量化投資與機器學習微信公眾號，是業內垂直於量化投資、對沖基金、Fintech、人工智慧、大資料等領域的主流自媒體。公眾號擁有來自公募、私募、券商、期貨、銀行、保險、高校等行業30W+關注者，曾榮獲AMMA優秀品牌力、優秀洞察力大獎，連續4年被騰訊雲+社群評選為“年度最佳作者”。

量化投資與機器學習公眾號獨家解讀

量化投資與機器學公眾號 QIML Insight——深度研讀系列是公眾號全力打造的一檔深度、前沿、高水準欄目。

公眾號遴選了各大期刊前沿論文，按照理解和提煉的方式為讀者呈現每篇論文最精華的部分。QIML希望大家能夠讀到可以成長的量化文章，願與你共同進步！

本期遴選論文
來源：

The Journal of Portfolio Management

標題：

In Search of a Defensive Equity Factor

作者：

Ross French、Niklas Gärtne

核心觀點

低槓桿率和波動性歷來是最有效的防禦因子，其次是適當定義的盈利指標。成長因子完全不適合防禦型投資者。

什麼樣的因子才是防禦性因子？

屬性1：資本永久損失的風險低

投資防禦性較強的股票比投資防禦性較弱的股票永久損失資本的風險要低。許多知名投資者已經區分了暫時的價格波動和永久的資本損失，強調後者是投資者面臨的真正風險。最引人注目的可能是沃倫•巴菲特，自上世紀50年代以來，他一直把避免永久性資本損失作為他寫給投資者的信中反覆出現的主題。因此，我們有很好的公司將這作為我們的第一屬性。

屬性2：較低的商業週期風險

在商業週期低迷時期，防禦型股票的投資應能帶來積極的回報。策略回撤的時機實際上很重要——對投資者來說很重要，因為它們可能與負債和流動性要求相吻合——Ang(2014)探討了這一觀點，他認為“糟糕的時期是最重要的”。Naes、Skjeltorp和Ødegaard(2011)也在這方面提供了證據，他們的研究表明，投資者的流動性需求與商業週期演變相關。

屬性3：較低的市場風險

投資防禦性較強的股票應該比投資防禦性較弱的股票具有更低的市場風險。我們將市場風險定義為回報的標準差、偏度和峰度，這意味著我們認為防禦性股票策略的回報分佈應該具有（相對）較低的方差，比市場更少的負偏態，並避免極端回報。價格波動對投資者來說顯然很重要，原因有兩個：流動性要求（如上所述）和投資者的風險承受能力。這一屬性是防禦性股票策略中最常見的目標之一(Frazzini, Friedman, and Kim 2012)，因此，這可能是投資者的主要期望。

理論中有哪些防禦性因子？

學術研究和業界普遍將以下六類因子作為防禦性因子：資產週轉率，盈利質量，成長性，投資性，槓桿及盈利能力。

QIML繪製

總而言之，我們的三個特徵——盈利質量、槓桿率和低波動性——與我們的防禦性投資組合屬性有著明確而直接的理論聯絡。資產週轉率、投資和盈利能力也可能與我們的屬性相關聯，儘管這取決於它們如何定義和/或它們如何影響資本結構。從理論上講，增長是一種風險因子，而非防禦性因子。

實證中，上述因子防禦性表現怎麼樣？是否滿足我們定義的防禦性因子所應該具有的三個屬性？

下文測試資料使用FTSE發達國家指數成分股。

測試：屬性1，資本永久損失的風險低

沒有充分的時間，評估哪些股票經歷了永久性（而不是暫時性）的價格下跌是不可能的，這使得我們的第一個屬性難以進行經驗分析。一個明顯的例外是，當一家公司破產時，可以肯定的是，損失將無法彌補。考慮到這一點，我們借用了破產文獻(Ohlson 1980;Hauser和Booth 2011)，並利用邏輯迴歸模型來捕捉我們的因子特徵和大回撤之間的關係。

這項工作的第一步是確定哪些股票經歷了永久性的資本損失;為此，我們建立了一個永久性資本損失二元變數L。我們將永久性資本損失定義為在每個各自的分析日期和截至2021年12月31日的期間之間的總收益率為-30%或以下。但是，為了確保分析時的股票特徵與股票隨後的損失相關，我們還要求分析日期之後一年的總收益為負。符合這兩個標準的股票被認為經歷了永久性資本損失，並在分析日期賦予L值為1。在分析日期之後的一年內總回報為正和/或到2021年底總回報大於-30%的股票的L值為0。進行如下回歸分析：

其中，t是股票i在時刻t的二元永久資本損失變數，β0是截距，β1是被分析的防禦因子係數(D)， β2至β5分別是市場β (B)、動量(M)、規模(S)和價值(V)控制變數的係數。下表是迴歸結果：

綜上所述，資產週轉率、盈利質量、投資、槓桿、低波動性和盈利能力都與未來的永久性虧損有統計學上顯著的關係，這表明傾向於這些指標的投資組合將具有較低的永久性資本損失風險，這與我們的第一個防禦屬性一致。相比之下，高於平均水平的預期增長與未來永久性縮減的較高風險相關。

測試：屬性2，較低的商業週期風險

我們運行了27個模型，每個模型都包含貝塔、動量、規模和價值控制因子以及不同的防禦因子特徵，此外還有國家和行業的虛擬變數。這種做法有幾個目的：首先，它為我們提供了一個月度特徵回報的時間序列，可以用來衡量商業週期的敏感性；其次，它證明了哪些變數具有橫截面解釋力；第三，它使我們能夠觀察到哪些特徵在2000年至2021年期間產生了超額回報。

