1、 外文翻译 原文 Value investing in emerging markets: risks and benefits Material S ource:Elsevier Science Author: Vladis lav Kargin 1. Introduction Emerging stock markets were extremely volatile at the end of the 1990s, and brought only moderate returns. The developed countries seem to have systematically
2、higher returns and lower volatilities, dominating emerging markets as an investment device. For example, the annualized gross return on the Morgan Stanley Emerging Markets Index for the period from August 1991 until August 2001 was less than 2.5%, with an annualized standard deviation of monthly ret
3、urns equal to 10%, while the annualized gross return on the Morgan Stanley Developed Markets Index was 9.8%, with a much lower standard deviation of 5.7%. Small returns could be acceptable provided the correlation of emerging markets with the rest of the portfolio is also small. Unfortunately, this
4、does not seem to be the case. Simple unconditional CAPM implies expected 12% return for emerging markets, while the historical return on the MS Emerging Markets Index is significantly lower. These observations awake a suspicion that investment in emerging markets is an otiose undertaking. An importa
5、nt question, thus, is whether the expected returns in at least some of the markets are sufficient to overcome their risks? This paper identifies a subset of emerging markets that provides higher expected returns and studies their risk properties. The intuition is that some emerging markets appear to
6、 be risky and are undervalued while their objective statistical measures of risk are comparable to the rest of the market. Thus, these markets are better investment targets than an average emerging market. I determine the choice of the markets by a valuation model and assess its quality by investmen
7、t simulations. The returns found in evaluations are significantly higher than both the returns on random investments and the returns on benchmark indices. The simulations also show that more complicated methods of return prediction do not improve performance in investment simulations. Using country-
8、specific models is also found problematic. A likely explanation for the failure of complex and country-specific models is the small time span of the available data. Compared to developed markets, emerging markets have higher transaction costs and risks. I quantify the transaction costs by measuring
9、average monthly turnover, and find that the transaction costs can only partially reduce the excess returns of the undervalued markets. To study risk of the undervalued markets, I measure it in several ways, which are either suggested in the literature or are popular in practice. The main finding her
10、e is that the risks of the undervalued markets are not significantly higher than the risks of benchmarks with respect to any risk measure. Finally, I show that the higher risk-adjusted returns of the undervalued emerging markets are important for the representative US investor. The optimal share inc
