Phân tích Alpha và Bảo mật

Có lẽ lợi thế quan trọng nhất của mô hình chỉ số đơn là khuôn khổ mà nó cung cấp cho phân tích kinh tế
vĩ mô và an ninh trong việc chuẩn bị danh sách đầu vào rất quan trọng đối với hiệu quả của danh mục
đầu tư tối ưu. Mô hình Markowitz yêu cầu ước tính phí bảo hiểm rủi ro cho mỗi chứng khoán. Ước tính
lợi nhuận kỳ vọng phụ thuộc vào cả dự báo kinh tế vĩ mô và dự báo của từng công ty. Nhưng nếu nhiều
nhà phân tích khác nhau thực hiện phân tích chứng khoán cho một tổ chức lớn, chẳng hạn như công ty
quỹ tương hỗ, thì kết quả có thể xảy ra là sự không nhất quán trong các dự báo kinh tế vĩ mô, một phần
làm cơ sở cho kỳ vọng về lợi nhuận của chứng khoán.

Mô hình một chỉ mục tạo ra một khuôn khổ phân tách hai nguồn khác nhau về biến thể lợi tức này và
giúp dễ dàng đảm bảo tính nhất quán giữa các nhà phân tích. Chúng ta có thể sắp xếp một hệ thống
phân cấp chuẩn bị danh sách đầu vào bằng cách sử dụng khung của mô hình chỉ mục đơn.

1. Phân tích kinh tế vĩ mô được sử dụng để ước tính phần bù rủi ro và rủi ro của chỉ số thị trường.

2. Phân tích thống kê được sử dụng để ước tính hệ số beta của tất cả các chứng khoán và phương sai
thặng dư của chúng

3. Người quản lý danh mục đầu tư sử dụng các ước tính về phần bù rủi ro chỉ số thị trường và hệ số beta
của chứng khoán để thiết lập lợi tức kỳ vọng của chứng khoán đó mà không có bất kỳ đóng góp nào từ
phân tích chứng khoán. Suất sinh lợi kỳ vọng hoàn toàn do thị trường định hướng phụ thuộc vào thông
tin chung đối với tất cả các chứng khoán, chứ không phải thông tin thu được từ phân tích chứng khoán
của các công ty cụ thể.

4. Dự báo lợi nhuận kỳ vọng cụ thể cho chứng khoán (cụ thể là alpha chứng khoán) được lấy từ các mô
hình định giá chứng khoán khác nhau (chẳng hạn như các mô hình được thảo luận trong Phần Năm). Do
đó, giá trị alpha chắt lọc phần bù rủi ro gia tăng do thông tin cá nhân được phát triển từ phân tích bảo
mật.

Phương trình 8.6 cho chúng ta biết rằng phần bù rủi ro đối với chứng khoán không phải phân tích chứng
khoán sẽ là ẞ;E(RM). Phần bù rủi ro sẽ chỉ xuất phát từ xu hướng tuân theo chỉ số thị trường của chứng
khoán. Bất kỳ alpha nào (nghĩa là lợi nhuận kỳ vọng vượt quá phần bù rủi ro chuẩn này) sẽ là do một số
yếu tố phi thị trường sẽ được phát hiện thông qua phân tích chứng khoán.

Kết quả cuối cùng của phân tích bảo mật là danh sách các giá trị alpha. Các phương pháp thống kê để
ước tính các hệ số beta được biết đến rộng rãi và được tiêu chuẩn hóa; do đó, chúng tôi không mong
đợi phần này của danh sách đầu vào sẽ khác nhau nhiều giữa các nhà quản lý danh mục đầu tư. Ngược
lại, phân tích vĩ mô và bảo mật ít thường xuyên hơn nhiều và do đó mang lại tiềm năng cho hiệu suất nổi
bật. Bằng cách sử dụng mô hình chỉ số để phân tích phí bảo hiểm do các yếu tố thị trường và phi thị
trường, nhà quản lý danh mục đầu tư có thể tin tưởng rằng các nhà phân tích vĩ mô tổng hợp các ước
tính về phí bảo hiểm rủi ro chỉ số thị trường và các nhà phân tích chứng khoán biên soạn các giá trị alpha
đang sử dụng các ước tính nhất quán cho thị trường tổng thể.

