动量因子风险管理策略 [page::3][page::4][page::5]

• 采用Barroso和Santa-Clara（2015）提出的方法，利用过去六个月的动量因子日回报计算波动率预测值，并根据风险估计调整动量因子权重，达到风控目的。

- 在美股数据上，该策略可使波动率从27.53%降至16.95%，夏普率由0.53提高至0.97，最大回撤大幅缩小，实现了风险与收益的有效权衡。

• A股回测结果显示，风险管理后，动量因子年化波动率降低至5.34%，夏普比率由0.41提升至0.69，峰度和偏度得到优化。

小市值动量选股策略设计与回测 [page::6][page::7][page::8][page::9]

• 构建高动量+零动量组合和高动量+低波动组合两种多头策略，遵循动量收益11个月收益率指标，结合资产波动率分组，实现风险管理。

- 利用资产波动率的持续性与可预测性，低波动率组合有效降低整体策略波动，提升风险调整收益。

• 2016-2018年回测显示，高动量+低波动组合年化收益率为-20.47%，最大回撤49.69%，表现优于中证1000指数和单纯高动量。

- 2019至2022年回测显示，高动量+低波动组合年化收益率22.35%，年化波动率20.92%，最大回撤21.29%，夏普比率1.07，显著跑赢基准指数。




| 策略项 | 年化收益率 | 年化波动率 | 峰度 | 偏度 | 最大回撤 | 夏普比率 |
|-----------------|-----------|-----------|-------|-------|---------|---------|
| 2016-2018高动量 | -24.38% | 27.24% | 7.91 | -0.82 | 56.75% | -0.90 |
| 2016-2018低波动 | -17.03% | 23.61% | 6.31 | -1.40 | 43.62% | -0.72 |
| 2016-2018高动量+低波动 | -20.47% | 24.28% | 7.20 | -1.18 | 49.69% | -0.84 |
| 2019-2022高动量 | 22.67% | 26.02% | 0.03 | -0.31 | 32.11% | 0.87 |
| 2019-2022低波动 | 18.65% | 19.98% | 1.21 | 0.52 | 15.19% | 0.93 |
| 2019-2022高动量+低波动 | 22.35% | 20.92% | 0.86 | 0.10 | 21.29% | 1.07 |
| 中证1000指数 | 14.15% | 24.40% | 1.24 | 0.26 | 28.80% | 0.58 |

量化动量因子策略核心机制 [page::3][page::6][page::7]

• 通过对动量因子未来波动率的估计，实时调整动量因子的权重，实现了波动率的目标控制。

- 在横截面选股中，结合高动量和低波动率组合的权重管理，完成了风险与收益的平衡控制，特别适合A股市场多头约束。

• 策略每月调仓，使用11个月收益率计算动量，且剔除ST股及上市未满一年的股票，提高实用性与稳健性。

报告标题与概览

报告标题： 管理风险的小市值动量策略
作者及机构： 中泰证券研究所，分析师李新春， 联系邮箱 lixc@r.qlzq.com.cn
发布日期： 未明确具体日期，但其回测数据涵盖2016年至2022年中
研究主题： 本报告围绕动量因子投资策略，重点强调动量策略中的风险管理机制，特别结合A股市场环境，以小市值股票为样本探究管理风险的动量因子选股策略的效果。

核心论点与评级：
报告核心论断是动量因子在各大市场普遍存在，能带来超额收益，但存在显著的风险暴露（如动量崩盘和回撤），传统的动量策略波动率较高，具有左偏和峰度异常现象。Barroso和Santa-Clara（2015）提出利用动量风险预测调整权重的管理风险策略能有效降低回撤并提升夏普比率。报告在A股上复现了该策略，并结合A股的实际限制（无法做空，需构建纯多头组合），设计了高动量+零动量组合和高动量+低波动组合两种风险管理策略。
在中证1000成份股（小市值股票）样本中回测结果显示，特别是2019年以来，高动量+低波动组合策略显著改善了风险指标（最大回撤、年化波动率、偏度、峰度）并保持收益，夏普比率排名靠前，验证了策略的有效性。报告最终提示模型基于历史数据，未来不保证同样表现，投资需谨慎。[page::0],[page::2],[page::6],[page::9]

