价格动量与因子动量的全球实证分析 [page::0][page::4][page::9]

• 价格动量在51个国家的股票市场中平均月收益$0.58\%$，因子动量收益带有显著的阿尔法，但无法完全解释价格动量收益，由Fama和French五因子模型进一步捕捉，剩余收益依然显著。

- 价格动量能够捕捉因子动量大部分的收益，尤其是经验因子动量，价格动量捕获了约75%的因子动量收益，而在主成分因子动量中捕捉效果相对有限。

• 因子动量不能系统性解释行业动量，行业动量收益通常仍保持显著，表明因子动量与行业动量是不同的异常现象。

多种因子动量构建方法与价格动量对比 [page::8][page::10][page::13]

• 采用经验因子动量和主成分因子动量，结合横截面与时间序列动量构建方法，比较因子动量对价格动量的解释。

- 经验因子动量无法完全涵盖价格动量，价格动量的阿尔法仍显著；主成分因子动量则在发达及新兴市场更有效地解释价格动量，尤其是美国市场表现突出。

• 价格动量对因子动量解释能力更强，价格动量几乎能完全解释经验因子动量的收益，但对主成分因子动量的解释有限。

价格动量与因子动量策略的风险调整表现 [page::15][page::16]

• 不同国家和全球样本中，因子动量与价格动量策略风险调整收益表现类似，夏普比率分布高度重合。

- 新兴市场中因子动量表现优于价格动量，前沿市场则价格动量表现更好。

因子动量对多样价格动量版本的解释效果 [page::19][page::20]

• 因子动量对基于行业调整动量、行业动量、中间动量、夏普比率动量、残差动量等多种动量策略均有正向解释能力，但未能完全解释其收益。

- 行业调整动量尤其受因子动量的影响较大，而夏普比率动量则更为独立。

• 多数动量类型在全球多国仍显示显著的残余收益。

因子动量与行业动量关系及交易成本分析 [page::21][page::22][page::23][page::24]

• 横截面因子动量对行业动量的解释能力有限，平均能解释16%-25%的行业动量异常收益，结果在国际市场普遍稳健。

- 因子动量策略换手率显著且存在实施难度，PC因子动量换手率高达50%，盈亏平衡交易成本较高，实际执行需要优秀交易设计。

因子动量效应的国际差异和市场特征影响 [page::25][page::26][page::27]

• 市场发展程度、套利限制、信贷风险、文化特征、样本结构、市场状态等国家层面特征均未显著影响因子动量收益的横截面异质性。

- 调整价格动量控制后，因子动量的国际差异依然不明显，表明其驱动因素不来源于这类传统国家指标。

因子对因子动量收益的贡献及收益自相关性分析 [page::28][page::29][page::30][page::31]

• 因子收益自相关性差异较大，部分因子（如上市年限、市值、Z-score）动量效应明显，但其对整体因子动量贡献不集中，表现为广泛分布。

- 跨国范围内，因子收益自相关性与贡献度相关性极低，表明整体因子动量由一系列不同因子递增贡献驱动，而非少数高自相关因子主导。

• 国际数据与美国部分研究存在差异，市场环境的多元化可能导致因子贡献的差异性。

国际股票市场中的因子动量与价格动量 —— 华安证券研究所详尽分析

---

1. 元数据与概览

报告标题：国际股票市场中的因子动量与价格动量——学海拾珠系列之二百一十六
作者/分析师：杉执业证书号 S0010522110001，严佳炜执业证书号 S0010520070001
机构：华安证券研究所
报告日期：2024年12月12日
主题：基于全球51个国家股票市场数据，探讨“价格动量（Price Momentum）”与“因子动量（Factor Momentum）”之间的关系及其解释能力。