Trong bối cảnh xây dựng danh mục đầu tư, alpha không chỉ là một trong những thành phần của lợi
nhuận kỳ vọng. Đây là biến số quan trọng cho chúng ta biết chứng khoán là một giao dịch mua tốt hay
xấu. Hãy xem xét một cổ phiếu riêng lẻ mà chúng tôi có ước tính beta từ các cân nhắc thống kê và giá trị
alpha từ phân tích chứng khoán. Chúng ta có thể dễ dàng tìm thấy nhiều chứng khoán khác có beta
giống hệt nhau và do đó, các thành phần có hệ thống giống hệt nhau trong phần bù rủi ro của chúng. Do
đó, điều thực sự làm cho chứng khoán trở nên hấp dẫn hoặc không hấp dẫn đối với nhà quản lý danh
mục đầu tư là giá trị alpha của nó, phần thưởng cao hơn và cao hơn phần thưởng bắt nguồn từ xu
hướng theo dõi chỉ số thị trường. Chứng khoán có alpha dương là một món hời và do đó nên được cân
nhắc trong danh mục đầu tư tổng thể so với giải pháp thay thế thụ động là sử dụng danh mục chỉ số thị
trường làm phương tiện rủi ro. Ngược lại, chứng khoán có alpha âm được định giá quá cao và, nếu
những yếu tố khác không đổi, trọng lượng danh mục đầu tư của nó sẽ được giảm xuống. Trong những
trường hợp cực đoan hơn, tỷ trọng danh mục đầu tư mong muốn thậm chí có thể âm, nghĩa là, một vị
thế bán (nếu được phép) sẽ được mong muốn.

Danh mục đầu tư chỉ số như một tài sản đầu tư

Quá trình lập biểu đồ đường biên hiệu quả bằng cách sử dụng mô hình chỉ số đơn lẻ có thể được thực
hiện giống như quy trình mà chúng ta đã sử dụng trong Chương 7, nơi chúng ta đã sử dụng mô hình
Markowitz để tìm danh mục đầu tư rủi ro tối ưu. Tuy nhiên, ở đây, chúng ta có thể hưởng lợi từ sự đơn
giản hóa mà mô hình chỉ mục đưa ra để lấy danh sách đầu vào. Hơn nữa, việc tối ưu hóa danh mục đầu
tư làm nổi bật một ưu điểm khác của mô hình chỉ số đơn lẻ, cụ thể là biểu diễn trực quan và đơn giản về
danh mục đầu tư rủi ro tối ưu. Tuy nhiên, trước khi đi vào cơ chế tối ưu hóa trong cài đặt này, tuy nhiên,
chúng ta bắt đầu bằng cách xem xét vai trò của danh mục đầu tư chỉ số trong danh mục đầu tư tối ưu.

Giả sử bản cáo bạch của một công ty đầu tư giới hạn toàn bộ tài sản mà công ty có thể đầu tư vào chỉ
những cổ phiếu có trong chỉ số S&P 500. Giả sử rằng các nguồn lực của công ty chỉ cho phép bao phủ
một tập hợp con tương đối nhỏ của cái gọi là vũ trụ có thể đầu tư này. Nếu những công ty được phân
tích này là những công ty duy nhất được phép trong danh mục đầu tư, thì nhà quản lý danh mục đầu tư
có thể lo lắng về sự đa dạng hóa hạn chế.

Một cách đơn giản để tránh đa dạng hóa không đầy đủ là đưa danh mục đầu tư S&P 500 vào một trong
những tài sản của danh mục đầu tư. Kiểm tra các phương trình 8.5 và 8.6 cho thấy rằng nếu chúng ta coi
danh mục đầu tư S&P 500 là chỉ số thị trường, thì nó sẽ có hệ số beta là 1.0 (độ nhạy của nó đối với
chính nó), không có rủi ro cụ thể của công ty và hệ số alpha bằng 0 - không có phi thị trường thành phần
trong lợi nhuận kỳ vọng của nó. Phương trình 8.7 cho thấy hiệp phương sai của bất kỳ chứng khoán nào,
i, với chỉ số (trong ví dụ này là S&P 500) là ẞ;o. Để phân biệt S&P 500 với n chứng khoán được công ty
tích cực phân tích, chúng tôi sẽ chỉ định nó là tài sản thứ (n + 1). Chúng ta có thể coi S&P 500 như một
danh mục đầu tư thụ động mà người quản lý sẽ chọn khi không có phân tích chứng khoán. Nó cho phép
tiếp xúc với thị trường rộng rãi mà không cần phân tích bảo mật đắt tiền. Tuy nhiên, nếu người quản lý
sẵn sàng tham gia vào nghiên cứu như vậy, cô ấy có thể nghĩ ra một danh mục đầu tư tích cực có thể kết
hợp với chỉ số để mang lại sự đánh đổi giữa rủi ro và lợi nhuận thậm chí còn tốt hơn.