---

1. 引言部分深度解读

动量因子作为一种经典资产定价异常，自Jegadeesh和Titman (1993) 研究起即为实证投资提供重要依据。报告回顾文献指出：

• 动量策略月度超额收益达1.49%，夏普比率超过市场本身及规模、价值因子，且动量收益与市场和价值因子呈负相关，在全球股市及多类资产中均有效。

- 大多数公募基金经理将动量融入投资过程中，这使得动量策略具有实际应用基础。

• 然而动量策略也频繁经历短期崩盘，导致投资者在风险调整后的收益往往不持续。

- Barroso和Santa-Clara (2015) 利用日内收益的已实现方差（过去数据计算的日收益平方和）高度可预测性设计风险管理的动量策略，显著减少峰值风险，提升夏普比率。

报告指出，管理风险后的动量策略不仅降低了回撤风险，也改善了收益的统计特性（偏度和峰度），并将在A股市场进行复现。此处的创新点是动量因子的波动率预测与权重动态调整，契合风险平衡理念。[page::2]

---

2. 管理风险的动量因子策略

2.1 策略构建与核心公式

• 传统动量因子 $r{WML,t}$ ：通过多空组合计算的月度收益率（多头买入，空头卖出）。

- 风险预测方法：使用前6个月（126个交易日）日收益率平方的平均值乘以21（交易日转换因子），计算动量因子的未来波动率估计 $\hat{\sigma}{WML,t}^2$。
$$
\hat{\sigma}{WML,t}^2 = 21 \times \frac{1}{126} \sum{j=0}^{125} r{WML,d{t-1-j}}^2
$$

• 风险调整后的动量因子收益：

$$
r{WML^,t} = \frac{\sigma{\text{target}}}{\hat{\sigma}{WML,t}} r{WML,t}
$$
其中，$\sigma{\text{target}}$为指定的目标波动率，可以根据市场状况和经验调整。该方法通过对因子收益进行缩放放大或者缩小，实现目标风险水平的控制。

2.2 回测与结果解读

• 美股回测结果（Barroso & Santa-Clara 1926-2011年）：

- 目标波动率12%下，波动率由27.53%下降至16.95%；夏普比率由0.53提升至0.97几乎翻倍，峰度从18.24大幅降低至2.68，体现风险分布更接近正态。[图1]

• A股复现：

- 目标年化波动率定为5%，样本2016-2022年，剔除ST股和上市未满一年个股。
- 结果显示：修正后因子年化收益率从4.70%降到3.67%，但年化波动率从11.49%降至5.34%，最大回撤从17.56% 降至6.95%，夏普比率由0.41提升至0.69。峰度和偏度亦有明显改善，降低了左偏风险和尾部风险。[表1]，[图2],[图3],[图4]

结论：风险管理通过动态调整权重，牺牲部分收益换取稳健性显著提高，提升了动量因子的风险调整后表现。[page::3],[page::4],[page::5]

---

3. 小市值动量因子选股及风险管理

3.1 横截面选股风险管理策略改进

动量时序风险管理策略直接应用到横截面选股存在问题：A股市场无法做空，只能构建纯多头组合，且单月收益率构造动量表现易反转，业界通常采用11月收益率测算动量。

3.1.1 高动量 + 零动量组合策略

• 根据11个月收益率计算动量$mom{i,t}$和6个月波动率，选出动量显著为正的高动量组合股票和动态接近零动量的零动量组合股票。

- 赋予组合权重 $w = \min(1, \frac{\sigma0}{\hat{\sigma}{i,t}})$，其中$\sigma0$为经验设定目标波动率，$\hat{\sigma}{i,t}$为高动量组合波动率均值。

• 组合由高动量部分和零动量部分构成，权重调整实现风险控制。

该策略通过引入零动量组合替代空仓，从而构造指数增强策略，更贴近实际A股投资环境。

3.1.2 高动量 + 低波动组合策略

• 研究显示个股或组合的波动率具有传递性，上一期波动率高的组合下一期仍可能保持较高波动率，波动率具备持续性和可预测。

- 投资者可以通过引入低波动率组合替代零动量组合来更好地控制组合风险。

• 具体做法为对高动量组合和剩余个股按波动率排序，剔除高动量组合归属者后，选出低波动率组合，二者权重根据目标波动率进行动态调整。

该策略逻辑更强，风险管理效果更佳，兼顾收益和风险平衡。[图5],[page::6],[page::7]