核心论点：

• 全球范围内因子动量普遍存在，但难以完全解释价格动量或行业动量的收益。

- 价格动量能够捕捉并解释很大比例的因子动量收益。

• 动量效应依旧是一个独特且重要的风险因素，未被因子动量完全涵盖。

- 因子动量的国际表现与市场发展程度、套利限制等典型影响因素没有显著联系。

综述部分明确，研究挑战了之前认为因子动量能够完全解释价格动量的观点，强调了动量效应的复杂性和独立性。[page::0]

---

2. 逐节深度解读

2.1 引言与研究设计

• 本文采用全球51个国家、超过9万家公司的市场数据；总体时间跨度从1927年到2021年末，但不同国家开始时间有所不同。

- 使用了145种非动量股票特征构建多空组合，是目前国际范围内样本因子规模最大的研究之一。

• 因子动量策略包括“经验因子动量(EMOM)”和“主成分因子动量(PC FMOM)”两种，后者通过对经验因子回报进行主成分分析而得，目标消除前瞻性偏差。

- 因子动量和价格动量均采用12个月（t-12 至 t-1或t-2）回报作为排序基准，确保方法上的一致性。

• 研究使用两种动量构建方式：横截面动量（对因子按性能排名做多空）和时间序列动量（正收益因子做多，负收益做空）[page::3][page::6][page::7][page::8]

2.2 因子动量在全球市场的表现 (第3.1节)

• 因子动量在全球范围内均存在。

- 横截面和时间序列形式的经验因子动量策略，跨国平均月收益率分别约为0.14%和0.16%，具有高度统计显著性。

• PC 因子动量收益率较低但更普遍，跨国横截面时间序列收益率均约0.09%-0.10%，其中多个国家具有显著性。

- 市场间差异较大，比如哥伦比亚、芬兰收益甚至超过0.4%，但日本和菲律宾表现负向[page::9][page::10]

2.3 价格动量与因子动量的相互关系 (第3.2节)

基线结果

• 价格动量（PMOM）平均月收益率为0.58%，且大多数国家的价格动量在控制了Fama-French五因素模型后仍有显著阿尔法。

- 经验因子动量只能解释价格动量约40%的异常收益，其余仍显著且不可解释。

• 反向回归表明：价格动量能够解释约75%的因子动量收益，后者剩余异常收益不显著，特别是在发达市场。[page::11][page::12]

稳健性检验

• 使用不同的因子动量定义（横截面vs时间序列），不同窗口期（t-12至t-1和t-12至t-2），不同因子集（14个vs145个），以及不同时间区间（全样本与2000年起短样本）重复检验，结果稳健。

- 经验因子动量解释价格动量的能力虽有变化，但整体上仍仅能部分解释价格动量。

• 反向价格动量解释因子动量的效应更显著且一致。[page::12][page::13]

2.4 价格动量与主成分因子动量（PC FMOM）(第3.3节)

• PC 因子动量更有效地解释价格动量，尤其是在美国、英国、法国等发达市场。

- 跨国平均来看，PC 动量解释0.15%的收益，但其解释力度在前沿市场有所减弱。

• 价格动量对PC因子动量的解释不如对经验因子动量的解释强烈，且价格动量捕捉不到PC因子动量的大部分收益。

- 夏普比率分析显示，因子动量和价格动量策略在风险调整后的表现上整体相当，差异依赖市场类别，前沿市场价格动量表现略好，发达市场PC因子动量优于价格动量。[page::13][page::14][page::15][page::16]

2.5 替代因子模型分析（第4.1节）

• 除Fama-French五因子模型外，本文采用了HXZ（q因子）、DHS（三因子）、SY4（四因子）模型。

- 新模型在捕捉价格动量和因子动量时普遍较优，DHS模型尤其因其内含针对动量的短线因子表现突出。

• 因子动量在采用这些新模型后仍有显著阿尔法，但整体阿尔法值相比于老模型有所下降。

- PC因子动量下新模型的表现较经验因子动量逊色，可能因为PC动量与价格动量相关性相对较低。[page::18][page::19]