Danh sách đầu vào mô hình một chỉ mục

Nếu người quản lý danh mục đầu tư có kế hoạch tổng hợp danh mục đầu tư từ danh sách n công ty
được nghiên cứu tích cực cộng với danh mục chỉ số thị trường thụ động như S&P 500, danh sách đầu
vào sẽ bao gồm các ước tính sau:

1. Phần bù rủi ro trên danh mục S&P 500.

2. Độ lệch chuẩn của danh mục S&P 500.

3. n bộ ước tính của (a) hệ số beta, (b) phương sai thặng dư hàng tồn kho và (c) giá trị alpha. Các giá trị
alpha, cùng với phần bù rủi ro của S&P 500 và beta của mỗi chứng khoán, xác định lợi tức kỳ vọng trên
mỗi chứng khoán.

Danh mục Đầu tư Rủi ro Tối ưu trong Mô hình Chỉ số Đơn

Mô hình một chỉ số cho phép chúng ta giải quyết trực tiếp danh mục đầu tư rủi ro tối ưu và hiểu rõ hơn
về bản chất của giải pháp. Đầu tiên, chúng tôi xác nhận rằng chúng tôi có thể dễ dàng thiết lập quy trình
tối ưu hóa để lập biểu đồ giới hạn hiệu quả trong khuôn khổ này dọc theo các dòng của mô hình
Markowitz.

Với các ước tính của hệ số beta và alpha, cộng với phần bù rủi ro của danh mục đầu tư chỉ số, chúng ta
có thể tạo ra n + 1 suất sinh lợi kỳ vọng bằng Công thức 8.6. Với các ước lượng của hệ số beta và phương
sai phần dư, cùng với phương sai của danh mục chỉ số, chúng ta có thể xây dựng ma trận hiệp phương
sai bằng Công thức 8.7. Với cột phần bù rủi ro và ma trận hiệp phương sai, chúng ta có thể tiến hành
chương trình tối ưu hóa được mô tả trong Chương 7.

Mặc dù mô hình chỉ số cho phép chúng ta triển khai dễ dàng hơn mô hình Markowitz để đa dạng hóa
hiệu quả (trọng tâm của Chương 7), nhưng chúng ta có thể tiến thêm một bước mô tả về cách thức hoạt
động của đa dạng hóa. Chúng tôi đã chỉ ra trước đó rằng phương sai alpha, beta và phần dư của danh
mục đầu tư có trọng số bằng nhau là giá trị trung bình đơn giản của các tham số đó trên các chứng
khoán thành phần. Kết quả này không giới hạn ở các danh mục đầu tư có trọng số như nhau. Nó áp dụng
cho bất kỳ danh mục đầu tư nào, trong đó chúng ta chỉ cần thay thế "trung bình đơn giản" bằng "trung
bình có trọng số", bằng cách sử dụng trọng số của danh mục đầu tư. Đặc biệt,

Mục tiêu là chọn trọng số danh mục đầu tư, w₁, . . ., Wn+1, để tối đa hóa tỷ lệ Sharpe của danh mục đầu
tư. Với tập trọng số này, tỷ suất sinh lợi kỳ vọng, độ lệch chuẩn và tỷ lệ Sharpe của danh mục đầu tư là

Tại thời điểm này, giống như trong quy trình Markowitz, chúng ta có thể sử dụng chương trình tối ưu
hóa của Excel để tối đa hóa tỷ lệ Sharpe tuân theo ràng buộc bổ sung mà tổng trọng số của danh mục
đầu tư bằng 1. Tuy nhiên, điều này là không cần thiết vì khi lợi nhuận tuân theo mô hình chỉ số, danh
mục đầu tư tối ưu có thể được suy ra một cách rõ ràng và giải pháp cho danh mục đầu tư tối ưu cung
cấp cái nhìn sâu sắc về việc sử dụng hiệu quả phân tích chứng khoán trong xây dựng danh mục đầu tư.
Nó là hướng dẫn để phác thảo chủ đề hợp lý của giải pháp. Chúng tôi sẽ không hiển thị mọi bước đại số
mà thay vào đó sẽ trình bày các kết quả chính và giải thích quy trình.

Trước khi đi sâu vào các kết quả, trước tiên chúng ta hãy xem trước sự đánh đổi cơ bản được tiết lộ bởi
mô hình. Nếu chúng ta chỉ quan tâm đến đa dạng hóa, chúng ta sẽ chỉ nắm giữ chỉ số thị trường. Nhưng
phân tích chứng khoán cho chúng ta cơ hội khám phá các chứng khoán có hệ số alpha khác 0 và nắm giữ
vị thế khác biệt trong các chứng khoán đó. Chi phí của vị trí khác biệt đó là sự khởi đầu từ đa dạng hóa
hiệu quả, cụ thể là giả định về rủi ro cụ thể của công ty không cần thiết. Mô hình cho chúng ta thấy rằng
danh mục đầu tư rủi ro tối ưu đánh đổi việc tìm kiếm alpha để tránh việc đa dạng hóa hiệu quả.

