基于Post-LASSO方法的大类资产因子配置研究

基于因子的配置方法将资产配置的决策过程从资产层面转换为更为微观的因子层面,投资者能够通过对因子收益分布及相关性的预测更好地进行资产配置。选择包括经济增长、通货膨胀、市场因子、规模因子和盈利因子在内的宏观和风格因子,以及股票、债券和商品在内的多种资产指数的月度数据,基于Post-LASSO模型和Greenberg等(2016)稳健性最优化算法检验了基于因子的大类资产配置方法在我国的可应用性。研究结果发现:通过因子权重映射的资产组合能够较好地模拟出各因子的初始权重,Post-LASSO方法能够取得显著优于传统OLS方法的映射效果;映射资产组合的收益走势可以对因子组合进行部分追踪,但是由于因子收益率和资产收益率存在着较大差异,因此,两个组合的净值走势也存在着一定偏差。研究结论丰富了投资组合的相关理论,也为投资者从传统资产配置转向因子配置提供了经验借鉴。

处置效应模型估计中的后定变量偏误——以倾向得分与LASSO估计为例

本文分析后定变量对处置效应模型估计的影响。在Rubin因果范式中引入后定变量,证明此时非混淆性假设失效,进而导致多组识别方程失效,倾向得分函数估计出现偏误。识别方程失效、倾向得分估计偏误导致多种基于倾向得分的处置效应估计非一致。进一步扩展到高维处置效应的情形,证明非混淆性假设蕴含条件外生性假设,引入后定变量会导致内生性问题,使得高维LASSO/PostLASSO估计出现偏误。蒙特卡洛模拟实验证实,后定变量将导致倾向得分估计与LASSO/Post-LASSO估计出现偏误。基于理论分析的结论,对Dickson等(2015)的实证案例进行分析。