2.6 替代动量形式检验（第4.2节）

• 研究涵盖七种价格动量的替代形式，包括行业调整动量、不同行业动量、中间动量、夏普率动量及残差动量等。

- 所有替代动量策略均产生显著且正向的异常收益。

• 因子动量对这些替代动量形式只能部分解释，最高可减少40%-80%的阿尔法，不同替代动量之间表现不一，夏普率动量与因子动量的解释力相对较弱。[page::19][page::20]

2.7 因子动量与行业动量（第4.3节）

• 文章重现Arnott等人（2023）的研究方法，发现横截面因子动量无法系统地解释行业动量。

- 行业动量在全球多个市场表现显著，且平均阿尔法达0.32%，大幅不能被因子动量所涵盖。

• 因子动量仅能解释行业动量约16%-25%的异常回报。

- 个别市场（如美国、印度、以色列）中因子动量仍产生显著收益。

• 扩展不同行业分类、因子动量类型及时间段后，结论依然稳健。[page::21][page::22][page::23]

2.8 投资组合换手率与交易成本（第4.4节）

• 经验因子动量策略的月平均换手率约16.8%，低于经典价格动量策略，盈亏平衡交易成本较低。

- PC因子动量交易强度较高，换手率约50%，导致盈亏平衡交易成本顶点为0.13%，对于实际操作带来一定挑战。

• 不同因子集大小影响PC FMOM的换手率，因子数量少时换手率更低。[page::23][page::24]

2.9 动量效应的国际差异分析（第4.5节）

• 检验了因子动量作用于不同国家时，是否受到市场发展、套利限制、信贷风险、文化维度、样本结构及市场条件影响。

- 研究选择了多项市场指标，包括市场规模、流动性指标、困境风险评分、霍夫斯泰德文化维度等。

• 结果显示因子动量收益的国际差异与上述传统影响因素没有显著相关性。

- 进行额外控制价格动量后的双变量回归和国家分类测试，均未发现稳定的跨国差异规律。[page::24][page::25][page::26][page::27][page::28]

2.10 因子贡献分析（第4.6节）

• 因子收益的自相关性存在异质性，上市时长、市值和Z分数等因子展现较高自相关性。

- 计算具体因子对因子动量整体收益贡献，发现贡献分散，未集中在少数因子。

• 国际证据与早期美国研究有所差别，BAB和特异波动等因子在国际市场中贡献相对较小。

- 因子自相关性与贡献率之间相关性低，说明动量效应由多重因子递增驱动。[page::28][page::29][page::30][page::31]

---

3. 图表深度解读

图表2 因子动量对价格动量解释的国际证据（第5页）

• 分面板A、B分别展示经验因子动量与其主成分（PC）对价格动量的解释能力。

- 绿色点显示价格动量alpha，米色点是控制因子动量后的alpha。多数国家未能被因子动量完全解释，尤其经验因子动量解释力弱。

• PC动量解释力稍强，但依然有多个国家价格动量alpha显著。

- 显示在多国家普遍存在未被因子动量解释的价格动量收益。[page::5]

图表3 国际市场中的因子动量（第9-10页）

• 总结各国因子动量收益率，分为经验因子横截面及时间序列动量和主成分动量。

- 信息量巨大，显示因子动量存在但收益和显著性依国家差异大，最高月均收益超0.4%。

• 统计数据揭示因子动量全球有效性但不均匀。[page::9][page::10]

图表4 价格动量与经验因子动量的回归分析（第11-12页）

• 面板A显示价格动量对因子动量的解释有限，约40%价格动量收益被解释，大部分仍未被捕获。

- 面板B反向回归显示价格动量基本能解释因子动量75%的收益，解释作用明显优于因子动量。

• 跨国平均阿尔法和各国显著性均清晰支持文本结论。[page::11][page::12]