Danh mục đầu tư rủi ro tối ưu hóa ra là sự kết hợp của hai danh mục đầu tư thành phần: (1) danh mục
đầu tư đang hoạt động, ký hiệu là A, bao gồm n chứng khoán được phân tích (chúng tôi gọi đây là danh
mục đầu tư đang hoạt động vì nó xuất phát từ phân tích chứng khoán đang hoạt động) và ( 2) danh mục
đầu tư theo chỉ số thị trường, tài sản thứ (n + 1) mà chúng tôi đưa vào để hỗ trợ đa dạng hóa, mà chúng
tôi gọi là danh mục đầu tư thụ động và ký hiệu là M.

Trước tiên, giả sử rằng danh mục đầu tư đang hoạt động có hệ số beta là 1. Trong trường hợp đó, trọng
số tối ưu trong danh mục đầu tư đang hoạt động sẽ tỷ lệ thuận với tỷ lệ α/2(e). Tỷ lệ này cân bằng phần
đóng góp của danh mục đầu tư đang hoạt động (alpha của nó) so với phần đóng góp của nó vào phương
sai của danh mục đầu tư (thông qua phương sai còn lại). Tỷ lệ tương tự cho danh mục đầu tư chỉ số là
E(RM)/OM, và do đó, vị trí ban đầu trong danh mục đầu tư đang hoạt động (theo "vị trí ban đầu", ý
chúng tôi là nếu phiên bản beta của nó là 1) là

Tiếp theo, chúng tôi điều chỉnh vị trí này để tính đến phiên bản beta thực tế của danh mục đầu tư đang
hoạt động. Đối với bất kỳ mức o nào, mối tương quan giữa danh mục đầu tư chủ động và thụ động càng
lớn khi beta của danh mục đầu tư chủ động càng cao. Điều này ngụ ý lợi ích đa dạng hóa ít hơn từ danh
mục đầu tư thụ động và vị trí thấp hơn trong đó. Tương ứng, vị trí trong danh mục đầu tư đang hoạt
động tăng lên. Việc sửa đổi chính xác cho vị trí trong danh mục đầu tư đang hoạt động là:

Tỷ lệ thông tin

Các phương trình 8.24 và 8.25 mang lại vị trí tối ưu trong danh mục đầu tư đang hoạt động khi chúng ta
biết phương sai alpha, beta và phần dư của nó. Với w trong danh mục hoạt động và 1 WA đầu tư vào
danh mục chỉ số, chúng ta có thể tính toán lợi tức kỳ vọng, độ lệch chuẩn và tỷ lệ Sharpe của danh mục
rủi ro tối ưu. Tỷ lệ Sharpe của danh mục đầu tư rủi ro được xây dựng tối ưu sẽ vượt quá danh mục đầu
tư chỉ số (chiến lược thụ động). Mối quan hệ chính xác là

Phương trình 8.26 cho chúng ta thấy rằng phần đóng góp của danh mục đầu tư đang hoạt động (khi
được giữ ở trọng số tối ưu, w) vào tỷ lệ Sharpe của danh mục đầu tư rủi ro tổng thể được xác định bởi tỷ
lệ alpha của nó với độ lệch chuẩn còn lại của nó. Tỷ lệ quan trọng này được biết đến rộng rãi là tỷ lệ
thông tin. Nó đo lường lợi nhuận tăng thêm mà chúng ta có thể thu được từ phân tích chứng khoán so
với rủi ro cụ thể của công ty mà chúng ta phải gánh chịu khi chúng ta đánh giá quá cao hoặc đánh giá
thấp chứng khoán so với chỉ số thị trường thụ động. Do đó, phương trình 8.26 ngụ ý rằng để tối đa hóa
tỷ lệ Sharpe tổng thể, chúng ta phải tối đa hóa tỷ lệ thông tin của danh mục đầu tư đang hoạt động.

