1.2 权益资产智能贝塔的演变

1.2.1 市值加权的优点

CAPM（在下一章会有更详细的说明）表明，在一些简化的假设下，市值加权市场投资组合是在事先计算的有效边界上最有效的投资组合。换句话说，市值加权市场投资组合是均值-方差最优的。在有效市场的假设下，投资者不可能比这个投资组合做得更好。CAPM为市值加权股票市场指数的建立及其在业绩基准和投资组合的运作中的广泛运用提供了理论动力。对于投资者来说，市值加权股票市场指数还提供其他实际好处，如高策略容量、高流动性、低换手率、易于复制和低交易费用。因此，市值加权股票市场指数获得投资者的广泛欢迎也就不足为奇了。鉴于这类指数在全球范围内的广泛使用，一个合情合理的问题便是这些指数是否像理论（CAPM）所表述的那样有效。因此，分析市值加权的潜在缺点成为业内重要的研究课题。[5]

1.2.2 市值加权的潜在缺点

对市值加权的批评往往集中在三个方面：集中度高、波动性大和投资高估值股票的倾向。

在个股层面，集中度是指少数几个公司在指数中具有较大权重，这使投资者面临巨大的特定股票风险。[6]

事实上，在许多国家，仅仅几只股票就可能占市场指数很大比例的权重。以2017年底为例，在布鲁塞尔泛欧交易所（Euronext Brussels）交易的三家最大的比利时公司的总市值超过了其余130家公司的总和。市值加权市场指数也可以高度集中于个别行业/部门（例如，科技股泡沫期间标准普尔500指数中的科技部门），甚至是国家（例如20世纪80年代中后期明晟欧澳远东指数（MSCI EAFE）中的日本）。

市值加权的另一个潜在缺点是，它可能会将被动投资者暴露在高波动中。较高的波动率可能是由市场价格的天然噪声属性以及投资者的投机行为与集中度之间的相互作用引起的。例如，投资者的狂热可能导致个别股票和/或行业定价过高。这些股票和/或行业的价格上涨增加了自身市值以及在市场指数中的权重，从而引起了集中度提升。反过来，集中度提升可能迫使复制市场指数的被动型投资者持有更多的高价股票和/或行业。随着错误定价最终得到纠正，投资者会因投资过度集中于过高定价的股票和/或行业而经历巨大的波动并遭受重大损失。泡沫的形成及其随后的破裂可能意味着，复制市值加权市场指数的投资者最终承担的风险超过了获取股票风险溢价所需的风险。这种动态的一个众所周知的例子是市盈率（PE）以及科技股在科技股泡沫期间在标准普尔500指数中的权重。1998～2000年，由于投资者的狂热导致科技股估值比率翻了一番，它们在标准普尔500指数中的权重从1998年的13%增加到2000年初的30%以上。随着科技股泡沫的破裂，科技股的估值和权重大幅缩水，导致被动投资者经历了巨大的投资组合波动和损失。

阿诺特等（2005）指出，业绩拖累是市值加权市场投资组合的另一个潜在缺点。在市场价格倾向于回归到隐含的基本面价值的假设下，市值加权倾向于给被高估的股票过多的权重和给被低估的股票过少的权重，因此当错误定价被不可避免地纠正时带来了潜在的业绩拖累。业绩拖累可能是市值加权市场投资组合不是最优的又一个原因。

1.2.3 建议的解决方案

为了解决集中度高的问题，学者研究了提供更多元化的加权方案。这些成果引出了等权指数、封顶指数（将单个股票的权重限制在一定水平，如5%或10%）、分散性指数（例如，费恩霍尔茨（1998））和最大化分散性指数（例如，舒维法提和夸尼亚尔（2008））。从经验上看，在风险调整后的基础上，这些投资组合表现优于市值加权市场指数，从而表明集中度风险没有随着时间的推移而获得收益，并且使市值加权指数的效率低于那些采用实现更多元化的加权方案的指数。关于市值加权市场投资组合较高的波动性，豪根和贝克（1991）研究了美国股票有效前沿上的最小方差投资组合的特征，发现与市场投资组合相比，这样的投资组合实现了大约25%的总风险降低，而不用牺牲收益。克拉克等（2006）证实了这些结果。由于总风险的显著降低和仍等同于市场的收益，最小方差投资组合实现了比市场高得多的风险调整后收益（夏普比率）。在实证的基础上，最小方差投资组合以及其他低风险策略，如风险加权，对市值加权市场投资组合是均值-方差最优的概念提出了另一个挑战。关于市值加权中隐含的潜在业绩拖累，阿诺特等（2005）的研究表明，在同等风险水平下，按规模类因子中的基本面因子（如，销售额或现金流）加权的投资组合，相对于市值加权组合，每年的表现比市场高出约2%。[7]

