不同时期下Fama-French五因子对行业回报的解释力

风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。

目前学界对行业回报的可预测性已经做了较为丰富的研究，例如Fama（1990）、Fama和French（1989）以及Schwert（1990）基于股票市场的研究，Carlson和Sargent（1997）以及Shiller（2000）基于基本面变量和非基本面变量的研究，还有Flannery和Protopapadakis（2002）基于市场公告的研究。在20世纪90年代初，Fama和French提出了三因子模型，其中，三因子分别为市场超额收益、市值因子和账面市值比因子。十年后，他们通过添加盈利因子和投资因子来增强模型，Fama和French（2015）的研究结果表明新的五因子模型优于三因子模型。随后，学界在此基础上又进行了大量的研究，Grinold（1993）、Clare等人（1995）、Faff（2003）以及Nichol和Dowling（2014）证实了Fama-French因子模型的有效性，而Kothari等人（1995）、Kim（1995）、Chen和Zhang（2010）以及Chiah等人（2015）则对模型提出了质疑。

Hong等人（2007）的开创性研究调查了行业、股市和几个宏观经济指标之间的领先-滞后关系（lead-lag relationships），并发现特定的行业对股市具有引领效应，自此，许多研究者开始重新审视这些变量的内在联系。Hou（2007）在控制公司规模的情况下，测试了同一行业中公司回报的可预测性，并证实了Hou和Moskowitz（2005）的结果。Tse（2015）使用更长的时间跨度和更多的行业重新检验了Hong等人（2007）的结果，发现只有七分之一的行业对股市具有显著的预测能力。此外，他还发现了从股市到行业的反向预测关系，而且在预测经济增长方面，股市比行业表现得更好。Laopodis（2016）研究了17个行业，研究结果表明某些行业的回报对包括股市在内的许多经济活动的预测指标具有显著的解释力，并且某些行业一致地向其他行业传导着领先信息，例如石油和金融。最近，Ciner（2019）发现行业回报对市场具有显著的样本外预测能力，并且行业回报之间有显著的领先-滞后关系。

尽管学界已经基于各种因子对股票收益的可预测性做了大量的研究，但是基于Fama-French因子对行业回报可预测性的研究已经落后了许多。除了Fama和French（2017）将五因子模型应用于各个国家和股票投资组合之外，仅有几篇论文涉及Fama-French因子（以下简称FF因子）——账面市值比因子HML、规模因子SMB、市场因子MRKT、盈利能力因子RMW和投资因子CMA。Chou等人（2012）研究了FF因子对行业回报的可预测性，并发现了几个有趣的结论，如小公司溢价对于低于行业平均市值的公司非常显著，账面市值溢价仅存在于行业内部，而不跨行业存在。Tsuji（2012）研究了行业回报对FF因子的解释力，通过研究美国30个行业的回报，发现行业投资组合显著地预测了一个月后的中小企业因子回报。此外，一些行业回报预测了SMB和HML因子未来的波动率水平，最长可达3个月。

专业人员和从业者对多因子模型投资指导意义的研究也非常有限。Beck等人（2016）的研究表明，一些因子（如规模和质量因子）缺乏稳健性，而价值、动量、非流动性和低beta因子的稳健性最强。此外，与其他因子相比，非流动性和动量似乎与显著较高的交易成本有关。Sarwar等人（2018）在研究行业轮动策略时发现，五因子FF模型比三因子模型更能够解释美国行业投资组合的回报，但在某些时间点，所有行业仍然存在显著的FF阿尔法（回归截距项），即行业回报仍存在无法被FF因子解释的部分。最后，Blitz、Baltussen和Vliet（2020）研究了投资组合多头和空头方的FF因子，发现因子溢价既存在于多头也存在于空头中，同时也存在于大盘股中和小盘股中，并且在多头方面表现得更具有吸引力，意味着更好的分散化投资收益。

然而，目前尚未有文献研究过不同行业和不同时期下FF五因子、宏观经济变量与行业回报率之间的动态关系。Elyasiani等人（2011）的一篇论文详细研究了石油价格冲击和三个FF因子对美国13个行业的影响，并发现所有FF因子在解释行业超额收益方面表现出显著的统计和经济学意义。Tai（2003）的研究表明，在跨期资本资产定价模型（CAPM）中，四个风险因子（市场、规模、账面市值比和动量）具有显著的定价意义和时变性。因此，鉴于目前对这些变量之间动态关系的研究工作十分有限，本文主要有三个研究目标：

