• 研究采用CRSP美股市场的普通股月度和日度收益数据，涵盖1963年至2016年，剔除退市股票收益缺失现象，配合会计数据并滞后半年，确保数据完整性和实用性 [page::0]。

- 文章构建了51个因子及其行业调整版本，设计了基于一个月和六个月形成期及持有期的因子动量策略。结果显示所有因子动量策略均实现统计显著的正收益（例如一年期标准因子策略年化收益10.5%，行业调整因子策略6.4%），同时行业调整策略波动率更低，t值更高，更为稳健 [page::1]。

• Spanning回归结果表明，行业调整因子动量包含了标准因子动量策略的全部信息，说明行业调整因子动量为更核心的动量信号。行业动量的收益与因子动量高度相关，且因子动量的统计解释力优于行业动量 [page::2][page::4]。

- 通过行业中性因子构建策略，文章剔除了行业暴露，确保因子动量收益不受行业轮动影响，从而论证了因子动量的独立性和更强的预测力 [page::0][page::4]。

• 不同于行业动量，因子动量显著增强了短期反转和个股动量效应。特别是在控制行业和个股动量之后，因子动量策略仍具有统计显著的正α，显示其增量投资价值。短期反转α甚至从6.1%提升至12.6% [page::5][page::6]。

• 稳健性检验显示，因子动量几乎是所有因子共有的特征，且少数因子如破产率、非流动性、波动率相关因子对因子动量贡献最大，但无单一因子能削弱整体动量效应，因子动量广泛适用且稳定 [page::5][page::6]。

- 文章最后提出基于因子动量的量化择时思路，对A股市场具有启示意义，并强调行业动量源自因子动量的结论为量化投资体系构建提供重要理论支撑 [page::6]。

招商定量丨行业动量源于因子动量？——深度分析报告

---

一、元数据与概览（引言与报告概览）

• 报告标题：招商定量 | 行业动量源于因子动量？

- 作者及发布机构：招商定量任瞳团队招行证券发展研究中心

• 发布时间：2019年10月16日

- 研究主题：探讨美国股票市场中行业动量与因子动量之间的关系，通过因子动量是否为行业动量起因的实证研究，使用CRSP及Compustat数据进行验证。

• 核心论点：文章主张因子动量是行业动量的起因，而非相反。因子动量不仅存在，而且强于行业动量，并且包含了行业动量的收益信息。同时，因子动量还能增强个股动量和短期反转的收益表现。

---

二、逐节深度解读

1. 前言与研究背景

报告指出，行业动量效应在海内外市场均广泛存在，但行业动量的根源尚不明朗。因子层面也存在明显动量效应，报告通过推荐和分析学术文献《Factor Momentum》来解答“行业动量是源于因子动量还是反之”的问题。此文献的实证方法及结论对于招商定量团队日后因子研究有重要启发价值[page::0]。

2. 数据来源与涵盖范围

• 数据包括纽约证券交易所、美国证券交易所和纳斯达克上市股票的月度及每日收益（1963-2016年），也涵盖了退市股票收益数据，缺失退市收益的股票采用了不同退市收益率设定（NYSE及AMEX：-30%、纳斯达克：-55%）。

- 会计数据来自Compustat，采用6个月滞后作为可用时间点（符合Fama-French惯例），确保信息时效性。

• 构造了1963年以来因子的收益，部分因子如特质波动率和市场beta使用了更早的数据[page::0]。

3. 因子动量效应及实证分析

• 问题核心：辨明因子动量和行业动量的关系，关键在于区分影响方向。行业动量可理解为因子动量的集合，也可能是因子动量反映行业动量。

- 方法创新：通过构建行业中性因子，剔除行业收益影响后再观察因子动量表现，确保因子收益与行业收益脱钩。

• 因子构造方法：先对每个股票减去所属行业平均收益预测指标，使多空组合在各行业中均衡分布，之后通过股票所属行业市值加权对冲，剔除剩余行业暴露。

- 实证结果：使用标准因子和行业调整因子构建的四类因子动量策略均显著盈利。1个月形成持有策略，标准因子策略年平均10.5%收益，行业调整因子策略为6.4%。不过因为行业调整因子策略风险较低（标准差8.4%对比15.3%），其t值（5.55）超过标准因子策略（5.01）；6个月策略同理，行业调整策略优于未经调整策略[page::1]。

