气候风险因子估计

本页面描述V-Lab用于气候基金分析的Fama-French风格风险因子估计方法。气候分析页面上的因子表显示阿尔法、贝塔、SMB和HML值——本文档解释这些值是如何计算的。

为什么因子分析很重要

在分析投资表现时，我们需要将真正的技能与简单的市场风险敞口区分开来。一只基金可能表现良好，仅仅是因为它持有的高风险资产恰好表现良好，而不是因为任何特定的投资洞察力。

Fama-French因子捕捉股票市场风险的三个主要来源：整体市场波动（市场）、小公司和大公司之间的差异（SMB），以及价值股和成长股之间的差异（HML）。通过测量基金对这些因子的敞口，我们可以看到其收益有多少来自这些常见风险，有多少来自真正的超额表现。

Ken French教授在其网站上发布因子数据，但更新有滞后。V-Lab使用ETF数据实时计算类似的因子，提供更及时的风险分析。 Ken French数据库

V-Lab从五只ETF构建因子收益，这些ETF共同捕捉股票市场风险的关键维度。这些ETF跨越规模谱系（大盘vs小盘）和风格谱系（价值vs成长），使我们能够衡量每只基金对这些风险维度的敞口。

因子	构建方式
市场	`VTI收益 − 无风险利率` 捕捉整体股票市场波动。市场敞口高的基金随市场涨跌。
SMB（小减大）	`(IWN + IWO) − (IWD + IWF)` 小盘ETF收益减去大盘ETF收益。正SMB敞口意味着基金倾向于较小的公司。
HML（高减低）	`(IWD + IWN) − (IWF + IWO)` 价值ETF收益减去成长ETF收益。正HML敞口意味着基金倾向于价值股；负值意味着成长倾斜。

为了衡量因子敞口，V-Lab将每只基金的超额收益（收益减去无风险利率）对三个因子收益进行回归。该回归找到最能解释基金收益的因子敞口组合：

回归方程：

$(r_{a} - r_{f}) = α + β \cdot (r_{VTI} - r_{f}) + β_{SMB} \cdot SMB + β_{HML} \cdot HML + ε$

其中：

r_{a}

= 基金收益

r_{f}

= 无风险利率

α

= 未解释收益（阿尔法）

β

= 市场敏感性

β_{SMB}

= 规模因子载荷

β_{HML}

= 价值因子载荷

ε

= 随机变动

回归估计四个关键值：阿尔法（α）、贝塔（β）、SMB载荷和HML载荷。这些值显示在每只基金分析页面的因子表中。

因子载荷告诉您基金暴露于哪些风险。可以把基金想象成由这些基于ETF的因子混合构建的——载荷显示混合中每个因子的比例。

阿尔法（α）
在考虑所有因子敞口后剩余的收益。正阿尔法意味着基金表现超出了基于其风险特征的预期。这是衡量真正技能或独特策略价值的关键指标。
务必检查t统计量。只有当阿尔法在统计上显著时（t > 2）才有意义。小的阿尔法值很可能只是偶然。
贝塔（β）
对整体市场波动的敏感性。贝塔为1.0意味着基金与市场同步波动。贝塔高于1.0意味着比市场更波动；低于1.0意味着波动性更小。
SMB载荷
对规模因子的敞口。正SMB意味着基金表现更像小盘股；负值意味着表现更像大盘股。许多气候基金有正SMB，因为清洁能源公司往往规模较小。
HML载荷
对价值/成长因子的敞口。正HML意味着基金表现像价值股；负值意味着表现像成长股。气候基金通常显示负HML，因为清洁能源和技术公司通常是成长导向的。

Fama-French模型捕捉主要的股票市场风险，但不包括气候特定因子。这对气候分析实际上很有用：如果一只气候基金显示显著的阿尔法，那未解释的收益可能反映了传统因子无法捕捉的气候相关表现。

例如，如果一只清洁能源基金在控制市场、规模和成长敞口后仍有正阿尔法。这表明它正在捕捉超越这些标准风险的东西，如气候因子溢价。

V-Lab通过测量基金对明确气候因子（如搁浅资产SA基准）的敞口来扩展这一分析。但首先理解传统因子敞口有助于将真正与气候相关的内容与仅仅伪装成规模或成长敞口的内容区分开来。

ETF收益率来自市场数据提供商，每日更新。无风险利率为每日国库券利率。因子收益每天根据上述ETF收益计算。