首先，作者想确定FF三因子或五因子对哪些行业以及在哪些时期是显著的。换句话说，三因子模型在解释行业组合回报方面是否拥有更好的表现？如果答案是肯定的，那么具体哪些因子与哪些行业的相关性更高？其次，哪些因子在过去几十年里一直保持着显著性？是否存在主导因子？例如，之前建立的beta和平均回报之间的正相关关系是否仍然适用于不同行业和时期？第三，在有或没有宏观经济控制变量的情况下，哪些因子能够成为行业回报组合的一致预测因子？换句话说，如果我们在回归模型中加入额外的变量或因子，FF因子在不同行业和不同时期是否仍然具有统计学意义？

与这些主要的研究问题相结合，作者还解决了一些文献中提到或没有提到的其他问题。首先，有些人认为FF因子无法解释行业投资组合回报的可能原因是，在使用长时间窗口进行回归模型估计时隐含了风险不随时间变化的假设。为了验证上述说法的合理性，作者使用Gibbons等人（1989）的检验方法，以十年为周期对时间窗口进行划分，来研究在不同时间段模型是否能够捕捉到超额收益。其次，作者根据回归的R^2值来检验每个行业和每个十年中FF因子的解释能力，以确定这些因子在什么情况下是显著的。最后一个问题是，市场波动对行业投资组合回报会产生什么影响？具体来说，FF五因子在股市存在较大波动时是否会失去显著的解释能力？此外，股市波动性对FF因子解释力的影响存在于哪些行业以及哪些历史时期中？这些问题在文献中并没有得到解决。

这项研究的重要性可以从三方面进行阐述。首先，对于希望基于金融和宏观经济因子构建有效投资组合的投资组合经理来说，本文对多因子模型的研究成果具有借鉴意义。具体来说，投资组合经理希望在定期调整投资组合的时候能够确定重要因子的相对有效性和解释力。此外，正如Vyas和van Baren（2021）所建议的那样，当投资经理在选股过程中主要使用股票因子而不是传统因子时，避免行业偏差是十分重要的。其次，对于那些试图确定这些因子和其他因子对行业回报的预测能力的学者来说，这项研究显得尤为重要。第三，通过这项研究，我们能够更好地回答这样一个问题，即我们是否仍然需要三因子或五因子模型来解释股票和行业回报，以及我们是否能够挖掘其他有效因子。

作者基于Glück等人（2020）的研究成果采用实证研究中应用Fama-French因子模型的标准方法，从Kenneth French的数据库中收集了1962年1月至2021年9月期间美国48个行业投资组合回报率和五个Fama-French（1993，1995）因子的月度数据，这五个因子分别是小公司减大公司（SMB），强盈利能力减弱盈利能力（RMW），保守型减激进型（CMA），高账面价值减低账面价值（HML），以及纽约证券交易所、美国证券交易所和纳斯达克证券交易所股票的市值加权超额市场回报（EMR），行业回报率使用相对于三个月国库券的超额回报率（EIR）。美国所有股票回报率和三个月期国库券回报率数据获取自Bloomberg。

除了这些因子之外，作者还从圣路易斯联邦储备银行的美联储经济数据库FRED中收集了以下宏观控制变量：消费者价格指数，从中得出通货膨胀率（INF）；工业生产值，作为增长变量（IPG）使用；信用利差（SPR），通过获取BAA和AAA评级债券之间的差额而得出；股息收益率（MDY），计算为12个月的股息除以当前股价；以及市场波动率（MVOL），由每月市场回报的GARCH（1，1）模型得出。

这些变量（包括其他如短期利率和油价等）在之前的文献中已经使用过（Hong et al. 2007；Tse 2015）。此外，这些宏观变量已被证明可以预测预期回报的变化（Ferson和 Harvey 1991; Breen et al. 1989; Fama和French 1989 and 1988; Keim和Stambaugh 1986)）。还有证据表明，一些FF因子捕捉了金融变量的特征。例如，Petkova（2006）表明HML和SMB因子代表违约和期限利差，从而记录了与时间序列回报可预测性相关的变量和与横截面回报可预测性相关的变量之间的关系。同样，Hahn和Lee（2006）发现这些利差反映了股票回报在规模和账面市值比方面的横截面特征。相比之下，Gharghori等人（2007）检验了澳大利亚股市，并表明SMB和HML都没有考虑信用风险。最后，Leite等人（2020）表明，通货膨胀创新可以作为一些FF因子的代理变量（如RMW）。