4. 因子动量的增量信息验证

• 使用spanning回归控制Fama-French五因子、Carhart动量因子及其它动量策略后发现：

- 行业调整因子动量策略包含标准因子策略的全部动量信息，而标准因子策略无法完全覆盖行业调整因子动量。
- 例如，未经调整因子动量在控制行业调整因子后，α （超额收益）降为不显著的-3bp（t=-0.28）；形成持有6个月时，α为-20bp并显著负（t=-3.07）。

• 结论是因子动量（经过行业调整）是更全面的动量表现，后续所有因子动量策略均以行业调整因子为基础[page::2] [page::3]。

5. 行业动量与因子动量的关系实证

• 行业动量策略基于Moskowitz和Grinblatt（1999）划分的20个行业，分别按收益表现排名，构建多空组合，计算年化收益和标准差。

- 表3显示：行业动量策略在1个月形成持有期内平均收益为9.61%，标准差约14.75%。

• 通过多因素回归分析，控制股票价格动量和因子动量后，除了1个月策略以外，大部分行业动量策略的α不显著，表明行业动量的信息被因子动量所涵盖。

- 相反，对因子动量策略应用相同回归，结果显示即使控制了行业动量，其α依然显著，证明因子动量包含行业动量，但行业动量不包含因子动量。

• 图2（第5页）清晰展示了行业动量t值普遍随持有期延长而下降，且弱于因子动量策略的统计显著性[page::4] [page::5]。

6. 稳健性检验

• 利用不同的随机因子子集构建的因子动量策略，收益依旧显著，说明因子动量具有普遍性和稳健性。

- 因子动量的贡献存在差异，某些因子（如与破产风险、非流动性及特殊风险相关因子）对因子动量贡献最大，而部分因子动量贡献较低但预测能力弱，如成立时长因子、名义股价因子。

• 对短期反转效应的控制实验显示：

- 股票短期反转为负效应，但行业和因子动量为正效应，短期反转属于行业相关效应。
- 控制行业动量后，短期反转的α由6.1%提高到10.2%，进一步控制因子动量后升至12.6%，显著增强了短期反转的预测力。