11、reases from 0% for the equally weighted portfolio of all EMs to approximately 25% for the portfolio of undervalued EMs. The literature on this subject is rapidly growing and controversial. For example, Harvey (1995) gives evidence that investment in emerging markets can improve performance of the po
12、rtfolio of the representative American investor. At the same time, Crowley (1999) has expressed doubts about the usefulness of international diversification. Goetzmann and Jorion (1999) partially reconcile these parts of literature by providing a theoretical explanation of why emerging equity market
13、s bring high returns only immediately after emergence. This paper differs from the previous research by using recursive investment simulations to evaluate a multifactor prediction method, by thoroughly measuring risk, and by using Monte Carlo bootstrap to determine the statistical significance of th
14、e results. The conclusions tend to support the part of the literature that argues that investments in emerging markets are beneficial. The rest of the paper is organized as follows. Section 2 describes the return prediction method. Section 3 explains how the method was estimated and evaluated, and t
15、hen describes the properties of the portfolio of undervalued emerging markets. Section 4 computes the optimal share of undervalued emerging markets in the combined portfolio with the S then forecasts are computed and an equally-weighted portfolio is composed from the markets having the best forecast
16、s; then the return from the portfolio is recorded, and the process is repeated for the next date. To illustrate this, assume the current date is the end of December 1990. Then to predict the returns for January of 1991. To do this, we run the regression of 1-month-ahead returns on the predictors usi
17、ng the data from the start of the sample to the beginning of December 1990. After we have estimated coefficients in this regression, we take the current (end of December) values of the predictors and compute the predicted return for each country. We take eight countries having the highest predicted
18、returns and invest in them equally. At the end of January 1991, we compute the return from the investment and proceed to the next cycle step. At the end of the data sample, we stop and analyze the returns on the strategy. For estimation I have used feasible two-step generalized least squares to redu
19、ce the problem of heteroscedasticity in residuals. Also, the data are panel but the basic estimation model does not use fixed or random effects because evaluations of the corresponding models have demonstrated their inferior performance. 3.3. Excess returns The statistical significance of this exces
20、s return is supported by the Monte Carlo bootstrap. The bootstrap sample consists of 500 investment histories. Each history is randomly generated and includes each month from January 1991 until October 2000. Each month of every history corresponds to a set of eight randomly chosen countries. The ret
