735
和
M2＝[E(rP*)-rf]-[E(rM)-rf]＝9 . 4 2% -8%＝1 . 4 2% ( 2 8 - 9 )
乍看起来，1 . 4 2%的期望收益率增量与分析人员提交的阿尔法值相比简直微不足
道。这种看起来似乎微小的改善是投资分散化的结果：为了减少单只股票的巨大风险
（例如股票1的标准差是5 5%）和最大化资产组合的夏普测度（超额回报与标准差的比
值），我们必须把它与市场指数资产组合M混合起来。还有一点应该注意的是，我们只
用三只股票便有了这样的改善，而且预测和资产组合的调整期限也仅有一年。如果增
加股票的个数与预测的频率，结果会有显著的改善。
比如，假定分析人员又增加了阿尔法值和风险水平与前三只股票一模一样的三只
股票，由式( 2 8 - 7 )知道估价比率的平方会翻倍，由式( 2 8 - 5 )知道新的夏普测度将上升到
0.532 7 ，由式( 2 8 - 9 )则可知M2统计量将上涨到2 . 6 5%，几乎是先前的两倍。增加预测与
资产组合调整的频率、发挥复利的威力将使年度业绩有更大的改善。
概念检验
问题3：
a. 如果不允许空头交易，投资经理只要放弃阿尔法值为负的股票即可。运用上例，
说明如果禁止卖空，那么积极型资产组合会是什么样？用新的有风险资产组合的业绩
（M2）的下降确定禁止卖空的成本。
b. 如果宏观预测看好，例如E(rM)－rf ＝1 2%，并且允许卖空，那你的答案又是什
么样呢？
28.5 多因素模型与积极的资产组合管理
在不远的将来，关于证券收益的多因素模型有可能获得很大的发展并被普遍应用。
到目前为止，我们对积极的资产组合管理的分析似乎主要依赖市场指数模型的合理性，
也就是说，主要依赖于单因素证券分析模型。尽管如此，多因素模型并不会影响我们
对积极型资产组合的构造，因为整个特雷纳-布莱克分析主要集中于指数模型的残差。
如果我们要用多因素模型取代单因素模型，通过计算每只证券的反映其合理收益的阿
尔法值（给定它对所有因素的贝塔值），我们就可以接着构造积极型资产组合，同样
我们还是可以把该积极型资产组合与缺乏证券分析而构造的资产组合结合起来。不过
不管怎样，使用多因素模型还是会产生一些新问题。
在第1 0章你已经看到了指数模型是如何简化资产组合优化过程的输入参数的，如果
i（rM -rf）＋ei
ri -rf ＝
i＋
2(ri)
充分地描述了证券市场，那么任何资产的方差就是系统风险与非系统风险的和：
＝
i2M2＋2(ei)，而任意两种资产之间的协方差就是
iM2。
如何把这个规律推广到多因素模型中去呢？为了简(j) 便起见，我们只考虑一个两因
素的情形，我们把这两因素资产组合分别称为M与H，则指数模型可以推广为：
i＋ei ( 2 8 - 1 0 )
i＋ei ＝r ＋
ri -rf ＝
i M（rM -rf）＋
i H（rH -rf）＋
与
是该证券分别对应于资产组合M与资产组合H的贝塔值。给定因素的资产
组合的回报率为rM与rH，该证券对rf的合理超额回报率用r 表示，预期超额收益为
i M
i H
。
我们如何用式( 2 8 - 1 0 )构造最佳风险资产组合呢？假定投资者希望使他们的资产组
合的夏普测度达到最大，那么式( 2 8 - 1 0 )的两因素结构可以用来得到马克维茨资产组合
选择模型的输入参数，不过现在，方差与协方差的估计量将变得非常复杂：
2(ei)
C o v (ri, rj)＝i Mj MM2＋i Hj HH2＋(
2(ri)＝
i H2H2＋2i Mi HC o v (rM, rH)＋
i M2M2＋
i H) C o v (rM, rH)
i M
j H＋
j M
736 第七部分资产组合管理的应用
尽管如此，多因素模型还是具有很大的信息价值，因为我们可以从以下数据中估
计出一个n只证券的协方差矩阵，
的n个估计量
i M
的n个估计量
2(ei)的n个估计量
M2的1个估计量
H2的1个估计量
而不是n(n＋1 ) / 2个单独的方差与协方差估计量。因此，多因素模型的结构特征还是可
以简化资产组合的构造的。
多因素模型还为合理配置研究的努力提供了一种很有效的方法。分析人员可以专
门研究不同因素资产组合的均值与方差的预测问题，从而成为那一领域的专家。一旦
确定了各个指标的贝塔值，就可以产生一个协方差矩阵，与C A P M模型和套利定价理
论所产生的证券期望收益一起来构造最优消极型风险资产组合。如果对单个证券进行
积极分析，构造最优积极型资产组合，并与消极型资产组合一起构成的最优资产组合
就与下面单因素的情况是一致的。
在多因素市场里，即使是消极型投资者（即那些承认市场价格是“公平”价格的
投资者）也需要做大量的工作。他们需要预测期望收益以及每个因素的波动性，这要
根据预期效用最大化原则确定每个因素组合的恰当权重。这个过程的原理很简单，但
计算工作很繁琐。
i H
28.6
值的不精确预测和特雷纳-布莱克模型在行业中的运用
估计阿尔法值要比估计贝塔与残值方差困难得多，因为证券分析人员之间的竞争
将不断地使阿尔法趋近于0，结果使得证券过去的超额收益无法持续，而由历史预测
未来的归纳法因此也没有多大效果，每一次新的预测都需要新的信息。但对股票的市
场指数相关性与方差来说，这样的情况就不会发生。根据过去的数据，统计方法可以
很有效地用来预测股票的
值与残值方差，因此，我们期望贝塔与残值方差的预测值
能够更准确，这样我们就必须解决阿尔法值的预测质量问题。
可以对分析人员的预测精度进行检验，并且可以用误差的统计性质来改进以后的
预测。假定我们用某个分析人员的阿尔法预测值的历史数据估计以下回归方程（带尖
角的变量是估计值）：
超额收益＝r-[rf＋
.
(rM -rf) ]＝
＋e＝a＋b
＋ê （2 8 - 11 a）
然后，我们根据下式使用估计方程来对将来的预测进行调整，有
调整后的预测＝
* ＝a＋b
（2 8 - 11 b）
式( 2 8 - 11 )是线性形式，有偏差系数a和精度系数b，很容易我们就可以把它推广到更
一般的形式。在式( 2 8 - 11 a )和( b )中，
.
是与阿尔法预测值对应的贝塔的预测值。给定预测
值
.
和
.
， e. 是股票的残差，而它的方差即回归方程的残值方差将在优化过程中用到。
式( 2 8 - 11 )的截距是对偏差进行修正：a是负数表示过于乐观；a是正数表示过于悲
观。假定
与
.
之间的相关系数是
，则回归方程的斜率系数可以写成
, .)
Cov(
+ e, . ) Cov(
(
)
()
b =
==
(. )
（2 8 - 1 2）
2( .)
2( . )
(
)
这个式子是对精度进行修正，这一调整是和预测值与真实值之间的相关系数成正
比的，也是和相对于估计阿尔法的真实阿尔法方差成正比的。式( 2 8 - 11 b )是对原始预
测进行调整，调整后的阿尔法用来构造积极型资产组合。因为阿尔法的先验预期（在
做证券分析之前）是0，所以式( 2 8 - 1 2 )中的精度系数b事实上是我们把阿尔法预测值和
它的0先验预期进行加权平均时的权重。为了获得更高的权重从而构造更好的资产组