Nó chỉ ra rằng tỷ lệ thông tin của danh mục đầu tư đang hoạt động sẽ được tối đa hóa nếu chúng ta

đầu tư vào mỗi chứng khoán tương ứng với tỷ lệ a/²(e;) của nó. Kết quả này có sức thuyết phục

diễn giải: Nó nói rằng vị thế của mỗi chứng khoán sẽ tỷ lệ thuận với tỷ lệ alpha (mà các nhà đầu tư tìm
kiếm) đối với rủi ro có thể đa dạng hóa (mà họ muốn tránh). Tỷ lệ càng cao, họ sẽ nắm giữ càng nhiều
chứng khoán trong danh mục đầu tư đang hoạt động. Chia tỷ lệ này sao cho tổng vị thế trong danh mục
đầu tư đang hoạt động cộng lại thành wa, trọng số của mỗi chứng khoán là
Với tập trọng số này, phần đóng góp của mỗi chứng khoán vào tỷ lệ thông tin của danh mục đầu tư đang
hoạt động là bình phương tỷ lệ thông tin của chính nó, nghĩa là,

Do đó, mô hình cho thấy vai trò trung tâm của tỷ lệ thông tin trong việc tận dụng hiệu quả phân tích bảo
mật. Sự đóng góp tích cực của chứng khoán vào danh mục đầu tư được thực hiện bằng cách bổ sung
vào phần bù rủi ro phi thị trường (anpha của nó). Tác động tiêu cực của nó là làm tăng phương sai của
danh mục đầu tư thông qua rủi ro cụ thể của công ty (phương sai phần dư).

Trái ngược với alpha, thành phần thị trường (có hệ thống) của phần bù rủi ro, ß;E(R),

được bù đắp bởi rủi ro (thị trường) không thể đa dạng hóa của chứng khoán, ẞo, và cả hai đều được
thúc đẩy bởi cùng một bản beta. Sự đánh đổi này không phải là duy nhất đối với bất kỳ chứng khoán
nào, vì bất kỳ chứng khoán nào có cùng phiên bản beta đều có đóng góp cân bằng như nhau đối với cả
rủi ro và lợi nhuận. Nói cách khác, phiên bản beta của chứng khoán không phải là tật xấu cũng không
phải là đức hạnh. Nó là một thuộc tính ảnh hưởng đồng thời đến rủi ro và phần bù rủi ro của một chứng
khoán.

Từ phương trình 8.27, chúng ta thấy rằng nếu alpha của chứng khoán âm, thì chứng khoán đó sẽ giữ vị
thế bán trong danh mục đầu tư rủi ro tối ưu. Nếu các vị thế bán bị cấm, chứng khoán alpha âm sẽ đơn
giản bị loại khỏi chương trình tối ưu hóa và gán trọng số danh mục đầu tư bằng không. Khi số lượng
chứng khoán có giá trị alpha khác 0 (hoặc số lượng có alpha dương nếu các vị thế bán khống bị cấm)
tăng lên, bản thân danh mục đầu tư chủ động sẽ được đa dạng hóa tốt hơn và tỷ trọng của nó trong
danh mục đầu tư rủi ro tổng thể sẽ tăng lên do danh mục đầu tư chỉ số thụ động phải trả giá đắt.

Cuối cùng, chúng tôi lưu ý rằng danh mục đầu tư chỉ số là một danh mục đầu tư hiệu quả chỉ khi tất cả
các giá trị alpha bằng không. Điều này có ý nghĩa trực quan. Trừ khi phân tích chứng khoán cho thấy
chứng khoán có hệ số alpha khác không, nếu không việc đưa nó vào danh mục đầu tư đang hoạt động sẽ
làm cho danh mục đầu tư kém hấp dẫn hơn. Ngoài rủi ro hệ thống của chứng khoán, được bù đắp bằng
phần bù rủi ro thị trường (thông qua beta), chứng khoán sẽ thêm rủi ro cụ thể của công ty vào phương
sai danh mục đầu tư. Tuy nhiên, với alpha bằng 0, không có khoản bồi thường nào cho việc gánh chịu rủi
ro cụ thể của công ty đó. Do đó, nếu tất cả các chứng khoán đều có alpha bằng 0, trọng số tối ưu trong
danh mục đầu tư đang hoạt động sẽ bằng 0 và trọng số trong danh mục đầu tư chỉ số sẽ là 1. Tuy nhiên,
khi phân tích chứng khoán phát hiện ra các chứng khoán có phần bù rủi ro phi thị trường (alpha khác
không), danh mục đầu tư chỉ số không còn hiệu quả.

Tóm tắt quy trình tối ưu hóa

Sau khi phân tích chứng khoán hoàn tất, danh mục đầu tư rủi ro tối ưu được hình thành từ các ước tính
mô hình chỉ số về các tham số chỉ số thị trường và chứng khoán bằng cách sử dụng các bước sau:

1. Tính vị trí ban đầu của mỗi chứng khoán trong danh mục đầu tư đang hoạt động như

2. Chia tỷ lệ các vị trí ban đầu đó để buộc trọng số danh mục đầu tư có tổng bằng 1 bằng cách chia cho
tổng của chúng, nghĩa là,