21、urns from these investment histories could be ob tained without any knowledge of return-generating mechanism. Therefore, statistical significance of our results by comparing them to these returns distribution can be measured. It turns out that the average of annualized total returns across the sampl
22、e of histories is 12.24%, and their standard deviation is 4.1%. Thus, the return from the simple method of prediction (24%) is greater than the mean of the null distribution by almost 3 S.D. The probability that the excess return is accidental is less than 1%. The high return from the simple regress
23、ion method is not sensitive to small changes in the specification of the prediction method and the investment strategy. The investment is still profitable if we take one country instead of eight in investment portfolio, if we predict a 6-month-ahead return instead of a 1-month-ahead return, if we re
24、balance annually instead of monthly, or if the months with the highest 1% of returns are removed from the sample. Inclusion of other predictive variables (such as dividend yield, long-run lagged returns, inflation, country-risk measures, relative market size and calendar dummies) does not change the
25、 performance of the model by a statistically significant amount. First, note that both the recent price performance and the fundamentals have predictive power since the exclusion of either fundamental ratios or lagged price return decreases the predictive power of the model. Second, separate regress
26、ions for each country have performed unsatisfactorily. Third, the inclusion of other observables in the model does not improve predictive performance of the model. Fourth, the simple linear model performs better than the models with added non-linear terms. To summarize, country returns can be profit
27、ably forecast using an unadorned model with lagged returns and value ratios as predictors. The next question is how the predictability of returns is counterbalanced by transaction costs and risks. 3.4. Risks Compares risk properties of the portfolio of the undervalued markets with the corresponding
28、properties of benchmarks. Averaging over 500 investment histories when eight countries were randomly chosen each month. The statistics for the test of the hypothesis that the risk measure of the portfolio of the undervalued emerging markets could be generated by a portfolio of randomly chosen countr
29、ies. As t-statistics show, it is not possible to reject the hypothesis that the risk of the undervalued emerging markets is the same as the risk of random investments. The risk measures of undervalued emerging markets are higher than the corresponding risk measures of the portfolio of all emerging m