3.2 小市值股票样本及回测分析

样本说明

• 以中证1000成份股为小市值股票代表，剔除ST股及上市不足1年股票，样本时间为2016年1月至2022年7月。

- 目标波动率参数取$\sigma_0=0.08$。

回测分段分析

• 2016年1月-2018年底：动量效应表现反转，动量组合平均亏损。

- 高动量组合年化收益率-24.38%，波动率27.24%，最大回撤56.75%；
- 低波动组合和高动量+低波动组合相对表现更优但依然亏损；
- 中证1000指数同期下降25.27%。整体亏损较大。[图6][表2]

• 2019年1月至2022年7月：动量效应转强，明显收益期。

- 高动量组合年化收益22.67%，波动率26.02%，最大回撤32.11%，夏普0.87；
- 低波动组合收益18.65%，波动率19.98%，最大回撤15.19%，夏普0.93；
- 高动量+低波动组合收益22.35%，波动率20.92%，最大回撤21.29%，夏普1.07（最高）；
- 中证1000指数同期年化收益14.15%，波动率24.40%，最大回撤28.80%，夏普0.58。

结合历史基金表现，策略在2019年以来表现优异，风险调整后超额收益明显。尤其夏普率1.07具备较高风险回报比且最大回撤仅21.29%，反映出风险控制有效性。[图7][表3]

结论

• 引入低波动率的辅助组合，显著改善了动量因子选股策略的风险指标，减小了回撤和波动率，提升了收益稳定性。

- 策略适用于小市值股票，且在动量表现强劲时期效果尤为突出，具有良好的实战应用价值。

• 该方法为A股市场无法做空的实际情况提供可行的风险管理路径，提升了动量策略的可操作性和安全边际。[page::8],[page::9]

---

图表深度解读

| 图表名称 | 内容概要 | 关键数据及趋势 | 论证关联 | 备注与潜在局限 |
|-|-|-|-|-|
| 图1：Barroso和Santa-Clara在美股回测表现 | 显示传统动量策略（WML）与风险管理后的策略（WML）统计指标对比 | 最大回撤从-78.96%降至-28.40%；峰度由18.24降至2.68显著平滑波动；夏普比率从0.53提升至0.97几乎翻倍 | 强调风险管理策略极大减少极端风险和提升风险调整收益 | 早期数据持续85年，欧美市场结果，对A股需验证 |
| 表1：2016-2022年A股动量因子收益回测表现 | 风险管理前后动量因子的收益、波动率、极值及夏普比对比 | 修正后年化波动率由11.49%降至5.34%，最大回撤由17.56%降至6.95%，夏普比由0.41升至0.69 | 验证了美股策略在中国市场亦具显著风险降维效果 | 未含小市值，仅动量因子无股票池选股 |
| 图2：动量因子收益净值走势对比 | 2016-2022年动量因子净值连续走势，修正后较为平滑 | 修正前波动明显较大，出现大幅回撤，修正后净值曲线更平稳 | 体现风险管理后的策略波动大幅降低 | 无法显示极端行情下表现变化 |
| 图5：波动率等级延续性 | 根据个股当期波动率分组的下一期波动率走势 | 高波动组合波动率持续处于高位置，证实波动率具有预测性 | 为后续低波动组合构造提供实证基础 | 波动率变动受市场整体波动影响较大 |
| 图6、图7及表2、表3| 分别显示小市值动量选股策略2016-2018年与2019-2022年的回测净值走势和表现对比 | 2016-2018年动量组合亏损，2019-2022年收益显著；风险管理策略整体提升夏普比和减小回撤 | 直接展示小市值股票应用动量风险管理策略的优势 | 行情依赖明显，策略在不同市场周期表现差异 |

