【008】不孤独的动量:因子拼图


(sonyzh) #1

本文为我们的公众号【因子动物园】的第 008 篇推文,也是动量专题的第 005 篇文章。原文请戳

【008】不孤独的动量:因子拼图​mp.weixin.qq.com图标

欢迎关注我们的公众号,获取更多关于因子投资文献和本土化实证研究。

1. 因子间的交互

不同投资异象/因子之间的交互影响,也是一个非常有趣且极富价值的问题,同样吸引了非常多学者和业界工作者的注意力。其中影响较大的,包括动量与反转、动量与价值,动量与低波动,以及横截面动量与时间序列动量之间的关系。本文将对这几种交互效应分别进行讨论(至于其他几个因子的具体构造方法,其他专题会进行仔细讨论)。

2. 动量与反转

动量指收益的持续性(赢家组合持续表现优异),而反转含意着收益的非持续性(过去的输家组合成为新的赢家组合),因此,从表面看,动量和反转是针锋相对的。已有经验研究则表明,二者可以共存,因二者的作用区间不同。在短期(6个月以内,尤其是3个月以内)和长期(3年以上),反转效应往往更为明显,而在中期(6个月至3年),动量效应通常更加显著。

因此,有研究尝试将不同周期的反转和动量相结合,以创造更优的组合,Han, Zhou, and Zhu (2016) 便是这方面的代表。作者们利用一个线性回归模型,以不同周期的均价来解释股票的当期收益,据此构建了一个趋势因子(trend factor)。他们的实证研究表明,这个新构建的趋势指标,表现显著优于单纯的短期和长期反转,以及中期动量指标。具体结果如下表 1 所示。

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

表 1 :趋势因子与其他经典因子的业绩对比。来源:Han, Zhou, and Zhu (2016).

几位作者还进一步指出,无论是在经济扩张还是衰退期,趋势因子都有着显著的超额收益和最高的 Sharpe Ratio。与此同时,他们对多头组合和空头组合分别进行了检验,指出趋势因子的空头组合,收益显著低于单独的动量,因此使得整体组合有着更优的表现。

与此同时,作者们并不满足于纯粹的实证发现,他们指出,趋势因子是有严谨的理论支撑的。一方面,已有研究表明,流动性交易者和资产未来收益的不确定性,本身就会推动趋势的形成。另一方面,正如 Soros 的经典论断,股价上涨会吸引更多人买入,从而推动股价的进一步上涨,股票价格的这一正反馈路径,也是形成趋势的重要因素。

3. 动量与价值

动量与价值则可谓是最受关注的因子配对。二者都非常出名,但又有着极其不同的原理和投资逻辑,且从数据看,二者有着显著的负相关性。因此,对二者交互和组合的探索,就格外有价值。

Asness, Moskowitz, and Pedersen (2013) 可谓相关领域的集大成者。他们指出,价值和动量在长期都有显著正的超额收益,且无论是在一类资产内部,还是不同资产之间,价值和动量都存在负相关性。这使得结合价值和动量,可以获得更优的风险调整后回报。他们指出,组合动量和价值带来的额外收益是非常惊人的,在大部分发达国家股市和跨资产类别的组合中,通过组合动量和价值,可以提升 Sharpe Ratio 大约 0.5 ,在外汇和大宗商品期货市场,Sharpe Ratio 也可提升至少 0.2 。而即便在日本股市这样动量策略只有 0.13 的 Sharpe Ratio 的市场中,组合动量与价值,也可以使得 Sharpe Ratio 高达 0.88 ,比单独价值策略的 0.77 高出 0.11 (14.3%)。

Daniel, Jagannathan, and Kim (2012) 则进一步指出,当市场剧烈波动的概率很高时,动量和价值的条件相关性显著为负,而在其他时间,二者相关性接近 0 。这一点并不影响组合二者的价值。恰恰相反,由于在市场动荡期(也即动量表现最糟糕时)二者的负相关性最为显著,组合二者能获得的期望效用提升,恰恰是最大的。