3. Tính toán alpha của danh mục đầu tư đang hoạt động:
4. Tính phương sai thặng dư của danh mục đầu tư đang hoạt động:

5. Tính vị thế ban đầu trong danh mục đầu tư đang hoạt động:

6. Tính hệ số beta của danh mục đầu tư đang hoạt động:

7. Điều chỉnh vị thế ban đầu trong danh mục đầu tư đang hoạt động:

8. Lưu ý: Danh mục đầu tư rủi ro tối ưu hiện có trọng số:

9. Tính phần bù rủi ro của danh mục rủi ro tối ưu từ phần bù rủi ro của danh mục chỉ số và alpha của
danh mục hoạt động:

Lưu ý rằng beta của danh mục rủi ro là WM+WABA vì beta của danh mục chỉ số là 1.

10. Tính phương sai của danh mục đầu tư rủi ro tối ưu từ phương sai của danh mục chỉ số và phương sai
thặng dư của danh mục hoạt động:

Một ví dụ

Chúng ta có thể minh họa việc triển khai mô hình chỉ số bằng cách xây dựng một danh mục đầu tư tối ưu
bằng cách sử dụng quy trình vừa nêu. Để trình bày dễ quản lý, chúng ta sẽ tưởng tượng rằng nhà đầu tư
bị giới hạn trong một "vũ trụ đầu tư" chỉ bao gồm chỉ số thị trường và sáu tập đoàn lớn sau của Hoa Kỳ:
Verizon và AT&T từ ngành viễn thông, Target và Walmart từ lĩnh vực bán lẻ, và Ford và GM khỏi ngành ô
tô. Ví dụ này chỉ yêu cầu sáu cổ phiếu được phân tích, nhưng nhờ chọn được ba cặp công ty từ cùng một
ngành có tương quan thặng dư tương đối cao, chúng tôi đã đặt mô hình chỉ số vào một thử nghiệm
nghiêm ngặt. Điều này là do mô hình bỏ qua mối tương quan giữa các phần dư khi đưa ra các ước tính
cho ma trận hiệp phương sai. Bằng cách bỏ qua mối tương quan đó, mô hình chỉ số chắc chắn sẽ đánh
giá thấp hiệp phương sai giữa các loại chứng khoán.

Ma trận tương quan và hiệp phương sai

Bảng A trong Bảng tính 8.1 cho thấy các ước tính về các tham số rủi ro của chỉ số thị trường và sáu
chứng khoán được phân tích. Những chứng khoán này có rủi ro đặc thù của công ty rất lớn (cột E). Danh
mục đầu tư tập trung vào các chứng khoán này (hoặc khác) sẽ không cần thiết biến động cao và tỷ lệ
Sharpe thấp hơn. Bạn có thể thấy từ những độ lệch chuẩn còn lại cao hàng tháng này, tầm quan trọng to
lớn của việc đa dạng hóa.

Bảng B hiển thị ma trận tương quan của phần dư từ phép hồi quy của lợi nhuận vượt trội trên chỉ số thị
trường. Các ô được tô đậm cho thấy mối tương quan của các cặp cổ phiếu trong cùng ngành, cao tới 0,7
đối với hai cổ phiếu ô tô (GM và Ford). Điều này trái ngược với giả định của mô hình chỉ số rằng tất cả
các phần dư là không tương quan. Tất nhiên, những mối tương quan này, ở một mức độ lớn, là cao theo
thiết kế, bởi vì chúng tôi đã cố ý chọn các cặp công ty trong cùng một ngành. Mối tương quan giữa các
ngành thường nhỏ hơn nhiều và các ước tính thực nghiệm về mối tương quan của phần dư đối với các
chỉ số ngành (chứ không phải các cổ phiếu riêng lẻ trong cùng ngành) sẽ phù hợp hơn nhiều với mô hình
chỉ số. Trên thực tế, một số cổ phiếu trong mẫu này dường như có phần dư tương quan nghịch. Tất
nhiên, mối tương quan cũng tùy thuộc vào lỗi lấy mẫu thống kê và đây có thể là một sự may rủi.

Bảng C tạo ra các hiệp phương sai (bắt nguồn từ Công thức 8.7) của mô hình một chỉ số.
Các phương sai của chỉ số thị trường và các cổ phiếu được bảo hiểm riêng lẻ xuất hiện trong các mục
nhập đường chéo được tô bóng. Phương sai ước tính cho từng cổ phiếu bằng ẞo + o²(e;). Các số hạng
ngoài đường chéo là các giá trị hiệp phương sai và bằng ß; ẞ;.