鉴于五因子模型的表现优于三因子模型，首先考虑Fama-French五因子时间序列回归，基准回归模型如下所示：

接下来，扩充式(1)包括前面提到的控制变量：

要了解这些因子的显著性与所选取时间窗口的关系，最好的方法是采用滚动回归。滚动回归允许回归数据集随时间区间一起滚动，从而允许我们在整个数据样本上使用预先确定的时间窗口大小来估计模型的参数。设窗口大小为n

美国的48个行业、它们的公司数量以及行业回报描述性统计数据如图表1所示。超额回报最高的行业是医疗健康、娱乐和烟草，而超额回报最低的行业是其他、个人服务和钢铁。然而，超额收益最高的行业的标准差不是最高的，相反，煤炭和黄金行业回报标准差最高，这两个行业的平均超额回报率介于其他行业之间，约为0.635。值得注意的是，在任何时期，总有一些行业的公司覆盖范围窄，这将影响检验结果的显著性。

在图表2中，面板A展示了每个Fama-French因子和所有行业超额回报相关性的最大值和最小值。只有少数几个行业（商业服务、电子设备、医疗保健、金融、橡胶、烟草和公用事业）的超额回报与这些因子呈现出明显的正相关或负相关。其中，行业超额回报与市场超额回报因子EMR相关性最强，需要注意的是每个行业与CMA、HML和RMW因子之间几乎都呈现负相关性，只有EMR和SMB因子与每个行业表现出的一致的正相关性。面板B展示了全时期五个FF因子之间的相关性，可以看到大部分因子之间呈负相关，只有EMR与SMB因子之间，HML与RMW、CMA之间存在正相关，前一个结果可能由于作者使用了市值加权市场指数（另见Fama和French 1993的研究）。CMA与HML相关性最高，达到了0.677，这一结果与账面市值比高的公司往往是采用保守投资策略的公司的观点一致。有趣的是，HML和SMB之间呈现较弱的负相关性，这是因为高账面市值比公司的增长率不及小公司的增长率。总体而言，这些因子之间的相关性（正相关性或负相关性）意味着它们在回归框架中包含一定的解释力。

图表3按不同年代展示了每个FF因子与每个宏观经济变量之间的相关性。尽管这些相关性并不意代表因果关系，但仍能从中发现一些有趣的规律。首先，CMA （HML）在60年代和80年代（60年代和70年代）与所有宏观变量呈负相关，例如，HML与IPG的负相关性证实了成长股对经济增长风险的暴露高于价值股。第二，在20世纪60年代至90年代，SMB与SPREAD呈正相关，但此后变为负相关，表明信用利差与价值溢价之间存在中等偏弱的关系。此外，除了20世纪70年代以及最近20年外，SMB与INF、IPG和MDY均呈负相关。第三，所有FF因子和宏观变量之间的相关性总体较弱，最高值为-0.3804，并且在不同年代测得的相关性无论在绝对大小还是正负符号上都有变化。总的来说，这些因子和宏观变量之间的相关性意味着它们包含了对预测行业投资组合回报有价值的信息。

图表4展示了四个因子CMA、HML、RMW和 SMB在不同行业和年代的统计显著性。根据Harvey等人（2016）对因子的t统计量使用1%显著性水平的建议，我们仅在5%和1%显著性水平下判断可接受的统计显著性。首先，并非所有行业在每个十年中都表现出对这些因子的敏感性。例如，CMA因子在很大程度上对航空业、商务服务业、矿业和芯片行业非常重要。第二，在任何时期，CMA和RMW似乎与大多数行业回报相关性最低，几乎可以说明它们在另外两个因子都存在的情况下是多余的。例如，RMW因子在2000年代几乎与所有行业都不相关。此外，研究中只有不到一半的行业显示出对这些因子的统计敏感性。第三，两个最重要的因子似乎是HML和SMB，与CMA和RMW相比，这两个因子能够解释的行业数量更多。此外，如果要比较HML和SMB的解释力，前者表现更为突出。最后，SMB的系数在60到90年代最为显著，但HML的系数只在70到90年代最为显著。作者引用了Fama和French（2015）的原文来证实这一结果的合理性：“在五因子模型中，HML对于描述平均回报是多余的，至少在1963-2013年的美国数据中是这样的。”