關於我們的第二個防禦屬性，我們對特徵在商業週期衰退和放緩期間的表現感興趣——槓桿、Vol、StdEPS和GPA指標在這裡是最好的，因為它們在兩種情況下都有正的積極回報。與永久性資本損失結果相匹配，以資產為分母的盈利能力定義滿足我們的第二個屬性，而ROE則不滿足我們的第二個屬性，因為它在衰退期間具有負的積極回報。儘管如此，這些子週期系數通常並不顯著，因此應小心處理。

儘管如此，有兩個進一步一致的觀察結果值得強調——所有盈利指標（包括ROE）在經濟放緩期間都有顯著的正表現，而除AbnCapex外的所有投資指標在經濟衰退期間都有負表現。這兩個觀察結果中的第一個是進一步支援將盈利能力歸類為防禦性特徵的觀點，而後者則是反對將盈利能力歸類為防禦性特徵的觀點。

最後，關於增長，這個指標除了經濟放緩在每個商業週期階段都有正回，這是一個直觀的結果。總之，幾乎所有分析的因子特徵都帶來了超額回報，證實了之前的研究。從商業週期風險敞口的角度來看，槓桿和低波動性特徵具有最具防禦性的特徵，因此與我們的第二個防禦性屬性最一致。

測試：屬性3，較低的市場風險

我們利用French(2023)的投資組合構建方法來模擬一系列純因子投資組合，每個投資組合針對不同的特徵。

綜上所述，綜合分析了模擬投資組合的風險收益特徵證實，那些槓桿、低波動性、盈利能力和較小程度的盈利質量的投資組合具有我們的第三個防禦屬性。特別是，投資組合的下跌捕獲比率均低於1，其歷史跌幅小於基準，表明對市場週期的敏感性較低。相比之下，成長型投資組合在幾乎所有指標上都顯示出更高的風險，這為我們之前的觀點——成長型不是防禦性特徵——提供了額外的證據。

總結

我們進行了一系列實證測試，在很大程度上證實了這一理論，發現低槓桿率和波動性歷來是最有效的防禦因子，其次是適當定義的盈利指標。我們發現，資產週轉率和盈餘質量特徵在經驗上表現得像防禦性特徵，儘管程度較小，一致性較差。在我們所有的測試中，低投資的結果平淡無奇。

最後，我們證實了我們的先驗，即成長性完全不適合防禦型投資者。

附錄

往期閱讀推薦

參考文獻

1、Soliman, M. T. 2008. “The Use of DuPont Analysis by Market Participants.” The Accounting Review 83 (3): 823–853.

2、Patin, J.-C., M. Rahman, and M. Mustafa. 2020. “Impact of Total Asset Turnover Ratios on Equity Returns: Dynamic Panel Data Analyses.” Journal of Accounting, Business and Management (JABM) 27 (1) 19–29.

3、Richardson, S. A., R. G. Sloan, M. T. Soliman, and I˙. Tuna. 2005. “Accrual Reliability, Earnings Persistence and Stock Prices.” Journal of Accounting and Economics 39 (3): 437–485.

4、Ball, R., J. Gerakos, J. T. Linnainmaa, and V. V. Nikolaev. 2015. “Deflating Profitability.” Journal of Financial Economics 117 (2): 225–448.

——. 2016. “Accruals, Cash Flows, and Operating Profitability in the Cross Section of Stock Returns.” Journal of Financial Economics 121 (1): 28–45.

5、Hirshleifer, D. A., K. Hou, S. H. Teoh, and Y. Zhang. 2004. “Do Investors Overvalue Firms with Bloated Balance Sheets?” SSRN 404120.

6、French, R. F. 2021. “Latent Factors in Equity Returns: How Many Are There and What Are They?” The Journal of Portfolio Management 48 (2): 226–263.

——. 2022. “Redefining Growth: Using Analyst Forecasts to Transcend the Value–Growth Dichot- omy (Part 1).” The Journal of Beta Investment Strategies 13 (4): 32–53.

——. 2023. “Redefining Growth: Using Analyst Forecasts to Transcend the Value–Growth Dichot- omy (Part 2).” The Journal of Beta Investment Strategies.

7、Titman, S., K. C. J. Wei, and F. Xie. 2004. “Capital Investments and Stock Returns.” Journal of Financial and Quantitative Analysis 39 (4): 677–700.

8、Anderson, C. W., and L. Garcia-Feijoo. 2006. “Empirical Evidence on Capital Investment, Growth Options, and Security Returns.” The Journal of Finance 61 (1): 171–194.

9、Fama, E. F., and K. R. French. 2006. “Profitability, Investment and Average Returns.” Journal of Financial Economics 82 (3): 491–518.

——. 2015. “A Five-Factor Asset Pricing Model.” Journal of Financial Economics 116 (1): 1–22.

10、Anderson, C. W., and L. Garcia-Feijoo. 2006. “Empirical Evidence on Capital Investment, Growth Options, and Security Returns.” The Journal of Finance 61 (1): 171–194.

11、Pontiff, J., and A. Woodgate. 2008. “Share Issuance and Cross-Sectional Returns.” The Journal of Finance 63 (2): 921–945.