因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

导读

1、在本系列的第一篇报告《基于机器学习方法的A股市值风格轮动研究》中,我们基于Adabosst、逻辑斯特回归两个机器学习方法构建了市值因子择时模型,在样本内外都达到了较好的效果。然而,事实上,学术界与业界对因子择时在实践领域的应用依旧存在一定疑虑。本篇报告我们立足于解决因子择时的本源问题:因子择时,在A股是否有着实践意义?我们针对各类因子择时方法的研究是否走在正确的道路上?

2、为使我们的分析尽量不受具体因子择时模型的影响,本文使用以下研究方法:1)以风格IC作为因子择时能力评价指标:本文仿照因子选股能力评价指标—信息系数(IC)构建因子择时能力评价指标—风格信息系数,对因子择时能力水平进行衡量。2)从择时策略到择时能力:本文不再拘泥于对某个具体因子择时策略的研究,通过直接关注因子择时能力(即风格IC)对一系列重要问题的影响,以求对因子择时有一个更加系统化、一般化的认知。3)天花板视角观因子择时:本文将“天花板”思想进行拓展,在给定因子择时能力水平下通过随机数模拟多个策略结果,从而探究具有同一择时能力的策略表现如何,得到一个更具普适性的结果。

3、通过文中提出的因子择时评价方法,我们指出:1)较低的因子择时能力水平就能覆盖成本,无需对高换手率产生担忧;2)短期风格转换时因子择时作用明显提升,说明在风格转换愈加频繁的当下,因子择时或是一条很好的出路。3)因子个数并非越多越好,保质保量方是最优。同时报告中构建了两个简单策略,可以发现择时能力已然超过覆盖成本所需下限,这说明实际中因子择时是切实可行的。接下来我们的主要任务是研究如何提升因子择时能力。

4、我们希望本文的研究能够让A股投资者对因子择时有一个更全面的了解,也对因子择时在A股的可行性多一份信任。在系列之后的报告中我们将秉承这是一条正确道路的信念,在因子择时这条道路上继续前行。

风险提示:报告中的结果均通过历史数据统计、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。

1、引言

1.1

风格频变,以因子择时为器

近年来市场风格转换愈加频繁,众多量化策略陷入失效的窘境。传统的多因子策略往往采用固定的因子权重,在较为稳定的市场环境中,这种静态模型长期表现良好。但随着市场波动的增加,这些静态策略无法很好适应不断变换的市场环境,恒定的权重可能会导致模型效果不佳。

因子择时以其对传统多因子策略收益的显著提升而受到投资者的广泛关注。众多学者和业界人士针对因子择时进行了深入研究。大体上,可将因子择时方法分为以下两类:

1)基于外生变量的因子择时方法:这种方法的主要思想是宏观经济、市场状态等外生变量对因子收益有一定影响,可以利用这些外生变量建立因子未来收益的预测模型,并基于预测结果动态调整因子权重。

Ronald Hua于《Factor Timing Model》一文中针对因子权重进行建模,选取不同条件变量得到因子动态赋权模型。Miller,Keith L.and Li(2012)在《A Risk-Oriented Model for Factor Timing Decisions》中以决策树模型为基础,试图基于基本面、宏观环境等外生变量建立各因子信息系数的预测模型,并利用预测结果动态调整因子权重。

2)基于因子自身特性的择时方法:在基于因子自身特征的因子择时方法中,估值价差和因子动量被广泛使用。

Asness中从经典的Gordon模型出发,将股票的收益率分为两部分:估值和股票长期盈利增长率,即:

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

基于此,可以构建成长股与价值股收益差的两个预测指标-估值价差与成长价差。Asness通过实证发现估值价差为收益差的显著预测变量。这之后,估值价差指标被广泛应用于预测各类因子的收益,且取得了较好的效果。ResearchAffiliates的Robert Arnott便是估值价差择时的拥护者,其发表的多篇文章(Timing 'SmartBeta' Strategies? Of Course! Buy Low, Sell High!、Forecasting Factor and Smart Beta Returns(Arnott et al.2017))通过实证说明了估值价差在因子择时领域的有效性。

