【038】不止于价格动量:基本面动量也很酷


(xmnz) #1

本文是基本面因子专题(含价值因子系列)的第 006 篇,也是因子动物园的第 038 篇独立原创研究。

原文请戳:

【038】不止于价格动量:基本面动量也很酷​mp.weixin.qq.com图标

未经授权,禁止转载!

欢迎私信公众号后台或动物园园长获取转载授权。

【30 秒速览】传统的基本面因子表现普遍不及简单的价格动量。Huang et al. (2019) 指出,这是因为传统因子没有充分利用已有信息。他们针对性地构建了基本面动量因子和双重动量因子,并获得了稳健的优异表现。更为重要的是,他们发现双重动量因子的多头端对因子组合的超额收益有着显著贡献,这对于实践而言有着特别的价值。

目录

01. 背景

02. 基本面动量

03. 双重动量

04. 其他有趣特征

05. 结语


1. 背景

作为决定股票长期表现的核心因素,基本面自然也是因子研究的重要主题。但已有研究却显示,各种基本面因子却常常跑不过最经典而基础的技术因子——价格动量,这让基本面量化的拥趸倍感迷惑。

例如,近年因提出 q-factor model 而大火的 Hou Kewei、Xue Chen 和 Zhang Lu 三位教授,在他们 2018 年发表于 RFS 的新作《Replicating Anomalies》(HXZ (2018))中,比较了 452 个投资异象,并发现在所有因子中,价格动量的年化收益最高。

因此,传统基本面因子为何会有如此不佳的表现,就是一个非常有趣且极富价值的问题。

周国富教授等人的新作《Twin Momentum: Fundamental Trends Matter》(Huang, Zhang, Zhou, and Zhu (2019))正是想对此进行探讨。

2. 基本面动量

Huang et al. (2019) 指出,传统的基本面因子表现不及价格动量等技术因子,主要是因为它们没有充分利用已知的全部基本面信息。一方面,已有因子往往集中于单个基本面指标(例如 BM)或者最多一类指标(例如 value)。另一方面,这些因子往往也只利用了最近的信息,并未考虑基本面数据的变化趋势。

因此,他们针对性地构建了基本面动量因子。他们指出,通过综合多个维度的基本面指标以及将基本面趋势纳入考量,基本面动量因子可以获得相当不错的表现。

考量基本面趋势的动机其实很清楚。经典的均衡资产定价理论认为,股价由公司预期未来现金流折现而得,而公司未来现金流同未来基本面高度相关,因此,为了对公司估值,需要对其基本面进行预测。

由于预测未来基本面有不少技术性的困难,因此,传统上往往直接利用最新数据来作为预测值。当公司基本面服从随机游走或 AR(1) 过程时,这种做法效果尚可。但现实往往没有这么简单,因而这种简单的外推方法常常表现不佳。

因此,借鉴已有研究(例如,Akbas, Jiang, and Kock (2017) 关于毛利率趋势的研究),Huang et al. (2019) 利用基本面变量的趋势来预测公司未来基本面。特别地, 他们利用基本面变量的移动平均来代表基本面趋势。

据此,他们利用一组基本面变量的多期移动平均(MA)来预测股票收益。

具体而言,用 t 期股票收益对 t-1 期基本面变量不同期限的 MA 作截面回归,然后用拟合的系数和 t 期基本面数据 MA,预测 t+1 期的股票收益。该预期收益称作基本面隐含收益(fundamental implied return,FIR)。

事实上,这不是周国富教授他们第一次用类似的建模方法。在他们 2016 年发表于 JFE 的经典文章《A Trend Factor》(参见美股上一个跨越时间尺度的趋势因子)中,他们便利用了一组移动平均价格来预测股票收益。更一般地讲,这是经典的一般化的因子构建方法的应用(参见【027】追寻因子的足迹:分类、构造与检验第 7 小节)。