Dự báo phần bù rủi ro Bảng D của Bảng tính 8.1 chứa các ước tính về alpha và phần bù rủi ro cho mỗi cổ
phiếu. Những bản alpha này sẽ là sản phẩm quan trọng nhất của công ty đầu tư trong một quy trình
thực tế. Thống kê đóng một vai trò nhỏ ở đây; trong lĩnh vực này, phân tích vĩ mô/an ninh là quan trọng
nhất. Trong ví dụ này, chúng tôi chỉ đơn giản sử dụng các giá trị minh họa để chứng minh quá trình xây
dựng danh mục đầu tư và các kết quả có thể có. Bạn có thể thắc mắc tại sao chúng tôi lại chọn các giá trị
alpha dự báo nhỏ như vậy. Lý do là ngay cả khi phân tích chứng khoán phát hiện ra một sự định giá sai
rõ ràng lớn, nghĩa là các giá trị alpha lớn, thì những dự báo này phải được cắt giảm đáng kể để giải thích
cho thực tế là những dự báo đó có sai số ước tính lớn. Chúng ta thảo luận về quy trình quan trọng của
việc điều chỉnh các dự báo thực tế trong Chương 27.

Bảng Danh mục Đầu tư Rủi ro Tối ưu E của Bảng tính 8.1 hiển thị các tính toán cho danh mục đầu tư rủi
ro tối ưu. Chúng tuân theo bản tóm tắt được nêu ở trên (bạn nên cố gắng sao chép các tính toán này
trong bảng tính của riêng mình). Trong ví dụ này, chúng tôi cho phép bán khống. Lưu ý rằng trọng số của
mỗi chứng khoán trong danh mục đầu tư đang hoạt động (xem hàng 55) có cùng dấu với giá trị alpha.
Cho phép bán khống, các vị trí trong danh mục đầu tư đang hoạt động là khá lớn (ví dụ: vị trí trong
Walmart là 0,6850, xem ô D48); đây là một danh mục đầu tư tích cực. Do đó, hệ số alpha của danh mục
đầu tư đang hoạt động (2,42%) lớn hơn hệ số alpha của bất kỳ dự báo alpha riêng lẻ nào. Tuy nhiên, lập
trường tích cực này cũng dẫn đến phương sai dư lớn, 0,0303, tương ứng với độ lệch chuẩn dư là 17,4%).

Do đó, vị trí trong danh mục hoạt động trong danh mục đầu tư rủi ro tổng thể được thu nhỏ lại đáng kể
(xem Công thức 8.24) và kết thúc ở mức khá khiêm tốn (.1809; ô C55), củng cố quan niệm rằng việc cân
nhắc đa dạng hóa là tối quan trọng trong việc xây dựng danh mục đầu tư rủi ro tối ưu.

Danh mục đầu tư rủi ro tối ưu (kết hợp danh mục hoạt động với chỉ số thị trường) có mức bù rủi ro là
6,05%, độ lệch chuẩn là 11,72% và tỷ lệ Sharpe là 0,5165 (các ô J58-J60). Để so sánh, tỷ lệ Sharpe của
danh mục đầu tư chỉ số là 0,06/.1206 = 0,4975 (ô B60), không thấp hơn nhiều so với danh mục rủi ro tối
ưu. Sự cải thiện nhỏ là kết quả của các dự báo alpha khiêm tốn mà chúng tôi đã sử dụng. Trong Chương
11 về hiệu quả của thị trường và Chương 24 về đánh giá hiệu suất, chúng tôi chứng minh rằng những kết
quả như vậy là phổ biến trong ngành công nghiệp quỹ tương hỗ. Tất nhiên, một số nhà quản lý danh
mục đầu tư có thể và thực sự tạo ra danh mục đầu tư với hiệu suất tốt hơn.

Câu hỏi thú vị ở đây là mức độ mà mô hình chỉ số tạo ra các kết quả khác với mô hình hiệp phương sai
đầy đủ (Markowitz). Hình 8.4 cho thấy các giới hạn hiệu quả từ hai mô hình với dữ liệu ví dụ. (Chúng tôi
nhấn mạnh một lần nữa rằng sự khác biệt trong các số liệu này phản ánh các ước tính khác nhau về hiệp
phương sai, chứ không phải sự khác biệt về khả năng thực tế của các nhà đầu tư để đánh đổi rủi ro lấy
lợi nhuận.) Chúng tôi thấy rằng các đường biên hiệu quả trên thực tế là tương tự nhau. Đối với danh
mục đầu tư thận trọng (với độ biến động thấp hơn, về phía bên trái của hình), mô hình chỉ số đánh giá
thấp sự biến động và do đó đánh giá quá cao hiệu suất. Điều ngược lại xảy ra với danh mục đầu tư rủi ro
hơn chỉ số.

