRF + β_{p,2}·SMB + β_{p,3}·HML + β_{p,4}·WML
因子定义：
RMRF = 市场超额收益（市值加权股票指数 − 一月期国债）
SMB = 小盘 minus 大盘（Small Minus Big，市值规模因子）
= 3 个小盘组合平均收益 − 3 个大盘组合平均收益
HML = 高账面市值比 minus 低账面市值比（High Minus Low，价值因子）
= 2 个高 B/P 组合平均收益 − 2 个低 B/P 组合平均收益
WML = 赢家 minus 输家（Winners Minus Losers，动量因子）
= 过去 12 月收益最高 30% − 过去 12 月收益最低 30%
（均等权重，排除最近一月）Carhart 模型是 Fama-French 三因子（1992）基础上加入动量因子的扩展版本。 从 CAPM 视角，规模、价值、动量是"异象"（anomaly）；从 Carhart 视角，它们是系统性风险因子， 承担这些风险应获得相应风险溢价。
Example 1 · APT 与 CAPM 的关键区别
以下关于套利定价理论（APT）与 CAPM 的比较，哪项描述最准确？
- A.APT 需要比 CAPM 更强的假设，因为 APT 使用了多个因子。
- B.APT 不指定风险因子的数量或身份，假设更为宽松，且可以是 CAPM 的一般化；CAPM 可视为 APT 的单因子特例。
- C.APT 和 CAPM 的假设完全相同，只是因子数量不同。
Answer: B
APT 仅需三个假设（因子模型、充分分散可消除非系统风险、无套利），不需要 CAPM 所要求的均值-方差框架、正态分布假设、单期模型或市场组合可观测等强假设。因此 APT 更一般化。如果因子恰好是市场超额收益，APT 退化为单因子 CAPM。APT 的不足是不指定因子具体是什么，因子选择依赖理论或经验研究。
Example 2 · 因子风险溢价（Factor Risk Premium）的含义
在 APT 框架中，因子风险溢价 λ_j 的正确解释是：
- A.市场组合对因子 j 的预期超额收益。
- B.对因子 j 敏感性为 1、对所有其他因子敏感性为 0 的纯因子投资组合的预期超额收益（相对于无风险利率）。
- C.资产 i 因子敏感性 β_{i,j} 乘以因子实现收益的乘积。
Answer: B
因子风险溢价 λ_j（也称因子价格 factor price）是持有纯因子组合（pure factor portfolio）的预期回报：该组合对因子 j 的敏感性精确等于 1，对所有其他因子的敏感性为 0。这相当于承担单位因子 j 风险的代价。例如若 λ_j = 5%，则对因子 j 每增加 1 单位敏感性，预期超额收益增加 5%。
4.03 三类多因子模型 · Types of Multifactor Models
三类多因子模型概览（考试核心对比）
| 类型 | 因子性质 | 建模顺序 | 截距含义 | 优势 | 劣势 |
|---|---|---|---|---|---|
| 宏观经济因子模型 Macroeconomic Factor Model | 宏观变量的意外值（surprises） 期望值 = 0 | ① 先构造因子惊喜序列 ② 再用回归估计敏感性 | 资产预期收益（因子惊喜均为 0 时的预期收益） | 因子含义直观；可融入宏观观点；因子数少（简洁） | 解释力较低（~11%）；惊喜序列构造较难 |
| 基本面因子模型 Fundamental Factor Model | 股票/公司属性（P/B、市值、P/E、财务杠杆等） 因子是收益，不是惊喜 | ① 先确定因子敏感性（属性） ② 再用回归估计因子收益 | 不再等于预期收益（截距含义改变） | 解释力强（~43%）；风格/行业划分直观；适合绩效归因 | 因子数多（67 个含 55 行业哑变量）；可能存在数据挖掘 |
| 统计因子模型 Statistical Factor Model | 从历史收益数据中提取的统计因子（为证券组合） | 主成分分析（PCA）或因子分析（Factor Analysis） | 无标准解释 | 最少假设；可应用于各资产类别（无需调整） | 因子经济含义难以解释；依赖历史数据，可能过拟合 |
行业偏好：为何实践中更常用宏观与基本面模型？
- 宏观和基本面模型的因子具有可解释性，能以通俗语言向客户描述风险敞口和收益来源
- 统计模型虽假设最少，但通常无法为因子赋予经济含义，难以融入主动管理观点
- 统计模型依赖历史数据挖掘（data mining），样本外稳定性存疑
固定收益多因子模型
同样的三类模型框架同样适用于固定收益。主要因子群：
- 宏观因子：通胀惊喜、GDP 增长惊喜对债券收益影响直接（利率/贴现率变动）
- 基本面因子：久期（Duration）、信用（Credit）、货币（Currency）、地域（Geography）
- Dopfel 简化框架：美国彭博巴克莱综合指数 = 政府短期 + 政府中期 + 政府长期 + 投资级信用 + 高收益 + MBS
长公式可横向滚动
固定收益基本面因子模型：
R_i = a_i + b_{i1}·F_{GvtSh} + b_{i2}·F_{GvtInt} + b_{i3}·F_{GvtLg}
+ b_{i4}·F_{InvGrd} + b_{i5}·F_{HiYld} + b_{i6}·F_{MBS} + ε_i
约束：各因子权重 b_{ik} 之和 = 100%（受约束回归）此框架兼具宏观属性（利差反映增长因子）和基本面属性（久期作为因子），也可扩展至 ESG 维度。
跨资产类别的因子体系（Exhibit 5 – Podkaminer 2017）
| 类别 | 因子 | 股票 | 信用 | 国债 | 商品 | 货币 |
|---|---|---|---|---|---|---|
| 宏观 | 经济增长 | ●● | ● | |||
| 宏观 | 利率 | ● | ●● | |||
| 宏观 | 通胀 | ● | ●● | ● | ||
| 风格 | 价值 | ●● | ● | ● | ● | |
| 风格 | 规模 | ●● | ||||
| 风格 | 动量 | ●● | ●● | ●● | ●● | ●● |
| 风格 | Carry（期差/利差） | ● | ●● | ●● | ●● | ●● |
| 风格 | 低波动 | ●● | ● |
●● 强相关；● 中等相关。动量和 Carry 因子在所有资产类别中均有相关性，是最通用的风格因子。
Example 3 · 固定收益组合预期收益计算（Exhibit 4 框架）
Given
- 组合敞口：35% 中期政府债，40% 投资级信用，5% MBS，20% 高收益债
- 各类别预期收益：中期政府债 1.50%，投资级信用 4.25%，MBS 1.75%，高收益 5.75%
Steps
- 加权求和: E(R) = 0.35×1.50% + 0.40×4.25% + 0.05×1.75% + 0.20×5.75%
- 计算: = 0.525% + 1.70% + 0.0875% + 1.15% = 3.4625% ≈ 3.46%
Result: 该固定收益组合的预期收益率约为 3.46%。此框架可直接用于绩效归因：将实际收益按因子权重分解，识别超额收益来源。
Example 3 · 宏观因子模型 vs 基本面因子模型 — 建模顺序
宏观经济因子模型与基本面因子模型在建模顺序上的核心区别是：