动量效应由Jegadeesh和Titman(1993)提出,具体是指股票的收益率有延续原来的运动方向的趋势,过去一段时间收益率较高的股票在未来获得的收益率仍会高于过去收益率较低的股票。一些学者将此概念拓展到因子领域,构建因子动量策略,其主要思想是过去一段时间收益率较高的因子在未来一段时间内大概率表现更好。Tarun Gupta 和 Bryan Kelly 于2019年发表的文章《Factor MomentumEverywhere》中指出利用因子动量择时可以得到较为稳健的收益。

1.2

是与非?因子择时之疑虑

虽然因子择时带来的收益极具吸引力,学术界与业界对其在实践领域的应用依旧存在一定疑虑。

针对因子择时,常见问题如下:

1)因子择时能否收支平衡?成本是研究因子择时不能回避的重要问题。Asness(2016)在《The Siren Song of Factor Timing》中提出,因子择时会比市场择时更难,因为因子择时对于换手率的增加往往高于市场择时。在扣除择时带来的成本后,因子择时是否还能拥有更高的收益?

2)外生变量与因子收益关系是否真实?Asness指出虽然可以基于宏观经济等外生变量建立预测模型,但很难判断现实世界中这些外生变量是否真正影响了因子收益的走势,这也是Asness提出基于因子自身特性指标构建择时策略的重要原因。

3)择时收益是否来自对静态因子的额外暴露?一些学者提出,基于估值价差和因子动量的择时方法,本质上是增加了策略对于某些静态因子的暴露。那么当这些静态因子失效时,择时策略是否还能够持续的带来超额收益?

以往的研究一般从实证角度出发,通过构建具体的因子收益预测模型和因子择时策略,并与基准进行对比,进而实现对因子择时效果的评价。但这种方式往往会受到具体策略特征的影响,无法从一个更一般的角度来评估因子择时的价值。本文尝试从一个更系统的视角,利用随机数值模拟的方法来探究并回答有关因子择时的几个问题:

1)因子择时,在A股是否有着实践意义?

2)我们针对各类因子择时方法的研究是否走在正确的道路上?

1.3

系统化因子择时有效性探究

为使我们的分析尽量不受具体因子择时模型的影响,本文使用以下研究方法:

1)以风格IC作为因子择时能力评价指标:如何对不同择时策略表现进行统一评价是我们希望解决的首要问题。本文仿照因子选股能力评价指标—信息系数(IC)构建因子择时能力评价指标—风格信息系数,对因子择时能力水平进行衡量。

2)从择时策略到择时能力:本文不再拘泥于对某个具体因子择时策略的研究,通过直接关注因子择时能力(即风格IC)对一系列重要问题的影响,以求对因子择时有一个更加系统化、一般化的认知。

3)天花板视角观因子择时:在系列第一篇报告《基于机器学习方法的市值风格轮动研究》中,我们引入了完美预测这一概念,假设站在每一时点能够知道下一期的市值风格是什么,并以此测算了市值风格轮动策略的上限,即策略“天花板”。本文将“天花板”思想进行拓展,在给定因子择时能力水平下通过随机数模拟多个策略结果,从而探究具有同一择时能力的策略表现如何,得到一个更具普适性的结果。

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

本文基于上述方法探讨了关于因子择时的三个重要问题:

1) 因子择时能否覆盖成本?

2) 短期风格转换时因子择时是否真的有效?

3) 因子择时标的带来的影响?