4. 动量与低波动

低波动因子是低风险因子的典型代表,也是因子公众号近期主推的另一个主题,此处不再赘述。颇为有趣的是,有研究指出,通过结合动量和低波动因子,可以达成更好的业绩。

一方面,诸多研究表明,股票收益与波动率呈现负相关性,相比少数交易日有巨大涨幅的股票,以相对较小的涨幅持续上涨的股票,往往有着更好的未来表现。因此,在过去涨幅较大的股票中,进一步筛选出波动率较低的股票,可以进一步提升长期表现。

另一方面,Vliet and Koning (2017) 一书则创造性地将低波动和动量与价值因子三者结合,构建了一个表现非常优异的投资策略。他们的方法也很简单,首先按照波动率从低到高排序,选出波动率较低的一半股票。然后,对选出的股票,计算其动量和价值得分并排序,将两项排名加总作为总分,并据此筛选出一定数量的股票(例如,仍然是 10% 的比例)。这样构建的股票组合,比单纯的低波动组合或者动量组合,表现都要优异很多。以美国市场1929年以来的表现为例,该策略的复合收益是单纯低波动组合的 54 倍, amazing !

5. 横截面动量与时间序列动量

本文中主要讨论的是横截面动量。另一类非常重要的动量是时间序列动量(往往也被称为趋势,后续我们会用专题进行更深入的讨论)。诸多研究表明,作为一类单独的策略,时间序列动量的表现甚至优于横截面动量。

Moskowitz, Ooi, and Pedersen (2012) 的研究为“时间序列动量的表现优于横截面动量”这一论点提供了支持。他们还进一步指出,时间序列动量和横截面动量收益的核心来源,都是资产收益的自相关性。对于时间序列动量,除外汇以外,收益的自相关性可以解释总收益的约 70%-80% 。对于横截面动量,解释比例则高达 80% 以上,对股票、外汇等资产内部的横截面动量,由于协方差的显著负贡献,自相关性对总收益的贡献甚至超过 100% 。

Antonacci (2016) 则是另一项典型研究。作者同样指出,时间序列动量的表现优于经典的横截面动量。此外,作者进一步指出,基于不完全相关性,将横截面动量与时间序列动量组合,可以获得更好的组合风险调整后回报,也是最佳的实践方法。

6. 结语

因子之间的交互是一个非常迷人的话题,且兼具科学与艺术性。以动量为例,动量同反转、价值、低波动,以及时间序列动量之间,都存在着交互关系,通过结合这些因子,可以构建具有更高风险调整后回报的投资组合。

当然,本文只是抛砖引玉。在随后对其他因子的探讨中,我们也会反复论及这一主题。后续我们也会提供更多基于中国市场的实证证据,帮助大家对此进行更深入的研究。

若您也对因子研究感兴趣,不妨关注我们哦!

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

【因子动物园】公众号二维码


参考文献:

  • Antonacci, Gary. “Risk Premia Harvesting through Dual Momentum.” Social Science Electronic Publishing (2016). Available at SSRN: https://ssrn.com/abstract=2042750.
  • Asness, Clifford S., Tobias J. Moskowitz, and Lasse Heje Pedersen. “Value and Momentum Everywhere.” The Journal of Finance 68.3 (2013): 929-985.
  • Daniel, Kent, Ravi Jagannathan, and Soohun Kim. “Tail Risk in Momentum Strategy Returns.” No. w18169. National Bureau of Economic Research (2012). Available at SSRN: https://ssrn.com/abstract=2089242.
  • Han, Yufeng, Guofu Zhou, and Yingzi Zhu. “A Trend Factor: Any Economic Gains from Using Information over Investment Horizons?.” Journal of Financial Economics 122.2 (2016): 352-375.
  • Moskowitz, Tobias J., Yao Hua Ooi, and Lasse Heje Pedersen. “Time Series Momentum.” Journal of Financial Economics 104.2 (2012): 228-250.
  • Van Vliet, Pim, and Jan De Koning. “High Returns from Low Risk: A Remarkable Stock Market Paradox.” John Wiley & Sons 2017.