- A.宏观模型先估计因子敏感性，再构造因子时序；基本面模型先构造因子时序，再估计敏感性。
- B.宏观模型先构造因子惊喜时序，再通过回归估计因子敏感性；基本面模型先确定因子敏感性（资产属性），再通过回归估计因子收益。
- C.两类模型的建模顺序完全相同，仅因子类型不同。
Answer: B
这是宏观因子模型与基本面因子模型最核心的结构差异。宏观模型：先构造宏观变量惊喜时序（实际值减预测值）→ 再对各资产分别用时序回归估计对因子的敏感性（b_{ik}）。基本面模型：因子敏感性是资产属性（已知，如 B/P 比率、市值），先标准化得到 standardized beta → 再在每期横截面上回归估计因子收益。此顺序差异导致截距含义不同：宏观模型截距是预期收益；基本面模型截距不是预期收益。
4.04–4.05 宏观与基本面因子模型详解 · Macro & Fundamental Models
宏观经济因子模型：关键概念
长公式可横向滚动
两因子宏观模型（通胀 + GDP）：
R_i = a_i + b_{i1}·F_INFL + b_{i2}·F_GDP + ε_i
其中：
a_i = 资产 i 的预期收益（因子惊喜均为 0 时的期望值）
b_{i1} = 资产 i 对通胀惊喜的敏感性（通胀 beta）
F_INFL = 通胀率惊喜 = 实际通胀 − 预测通胀
b_{i2} = 资产 i 对 GDP 增长惊喜的敏感性
F_GDP = GDP 增长惊喜（假设与 F_INFL 不相关）
ε_i = 误差项（非系统风险，期望值为 0）
解释：
b_{i1} = 1% 通胀惊喜对资产收益的贡献（百分点）
截距 a_i = 两因子惊喜均为 0 时的预期收益- GDP 增长因子风险溢价通常为正：承担 GDP 风险应获补偿
- 通胀因子风险溢价通常为负：通胀敏感性正的资产（抗通胀资产）需求高 → 预期收益反而更低
增长与通胀矩阵（Exhibit 6）— 资产配置应用
| 低通胀 | 高通胀 | |
|---|---|---|
| 低增长 | 现金、政府债券 | 通胀挂钩债券、商品、基础设施 |
| 高增长 | 股票、公司债 | 实物资产（房地产、林地、农田、能源） |
表格中的资产是在对应宏观环境中预期表现较好的资产类别，可用于宏观观点驱动的战略资产配置。
Example 4 · 两股票组合宏观因子模型（CFA Example 5）
Given
- R_MANM = 0.09 − 1·F_INFL + 1·F_GDP + ε_MANM
- R_NXT = 0.12 + 2·F_INFL + 4·F_GDP + ε_NXT
- 组合权重：MANM 1/3，NXT 2/3
- 实际情景：F_INFL = 1%（0.01），F_GDP = 0%，两支股票误差项均 = 0.5%（0.005）
Steps
- ①组合收益方程: R_P = (1/3)·0.09 + (2/3)·0.12 + [(1/3)·(−1) + (2/3)·2]·F_INFL + [(1/3)·1 + (2/3)·4]·F_GDP + 误差项
- 化简截距: (1/3)·0.09 + (2/3)·0.12 = 0.03 + 0.08 = 0.11（预期收益 11%）
- 通胀 beta: (1/3)·(−1) + (2/3)·2 = −0.333 + 1.333 = 1.0
- GDP beta: (1/3)·1 + (2/3)·4 = 0.333 + 2.667 = 3.0
- ②预期收益: 截距 = 0.11，即 11%
- ③代入情景: R_P = 0.11 + 1·(0.01) + 3·(0) + (1/3)·0.005 + (2/3)·0.005
- 计算: = 0.11 + 0.01 + 0 + 0.00167 + 0.00333 = 0.125（12.5%）
Result: 组合预期收益 = 11%；在通胀惊喜 +1%、GDP 无惊喜、两股票各有 +0.5% 非系统误差时，实际组合收益 = 12.5%。
基本面因子模型：标准化 Beta（Standardized Beta）
长公式可横向滚动
标准化 beta（基本面因子敏感性）：
β_i = (属性值 − 属性均值) / 属性标准差
= (X_i − X̄) / σ_X
举例：股息率因子
某股票股息率 = 3.5%，市场平均股息率 = 2.0%，标准差 = 1.5%
β = (3.5% − 2.0%) / 1.5% = 1.0
解释：
β = 0 → 属性值等于市场平均，无因子暴露
β = 1 → 属性值高于平均 1 个标准差
β = −1 → 属性值低于平均 1 个标准差标准化确保不同属性的 beta 可相互比较；截距不再是预期收益，而是对所有因子 beta 均为 0 的资产的收益。
宏观 vs 基本面模型解释力对比（Connor 1995）
| 模型 | 因子数 | 总解释力 | 最重要因子 |
|---|---|---|---|
| 宏观经济因子模型（5 因子） | 5 | 10.9% | 违约溢价（+8.1%增量）、期限结构（+7.7%增量） |
| BARRA 基本面因子模型（E2 版） | 67 （含 55 个行业哑变量） | 42.6% | 行业因子（16.3%，增量 18.0%） |
注意：基本面模型解释力更高（43% vs 11%）但不代表其本质上优于宏观模型。宏观模型更简洁（parsimonious）， 允许将宏观经济观点直接融入组合构建；基本面模型更详细，适合绩效和风险归因，但因子数多（67 个）且存在数据挖掘风险。
Example 4 · 通胀因子风险溢价的符号
在宏观经济因子模型中，通胀因子的风险溢价（λ_INFL）通常为负值。这意味着：
- A.通胀因子对股票收益没有显著影响，因此风险溢价接近零。
- B.对通胀惊喜有正敏感性的资产（即能对冲通胀的资产）因被投资者追捧而预期收益反而较低；负风险溢价反映其抗通胀特性的价值。
- C.负通胀风险溢价意味着投资者应该回避通胀敏感性为正的资产。
Answer: B
通胀风险溢价为负是因为能抗通胀的资产（通胀 beta 为正）充当了通胀对冲工具，投资者愿意接受更低的预期收益来获得这种保险价值。具体地说：β_INFL > 0 的资产 × 负风险溢价 = 更低的预期收益（相比通胀 beta 为零或负的资产）。TIPS、商品等抗通胀资产的预期收益通常低于具有相同非通胀风险的资产，正是这个原因。
4.06 因子模型在收益归因中的应用 · Return Attribution
主动收益的因子分解框架
长公式可横向滚动
主动收益分解：
主动收益 = R_p − R_B
= 因子倾斜收益（Factor Tilts Return）
+ 个券选择收益（Security Selection Return）
因子倾斜收益 = Σ_j [ (β_{p,j} − β_{B,j}) × F_j ]
= Σ_j [ 主动因子暴露 × 因子实现收益 ]
其中：
β_{p,j} = 组合对因子 j 的敏感性（期初计算）
β_{B,j} = 基准对因子 j 的敏感性（期初计算）
β_{p,j} − β_{B,j} = 主动因子倾斜（active factor tilt）
F_j = 因子 j 的实现收益分析师通常偏好基本面因子模型进行收益归因，因为因子含义直观（规模、价值、动量等）， 能以通俗语言向客户说明超额收益来源。
Carhart 四因子主动收益分解（Exhibit 9 — CFA Example 7）
| 因子 | 组合敏感性 | 基准敏感性 | 主动倾斜 | 因子收益 | 对主动收益贡献 | 占比 |