Bảng 8.4 so sánh thành phần và hiệu suất kỳ vọng của danh mục đầu tư rủi ro tối ưu rút ra từ hai mô
hình. Trọng số danh mục đầu tư sử dụng ma trận hiệp phương sai đầy đủ tận dụng mối tương quan giữa
các phần dư. Ví dụ: Walmart có alpha dương và Target có alpha âm, vì vậy Walmart được giữ lâu và
Target bị bán khống. Bởi vì phần dư của hai công ty có mối tương quan thuận, nên mô hình hiệp phương
sai đầy đủ chỉ ra một vị trí cực kỳ tích cực trong Walmart và một vị trí cực kỳ tiêu cực trong Target so với
mô hình chỉ số, dựa vào mối tương quan giữa hai công ty để bù trừ rủi ro từ các vị thế mua-bán cao hơn
đó. Tuy nhiên, cuối cùng, đề nghị trọng số danh mục đầu tư không quá khác biệt và danh mục đầu tư rủi
ro tối ưu từ mô hình hiệp phương sai đầy đủ (Markowitz) chỉ có phần bù rủi ro ước tính lớn hơn một
chút và độ lệch chuẩn ước tính lớn hơn một chút. Tỷ lệ Sharpe gần như giống hệt nhau. Ngay cả trong ví
dụ này, khi chúng tôi thách thức mô hình chỉ số bằng cách áp dụng nó cho các cặp công ty được cho là
có phần dư tương quan với nhau, thì nó cũng mang lại kết quả rất đáng chú ý gần với mô hình hiệp
phương sai đầy đủ.

Mô hình chỉ mục có kém hơn mô hình hiệp phương sai đầy đủ không? Ở một mức độ nào đó, mô hình
chỉ số phải kém hơn so với mô hình Markowitz toàn diện: Nó áp đặt các giả định bổ sung có thể không
hoàn toàn chính xác. Nhưng như ví dụ của chúng tôi minh họa, rõ ràng là mô hình chỉ số sẽ kém hơn
trong các ứng dụng thực tế.

Tương tự như vậy, hãy xem xét câu hỏi về việc thêm các biến giải thích bổ sung vào phương trình hồi
quy. Theo một nghĩa nào đó, chúng sẽ không bao giờ gây hại, vì chúng chỉ đơn giản là cung cấp cho
phương trình các tham số bổ sung để phù hợp với một mối quan hệ thống kê. Chúng ta biết rằng việc
thêm các biến giải thích trong hầu hết các trường hợp sẽ làm tăng bình phương R và không có trường
hợp nào làm giảm bình phương R. Nhưng điều này không nhất thiết ngụ ý một phương trình hồi quy tốt
hơn.15 Một tiêu chí tốt hơn là liệu việc đưa vào một biến đóng góp vào khả năng giải thích trong mẫu có
khả năng góp phần vào độ chính xác của dự báo ngoài mẫu hay không. Việc thêm các biến, ngay cả
những biến có vẻ quan trọng, đôi khi có thể gây nguy hiểm cho độ chính xác của dự báo. Giá trị dự đoán
của biến giải thích phụ thuộc vào hai yếu tố, độ chính xác của ước lượng hệ số và độ chính xác của dự
đoán giá trị của nó. Khi chúng tôi thêm các biến giải thích bổ sung, chúng tôi đưa ra lỗi trên cả hai lần
đếm. Do đó, một mô hình tiết kiệm "keo kiệt" trong việc đưa vào các biến giải thích có thể tốt hơn. Vấn
đề này cũng áp dụng cho việc thay thế chỉ mục đơn bằng mô hình Markowitz toàn diện. Mô hình
Markowitz cho phép mô hình hóa cấu trúc hiệp phương sai tài sản của chúng tôi linh hoạt hơn nhiều so
với mô hình chỉ số đơn. Nhưng lợi thế đó có thể là viển vông nếu chúng ta không thể ước tính các hiệp
phương sai đó với độ chính xác vừa đủ. Việc sử dụng ma trận hiệp phương sai đầy đủ gợi ra rủi ro ước
tính của hàng nghìn thuật ngữ. Ngay cả khi mô hình Markowitz đầy đủ về nguyên tắc sẽ tốt hơn, thì rất
có thể tác động tích lũy của rất nhiều lỗi ước tính sẽ dẫn đến một danh mục đầu tư thực sự kém hơn so
với danh mục bắt nguồn từ mô hình một chỉ số.

Chống lại ưu thế tiềm năng của mô hình hiệp phương sai đầy đủ, chúng ta có lợi thế thực tế rõ ràng của
khung chỉ số đơn. Sự hỗ trợ của nó trong phân tích vĩ mô và bảo mật phi tập trung là một lợi thế quyết
định khác.