我们希望本文的研究能够让A股投资者对因子择时有一个更全面的了解,也对因子择时在A股的可行性多一份信任。在该系列之后的报告中我们将秉承这是一条正确道路的信念,在因子择时这条道路上继续前行。

2、风格IC-因子择时能力度量指标

2.1

指标构建

前面已经提到,如何对不同因子择时策略表现进行统一评价是我们希望解决的首要问题。本文仿照因子选股能力评价指标—信息系数,构建风格IC这一指标,来度量因子择时的能力。

如果一个因子对股票的预期收益具有预测作用,那么股票当期的因子值与下期股票的收益之间就应该存在一定的相关性,我们可以用相关系数来刻画二者之间相关性,从而反映该因子对收益的预测效果。如果计算两者之间的Pearson 线性相关系数,某些异常值可能会对结果产生很大影响。因此,一般采用更为稳健的 Spearman 秩相关系数来衡量因子的有效性。

类似的,我们以因子权重与下期因子收益率的相关系数来构建因子择时能力评价指标,即风格IC:

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

需要注意的是风格IC仅衡量了本期因子权重与下期因子收益率之间的相关性,而对如何得到因子权重无限制。下文,我们将不深入研究具体择时方法,而只在乎最后的因子择时能力,探讨不同因子择时能力下的因子择时策略表现。

2.2

因子择时标的

在拥有风格IC这一评价指标之后,不失一般性,本文以Barra 十大风格因子作为因子择时标的。其中2005年以来的因子 IC 表现如图表1所示。从中我们不难发现,大部分因子长期来看具有显著的选股能力,同时像Size、BP、 Momentum 等因子也呈现出明显的高收益、高风险特点。

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

本文将上述十个因子的等权策略作为基准,同时在等权合并之前对因子进行分位数标准化处理,即只保留因子排名信息,把所有因子的分布均变换为标准正态分布。下面我们首先应用Rank IC测试因子有效性。

如图表3所示,等权因子的选股能力已经较强,IC均值高达9.71%。

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

同时,我们基于等权因子构建基准选股策略,具体参数如下:

1、回测时长:2005.01-2019.11

2、股票池:全A,剔除特殊处理、上市不满180天股票

3、加权方式:等权

4、策略构建基本条件:我们在每一个月的最后一个交易日进行组合的筛选和调整,根据因子值选择排名前10%的个股作为组合成分股

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

3、从择时策略到择时能力

前面我们提到,以往的研究一般从实证角度出发,应用具体模型构建因子择时策略,与基准进行对比,从而对因子择时能力进行评价。

本文希望能够不再拘泥于对某个具体择时策略的研究,而基于我们提出的因子择时能力水平指标,系统地对因子择时策略进行更一般化的探讨。

3.1

模拟策略生成

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

3.2

模拟策略表现

通过上述步骤我们可以得到一个模拟策略,该策略有着事先固定的因子择时能力。由于在我们的测试下,发现同一能力水平下不同模拟策略的表现均十分接近,因此这里我们仅对不同风格IC水平各自重复生成十个模拟策略,并以十个模拟策略的平均表现来度量这一择时能力水平下的因子择时策略的一般表现。我们对模拟择时策略表现的评价将从以下两个维度展开:

1)因子表现维度:我们基于得到的模拟权重可以合成一个选股因子,测试这个选股因子的IC表现可以看出择时的效果。

2)策略表现维度:与等权策略一样,我们也构建一个简单的选股策略,即等权买入前10%的股票,通过选股策略的年化收益和夏普比率同样可以评价择时效用。

3.2.1因子表现维度

图表8和图表9中的红色点代表了等权因子表现,可以看出随着风格IC的增加,IC均值和ICIR都在增加,且增加幅度明显。

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

3.2.2因子表现维度

从选股策略的年化收益和夏普比率来看,因子择时对表现的提升同样明显。

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

为了更好与等权基准进行对比,我们引入盈亏平衡点这一指标。盈亏平衡点是指因子择时策略与等权策略收益一致时所需具备的择时能力。本文用多头策略夏普比率作为收益指标来计算盈亏平衡点,具体步骤如下:

1、 基于离散点得到夏普比率与风格IC的线性拟合式;

2、 将等权策略的夏普比率代入,计算达到等权水平所需的风格IC,我们将这一值称为择时策略的盈亏平衡点。

根据图表14,在不考虑费率的情况下,仅需5.93%的择时能力,择时策略便能达到等权策略的夏普比率。

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

4、天花板视角观因子择时

上文我们建立了一套完整的因子择时有效性评价方法,从能力评价指标构建到基于模拟策略来验证因子择时作用,同时引入盈亏平衡点这一指标来量化达到基准水平所需要的因子择时能力。

下面我们将这套方法用于探讨因子择时中的几个重要问题,这有助于增加我们对因子择时的理解。

4.1

因子择时能否收支平衡?

3.2节中展示了不同风格IC下择时策略能够达到的效果,可以看出其收益极其丰厚,这也是因子择时吸引众多投资者的重要原因,然而择时策略饱受争议的一点是其带来的高换手率大大增加了策略的成本。

本节我们关注一个问题,即因子择时所带来的收益是否能够覆盖其增加的成本。与上文类似,我们测试不同风格IC下的择时策略效果。不过在本节中,我们将通过逐步提升交易费用的方式,来观察策略表现的变化。

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

从上面的几幅图表和具体数据来看,双边千三、双边千六与双边千十费率的盈亏平衡点分别为:9.09%、13.08%与18.25%,均属于一个较低的风格IC水平。在本文第五章中我们可以看到,实践中这些水平是切实可以达到的。这说明择时带来的高成本,当投资者具有一定的择时能力后,并不会对我们造成阻碍。

下面我们将对因子择时策略的换手率进行更为深入的剖析。具体做法是与以下两个策略的换手率进行对比:

1、 等权策略:即当我们采用固定权重时带来的换手率,是多因子策略中无法避免的换手率。

2、 0择时能力策略:即当决定采用择时策略时,引入的换手率。当因子权重能够随时间变动,会加大换手率。

我们可以看出等权策略的换手率较低,而0择时能力策略与其相比增加幅度较大。这说明当我们允许权重进行变动时,换手率就被大大增加了。同时由图表22可以看出,灰线和蓝线的换手率差距不大,即在提升因子择时能力的同时,并未大幅增加换手率。换言之,是否采取因子择时对换手率的影响是比较明显的;但是一旦我们决定采用因子择时策略,那么不同风格IC下的换手率的差别就极其微小了。

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

4.2

短期市场风格转换下因子择时的作用?

我们都知道因子择时一大目的便是为了解决市场风格频繁变化,以适应不同的市场环境。本节我们希望回答一个问题:在市场状态变化时因子择时究竟能够起到多大的作用,在风格频繁转换的背景下使用因子择时是否有意义。

2017年以来受到宏观政策等要素影响,不少因子表现出现明显变化,如市值因子、动量因子等均出现了较大回撤,本文着重于研究在这段特殊的历史时期中因子择时起到的作用。

首先,我们测试2017年1月-2019年11月各因子的IC表现,并和全样本期进行了对比。从图表23可以看出,多个因子在2017年之后出现失效情况,更有因子直接转换了方向。

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

基于以上结果,我们测试了2017年以来风格IC与策略表现之间的关系,可以看出不同费率下的盈亏平衡点变成5.98%、11.11%与17.95%,与原来的9.09%、13.08%与18.25%相比皆有降低。可以认为当市场状态短期改变时,因子择时的作用将更加明显,在更低的择时能力下就能和等权策略的效果保持一致,即在风格转换时使用因子择时是更有意义的。

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

4.3

择时策略表现与因子个数的关系?