|---|---|---|---|---|---|---|
| RMRF（市场） | 0.95 | 1.00 | −0.05 | 5.52% | −0.28% | −13.3% |
| SMB（规模） | −1.05 | −1.00 | −0.05 | −3.35% | +0.17% | 8.1% |
| HML（价值） | 0.40 | 0.00 | +0.40 | 5.10% | +2.04% | 98.4% |
| WML（动量） | 0.05 | 0.03 | +0.02 | 9.63% | +0.19% | 9.3% |
| A. 因子倾斜总收益 | +2.12% | 102.4% | ||||
| B. 个券选择收益 | −0.05% | −2.4% | ||||
| C. 主动总收益（A + B） | +2.07% | 100% | ||||
解读：该经理自称为"选股者"，但其 2.07% 主动收益的 98.4% 来自对 HML（价值因子）的大幅倾斜（+0.40）， 个券选择收益实为负值（−0.05%）。若价值因子表现不佳，经理表现将令人失望。
Example 5 · 收益归因解读
上述 Carhart 模型分析显示，经理的个券选择收益为 −0.05%。对此最恰当的解读是：
- A.负的个券选择收益表明该经理选股能力完全没有价值，应该立即解雇。
- B.该经理的正主动收益主要来自价值因子（HML）的系统性倾斜，而非其自称的选股能力；分析师应关注该因子倾斜是否是刻意的战略决策，以及未来 HML 表现不如预期时的风险。
- C.负个券选择收益说明该经理实际上是价值风格指数基金，而非主动管理基金。
Answer: B
收益归因的核心价值在于揭示真实收益来源。该经理 2.07% 的正主动收益有 98.4% 来自 HML 大幅倾斜（+0.40），而非其宣称的选股技能。关键问题是：①这种 HML 倾斜是有意识的价值风格决策，还是意外的风险暴露？②若当年 HML 收益为负，经理表现会如何？③正 HML 倾斜与负个券选择能力的组合意味着该经理创造的真实 alpha（超越因子补偿的收益）实际上是负的。分析师应与经理讨论其选股能力是否与其业绩历史一致。
4.07 风险归因、跟踪误差与信息比率 · Risk Attribution, TE & IR
核心指标：跟踪误差（TE）与信息比率（IR）
长公式可横向滚动
跟踪误差（Tracking Error / Tracking Risk）：
TE = s(R_p − R_B)
= 主动收益时序的样本标准差
年化换算（假设收益序列无自相关）：
日度 TE → 年度：TE_年 = TE_日 × √250
月度 TE → 年度：TE_年 = TE_月 × √12
信息比率（Information Ratio）：
IR = 平均主动收益 / 跟踪误差
= (R̄_p − R̄_B) / TE
典型 TE 范围（美国股票，参考值）：
被动策略（精确追踪）：≤ 0.10%/年
增强指数策略： 约 2%/年
大盘主动股票策略： 4%–8%/年
小盘或宏观策略： 可达 10%–15%/年主动风险平方分解（Active Risk Squared Decomposition）
长公式可横向滚动
主动风险平方 = 主动因子风险 + 主动特定风险
Active Risk² = Active Factor Risk + Active Specific Risk
s²(R_p − R_B) = 主动因子风险平方 + 主动特定风险平方
主动特定风险 = Σ_i ( w_{a,i}² × σ_i² )
w_{a,i} = 资产 i 的主动权重（组合权重 − 基准权重）
σ_i² = 资产 i 的残差方差（因子模型无法解释的部分）
主动因子风险（间接法）= 主动风险平方 − 主动特定风险两个分量的含义：主动因子风险来自组合与基准的因子敞口差异（有意识的因子倾斜）；主动特定风险（选股风险）来自个券主动权重与残差波动率之积。
主动风险分解案例（CFA Example 9 — Exhibit 10/11）
| 组合 | 行业因子风险（%²） | 风格因子风险（%²） | 总因子风险（%²） | 特定风险（%²） | 主动风险²（%²） | TE = 标准差 |
|---|---|---|---|---|---|---|
| A | 12.25（25%） | 17.15（35%） | 29.40（60%） | 19.60（40%） | 49 | 7% |
| B | 1.25（5%） | 13.75（55%） | 15.00（60%） | 10.00（40%） | 25 | 5% |
| C | 1.25（5%） | 17.50（70%） | 18.75（75%） | 6.25（25%） | 25 | 5% |
| D | 0.03（3%） | 0.47（47%） | 0.50（50%） | 0.50（50%） | 1 | 1% |
A vs B：A 的 TE（7%）高于 B（5%）；A 承担了大量行业因子风险（25%），而 B 近乎行业中性（5%），B 的主动因子风险主要来自风格（55%）。
B vs C：TE 相同（均 5%）；B 行业中性，但 B 的特定风险（40%）高于 C（25%），说明 B 持股更集中、分散度低于 C；C 有更多风格因子倾斜（70%）。
D：TE 仅 1%，近乎被动管理（因子风险极小，与基准几乎一致）。
Example 5 · 信息比率计算
Given
- 组合年化平均收益：9.0%
- 基准年化平均收益：7.5%
- 跟踪误差（年化）：6.0%
Steps
- 平均主动收益: 9.0% − 7.5% = 1.5%
- IR: IR = 1.5% / 6.0% = 0.25
Result: IR = 0.25，意味着每承担 1% 跟踪风险，平均获得 0.25% 主动超额收益。IR 通常被认为 > 0.5 为优秀，< 0.25 则难以证明主动管理费用的合理性。
Example 6 · 主动风险分解与经理风格判断
根据 Exhibit 11 数据，Portfolio D 的主动风险平方仅为 1（TE = 1%），因子风险和特定风险各占约 50%。对此最合理的解读是：
- A.D 是高度分散的主动管理基金，通过大量选股消除了因子风险。
- B.D 表现出被动管理（指数基金）特征：极低的主动风险说明其因子暴露与基准几乎完全一致，微小的特定风险来自抽样跟踪误差。
- C.D 的 50% 特定风险比例说明其是最依赖选股的经理，选股水平最高。
Answer: B
Portfolio D 的主动风险方差仅为 1（%²），折算 TE = 1%，远低于其他组合（A: 7%，B/C: 5%）。如此低的主动风险是被动管理的标志——因子敞口与基准几乎相同（行业 3%，风格 47%），仅有极微小的主动因子倾斜。剩余的 50% 特定风险来自抽样跟踪（全复制指数基金也会因价格微差产生少量特定风险），并非有意识的选股决策。这一判断与题目后续明确指出『Portfolio D 为被动管理』一致。
Example 7 · 跟踪误差年化换算
某分析师基于日收益数据计算出某主动股票基金的日度跟踪误差为 0.50%。假设日收益序列无自相关，年化跟踪误差约为多少？（假设每年 250 个交易日）
- A.0.50% × 250 = 125%（线性缩放）
- B.0.50% × √250 ≈ 0.50% × 15.81 ≈ 7.9%
- C.0.50% × √12 ≈ 1.73%（按 12 个月年化）