图1-1总结了市值加权带来的挑战，以及为解决这些挑战而提出的一些解决方案。

前面提到的非市值加权策略，以及一些其他策略，如EDHEC[8]的风险效率指数（阿蒙克等（2010）），被其提供者定位为低效率的市值加权市场组合的替代方案。因此，这些策略最初被称为“另类权益资产贝塔”（alternative equity betas）或简称为“另类贝塔”。然而，随着时间的推移，术语“智能贝塔”变得越来越常用。

随着另类贝塔的出现，引出了另一个重要的问题：什么能解释这些策略与市值加权市场指数相比的优异表现？

1.2.4 另类权益资产贝塔的风险分解

另类贝塔的出色表现似乎挑战了CAPM的基本结论，但这并不是具有出色表现的唯一的策略。几十年来，学术文献也记录了许多“因子”，或公司的共同特征，这些因子被证明比CAPM贝塔更好地解释了股票的相对风险和收益差异。例如，法玛和弗伦奇（1992）提供证据表明规模因子和价值因子比市场贝塔更好地解释了平均收益的截面差异。鉴于有广泛的证据表明某些因子的存在及其超额表现，一个合乎情理的研究领域是研究另类贝塔的优异市场表现是否也可以用这些因子来解释。

为了回答这个问题，研究人员对各种另类贝塔进行了风险分解分析。通常，这种分析需要分析策略相对于法玛和弗伦奇（Fama-French）三因子模型（1992）或卡哈特（Carhart）四因子模型（1997）的风险敞口和效率，法玛和弗伦奇三因子模型[9]包括市场因子、规模因子和价值因子，卡哈特四因子模型[10]则额外包含了动量因子。这些分析显示，各种另类贝塔策略的表现优于市场表现的原因是对所考虑的因子具有高且显著的风险敞口，而这些策略相较于三因子模型和四因子模型并没有产生有意义的阿尔法（例如，周子文等（2011））。例如，等权指数、多样性指数和最大化多样性指数的表现优于市场，是因为它们对规模因子（小盘股）的敞口很高。最小方差和风险加权投资组合的表现优于其他投资组合，是因为它们对低贝塔、低波动性股票的敞口很高。基本面加权投资组合的表现优于其他投资组合，是因为它们对价值因子的敞口很高。

尽管周子文等（2011）分析的另类贝塔策略与三因子模型和四因子模型相比没有产生有意义的阿尔法，但另一个要解决的重要问题是，与指数编制机构提供的现有的规模和风格指数相比，这些策略是否至少提供了更高效地获得因子收益的能力。市值加权规模指数（大盘/中盘/小盘）和风格指数（价值/成长）构成了在指数框架下为获得权益资产公共因子的首次尝试。周子文等（2011）的研究表明，另类贝塔总体上代表了对现有的市值加权规模指数和风格指数的改进，因为它们在因子获取方面提供了更高的效率。具体地说，在针对法玛和弗伦奇三因子模型的风险分解分析中，另类贝塔没有产生负阿尔法，而市值加权规模因子和风格因子指数导致了负阿尔法。

如果另类贝塔通过对人们熟知的权益资产公共因子的敞口来获得它们的优异市场表现，那么投资者为什么不能通过使用那些既比市值加权规模和风格指数更有效率，又比另类贝塔更灵活的方法来更加直接地获取这些因子呢？