图表6 价格动量与主成分因子动量（PC FMOM）（第13-14页）

• 展示PC FMOM对价格动量的回归，PC FMOM解释力度较经验因子动量更强，尤其在发达市场表现突出。

- 价格动量对PC FMOM的解释则较弱，两者仍存在显著独立信息成分。

• 全球观测揭示PC FMOM和价格动量互为部分解释，但未完全重合。[page::13][page::14]

图表7 价格动量和因子动量策略的夏普比率（第16页）

• 价格动量和因子动量（经验与PC）在51个国家均展现出高度相似的夏普比率分布。

- 在国际投资组合角度，两种策略的整体风险调整表现相当，新兴市场和前沿市场表现有分化。

• 图像直观支持策略间性能相对接近的结论。[page::16]

图表9 利用新因子模型解释因子动量（第18-19页）

• HXZ、DHS、SY4三种新因子模型用于解释价格动量和因子动量差异。

- 新模型整体优于FF5，尤其DHS对动量的解释力最强。

• 使用因子动量扩展后，新模型中的异常回报显著降低，表明因子动量依然有额外贡献。

- PC因子动量在新模型下虽有所降低，但仍显著。[page::18][page::19]

图表10 因子动量解释不同形式价格动量的能力（第19-20页）

• 不同动量策略（行业调整动量、行业动量、中间动量、夏普率动量及残差动量）的五因子alpha及其被因子动量解释后的变化。

- 因子动量尤其对行业调整动量（特别49行业）解释较好，能大幅削减alpha，但无法完全解释。

• 夏普率动量表现较强，因子动量解释有限。

- 整体结论是因子动量不足以完全解释多种动量表现。[page::19][page::20]

图表11~12 行业动量与因子动量对比（第21-23页）

• 行业动量在51个国家表现稳健，平均月度alpha为0.32%。

- 因子动量尤其是横截面因子动量未能充分解释行业动量，行业动量仍保持显著。

• 扩大因子集与调整分类后结论不变。

- 不同国家间存在微妙差异，部分市场因子动量解释力相对较高。[page::21][page::22][page::23]

图表13 因子动量策略的换手率及交易成本分析（第24页）

• 经验因子动量策略换手率适中（15%-20%），交易成本较可控。

- PC因子动量换手率较高（约50%），使得成本风险和实施复杂增加显著。

• 不同因子组合大小调节了换手率，更多因子意味着更高交易频率和成本。[page::23][page::24]

图表14 因子动量收益与市场特征无关的回归结果（第27页）

• 对因子动量与多项国家层面市场、套利限制、信贷风险、文化维度等指标的单变量回归，绝大多数指标系数不显著。

- 经过Bonferroni多重检验调整，进一步削弱相关性。

• 因子动量收益的国际差异不能用传统市场特征有效解释。[page::27][page::28]

图表15 因子收益自相关性分布（第28-29页）

• 因子回报自相关性存在极大差异，约0.28的平均值显示多数因子过去表现与未来表现相关。

- 上市时间越长、市值越大因子越可能表现持续性，动量效应因子差异显著。

• 动量效应分布广泛，未集中于少数因子。[page::28][page::29]

图表16 因子对因子动量收益贡献（第29页）

• 不同因子对整体因子动量收益的贡献分散，无单一因子主导。

- 实证框架中coagr1a等行业相关因子贡献较大，全球样本贡献多样。

• PC因子动量下copat、niuatchg1等变数重要，但整体贡献率较均匀。[page::29]

图表17 因子收益自相关性与因子动量贡献的等级相关分析（第30-31页）

• 自相关性与贡献率的Spearman相关系数接近零，说明因子动量收益不简单由回报持续性最高的因子驱动。

- 这一结论对经验和PC动量都成立，反映动量效应的复杂多因子驱动机制。[page::30][page::31]

---

4. 估值分析

本报告为学术研究与市场数据实证分析性质，不包含传统意义上的个股估值和目标价。核心在于量化因子动量和价格动量的关系及策略表现，采用回归模型和主成分分析，结合夏普比率、alpha等指标进行综合评价。故本节不适用。