Answer: B
跟踪误差是标准差，标准差的年化需乘以持有期数量的平方根（而非线性乘以期数）。在无自相关假设下，方差随时间线性累加，标准差随√T增长：年化 TE = 日度 TE × √250 ≈ 0.50% × 15.81 ≈ 7.9%。月度换年度则乘以√12。A 是错误的线性缩放；C 适用于月度数据年化（但 0.50% 是日度数据）。
4.08–4.09 组合构建与战略决策 · Portfolio Construction & Strategic Decisions
多因子模型在组合构建中的三大应用
- 被动管理（指数追踪）：用多因子模型选取指数成分的子集， 使子集组合的各因子敞口与完整指数完全匹配，在持有少量股票的同时实现精确跟踪。
- 主动管理（量化策略）：利用多因子模型预测个券 alpha 或相对收益， 在给定风险预算下构建优化组合；或建立希望的风险轮廓（risk profile）同时控制不想要的因子暴露。
- 规则化主动（另类指数/Smart Beta）：系统性地向规模、价值、质量、动量等因子倾斜， 以透明、低成本的方式捕捉传统上归因于经理技能的部分 alpha。
纯因子组合（Pure Factor Portfolio）
长公式可横向滚动
纯因子组合定义：
对因子 j 的敏感性 = 1
对所有其他因子的敏感性 = 0
用途：
① 置纯赌注（pure bet）：想要单一因子敞口时，买入对应纯因子组合
② 对冲因子风险：已有某因子的多头敞口时，卖空对应纯因子组合纯因子组合示例（CFA Example 10 — Burmeister 五因子模型）
| 风险因子 | A | B ★ | C | D ★ | E | F |
|---|---|---|---|---|---|---|
| 信心风险（Confidence） | 0.50 | 0.00 | 1.00 | 0.00 | 0.00 | 0.80 |
| 时限风险（Time Horizon） | 1.92 | 0.00 | 1.00 | 1.00 | 1.00 | 1.00 |
| 通胀风险（Inflation） | 0.00 | 0.00 | 1.00 | 0.00 | 0.00 | −1.05 |
| 商业周期风险（Business Cycle） | 1.00 | 1.00 | 0.00 | 0.00 | 1.00 | 0.30 |
| 市场时机风险（Market Timing） | 0.90 | 0.00 | 1.00 | 0.00 | 0.00 | 0.75 |
Portfolio B（绿色）：商业周期纯因子组合（β_BC=1，其他均=0）→ 做多 B 是对实体经济增长纯赌注
Portfolio D（蓝色）：时限风险纯因子组合（β_TH=1，其他均=0）→ 卖空 D 可对冲已有的正时限风险敞口
多因子组合构建：等权（BM）vs 风险平价（RP）
使用 8 个纯因子组合（防御性价值、周期性价值、成长、价格动量、分析师预期、盈利能力、杠杆、盈利质量）构建多因子组合：
| 方法 | 权重确定方式 | 特点 |
|---|---|---|
| 基准组合（BM）—等权 | 每个因子权重 = 1/8 | 简单、透明；实践中表现通常与更复杂方法相当 |
| 风险平价（RP） | 每个因子对组合总风险贡献相等（基于方差-协方差矩阵优化） | 总收益略低于等权，但波动率显著降低；Sharpe 比率通常更优 |
关键要点：滚动窗口回测（rolling window backtesting）避免前向偏差（look-ahead bias）； 实证研究（1993–2019，10 个市场）显示两种方法的年化 Sharpe 比率均高于单因子策略，风险平价在全球多数市场中 Sharpe 比率更优。
战略投资决策：比较优势与劣势
多因子模型帮助投资者识别在哪些风险维度上有比较优势（可承担）或劣势（应规避）：
- 大学捐赠基金：投资期限极长 → 对商业周期风险和私募流动性溢价有比较优势 → 可超配权益和私募股权
- 银行/保险公司：资产与负债久期匹配需求 → 对长期利率风险有限 → 应控制债券久期暴露
- 个人投资者：人力资本与行业高度相关 → 应减少与自身雇主行业相关的股票持仓
CAPM 框架 vs 多因子框架：CAPM 建议所有投资者持有市场组合 + 无风险资产的两基金组合； 多因子模型允许投资者根据其比较优势/劣势偏离市场组合，承担额外系统风险以获取对应风险溢价，从而实现更优的效率前沿。
Example 8 · 纯因子组合应用
某组合经理对实体经济增长持乐观态度，希望对商业周期风险置入纯赌注，不受通胀、利率等其他因子干扰。根据 Exhibit 12（五因子模型），她应该：
- A.做多 Portfolio A（商业周期 beta = 1.00，但其他因子 beta 非零）。
- B.做多 Portfolio B（商业周期 beta = 1.00，其他所有因子 beta = 0），这是商业周期风险的纯因子组合。
- C.做多 Portfolio E（同时持有商业周期和时限风险敞口，分散化效果更好）。
Answer: B
纯因子组合（Portfolio B）是置入单一因子纯赌注的正确工具，因为其对目标因子敏感性为 1 且对所有其他因子敏感性为 0。Portfolio A 的商业周期 beta 同样为 1，但信心风险（0.50）、时限风险（1.92）、市场时机风险（0.90）均非零，因此会引入多种不希望的因子暴露，不是纯赌注。Portfolio E 持有商业周期风险（1.0）和时限风险（1.0），也不是纯赌注。
Example 9 · CAPM vs 多因子框架的战略含义
与 CAPM 相比，多因子模型为战略资产配置提供的最重要增量价值是：
- A.多因子模型可以完全消除组合风险，而 CAPM 无法做到。
- B.多因子模型使投资者能够根据自身对不同系统性风险的比较优势/劣势，定制风险敞口，从而可能实现比简单持有市值加权指数更优的效率前沿。
- C.多因子模型是 CAPM 的数学简化版，实际应用中没有区别。
Answer: B
CAPM 的战略建议极为简单：持有无风险资产 + 市值加权市场组合，所有投资者的最优组合仅在这两者之间的比例上有所不同（两基金分离定理）。多因子模型认识到不同投资者对不同系统性风险有不同的承受能力：例如大学捐赠基金可超配商业周期风险，因为其极长的投资期限使其对短期经济波动免疫；银行则对久期风险有严格限制。通过偏离市场组合向比较优势因子倾斜，投资者可能比纯 CAPM 框架实现更高的风险调整收益。
术语表 · Glossary
套利定价理论 APT
一种均衡理论，将资产的预期收益表示为一组系统性因子风险敏感性的线性函数；假设包括：因子模型能够描述收益、充分分散可以消除特定风险、市场中不存在套利机会。
套利 Arbitrage
一种无需净投资、无风险且期望获得正利润的操作；套利机会是套利行为存在的前提条件。
因子风险溢价 Factor Risk Premium
对某一因子敏感性为 1、对其他所有因子敏感性为 0 的纯因子组合相对于无风险利率的预期超额收益；又称因子价格（factor price）。
纯因子组合 Pure Factor Portfolio
对目标因子敏感性为 1、对所有其他因子敏感性为 0 的组合；是押注单一因子或对冲单一因子风险的工具。
宏观经济因子模型 Macro Factor Model
以宏观变量“惊喜”（实际值减预测值）为因子的多因子模型；先构造因子时序，再估计资产对因子的敏感性。