可以看到,他们在具体研究中,并不直接考察基本面因子的变化趋势。因此,某种程度上,将此称作“基本面动量”有误导之嫌。但实质重于形式,接下来我们还是来继续关注研究内容本身。

具体而言,他们选择了 7 个基本面指标:

  • ROE(净资产收益率);
  • ROA(总资产收益率);
  • Earnings per share(每股盈利);
  • APE(基于应计项目的经营性利润比净资产);
  • CPA(基于现金流的经营性利润比总资产);
  • GPA(毛利润比总资产);
  • Net payout ratio(净派息率)。

这 7 个指标主要都同盈利和收益能力有关,对公司估值非常关键。

表 1 展示了他们的核心实证结果。

![](data:image/svg+xml;utf8,)

表 1 :基本面动量因子表现.数据来源:Huang et al. (2019), Table 1.

Panel A 展示了 7 个基本面因子的单因子表现。每个因子都能获取显著的正收益和 alpha,但表现最好的 ROE 因子,平均收益也只有每月 0.51%。特别地,若按照 Harvey, Liu, and Zhu (2016) 建议的 |t| > 3 作为因子显著性的检验标准,则没有一个因子是显著的。

Panel B 展示了加入基本面趋势后 7 个因子的表现。相比原始因子,这 7 个因子的表现都得到了提升,且不少因子变得显著。其中,提升最大的是净派息率(NPR),月均收益从 0.25% 大涨至 0.61%。

Panel C 则展示了 Huang et al. (2019) 提出的基本面动量的表现。通过综合上述 7 个因子及其趋势,基本面动量的表现得以大幅提升,月均收益和 CAPM alpha 分别为 0.88% 和 0.95,t 值也超过了 4,非常显著。总体表现已非常接近价格动量。

3. 双重动量

由于上述基本面动量因子完全是基于基本面数据构建的。因此,可以猜想它同价格动量因子的相关性很可能并不高。那么,自然而然地,可以考虑将它们结合起来,也许能进一步提升因子表现。

不管实务还是学术研究中,这都是很常用的方法。Huang et al. (2019) 自然也考虑到了这一点。

他们按照价格动量和基本面动量做双重排序(double sorting),得到 25 个股票组合,并做多价格动量和基本面动量都排名靠前的组合,做空二者排名都靠后的组合,据此构建双重动量因子(twin momentum)。这同搞事情小组的研究加强版反转的处理是类似的。

表 2 展示了双重动量因子与价格动量和基本面动量的表现对比。

![](data:image/svg+xml;utf8,)

表 2 :双重动量因子表现.数据来源:Huang et al. (2019), Table 7.

结果显示,无论在全样本还是各段子期间,双重动量都可以获得显著的收益和 alpha,且其表现远优于单独的价格动量和基本面动量。考虑到价格动量和基本面动量的长期相关性仅为 0.14,这样显著的分散化收益应该是可以预期的。

4. 其他有趣特征

规模对不少因子有重要影响,已有研究发现,不少看似表现优异的因子,其实主要来自微型股(micro-cap stocks)的贡献。但 Huang et al. (2019) 通过 double sorting 研究指出,基本面动量和双重动量在各类市值的股票中均显著存在。

事实上,不仅规模不能完全解释基本面动量,其他常见公司特征也不能。Fama-MacBeth 回归显示,在控制了常见的公司特征后,基本面动量和价格动量都高度显著。

![](data:image/svg+xml;utf8,)

表 3 :Fama-MacBeth 回归分析.数据来源:Huang et al. (2019), Table 5.