该如何解释以上这些发现呢？首先，上述研究表明行业或公司规模因子（SMB）似乎比账面市值比（HML）更加显著，考虑到制造业、建筑业和运输业的规模非常大，SMB显著性更强有一定道理。其次，HML适用于价值型行业，例如重工业（汽车）、金融业和家居行业等等。第三，CMA主要适用于激进型行业，例如航空业和矿业。最后，RMW与高盈利能力的行业最为相关，如商务服务、机械和石油行业。

接下来，作者对不同行业和年代下因子敞口（系数）的正负号进行探讨，结果如图表5所示。其中，+和-表示因子敞口符号为正和负，而-+和+-分别表示在该行业该年代的滚动回归中该因子敞口大多数为负和大多为正。根据图表5的统计结果，作者有如下观察：

首先，所有因子在不同行业和不同年代都呈现符号交替的现象。其次，无论是正敞口还是负敞口，在所有年代中SMB都是表现最一致的因子，SMB的负系数说明大盘股的首先，所有因子在不同行业和不同年代都呈现符号交替的现象。其次，无论是正敞口还是负敞口，在所有年代中SMB都是表现最一致的因子，SMB的负系数说明大盘股的平均收益优于小盘股的平均收益。在图表5中，SMB的系数大多为正，表明在大多数行业中小盘股占主导地位，例如建筑材料、服装、建造、机械工业、娱乐业、个人服务、房地产、零售、橡胶、玩具、纺织和批发行业几十年来一直发挥着SMB的价值。第三，CMA因子的正敞口表明，低投资（保守）行业的平均回报大于高投资（激进）行业的平均回报。在结果中，汽车、啤酒、建筑材料、食品、个人服务、房地产、造船、烟草和纺织行业的CMA敞口为正。第四，RMW敞口为正意味着盈利能力高的企业比盈利能力低的企业获得更高的回报。大部分行业的RMW因子敞口在不同年代以正值为主，但在一些行业，例如医疗器械、保险和贵金属行业，负敞口始终占据上风。根据Fama和French（1995）的研究，高账面市值比行业往往具有较低的盈利能力和投资，反之亦然。综合来看，RMW和CMA的负系数意味着这些行业的公司尽管盈利能力较低，但倾向于进行大量投资。在很大程度上，这些发现与Fama和French（2015）的研究结果一致。

总的来说，前三十年间所有因子作为一个整体在半数行业中都显示出较高的解释力。此外，在80和90年代的大部分时间里，市场波动在统计上是显著的。值得注意的是，在过去几十年里，所有因子都显著的行业代表了美国经济的支柱，例如手工制造业、矿业、耐用品和非耐用品等，而在最近三十年里出现的行业则是金融、技术和服务等。总而言之，并非所有因子在每一个十年中都表现得同样重要，这大概反映了美国经济及其部门结构的变化。

在本节中，作者以十年为估计窗口估计了完整模型式(2)，即加上了宏观控制变量的FF五因子模型，并进行了一系列统计检验。

作者对每十年的FF五因子和宏观变量的联合统计显著性进行Wald检验，所有回归都对序列相关性和异方差进行了校正。第一组检验的原假设和备择假设如下所示：

第二组检验的原假设和备择假设如下所示：

检验统计量服从五个自由度的卡方分布，如果估计的值大于95%分位数或者小于5%分位数，则拒绝原假设，并得出系数不同时等于零的结论。

从结果中可以发现，在几乎所有情况下FF五因子都具有统计学意义，因此作者在图7中省略了第一组检验的结果。图7中，“Yes”表示宏观变量是联合显著的，而“No”表示着宏观变量是联合不显著的。此外，以下几点需要注意：

第一，当FF五因子参与回归时，某些行业似乎不会对宏观经济变量做出反应。这些行业包括农业、银行、啤酒、印刷出版、运输和测控。其次，没有哪个行业对这些宏观变量在全时期都是敏感的。第三，建筑材料、金融、房地产、玩具、纺织和批发行业对宏观变量最为敏感。第四，一些行业在20世纪 70和80年代对宏观变量表现出更强的敏感性，而统计不显著行业最多的十年是2000年代。最后，统计显著和不显著的比例大致相当的十年是2010年代。