基本面因子模型 Fundamental Factor Model
以公司/股票属性（B/P、市值、P/E 等）为因子的多因子模型；先确定因子敏感性（对属性进行标准化），再通过回归估计因子收益。
统计因子模型 Statistical Factor Model
利用历史收益数据，通过主成分分析（PCA）或因子分析提取统计因子；对经济结构假设最少，但因子缺乏清晰的经济含义。
标准化 Beta Standardized Beta
基本面模型中因子敏感性的标准化表达：(属性值 − 属性均值) / 属性标准差；使不同属性对应的 beta 具有可比性。
主动收益 Active Return
组合收益减去基准收益（R_p − R_B）；可分解为因子倾斜收益与个券选择收益之和。
跟踪误差 Tracking Error (TE)
主动收益时序的标准差 s(R_p − R_B)；是主动风险的度量，又称 tracking risk。
信息比率 Information Ratio (IR)
平均主动收益除以跟踪误差；衡量每单位主动风险所获得的平均主动收益，类似于主动管理版本的 Sharpe 比率。
主动风险平方 Active Risk Squared
主动收益的方差；等于主动因子风险（active factor risk）与主动特定风险（active specific risk）之和。
主动因子风险 Active Factor Risk
主动风险平方中由组合相对于基准的因子敞口偏离所贡献的部分（有意识的因子倾斜风险）。
主动特定风险 Active Specific Risk
主动风险平方中由个券主动权重与残差方差之积（选股风险）所贡献的部分；又称 security selection risk。
Example 10 · 主动风险综合判断
在 Richard Gray 分析的四个组合中（Exhibit 11），哪个组合与“主动系统化价值量化策略”（低换手率、大幅风格因子倾斜、行业中性）的描述最为一致？
- A.Portfolio A（行业因子风险 25%，风格因子 35%，TE 7%）。
- B.Portfolio C（行业因子风险 5%，风格因子 70%，特定风险 25%，TE 5%）。
- C.Portfolio D（TE 1%，近乎被动）。
Answer: B
Portfolio C 的特征最符合主动量化价值策略：① 行业几乎中性（5% 行业因子风险），避免了行业集中押注；② 大幅风格因子倾斜（70%，可能对 HML、低估值等价值风格因子有大量敞口）；③ 特定风险较低（25%），说明组合分散度高（持股数量多、个券权重低），符合量化策略特征；④ TE 适中（5%）。Portfolio A 的行业集中度过高，更类似主动基本面策略；Portfolio D 则接近被动管理。
Example 11 · APT 套利机会综合判断
在一个单因子 APT 模型中，确认的 APT 方程为 E(R_p) = 5% + 6%·β_{p,1}。若某组合的因子敏感性 β = 0.8、预期收益为 10%，以下描述哪项最准确？
- A.APT 预测该组合收益为 9.8%，实际预期收益 10% > APT 预期，存在套利机会，应做多该组合并做空具有相同因子敏感性（β = 0.8）的均衡组合。
- B.APT 预测该组合收益为 10%，与实际相符，无套利机会。
- C.APT 预测该组合收益为 9.8%，但因差异小于 1%，不构成实际套利机会。
Answer: A
APT 预期收益 = 5% + 6% × 0.8 = 5% + 4.8% = 9.8%。实际预期收益 10% > APT 均衡值 9.8%，该组合被低估（underpriced）。套利策略：做多该组合，做空 APT 均衡组合（即构造 β=0.8、E(R)=9.8% 的组合），净初始投资为 0，期望利润 = 10% − 9.8% = 0.2%（每单位投资），因子风险完全对冲（两个组合 β 相同）。投资者的套利操作将推高该组合价格、降低其预期收益，直至恢复到 9.8% 的均衡水平。
Module 5 · Trading Costs and Electronic Markets
Module 5 内容待补充。此模块涵盖交易成本分析、电子交易市场结构与执行策略等内容。
Module 6 · 回测与模拟分析
回测与模拟分析 — 历史回测、情景分析、蒙特卡洛模拟与敏感性分析
Yin Luo, CPA, PStat, CFA · Sheng Wang — Wolfe Research LLC
学习目标 · Learning Outcomes
考生应能够：
- 描述回测投资策略的目标（describe objectives in backtesting an investment strategy）
- 描述并对比回测的步骤与流程（describe and contrast steps and procedures in backtesting）
- 解读回测报告中的指标与图表（interpret metrics and visuals reported in a backtest）
- 识别回测中的常见问题（identify problems in a backtest）
- 评价并解读历史情景分析（evaluate and interpret a historical scenario analysis）
- 对比蒙特卡洛与历史模拟方法（contrast Monte Carlo and historical simulation approaches）
- 解释模拟的输入与决策，并解读模拟结果（explain inputs and decisions in simulation and interpret a simulation）
- 演示敏感性分析的应用（demonstrate the use of sensitivity analysis）
6.01–6.02 回测简介与目标 · Objectives of Backtesting
回测（Backtesting）通过使用历史数据模拟真实投资过程，评估某策略在过去是否能产生理想结果。 其核心隐含假设是：未来将在一定程度上重复历史。
回测的四大技术工具
① 回测（Backtesting）——策略在历史环境中的模拟：这个策略过去表现如何？
② 历史情景分析（Historical Scenario Analysis）——在离散历史环境中测试策略表现
③ 模拟分析（Simulation Analysis）——蒙特卡洛或历史模拟，补充随机性
④ 敏感性分析（Sensitivity Analysis）——探讨关键输入变量的变化如何影响目标变量
回测的双重作用
✓ 接受标准：历史表现优异 → 增强对策略的信心
✓ 拒绝标准：历史表现差 → 策略不易被投资经理/客户接受
注意：历史表现好 ≠ 未来一定超额；历史表现差 ≠ 未来绝对无超额（但实践中难以被采用）
回测适用于量化/系统性策略，但基本面经理同样广泛使用——例如，在使用某估值指标筛选股票前， 先通过回测验证该指标历史上是否有效。CFA Institute调查显示，50%的从业者在过去12个月内进行过回测。
6.03 回测流程 · The Backtesting Process
回测包含三个步骤：策略设计 → 历史投资模拟 → 回测结果分析。
第一步：策略设计（Strategy Design）
① 确定投资目标与假设（Investment Goals & Hypothesis）