30、arkets. This is not surprising because the portfolio of all emerging markets consists of 30 countries, while the portfolio of undervalued emerging is composed of only eight of them. Thus, this comparison may not be entirely appropriate. The comparison with standard indices reveals that the undervalu
31、ed markets have a somewhat higher total risk but a lower or similar systematic risk. The lower systematic risk means that the undervalued markets not only have a higher return but are also less statistically dependent on developed markets. All other measures of risk are similar or less for undervalu
32、ed markets. To summarize, the obtained evidence suggests that the undervalued emerging markets have risks that are not significantly higher than risks of benchmarks. Moreover, some measures of risk are lower for them than for the benchmarks. 4. Conclusion Prediction of emerging markets returns by bo
33、ok-to-price ratio, earnings-to-price ratio and past change in price allows us to generate significantly higher investment returns. Transaction costs are unlikely to eliminate these excess returns. The risk of the markets with a high predicted return is not significantly higher than the risk of other
34、 emerging markets. Together these findings imply that the optimal share of the undervalued emerging markets is much higher than the optimal share of the portfolio of all emerging markets. Thus, investments in a group of temporarily undervalued markets are attractive despite the low returns and high
35、volatility of an average emerging market. 译文 价值投资在新兴市场的风险和收益 资料来源 :E lse vier S c ie nce 作者 ： Vlad is la v K argin 1.简介 新兴证券市场十分不稳定 ， 在 90年代末期 ， 投资者只得到了少量的 回报 。但是似乎 发达国家有更高的回报和更低的系统性波动 ， 因此 作为投资策略来主导新兴市场 。 例如年均总回报 ， 从 1991年 8月到 2001年 8月 ， 摩根士丹利新兴市场指数降低了 2.5 ， 这是以 10的月度回报作为年度标准差 ， 而摩根斯坦利发达市场指数的年度总回报为
36、 9.8 ， 比标准差低 5.7 之多 ， 新兴市场与投资组合 的其余部分 的 回报也 很小 。 不幸的是 ， 情况似乎并不 仅仅 是这样的 。MS 新兴市场指数 显示 历史回报显著较低时 ， 简单无条件资本资产定价模型意味着新兴的市场回报是预期的 12 。 这些意见 对于 提醒 投资于新兴市场 的投资者 来说 ， 只 是一个多余的承诺 。 因此 ， 一个重要的问题出现了 ， 预期回报在少部分市场是否有足够的能力克服所存在的风险 ？ 本文以确定的一个新兴市场为 子集 ， 以它提供更高的预期回报和风险资产进行研究 。 我们直觉上都认为 ， 一些新兴市场似乎存在着风险和价值低估的问题 ， 其客观的
37、风险统计措施相当于市场的其余部分 。 因此 ， 这些市场成为其他平 均新兴市场更好的投资目标 。 我 将 通过一个估价模型进行市场选择 ， 用投资模拟对其质量进行评估 。 在评价中 我发现 回报率都大大高于随机投资回报率和回报基准指数在评价中的回报 。 模拟的结果也表明 ， 更复杂的回报预测方法做不会提高投资模拟中的性能 。 即便使用特 定国家的模型 ， 还是能发现模型存在的问题 ， 然而对于复杂的国家模型所 存在的问题的一个合理的解释是 ， 由于现有数据的小的时间范围及跨度的选择。 与发达市场相比 ， 新兴市场具有更高的交易成本和风险 。 本人量化测量平均每月成交量的交易成本 ， 发现只有少
38、部分的交易成本可以减少被低估市场的超额收益 。 为了研究被低估市场风险的风险 ， 本人 通过对此测量 ， 并 建议 实用在文献或实践操作中广受欢迎和普遍的几种方法 ， 发现被低估的市场风险并不显著高于基准对任何风险措施的风险 。 我认为 ， 对于美国投资者的代表来说 ， 对 那些被低估的新 兴市场较高的风险调整之后得到的回报是十分重要 。 优化共享所有 EMs同等的加权组合从 0增加到大约 25 被低估的 EMs组合 。 关于这一主题的文献越来越多 ,也引起了越来越多的争议 。 例如哈维 (1995 年 )提供的证据表明 ， 投资于新兴市场可以提高美国投资者的投资组合的代表性 。 同时 ， 克
39、劳力 (1999 年 )已表示怀疑有关国际多样化的效用 。 Goetzmann 和 Jorion（ 1999 年） 在 部分协调文献中提供了部分理论解释 ， 关于为什么新兴股票市场带来的高回报是立即显现的 。 本文不同于以前的研究 ， 一般的研究基本上通过使用递归投资模拟来评估一种多因素预测方法 、 测定彻底的风险 ， 通过使用蒙特卡罗引导 ， 以确定结果的统计意义 。 得出的结论就是文献中的结论 ， 即在新兴市场的投资是有利的组成部分 。 本文其余部分组织如下 ， 第二节描述回报预测方法 ， 第三节解释如何评估和计算的方法 ， 然后描述了被低估的新兴市场的投资组合的属性 ， 第四节计算被低估