再者,传统上,价格动量及其他技术因子常因较高的换手率而遭诟病。作者们也对此进行了检验。他们指出,基本面动量和双重动量确实有着较高的换手率(月均分别为 63.50% 和 87.89%),但考虑到它们的强劲表现,只要交易费率低于 0.72%(基本面动量)和 1.62%(双重动量),它们便仍能在 5% 的显著性水平下获得显著的收益。

此外,传统上对不少因子有影响的投资者情绪对双重动量也没有显著影响,甚至在情绪高涨时期,双重动量的表现还略好。而基本面动量虽然在情绪高涨时期表现弱于情绪低迷时期,但仍可获得显著的回报。

最后,Stambaugh, Yu, and Yuan (2012, 2014) 发现,相当多因子的主要收益来自空头端,这大大降低了因子投资对于以多头组合为主的实践的价值。但 Huang et al. (2019) 指出,双重动量的多头端可获取显著的正收益,对因子有重要贡献。这使得双重动量因子非常得独特。

![](data:image/svg+xml;utf8,)

表 4 :多空端收益分解.数据来源:Huang et al. (2019), Table 10.

5. 结语

传统的基本面因子表现普遍不及简单的价格动量。Huang et al. (2019) 指出,这是因为传统因子没有充分利用已有信息。

他们针对性地构建了基本面动量因子,获得了稳健的优异表现。进一步,基于基本面动量和价格动量的低相关性,他们组合二者构建了双重动量,获得了超越价格动量/基本面动量及一众传统因子的极佳表现。

此外,他们发现,基本面动量和双重动量不仅稳健,更为重要的是,多头端对因子组合的超额收益有着显著贡献,这使得双重动量对于实践而言非常特别,毕竟,在投资实践中,往往还是以纯多头组合为主。

最后,未来我们也会进行 A 股的相关实证研究。敬请期待!

全文完。本文仅为分享,不代表任何投资建议。

历史推荐:

文章索引:

因子投资小册子​mp.weixin.qq.com图标

因子体系:

FF 和 Barra 体系,谁是你的菜?​mp.weixin.qq.com图标

实践方法论:

【037】资产配置与因子配置:可以团圆吗?​mp.weixin.qq.com图标

投资因子:

【031】投资效应:Factor War 前传​mp.weixin.qq.com图标

研究方法论:

【027】追寻因子的足迹:分类、构造与检验​mp.weixin.qq.com图标

搞事情小组:

搞事情深度研究| 异质波动率之谜​mp.weixin.qq.com图标

实证研究:

【026】低 Beta 在 A 股:证券市场线是平坦的吗?​mp.weixin.qq.com图标

技术因子:

【023】止损的价值:对冲动量崩溃​mp.weixin.qq.com图标

低风险因子:

【018】低风险异象靠谱吗?解释与批判​mp.weixin.qq.com图标

动量因子:

【010】横截面动量那些事​mp.weixin.qq.com图标


参考文献:

  • Akbas, Ferhat, Chao Jiang, and Paul D. Koch. “The Trend in Firm Profitability and the Cross-section of Stock Returns.” Accounting Review 92.5 (2017): 1-32.
  • Bali, Turan G., Robert F. Engle, and Scott Murray. “Empirical Asset Pricing: The Cross Section of Stock Returns.” John Wiley & Sons, 2016.
  • Hou, Kewei, Chen Xue, and Lu Zhang. “Replicating Anomalies.” Review of Financial Studies, 2018, forthcoming.
  • Huang, Dashan Huacheng Zhang, Guofu Zhou, and Yingzi, Zhu. “Twin Momentum: Fundamental Trends Matter .” 2019. Available at SSRN: https://ssrn.com/abstract=2894068 or http://dx.doi.org/10.2139/ssrn.2894068
  • Harvey, Campbell R., Yan Liu, and Heqing Zhu. “… and the Cross-section of Expected Returns.” Review of Financial Studies 29.1 (2016): 5-68.
  • Stambaugh, Robert F., Jianfeng Yu, and Yu Yuan. “The Short of It: Investor Sentiment and Anomalies.” Journal of Financial Economics 104.2 (2012): 288-302.
  • Stambaugh, Robert F., Jianfeng Yu, and Yu Yuan. “The Long of It: Odds that Investor Sentiment Spuriously Predicts Anomaly Returns.” Journal of Financial Economics 114.3 (2014): 613-619.

题图:Curved Road,from www.pexels.com.