主动策略目标：相对基准的超额收益，或优越的风险调整后绝对收益。
② 关键参数设定（Key Parameters）
投资范围（Investment Universe）：所有可投资标的，实践中常用Russell 3000、S&P/TSX、MSCI China A等宽基指数成分股。
收益定义（Return Definition）：总收益 vs. 超额收益；本币 vs. 换算为单一货币。若目标是超额收益，还需指定基准（benchmark）。
再平衡频率与交易成本（Rebalancing Frequency & Transaction Cost）：实践中常用月度频率。频率越高，交易成本越高；许多市场异象在扣除交易成本后消失。
起止日期（Start and End Date）：数据越长，统计置信度越高；但金融数据往往非平稳（non-stationary），长期数据需辅以离散区间分析（历史情景分析）。
第二步：历史投资模拟（Historical Investment Simulation）
核心方法：滚动窗口（Rolling Window）回测。
在每个时间点（如月末），利用过去一段历史数据（样本内，in-sample）构建组合， 然后在下一期（样本外，out-of-sample）测试表现，随时间向前滚动重复。
例：用过去12个月的每股收益/价格（盈利收益率）对股票排名，买入前20%、做空后20%， 每月末再平衡，记录下月样本外收益。
第三步：回测结果分析（Analysis of Backtesting Output）
常用指标：
• 夏普比率（Sharpe Ratio）：单位总风险的超额收益
• 索提诺比率（Sortino Ratio）：单位下行风险的超额收益
• 最大回撤（Maximum Drawdown）：从峰值到谷值的最大累计亏损
• 波动率（Volatility）：收益率标准差
常用可视化：
• 对数尺度（logarithmic scale）累计收益图——等比例变化在纵轴等距，便于识别下行风险、衰退期与结构性突变
• 收益率分布图（与正态分布对比）
结构性突变（Structural Breaks）常见原因：
经济衰退（如2008-09全球金融危机）、地缘政治事件、货币/财政政策重大转变、技术变革（如互联网泡沫、AI普及）。
案例说明：盈利收益率价值策略（Earnings Yield Value Strategy）
Sarah Koh以盈利收益率（Earnings Yield = EPS/P，即P/E的倒数）为因子， 在Russell 3000（美国）和S&P Europe BMI（欧洲）中，买入收益率最高的20%、做空最低的20%， 1986年1月至2019年5月月度再平衡。结果：美国年均收益约9.2%，夏普比率0.75； 欧洲收益约6.7%但波动更低，夏普比率0.67。两市场最大回撤均约为策略波动率的3倍。
Example Q1 · 策略设计注意事项
以下哪项是SWF基金投资委员会应关注的回测设计风险？
- A.该策略假设美元将对欧元升值
- B.历史数据期间包含衰退、汇率制度变化和不同利率环境
- C.计算盈利收益率存在严重问题
Answer: B
B正确。使用长历史数据时，数据涵盖多个制度转换（通胀、汇率、利率），数据非平稳，回测结果需辅以离散区间分析。A错，分析对汇率不做假设；C错，盈利收益率可计算（只需EPS和股价均有效）。
Example Q2 · 再平衡频率与交易成本
以下哪项描述了再平衡频率与交易成本的关系？
- A.再平衡频率从月度改为周度，交易成本可能增加
- B.再平衡频率从月度改为季度，交易成本可能增加
- C.再平衡频率对交易成本无影响
Answer: A
A正确。频率越高，换手率越高，交易成本越高。B错（季度比月度频率低，成本下降）；C错（频率是交易成本的主要驱动因素）。
Example Q3 · 回测时间窗口
以下哪项不是使用较短回测时间段的潜在问题？
- A.回测覆盖的经济周期、通胀和利率制度数量有限
- B.回测结论可能仅适用于该时间段的特定环境
- C.回测可能覆盖多个经济周期、通胀和利率制度
Answer: C
C正确。时间窗口短 → 覆盖的宏观制度有限（而非多个），故C描述的不是短时间段的问题，而是恰恰相反。A和B都是短时间段的真实问题。
6.04 多因子模型回测 · Backtesting Multifactor Models
实践中大多数量化选股模型使用多因子结构（Multifactor Structure）， 以多个因子的线性组合为主导框架。本节以两种多因子组合为例：
基准组合 BM（Benchmark Portfolio）
等权重（Equal Weight）合并8个基本面因子组合。
研究表明等权重组合表现不亚于更复杂的优化方法（DeMiguel et al. 2007）。
风险平价组合 RP（Risk Parity Portfolio）
按等风险贡献（Equal Risk Contribution）加权——每个因子对总风险贡献相等。
需估计因子收益的方差-协方差矩阵（使用前5年月度数据滚动估计）。
8个基本面因子
① 防御价值（Defensive Value）：盈利收益率（Trailing Earnings Yield）
② 周期价值（Cyclical Value）：账面市值比（Book-to-Market）
③ 成长（Growth）：一致预期FY1/FY0 EPS增速
④ 价格动量（Price Momentum）：过去12个月总收益（剔除最近1个月）
⑤ 分析师情绪（Analyst Sentiment）：3个月EPS上调幅度
⑥ 盈利能力（Profitability）：净资产收益率（ROE）
⑦ 杠杆（Leverage）：债务股权比（Debt-to-Equity）
⑧ 盈利质量（Earnings Quality）：非现金收益占比（应计比率）
多因子回测的历史投资模拟（滚动窗口双层应用）：
- 第一层滚动窗口：在每个月末，用历史数据生成8个因子组合的收益率
- 第二层滚动窗口：用过去5年月度数据估计方差-协方差矩阵，计算RP权重
- 在每个样本外月份记录BM和RP组合的实际收益
回测结果（美国，1993–2019）：
| 指标 | 基准组合 BM | 风险平价 RP |
|---|---|---|
| 平均月收益 | 0.5% | 0.4% |
| 年化波动率 | 5.7% | 2.5% |
| 夏普比率 | 1.0 | 1.9 |
| 最大月度亏损 | -10.9% | -2.5% |
| 偏度（Skewness） | -2.40（负偏） | +0.51（正偏） |
| 峰度（Kurtosis） | 17.78（厚尾） | 5.37（温和） |
| 最大回撤 | 22.6% | 3.8% |
RP组合以更低风险实现相近收益，对风险厌恶型投资者具有显著更优的统计特性：更低波动率、更低下行风险（VaR/CVaR/最大回撤均更优）、正偏度（正向惊喜概率更高）、更低峰度（极端损失概率更低）。
Example Q4 · 滚动窗口回测
关于滚动窗口回测，以下哪项说法不正确？
- A.数据仅被分成两个样本
- B.样本外数据会成为下一期的样本内数据
- C.反复的样本内训练和样本外测试，使投资经理能根据新信息调整持仓
Answer: A
A正确（即A是不正确的描述）。滚动窗口将数据分成多个样本（而非仅两个）。B和C正确描述了滚动窗口方法的特征。
Example Q5 · 多空对冲组合的缺点
多空对冲组合方法实施因子策略的缺点是？
- A.对冲组合通过做多得分最高和做空得分最低的分位数形成