40、新兴市场在标准普尔 500指数中的最佳分享 ， 第五节是结论 。 2.预期回报的方法 预测回报的方法是基于会计估价模型 ， 这种模型是爱德华兹和贝尔（ 1961年） ， 戈登 (1962年 )共同创造的 ， 近些年奥尔松（ 1995年）也对此模型进行研究 。 我 对此 模型 也进行了调整 ， 如下所示 ： 第一个因素是收回投资成本费用清算 ， 资产账面价值的资产与市场价值的比率 。 第二个因素是价值增长的潜在力 ， 账面 价值与收入的比率 。 第三个因素是资产价格势头 。 许多重要的问题都忽视了此方法 ， 例如它不允许国家特定组件或时间参数的变化 。 由于它存在着局限 性 ， 此方法是一个合理
41、的起点 ， 因为它 只是 利用我们最基本 的直觉而已 。 更复杂的方法是有问题的 ， 因为它们的参数要从稀缺的数据里进行估计 。 因此 ， 此方法的复杂性不断增加 ， 导致参数估计的精度大大降低 ， 并使结果更加敏感 ， 容易造成规范性错误 。 在下面的实证章节中 ， 本人解决这个问题可以对这个简单的模型进行完善 。 3.评价预测法 3.1数据 从金融公司每月国家报告的数据中看出 ， 这个新兴市场对 阿根廷 、 巴西 、智利 、 哥伦比亚 、 墨西哥 、 秘鲁 、 委内瑞拉 、 印度 、 斯里兰卡 ， 印度尼西亚 、韩国 、 马来西亚 、 巴基斯坦 、 菲律宾 、 台湾 、 泰国 、 中国 、
42、 希腊 、 土耳其 、 匈牙利 、 波兰 、 捷克 、 罗马尼亚 、 俄罗斯 、 斯洛伐克 、 以色列 、 埃及 、 摩洛哥 、南非和津巴布韦 这些国家进行研究 。 此示例 从 1976年 1月开始 ， 并贯穿到 2000年 10月 。 该 一系列 数据 的长度因国家而异 ， 最早的数据系列开始于 1976年 ，在 20世纪 90年代中期 ， 增加了俄罗斯 、 东欧和中国这三个 国家 。 我想补充 说明的是 ， 在对这些 国家指标的分析过程中 ， 由于 他们最初 是 由国际金融公司 公布数据指标 ， 因此 所有价格数据将都转换为美元 。 3.2考核与评价法 从上 节的预测方法模拟投资策略进行评
43、估 ， （ Pesaran 和 Timmermann， 在2000年建议采取类似的做法 )评价期间是从 1991年 1月到 2000年 10月 ， 此方法已被列为一个周期的投资算法 。 在那个时候 ， 可用的数据估计模型 是每个参数的 日期 ， 然后计算并 预测由 一种相同的加权组合组成的市场最佳 预测 ， 然后回到组合的记录 中 ， 进行下一个日期 并 重复该过程 。 为了说明这种情况 ， 假定当前的日期是 1990 年 12 月底 ， 然后预测 1991年 1月的回报 。 为了做到这一点 ， 我们在 1990年 12月初 ， 从一开始的示例中使用的数据来 预测 1个月前 的回归 。 我们
44、对 这回归系数 估计 后 ， 决定采取预测（ 12月底）的当前值 ， 并计算每个国家的预 期 回报 。 我们对最高预期回报的八个国家 ， 进行同样的投资 。 到 1991年 1月底 ， 我们计 算投资回报 ， 并继续执行下一个周期 。 我们在数据采样结束时 ， 分析战略 回报 。 以我的判断 ， 可以采用可行的两步广义最小二乘法 ， 来减少异方差的残差的问题 。 此外 ， 由于相应的模型评价有性能差的缺点 ， 因此 对于数据面板模型的估计基本上不使用固定或随机 的影响 。 3.3超额回报 通过对 500多个 历史数据 的 投资 情况 统计 ， 蒙特卡罗 支持这种超额回报的统计方法 。 从 19
45、91年至 2000年 10月 1日的每个月 ， 每个月的每个历史对应于一组随机选择的八个国家 来说 ， 每个 历史 数据 是随机生成的 。 通过这些 历史投资 数据 ， 我们可以在任何不知情的情况下就可以取得这些历史投资的回报 。 因此 ， 通过比较他们对这些报酬率分配的结果的统计 进行衡量 。 事实证明 ， 原来的年度总回报历史的样本平均值是 12.24 ， 其标准偏差为4.1 。 因此 ， 从预测（ 24 ）的简单方法 得出 ， 回报标准差大了 近 3S.D。 超额回报是偶然的 ， 概率 不足 1 。 在预测方法和规范的投资策略有微小的变化中 ， 简单的回归方法可以得到较高的回报 。 因此
46、 投资仍有利可图的 ， 如果我们采取一个国家投资组合 ， 而不是采用八个国家投资组合 ， 如果我们预测未来 6个月 ， 而不是 1个月前的回报 ，如果我们每年进行重新平衡 ， 而不是每月或从样本中删除的最高的 1 的月回报 ， 并 增加 其他预测变量（如股息收益率 、 长期滞后的回报 、 通货膨胀 、 国家风险措施 、 相对市场规模 ) 就不会 在模型性能统计上出现明显 的量的变化 。 首先 ， 注意到由于基本的比率或滞后的价格回报降低了模型的预测能力 ，要排除 最近的性价比和基本知识的预测能力 。 第二 ， 每个国家单独的回归表现欠佳 。 第三 ， 其他模型中未能提高模型的预测性能 。 第四
47、 ， 简单的线性模型比添加非线性模型更好地执行任务 。 总之 ， 可以使用与滞后的回报值比率未修饰的模型 来预测盈利和预测 投资回报 。 接下来 要解决 的问题 就 是 ， 如何用回报的可预测性 弥补 交易成本和风险 。 3.4风险 传统方法是通过随机选择八个国家每个月平均 500 多个历史投资 ， 来比较与基准相应属性的被低估 市场的投资组合的风险特性 。 本人认为被低估的新兴市场投资组合的风险措施可以通过一组随机选择的国家的一套的假设的测试的统计信息 ， t-统计数字显示 ， 作为不可能拒绝的假设 ， 即低估的新兴市场的风险是与随机投资风险的假设相同的 。 被低估的新兴市场风险措施高于所有
48、新兴市场投资组合的风险措施 ， 这并不让人感到奇怪 ， 因为所有新兴市场的 投资组合 是 由 30个国家组成的 。 然而 ，被 低估的新兴市场只是由其中的八个国家组成 ， 因此 ， 这种比较不是十分 的 适当 。 通过 与标准指数的比较表明 ， 被低估的市场有较高的总风险 ， 但多是较低或 类似的系统风险 。 降低系统风险意味着被低估的市场不仅有较高的回报 ， 而且 在统计上也不是太依赖发达的市场 ， 类似或其他措施可以减少所有被低估的风险市场 。 总之 ， 获得的数据表明 ， 被低估的新兴市场存在风险 ， 但并是不显著高于基准风险 。 此外 ， 利用风险测量法 ， 降低 基准 风险 。 结论 新兴市场的预期回报是通过市净率 、 利润价格比和过去价格的变化 ， 使我们能够获 得更显著的投资回报 ， 交易成本不会消除这些超额的收益 。 当 市场预期回报率高 时 ， 其风险并不是大大高于其他新兴市场的风险 。 综合这些调查结果意味着 ， 被低估的新兴市场的最佳比例比所有新兴市 场的投资组合的最佳比例高得多 。 因此 ， 在一组暂时被低估市场中 ， 存在着低回报和高波动性 ， 但是仍 然 大大 吸引着很多投资者去投资 。