无论是静态多因子策略还是动态多因子策略,在构建策略时首先需要考虑的问题便是确定择时标的。前文在不失一般性的想法下选择了Barra十大风格因子作为择时标的,本节我们希望对择时标的这一选择进行一些更深入的探讨。

因子个数是选择择时标的选择不可避免的一个问题,是否因子数目越多择时策略效果越好呢?这里,我们选择Barra十大风格因子IC_IR前五和后五的因子作为择时标的,分别构建了两个择时策略与五因子)。具体列表如下:

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

图表33展示了不同风格IC下构建的择时策略表现。可以看出:

1) 在因子择时能力低时,选择好的因子较为重要:当因子择时能力较低,可以看出十因子和五因子策略表现差距并不明显,同时五因子的策略表现一直逊于十因子策略。即选择长期稳定的因子可以在因子择时能力不足时,提升策略表现。

2) 在因子择时能力高时,因子数量的优势开始展现。当因子择时能力较高时,十因子策略具有明显优势,夏普比率高于两个五因子策略。同时两个五因子策略表现趋同。即当因子择时能力较高时,因子数量成重要因素。

一言以蔽之,因子个数并非越多越好,保质保量方是最优。在择时能力不足时需要对因子的质量,即因子有效性更加重视。当拥有高择时能力时,需要寻找更多可用的因子。

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

5、实践中的因子择时

前文中,我们从一个更一般的角度给出了不同因子择时能力下择时策略的表现,并给出了一系列盈亏平衡点。那么实践中,我们能够达到多高的因子择时能力呢,是否能够达到这些盈亏平衡点?下面我们从两个非常简单的择时策略出发,来观察实践中的因子择时策略效果。

我们分别基于过去12月IC均值和多空组合BP比值构建了因子动量策略和估值价差策略,两者风格IC为19.13%、12.36%,基本上都达到了上文所说的盈亏平衡点,特别是因子动量策略,超过了手续费为双边千十的盈亏平衡点。这证明了上文我们所说的因子择时能力并非是遥不可及的。

5.1

因子动量策略

5.1.1策略构建方式

因子动量策略是最简单且最常用的因子择时策略之一。与固定权重不同,我们将因子过去12个月IC均值作为因子权重。具体如下:

1) 在每个月底计算因子过去12个月IC均值

2) 将IC均值作为因子权重构建选股策略

5.1.2 择时能力评估

因子动量策略历史平均风格IC为19.13%。

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

5.2

估值价差策略

5.2.1策略构建方式

在个股中,估值指标常被用于预测收益。这方面的研究最早可以追溯到 Fama 和 French和 Campbell 和 Shiller的研究。一些学者将估值的概念将估值的概念由股票拓展至因子中,将每类因子多头组和空头组平均估值的比率作为该因子的估值价差。

本文假设估值价差和预期收益正相关。即当估值价差变宽时,因子估值降低,未来收益可能增加;当估值价差收窄时,因子估值变高,未来收益可能减少。估值价差指标具体计算方式如下:

1) 依据因子值将股票分为十组,计算多头组与空头组的BP指标中位数

2) 多头组与空头组BP中位数的比值即为因子估值价差

3) 将估值价差作为因子权重

5.2.2择时能力评估

估值价差策略历史平均风格IC为12.36%。

因子轮动研究系列之二:“天花板”视角下因子择时有效性探究

6、总结

在本系列的第一篇报告《基于机器学习方法的A股市值风格轮动研究》中,我们基于Adabosst、逻辑斯特回归两个机器学习方法构建了市值因子择时模型,在样本内外都达到了较好的效果。然而,事实上,学术界与业界对因子择时在实践领域的应用依旧存在一定疑虑。本篇报告我们立足于解决因子择时的本源问题:因子择时,在A股是否有着实践意义?我们针对各类因子择时方法的研究是否走在正确的道路上?