- B.需按因子得分排名，然后按分位数分组
- C.并非所有投资经理都能做空股票
Answer: C
C正确，能否做空是实际限制（缺点）。A和B只是描述该方法本身，而非缺点。
6.05 回测常见问题 · Common Problems in Backtesting
① 幸存者偏差（Survivorship Bias）
定义：仅基于当前仍存在的样本（如当前指数成分股）得出结论， 而忽略了历史上已退市、破产、被收购或降级的公司。
影响：Russell 3000在1985年的成分股中，到2015年仍留在指数内的不足13%。 幸存者样本带有系统性偏差（往往是持续盈利、未破产的公司）。
案例：低波动率异象（Low-Volatility Anomaly）——使用点时数据， 低波动股跑赢高波动股；但若仅用幸存者，结论逆转：高波动股跑赢低波动股约5.5倍。
解决方案：使用点时数据（Point-in-Time Data）—— 记录在每个历史时点实际可用的完整信息，包括已退市和后来新增的公司。
② 前视偏差（Look-Ahead Bias）
定义：在历史回测期间使用了当时实际不可获得的未来信息。 幸存者偏差是前视偏差的一种特殊形式。
常见形式：
a. 报告滞后（Reporting Lag）：财务数据（如年报EPS）在季度末后约30天至3个月才公布。 若回测直接使用期末数据，则引入前视偏差。解决方案：添加数月报告滞后期（如2-3个月）。
b. 数据修正（Data Revisions）：宏观经济数据和财务报表经常修正。 若数据库只保留最新数字，回测时使用了修正后数据而非原始发布值，则引入前视偏差。
c. 数据库新增（Database Additions）：供应商向数据库添加新公司时往往同时追加历史数据， 导致回测使用了在当时实际未纳入数据库的公司信息。
影响量化：将盈利收益率策略在美国市场的无滞后 vs. 6个月滞后比较， 无前视偏差（零滞后）的夏普比率约为有效方法的2倍——前视偏差导致策略绩效虚高近100%。
③ 数据窥探（Data Snooping / p-Hacking）
定义：在查看统计结果后才做出推断，而非事先设定假设后再检验， 即通过大量尝试不同策略/参数、挑选最优结果。
缓解方法：
① 更高的统计门槛：要求t统计量 > 3.0（而非传统的1.96）才认定因子显著
② 交叉验证（Cross Validation）：在不同数据集（如不同地区市场）上重新测试策略
案例：风险平价策略最初在美国开发，再在加拿大、拉美、欧洲、英国、新兴市场、亚洲等10个全球市场交叉验证—— RP策略在所有10个市场均实现比基准更低的波动率，在7个市场实现更高夏普比率，说明结果具有稳健性。
Example Q6 · 数据窥探识别
分析师通过回测数十个策略并选择t统计量最高/p值最低的策略，这属于哪类常见问题？
- A.报告滞后
- B.幸存者偏差
- C.数据窥探
Answer: C
C正确。数据窥探是指先看结果再做推断，而非先假设再检验。A指数据公布滞后，B指仅使用存活样本。
Example Q7 · 点时数据的作用
点时数据有助于避免以下哪项回测问题（以外的）？
- A.数据窥探
- B.幸存者偏差
- C.前视偏差
Answer: A
A正确。即使使用点时数据，分析师仍可能在看到统计结果后才做出推断（数据窥探）。点时数据明确解决的是幸存者偏差（B）和前视偏差（C）。
Example Q8 · 幸存者偏差识别
分析师使用Russell 3000当前成分股（1985年12月至2019年5月）做回测，发现2005年和1995年的成分股数量远少于当前。需要修正哪类问题？
- A.数据窥探
- B.报告滞后
- C.前视偏差（幸存者偏差）
Answer: C
C正确。分析师将2019年5月的成分股当作整个回测期的固定样本，而当时许多公司尚未进入指数，属于前视偏差（幸存者偏差的体现）。需改用点时成分股数据。
6.06 历史情景分析 · Historical Scenario Analysis
历史情景分析（Historical Scenario Analysis），又称历史压力测试， 是一种回测形式，专门探讨投资策略在不同结构性制度（Structural Regimes）和结构性突变（Structural Breaks）时的表现。
两类常见制度划分
① 经济扩张 vs. 衰退（Expansions vs. Recessions）： 以NBER官方衰退期为界（美国1993–2019仅有2次官方衰退：2001年3月–11月 和 2007年12月–2009年6月）。
② 高波动率 vs. 低波动率制度（High vs. Low Volatility Regimes）： 以VIX指数5年移动平均线为界，VIX高于/低于均线分别为高/低波动率制度。
BM vs. RP 在不同制度下的表现（美国，1993–2019）
衰退 vs. 扩张（夏普比率）：RP策略在衰退期表现稳健；BM策略在衰退期明显受损。
高波动率 vs. 低波动率：BM策略在低波动率制度表现略差；RP策略在两种制度均相对稳健。
注意：识别经济拐点（扩张/衰退转换）存在实际困难——NBER通常事后数月才官方公布拐点， 因此忽略前视偏差在此处是简化假设。
除夏普比率外，概率密度图（Probability Density Plot）可进一步揭示不同制度下收益分布的敏感性差异。 例如，两种策略的收益分布在非衰退期更为扁平（标准差更大）；BM策略在衰退期出现负偏度和更厚尾部。
Example Q9 · 情景分析识别
以下哪项情况最不可能涉及情景分析？
- A.先用日经225成分股、再用TOPIX 1000成分股分别模拟投资策略的表现
- B.在有贸易协议和无贸易协议两种环境下模拟策略表现
- C.在高波动率和低波动率环境下分别模拟策略表现
Answer: A
A正确，仅更换投资范围（universe）而无结构性突变，不构成情景分析。B和C均涉及不同结构性制度（贸易制度、波动率制度），属于情景分析。
6.07 模拟分析 · Simulation Analysis
回测隐含假设历史会重演，但未必能充分捕捉金融市场的动态性与极端风险。模拟分析（Simulation）通过引入随机性来弥补这一不足。
历史模拟（Historical Simulation）
从历史数据中随机抽取收益（而非按时间顺序），不考虑时序，从而生成多种可能的未来路径。
常用抽样方法：自举法（Bootstrapping）——有放回抽样（with replacement），抽取次数可超过历史样本数。
与滚动窗口回测的区别：回测是确定性的（deterministic）；历史模拟通过随机抽样引入随机性（stochastic）。
蒙特卡洛模拟（Monte Carlo Simulation）
为每个关键决策变量指定统计分布，从该分布中随机抽取模拟值。
优点：高度灵活，可纳入非正态、厚尾、尾部依赖等特征。
缺点：复杂且计算密集；关键假设（分布形式选择）对结果影响大。
模拟分析的8个步骤
- 确定目标变量（Target Variable）：通常为投资组合收益率 r_p,t
- 指定关键决策变量（Key Decision Variables）：各资产/因子收益率 r_i,t 和权重 ω_i,t
- 确定模拟次数 N：实践中常用1,000–10,000次
- 定义决策变量的分布特征：历史模拟用历史数据；蒙特卡洛指定参数分布
- 用随机数生成器抽取N组随机数
- 计算每组模拟的目标变量值并保存
- 重复步骤5–6直至完成N次