---

5. 风险因素评估

• 研究根据历史市场数据和国外学术文献总结，提醒不构成任何投资建议，投资风险需自担。

- 交易成本特别是PC因子动量的高换手率带来实施难度和收益侵蚀风险。

• 研究的国际适应性受限，不同国家市场数据完整性、市场结构差异、因子定义及形成期设置等均可能影响表现。

- 研究结果未能通过多重市场特征解释因子动量异质性，潜藏未发现的系统风险或偏误风险。

• 活跃策略风险包括模型失效及统计显著性误判风险等。[page::0][page::32]

---

6. 审慎视角与细微差别

• 报告全面且严谨，但依赖大量历史数据与国外文献，可能存在样本选择偏误与外推风险。

- 主成分因子动量被强调，但在部分市场的解释力不及预期，潜在模型设定与实施细节差异较大，可能影响策略表现。

• 各国市场差异显著，说明因子动量在非美国市场的不确定性更高，建议读者对结论跨境应用持谨慎态度。

- 行业动量未能被因子动量完整解释，有可能提示现有因子模型缺失或动量效应内生复杂性。

• 交易成本和换手率对实操影响巨大，未必适合所有投资者。

- 相关因子贡献分散，否定了单一因子驱动动量效应的简单观点，体现因子动量的复杂性。

• 报告结论基于统计相关分析，未深入纳入行为金融学、微观结构和信息不对称等潜在底层机制，存在进步空间。

---

7. 结论性综合

本文以全球51个国家长时间序列股票市场数据为基础，采用145个异常因子构建因子动量策略，深入探讨因子动量与价格动量之间的关系。核心结论为：

• 因子动量广泛存在于全球市场，但其对价格动量的解释力有限，经验因子动量仅能解释约40%价格动量收益，主成分因子动量在部分发达及新兴市场能捕获更多但非普遍。

- 价格动量反而能解释大部分因子动量收益，表现稳定且显著。二者互为部分解释但均包含独有成份，动量效应为独特风险因子。

• 因子动量无法系统解释行业动量，且替代动量形式中因子动量的解释力亦受限。

- 投资组合实施中，PC因子动量换手率高，交易成本较重，实际执行风险需重视。

• 因子动量的国际差异不依赖于市场发展、套利限制、文化差异或市场状态；驱动因素仍不明确。

- 因子贡献分析表明，动量效益由多因子递增驱动，无单因子主导。动量的因子收益自相关性与贡献率相关性低。

• 本文丰富了对动量现象的理解，强调价格动量在全球市场的核心地位，提醒投资者注意策略实施复杂度和跨市场差异。

综上，因子动量虽有其作用，但未能替代价格动量成为解释市场动量的主导力量，二者互补且动量效应仍然是有效且独立的投资风险因子。[page::0-31]

---

参考文献（节选）

• Nusret Cakici, Christian Fieberg, Daniel Metko, Adam Zaremba (2024) "Factor momentum versus price momentum: Insights from international markets", Journal of Banking and Finance, November 1, 2024.

- Ehsani, S. & Linnainmaa, J. (2022)

• Arnott et al. (2023), Fan et al. (2022), Fama & French (2015), Daniel et al. (2020), Stambaugh & Yuan (2017), Kozak et al. (2020) 等。

---

附录

• 本报告含大量结构清晰的图表支持各论点，均以具体国家和国际集合数据为基础，涵盖收益回归、夏普比率、换手率比较、因子贡献及多维回归结果。

- 图表均以带页码的图片形式清晰展示，便于溯源和复核。

---

免责声明：本报告基于历史数据和公开文献整理，非投资建议。请投资者根据自身风险承受能力理性判断。

---

如需引用本文内容，请注明出处为华安证券研究所。

---

分析师：严佳炜、杉

报告