总体来看，图表数据充实、全面，直观展现了风险管理策略在不同市场环境和股票规模的有效性，图表与文本论述高度契合，帮助理解策略设计与实际效果。[page::4],[page::5],[page::7],[page::8],[page::9]

---

估值与风险因素评估

本报告不涉及传统意义上的公司估值，如DCF、P/E等方法。重点在于动量因子策略的设计与风险管理，不涉及具体公司价值评估。[page::全篇]

风险因素方面，报告指出：

• 策略建立于历史数据统计特征，未来波动情况可能变化，模型有效性存在一定不确定性。

- A股市场不允许做空，纯多头组合约束条件可能限制策略特性和收益空间。

• 风险管理框架依赖波动率的可预测性，如果波动率预测失效，将影响策略效果。

- 小市值股票流动性、信息披露等市场特点可能导致动量策略表现不稳定。

• 模型不考虑交易成本及市场冲击，实际执行可能折损部分收益。

报告未详述具体缓解方案，提示投资者需注意模型风险和实际操作风险。整体逻辑严谨，风险提示合规且必要。[page::0],[page::9]

---

批判性视角与细节洞察

• 报告全面引用和复现Barroso和Santa-Clara（2015）的理论框架，运用国内A股数据验证，逻辑清晰且实证设计合理。

- 报告在实操中将复杂多空动量因子转为纯多头配置，符合A股市场实际，但该调整一定程度弱化原始策略多空套利空间，可能影响理论极限收益。

• 波动率预测的前提较强，尽管测出一定可预测性，但市场突变情况下风险预测易失效。

- 高动量+低波动策略在2016-2018年反转期并无明显优势，说明该策略并非万能，周期依赖性较强，使用者应结合市场状态谨慎应用。

• 报告忽略交易费用、市场容量限制等现实因素影响，理论回测结果可能高于实际表现。

- 图表峰度及偏度的改善说明收益分布风险更集中于中心区，但峰度过低可能抑制潜在极端收益机会。

• 报告虽多次强调风险管理，但未提供具体执行中的调整策略或动态风险管理框架，实际应用中仍需持续监控策略表现。

整体仍属严谨而富实证性的研究，但需注意上述潜在限制，避免过度乐观解读结果。[page::3],[page::8],[page::9]

---

结论性综合

本报告在深入探讨动量策略风险管理理论基础上，结合Barroso和Santa-Clara（2015）经典风险管理方法，针对中国A股市场特点（无法做空、市场结构差异）进行了策略创新与改进。

主要贡献包括：

• 成功在A股市场复现了基于动量因子波动率预测的风险调整策略，显著降低了因子收益波动率和回撤风险，提高了偏度、峰度表现以及夏普比率。

- 针对横截面选股和不能做空的特定情形，提出了高动量+零动量以及高动量+低波动率组合两种模型，后者利用波动率的延续性显著改善了策略风险表现和收益稳定性。

• 重点选用小市值股票（中证1000成份股）检验策略效果，发现2019年以来策略表现优异，夏普比率达到1.07，最大回撤降低至21.29%，均优于相关基准指数及多数增强基金，验证了小市值股票中动量效应的持续性和风险管理策略的有效性。

- 图表和统计指标如收益净值曲线、波动率走势、收益分布直方图、风险收益的量化表格清晰展示策略回测各时期表现，体现策略在风险调整上的实证成果。

该策略为A股小市值股票动量选股提供了科学的风险管理工具，兼顾收益和稳健性，具备良好的实操参考价值。投资者需注意模型基于历史数据，实际应用时风险仍存，需结合市场变化灵活调整。[page::0],[page::3],[page::5],[page::7],[page::9]

---

附：主要图表 markdown 引用示例

• 报告首页小市值动量策略表现图

• 动量因子净值走势对比（2016-2022）

• 动量因子预测波动率走势

• 波动率延续性图

• 小市值动量因子2019年以来回测净值走势

---

综上，报告往复论证了管理风险策略在A股市场和小市值股票中的有效性及改进路径，对于动量策略的实践应用提供了可操作的风险管理视角和方法论支持，兼具理论价值与实证力量，体现了深厚的金融量化研究功底和市场洞察力。

报告