- 汇总分析：均值、波动率、夏普比率、CVaR、最大回撤等
案例：对BM和RP策略进行历史模拟（N=1,000次）
| 模拟编号 | 随机数 | 对应历史月份 |
|---|---|---|
| 1 | 0.59163 | 第222个月（2006年9月） |
| 2 | 0.32185 | 第121个月（1998年4月） |
| 3 | 0.76485 | 第287个月（2012年2月） |
选取历史月份后，该月8个因子的实际收益率 × 预设权重 = 当次模拟的BM/RP组合收益。 历史模拟结果与滚动窗口回测结论基本一致：RP夏普比率优于BM；RP的CVaR下行风险显著更低。
蒙特卡洛模拟（多元正态分布假设）
长公式可横向滚动
目标变量：r_p,t = Σ ω_i,t × r_i,t 参数估计（K=8个因子）： • K 个均值（mean returns） • K 个标准差（standard deviations） • K×(K-1)/2 = 28 个相关系数（correlation matrix） 共需估计：8 + 8 + 28 = 44 个参数多元正态分布假设简单（参数少）且应用广泛，但无法捕捉负偏度、厚尾和尾部依赖。 结果：蒙特卡洛（多元正态）低估了BM策略的下行风险（CVaR），而RP策略对分布假设更为稳健。
Example Q10 · 模拟方法对比
以下关于历史模拟和蒙特卡洛模拟的说法，哪项为假？
- A.历史模拟以等概率从历史月度收益中有放回随机抽样
- B.历史模拟和蒙特卡洛模拟均不使用随机数生成器
- C.蒙特卡洛模拟从假设的多元联合概率分布中随机抽样，以历史数据标定参数
Answer: B
B为假。两种方法均需使用随机数生成器（B的说法错误）。A和C正确描述了历史模拟和蒙特卡洛模拟各自的特点。
Example Q11 · 蒙特卡洛模拟特征
以下关于蒙特卡洛模拟的说法，哪项为假？
- A.模拟多个相关资产时，必须指定多元分布而非单独建模
- B.用回归和分布拟合技术估计关键决策变量统计分布的参数
- C.蒙特卡洛模拟过程本质上是确定性的、非随机的
Answer: C
C为假。蒙特卡洛模拟本质上是随机的，正是通过引入随机性来捕捉不确定性。A和B均为真实描述。
6.08 敏感性分析 · Sensitivity Analysis
敏感性分析（Sensitivity Analysis）是一种探讨目标变量（如组合收益分布） 如何随输入变量（如因子收益分布假设）变化而变化的技术，用于进一步理解投资策略的风险与局限。
从多元正态到多元偏t分布
多元正态分布（Multivariate Normal）：简单，参数少，但不能捕捉负偏度和厚尾。
多元偏态t分布（Multivariate Skewed t-Distribution）： 能刻画偏度和超额峰度，更贴近因子收益的真实分布，但参数更多，估计误差更大（偏差-方差权衡）。
偏差-方差权衡（Bias-Variance Trade-off）
模型越复杂（参数越多）→ 误设误差（Specification Error）越低，但估计误差（Estimation Error）越大
模型越简单（参数越少）→ 估计误差低，但可能误设（不能很好拟合数据特征）
这与机器学习中的过拟合问题本质相同。
敏感性分析结果：
| 方法 | BM夏普比率 | RP夏普比率 | BM CVaR | RP CVaR |
|---|---|---|---|---|
| 滚动窗口回测 | ~1.0 | ~1.9 | 较高（大负值） | 较低 |
| 历史模拟 | 相近 | 相近 | 与回测一致 | 与回测一致 |
| 蒙卡（多元正态） | 相近 | 相近 | 低估下行风险 | 与回测一致 |
| 蒙卡（偏t分布） | 相近 | 相近 | 更接近回测 | 与回测一致 |
关键结论：
① 夏普比率对模拟方法不敏感——所有方法均一致显示RP优于BM。
② CVaR（下行风险）对BM策略高度敏感，多元正态分布低估了BM的左尾风险（因BM收益存在负偏度和厚尾）。
③ RP策略对分布假设更为稳健（因风险平价权重分散了极端风险）。
Example Q12 · 敏感性分析识别
以下哪种情况最可能涉及敏感性分析？
- A.将假设的多元分布从正态改为偏t分布，以更好捕捉偏度和厚尾
- B.将滚动窗口分为衰退期和非衰退期
- C.将滚动窗口分为高波动率和低波动率期
Answer: A
A正确，改变输入变量的分布假设并观察目标变量的变化，就是敏感性分析。B和C是历史情景分析（按不同结构性制度划分）。
术语表 · Glossary
回测 · Backtesting
使用历史数据近似真实投资过程，评估投资策略是否能产生理想结果的方法。
滚动窗口（前推） · Rolling Window (Walk-Forward)
每期用样本内历史数据标定模型/因子，在下一期（样本外）测试，随时间向前滚动的回测框架。
最大回撤 · Maximum Drawdown
资产或组合从最高点到随后最低点的最大累计损失。
幸存者偏差 · Survivorship Bias
仅基于当前仍存续的实体（如指数成分股）得出结论，忽略已退市或消失的样本。
前视偏差 · Look-Ahead Bias
在历史回测期使用了当时实际不可获得的未来信息。幸存者偏差是其特殊形式。
报告滞后 · Reporting Lag
描述某一时期的数据往往在该时期结束后才公布，且常经历多次修正。
点时数据 · Point-in-Time Data
在每个历史时点，记录当时市场参与者实际可获得的精确信息，用于消除前视偏差。
数据窥探（p操纵） · Data Snooping (p-Hacking)
查看统计结果后才做出推断，或通过大量尝试直至出现显著结果，而非事先设定假设。
交叉验证 · Cross Validation
将数据集分为训练集和测试集（如不同地区市场），用训练集建模后在测试集上验证稳健性。
历史情景分析 · Historical Scenario Analysis
探讨投资策略在不同结构性制度（如衰退/扩张、高/低波动率）下的表现，也称历史压力测试。
结构性突变（制度转换） · Structural Break (Regime Change)
由外生因素（经济衰退、地缘政治、货币政策变化、技术变革等）引发的时间序列特征根本改变。
历史模拟 · Historical Simulation
从历史数据中随机（有放回）抽取收益样本，忽略时间顺序，生成N次模拟结果。
自举法 · Bootstrapping
有放回随机抽样方法，使模拟次数可超过历史样本量，常用于历史模拟。
蒙特卡洛模拟 · Monte Carlo Simulation
为每个关键决策变量指定统计分布，通过随机数生成器从该分布抽样，生成N次模拟。可纳入非正态、厚尾、尾部依赖等特征。
风险平价 · Risk Parity
每个因子/资产对组合总风险贡献相等的权重方案，需估计方差-协方差矩阵。
敏感性分析 · Sensitivity Analysis
探讨目标变量（如组合收益分布）随输入变量（如分布假设）变化而变化的技术，用于检验模型假设的稳健性。
条件风险价值 · Conditional Value at Risk (CVaR)
在损失超过VaR门槛的条件下，期望损失的均值。比VaR更完整地刻画尾部风险。
偏差-方差权衡 · Bias-Variance Trade-off
模型越复杂参数越多 → 误设误差低但估计误差高；模型越简单 → 估计误差低但可能误设。
本页学习导航
你已到达当前 投资组合管理 页面最后一个学习小节。