从这些发现中得到的主要结论和推论是，当回归模型包括FF五因子时，宏观经济变量在每个十年中对这些行业并不总是显著的，并且某些行业在特定的几十年里表现出对这些变量的敏感性。其他的例子还包括，这些宏观经济变量在20世纪90年代之前对制造业等行业非常显著，而对服务型行业或者在金融危机期间（如2000年代）被用作风险对冲的行业（如黄金、房地产和石油）不那么显著。

接下来要研究的问题是，估计模型(1)和(2)是否可以完全捕捉到超额收益。为此，作者对基准回归方程采用标准GRS 检验（F-test）。GRS检验由Gibbons等人（1989）提出，其定义如下：

在这种情况下，GRS统计量用于测试回归(1)的alpha值是否异于零。如果估计的模型能够完全捕捉行业回报，那么截距项应该与零无异。因此，原假设和备择假设如下所示：

我们将该检验应用于模型(1)和(2)，结果如图表8所示。除了20世纪60年代的FF五因子模型，在所有情况下的模型都被认为是对这些行业超额收益的不完整描述，因为GRS检验的P值为零。由于标准资产定价模型无法完全解释行业回报率，模型中未包含的其他变量可能在解释超额回报率方面具有重要意义，这一结论与Fama和French（1998,2016,2017）的发现一致。

除了在添加了原始宏观控制变量的情况下检验了所有5个FF因子外，作者接下来从原始宏观变量中构造因子，以获得新的控制变量。这些新的控制变量从简单的单变量回归中得到，通常取自原始宏观变量混合自回归的残差项，这些残差构成了每个原始宏观变量的惊喜（unexpected）成分，相比于原始宏观变量更能反应未预期到的宏观变化。因此，新的多因子模型如下所示：

对于两个新变量SPR和UR，ARMA（2，1）是基于AIC的最优模型，对于其他宏观变量INF、IPG和MDY，AR（3）是基于AIC的最优模型。图9显示了这5个因子的wald联合检验结果，反映这五个因子是否在不同行业和不同十年中具有联合显著性，其中“Yes”和“No”分别反映了统计显著和缺乏统计学意义。

作者对于检验结果有以下判断：首先，一个一致的结论是，大部分行业在20世纪60年代没有受到意外宏观冲击的影响，即统计结果不显著。第二，同样的结论也适用于2010年代。第三，在中间的几十年，即从20世纪70年代中期到90年代和以及2010年代的部分时间，这些因子在许多行业中都显示出统计显著性。这一结果可以归因于20世纪70年代以来出现的市场波动性（考虑到这里构建的因子捕捉到了不确定性）、20世纪80年代以来美国经济的结构性变化（从制造业转向服务业），以及其他特定行业的因素。因此，可以推断，在一些时期和行业中，宏观变量对行业的显著影响可能蕴含在其惊喜成分中而非原始变量中。因此，该结论对在模型中使用原始变量的惊喜成分而不是原始变量具有一定指导意义。

作者继续研究了FF因子和宏观变量在特定行业的可预测性和影响程度，作者将行业分成两类——企业稀疏型（thin）和企业密集型（thick）。在这里，企业稀疏型行业被认为是那些公司数不超过6000家的行业，而企业密集型行业是那些拥有超过150000家公司的行业。作者在图10中总结了FF因子和宏观变量对这些行业回报的解释力。为了理解图表，请注意“Mostly+”表示大多数行业的对应因子敞口符号为正，列“Macro”展示对应行业下宏观控制变量的显著性（参考图表7），列“Multi”展示对应行业下宏观变量的惊喜成分的显著性（参考图表9）。该分析使用了整个样本周期，具体结论如下：

首先，所选的FF因子SMB、CMA和RMW通常被发现能够以相同的方式解释企业稀疏型行业和企业密集型行业，即不同行业的因子敞口方向一致，但企业密集型行业在CMA和RMW因子敞口方面存在一些差异。作者对这一发现的解释是，金融服务行业（银行、商业服务和金融），属于高投资且激进的行业，往往比低投资或保守的公司有更高的平均回报，因此银行业、商业服务业和金融业的CMA因子敞口为负；类似的，相对于企业稀疏型行业，企业密集型行业被认为具有较低的盈利能力，因此企业密集型行业的RMW因子敞口为负。综上所述，这两项研究结果表明，负的RMW和CMA敞口解释了企业贝塔系数高、股票发行规模大以及（相对）波动性高的行业具有较低平均回报率。作者认为，这些特征表明投资激进的公司往往不赚钱。