1.2.5 重新关注因子投资：因子产品的潜在优势

近年来，根据我们的经验，投资者的重点明显转向了新的因子产品，与市值加权规模和风格指数以及另类贝塔相比，这些产品寻求提供以下附加增值功能。

1.提高因子获取的效率

与现有的市值加权规模和风格指数相比，许多新的因子产品寻求通过使用非市值加权方法在因子获取方面提供了更高的效率。这些方法包括市值调整法加权（capitalization-scaled weighting）、信号加权法、最优化加权（optimized）以及其他在因子获取中寻求更高效率水平的加权方案。效率的提升可以表现为更高的风险调整后的收益，或者说更合适的表述是，以统计上显著的因子调整后的阿尔法的形式表现。[11]

2.可定制的基准可知（benchmark-aware）投资组合构建

大多数可能替换市值加权业绩基准的另类贝塔采用了另类贝塔的运作视角，这为某些投资者带来了一些挑战。有些投资者可能并不认为市值加权是低效的，而是往往相信超越市场因子溢价的存在。另一些投资者可能发现，由于各种策略执行上和监管上的原因，即使他们对市值加权股票基准的效率有合理质疑，更换市值加权业绩基准也非常困难。这类投资者通常倾向于以基准可知的方式实施所需的因子倾斜（factor tilts），这不需要重新指定策略基准。基准可知意味着不管它们是常用的市值加权基准还是客户特定的自定义基准，在相当于业绩基准的跟踪误差合意水平上，投资者均可以相对于其现有的业绩基准实施特定的因子倾斜。我们将这样的操作称为“主动贝塔”（active beta），而不是另类贝塔。因此，与大多数另类贝塔相比，基准可知的因子策略提供了更高程度的“定制化”和对潜在风险的控制。图1-2总结了另类贝塔和主动贝塔视角的主要特征。

大多数另类贝塔并不是以常用基准为条件或从常用基准演化出来的，而且不具备将针对客户所选择的业绩基准的跟踪误差控制在特定水平的能力。另类贝塔可以用于主动贝塔的实施，但它们不是理想的解决方案。例如，富时锐联（FTSE RAFI）1000指数（基本面加权指数）[12]对罗素1000指数的平均长期跟踪误差约为4%（如，阿诺特等（2005））。因此，其可以被认为是相对于罗素1000指数有4%跟踪误差的策略。然而，富时锐联1000指数并不受罗素1000指数所左右。它的初始股票池是基于基本面因子规模的排名，而非市值。因此，富时锐联1000指数的组成成分与罗素1000指数不同，这给使用罗素1000指数作为美国大盘股业绩基准的投资者带来了潜在的基准失配问题（mis-fit）。此外，富时锐联1000指数对罗素1000指数的跟踪误差没有明确的目标值。这是（富时锐联1000指数）采用的指数编制方法所带来的副作用，并以长期均值约4%的跟踪误差示人。

3.因子多元化

根据我们的经验，投资者如今也已很好地理解了因子多元化的益处。单个因子会体现巨大的收益周期性（例如，价值因子时而得宠时而失宠），这使投资者暴露在显著而持久的市场不佳的周期中。同时，因子之间也会体现出低的或负的（收益超过基准）主动收益配对相关性（pair-wise active return correlations），这往往会使多元化获得显著收益。因此，正如许多研究（如，阿斯尼斯等（2009）、亚尔马松（2009）和加尤尔等（2013））所记录的那样，因子多元化策略倾向于以具体的特定因子为主导。也就是说，因子多元化策略产生更高的相对风险调整收益（信息比率），同时显著地降低市场表现不佳的风险。虽然另类贝塔提供了对多种公共因子的敞口，但它们并不是为实施均衡的因子多元化策略而设计的。大多数另类贝塔往往具有因子集中敞口。举例来说，锐联（RAFI）对价值因子的敞口远高于其他因子（如，周子文等（2011）），而最小方差投资组合主要由低波动、低贝塔的股票组成（如，克拉克等（2011））。

基于上述考虑，我们相信投资者近年来的兴趣已转向更有效、可定制化程度更高和基准可知性更强的单因子和多因子策略。智能贝塔已经与因子投资密切相关，除了各种另类贝塔，因子产品现在也是智能贝塔领域的一个重要组成部分。

图1-3展示了与一些智能贝塔产品发行相关的时间表。