为解决上述问题,本文尝试提出一套相对来说更为系统和科学的方法:

1)以风格IC作为因子择时能力评价指标:本文仿照因子选股能力评价指标—信息系数(IC)构建因子择时能力评价指标—风格IC,对因子择时能力水平进行衡量。

2)从择时策略到择时能力:本文不再拘泥于对某个具体择时策略的研究,而聚焦于因子择时能力水平,以求对因子择时有一个更系统化的了解。

3)天花板视角观择时效用:本文将“天花板”思想进行拓展,在给定因子择时能力水平下通过随机数模拟多个策略结果,从而探究具有同一择时能力的策略表现如何,是一个更具普适性的结果。

通过本文提出的因子择时评价方法,我们指出:

1)较低的因子择时能力水平就能覆盖成本,无需对高换手率产生担忧;

2)在短期风格转换时因子择时作用明显提升,说明在风格转换愈加频繁的当下,因子择时或是一条很好的出路。

3)因子个数并非越多越好,保质保量方是最优。

同时报告中构建了两个简单策略,可以发现其择时能力已然超过覆盖成本所需下限,这说明实际中因子择时是切实可行的。接下来我们的主要任务是研究如何提升因子择时能力。

我们希望本文的研究能够让A股投资者对因子择时有一个更全面的了解,也对因子择时在A股的可行性多一份信任。在系列之后的报告中我们将秉承这一信念,在因子择时这条道路上继续前行。

参考文献

Asness, Clifford, Chandra, Swati, Ilmanen, Antti, & Israel, Ronen.Contrarian factor timing is deceptively difficult. Social Science Electronic Publishing, 43(5), 72-87.

Asness,Clifford,Moskowitz,TobiasJ,Pedersen,Lasse Heje. Value and Momentum Everywhere. Journal of Finance, 68(3):929-985.

Arnott R D , Beck N , Kalesnik V . Timing 'Smart Beta' Strategies? Of Course! Buy Low, Sell High!. SSRN Electronic Journal, 2016.

Arnott, Robert D, Beck, Noah, Kalesnik, Vitali. Forecasting Factor and Smart Beta Returns (Hint: History Is Worse than Useless). Social Science Electronic Publishing, 2017.

Asness C S . The Siren Song of Factor Timing. SSRN Electronic Journal, 2016.

Campbell, J. and R. Shiller (1998). "Valuation Ratios and the Long-Run Stock Market Outlook," Journal of Portfolio Management 24 (2): 11–26.

Fama, E. and K. French (1988). Dividend yields and expected stock returns. Journal of Financial Economics 22 (1), 3–25.

Gupta, Tarun, Kelly, Bryan T. Factor Momentum Everywhere. Social Science Electronic Publishing.

Hua, Ronald, Kantsyrev, Dmitri, Qian, Edward. Factor-Timing Model. Journal of Portfolio Management, 39(1):75-87.

Miller K L , Li H , Zhou T , et al. A Risk-Oriented Model for Factor Timing Decisions. Social Science Electronic Publishing.

Timmermans S, Mauck A. The Promises And Pitfalls Of Evidence-Based Medicine. 2015, 24(1):18.

Titman J S . Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency. The Journal of Finance, 1993, 48(1):65-91.

Zukang S , Andrews J G , Evans B L . Adaptive Resource Allocation In Mulitiuser Ofem Sysyems With Proportional Rate Constraunts . IEEE Trans, 2005, 4(6):2726-2737.

风险提示:报告中的结果均通过历史数据统计、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。

免责声明:本站提供的内容均源自自媒体,版权归原作者所有,转载请联系原作者并获许可。文章观点仅代表作者本人,不代表本站立场。若内容涉及投资建议,仅供参考勿作为投资依据。投资有风险,入市需谨慎。

猜你喜欢

关于我们· 联系我们· 商务合作· 免责声明· 技术支持

Copyright ? 2018-2020, 杭州兼职 版权所有 侵权必究. 信息维权、举报:853029381@qq.com

免责声明:以上所展示的信息由企业自行提供,内容的真实性、准确性和合法性由发布企业负责, 杭州兼职 对此不承担责任.