其次，分析中使用的宏观经济变量未能解释这些挑选出来的企业稀疏型行业和企业密集型行业，这一结论与作者之前对所有行业的一般研究结果一致。第三，在回归中使用宏观变量的惊喜成分似乎对企业密集型行业更有帮助。有趣的是，通货膨胀、市场股息率和失业率因子对于企业稀疏型行业总是最显著的，而市场股息率和利差因子对企业密集型行业来说是显著的，这一发现展示了这些宏观因子作为一个整体的解释力。显然，一个行业包含的公司越多，覆盖的国民经济越广，就越容易捕捉到宏观经济预期外的变化。由于服务业反映了美国经济的主导结构，并嵌入到了其他所有行业之中，因此这些发现从经济学角度来看很有说服力。

作者进行了多次稳健性测试，以确保结果对其他回归模型和变量结构保持稳健性。具体来说，作者使用了一些新的宏观变量，比如期限利差（10年期国债利率减去联邦基金利率）以及联邦基金利率。每个行业的回归模型包括5个FF因子, 4个原始宏观变量，包括通货膨胀率、工业生产增长、市场波动率和市场股息率，以及两个新的宏观变量（均进行1阶差分）。回归结果与图表5基本相同，其中宏观变量在不同行业和年代中表现出不同的统计显著性（使用Wald检验）。因此可以推断，原始回归模型对于使用一些新的宏变量是稳健的。

作者接着使用面板回归模型分别对企业稀疏型行业和企业密集型行业的FF因子和宏观变量进行检验，面板回归是指对某一行业内的所有公司同时进行回归，而前文仅针对行业平均回报进行回归。作者调查了两类的行业的因子敞口显著性，并且再次使用Wald检验来确定整个样本期宏观因子的联合统计显著性。结果表明，每个行业的CMA和RMW因子的符号与之前的统计结果一致；市场股息率、通货膨胀率、失业率和期限利差是面板回归中统计上最显著的因子，同样与之前的统计结果一致。

在这篇文章中，作者研究了自20世纪60年代以来的五个Fama-French因子和一组宏观经济变量的统计显著性，使用的计量经济学方法包括滚动回归和多因子模型，并且进行了额外的检验以进一步验证因子和变量的统计显著性。

总的来说，并不是所有的FF因子在每个年代和每个行业都具有解释力，但市场风险溢价在所有情况下都是显著的。当然，也存在因子在不同年代表现一致的特例。此外，这些因子敞口的符号会随时间窗口的移动而转变，能够反映行业和整体经济结构的变化。将几个宏观经济变量加入FF因子模型后，宏观经济变量在每个年代对48个行业并不总是显著的，某些行业在特定的几十年里对这些宏观变量表现出敏感性。作者对回归截距项的显著性检验结果表明加上宏观变量的FF因子模型不能完全解释行业回报。

作者对宏观变量中的惊喜成分（未预期到的部分）以及FF因子进行的进一步计量经济学分析，结果表明宏观因子在许多行业（主要是在20世纪70年代、80年代、90年代和2010年以来的部分时间内）具有高的统计显著性。最后，对两类行业（一类仅拥有几千家企业，另一类拥有超过15万家企业）的宏观和FF因子的统计显著性进行检验，结果表明，企业密集型行业比企业稀疏型行业传播更多的宏观信息。

这些发现不仅对公司管理者有一定的启示，而且对投资组合经理在基于因子模型选择投资行业时也有一定指导意义。值得注意的是，通过稳健性测试的多因子模型或混合多因子模型（包含其他变量）虽然可以用于投资设计，但不能盲目地应用于所有行业。投资组合经理在通过多因子模型设计投资策略之前，需要了解行业的具体情况（即自20世纪60年代和70年代以来的基本变化）。此外，如果投资组合经理采用与宏观风险因子相关的风格化投资策略，那么这种投资策略对客户和投资组合经理都是有益的。