• 控制短期反转和因子动量后，个股动量策略α由72bps升至136bps，表明因子动量并非个股动量的根源，而是增强其表现。

- 综上，因子动量不仅源于多因子的统计特性，也可能深刻影响股票横截面收益结构[page::6]。

---

三、图表深度解读

表1（第1页）

• 包含51个因子的详细策略收益统计，虽因格式限制无法全面展现，但可知因子广泛且覆盖多维属性。

- 因子基于各种收益预测指标构建，验证因子轮动是报告研究的基础。

表2（第1-2页）

• 表2A显示标准因子和行业调整因子两类因子动量策略的收益和波动率。行业调整因子风险较低且t统计更优。

- 表2B通过spanning回归验证行业调整因子动量包含标准因子动量，细致数值和t值彰显统计意义。

• 表2数据佐证了因子动量稳定性和优越性，是理解报告核心结论的基础。

表3（第3-4页）

• 行业动量策略平均年化收益为9.61%，标准差略高；

- Spanning回归展示行业动量策略对因子动量的解释力较弱，反向则因子动量对行业动量有更强解释力。

• 图1柱状图（第3页）呈现不同形成期-持有期组合的t值变化，动量效应随着周期不同而变化，因子动量的t值整体更稳健。

图2（第5页）

• 对比行业动量（Panel A）和因子动量（Panel B）策略t值。

- 行业动量t值多数集中在形成期和持有期较短阶段，且整体偏低。

• 因子动量t值在多期跨度上均较高，体现出更强效应和持续性。

图表分析总结

• 各数据维度表明行业动量受限于所属行业数量和细分程度，因子动量则因多元因子覆盖面广且策略设计去行业暴露，表现出更强、更稳定动量效应。

- 研究中合理运用行业中性化和spanning回归技术，有效剥离了不同动量策略间的关联，证明因子动量的主导地位。

---

四、估值分析

报告主要是实证性质的因子投资研究，不涉及传统企业估值模型，但从资产定价视角，以多因子模型（Fama-French五因子模型+Carhart动量因子）构建因子和行业动量策略。估值在此指策略的超额收益（α）及其统计显著性。

• α作为超额收益反映了策略去除风险因子后的盈利能力。

- t值衡量策略收益显著性，报告中因子动量策略t值持续较高，表示策略收益具有较强统计意义。

• Spanning回归分析用于考察因子动量与行业动量的增量信息关系，是实证检验因果逻辑的重要方法。

---

五、风险因素评估

• 报告明确指出因子动量和行业动量基于美国市场历史数据，存在市场环境变化导致模型失效的风险。

- 短期反转效应、行业效应与因子效应的交互关系复杂，控制不足可能导致误判。

• 实证分析中采用的行业中性化和滞后会计数据等标准惯例，虽尽力保证模型稳健，但仍不可排除未来市场结构变化对结论的挑战。

- 报告强调这些研究和策略仅供参考，不构成投资建议，市场风险及模型适用性风险均需谨慎对待[page::6]。

---

六、批判性视角与细微差别

• 报告的实证结论虽然逻辑严密，但依赖于美国成熟市场的长期数据，A股或其他新兴市场适用性有待进一步验证。

- 行业中性因子的构造较为复杂，实际操作中可能遇到行业归类、数据覆盖等问题。

• 因子动量与个股动量、短期反转的关系揭示了市场不同层面动量的复杂交织，但对因子动量强化个股动量的内在机制尚未深入剖析。

- 文中对部分因子的“动量得分”不对称特性提示因子质量筛选重要性。

• 虽然报告措辞谨慎，但倡导因子动量优于行业动量，有一定方法论推动作用，存在研究导向倾向，需结合实际投资实践进行判断。

---

七、结论性综合

本报告基于招商证券研究中心对学术文献《Factor Momentum》的剖析，系统展示了因子动量与行业动量的内在联系与逻辑之间的实证关系。报告的核心结论如下：

• 因子动量普遍存在且明显，使用51个不同因子和行业调整后的策略均能获得经济意义和统计显著的超额收益。

- 因子动量包含行业动量，行业动量不包含因子动量，这一点通过严谨的行业中性因子构建和spanning回归得以验证，强调了因子动量在量化投资中的基础地位。

• 因子动量效应稳健且对随机因子子集同样有效，显示其内生性和普遍性。

- 因子动量能显著提升个股动量和短期反转效应的解释力和表现，非这些效应的简单替代。

• 研究方法包括多因子模型、行业中性调整、spanning回归及丰富的稳健性测试，具备较强说服力和实务参考价值。

- 报告指出未来将尝试将此方法运用与中国A股市场实证研究，带来因子择时与策略优化的新视角。

图表显示，因子动量策略的年化超额收益显著且风险调整后表现更优，t值普遍高于行业动量策略。行业动量策略t值随着持有期增长而显著降低，反映出其动量效应相对较弱且有限。

总体而言，报告确认了因子动量作为量化投资中的重要动力来源，其基础研究和方法论具备较高实用参考价值和理论贡献，且通过严谨的实证方法为理解行业与因子动量动因提供了清晰视角，对量化投资研究和实务均具有重要指导意义[page::0-6]。

---

参考文献

• Arnott, Robert D. et al., "Factor Momentum", SSRN, 2019.

- Moskowitz, Grinblatt (1999) Industry Momentum.

• Fama, French (2015) Five-Factor Model.

- Carhart (1997) Four-Factor Momentum Model.

---

（全文溯源页码见标注）

报告