“学海拾珠”系列之八十九：如何理解因子溢价的周期性？
由small_q创建，最终由small_q 被浏览 17 用户
报告摘要
主要观点
本篇是“学海拾珠”系列第八十九篇。本文指出传统的经济周期无法充分解释因子回报的周期性变化，而因子收益自身存在周期性。作者从因子收益中推断出因子溢价本身具有周期性，周期中三分之二的时间为正常阶段，其余时间会出现价值因子的回撤以及之后的反弹。价值因子的回撤可能是因为在牛市环境中成长风格的上涨，也可能因为熊市环境中价值股自身的崩溃。根据实证结果表明，本文提出的3阶段模型能解释大部分因子收益在时间序列上的变化。因此，作者的结论是，投资者应该专注于更好地理解因子本身隐含的周期，而不是坚持传统的框架。回到国内市场，大多投资者试图寻找外生性变量以此解释因子收益的波动，而本文的思路值得借鉴，不妨去尝试理解因子本身的周期性，并根据历史经验做长期的因子布局或规划。
因子周期的实证结果及规律
通过对1963年7月至2020年12月的美国数据进行实证分析，作者观察到，大约每十年，正常阶段就会被持续两年左右的成长反弹或价值崩溃打断一次，随后又会出现反转。在成长股反弹、熊市反转和牛市反转时期，作者观察到如下规律：成长股反弹的特点是价值因子的负回报较大，而动量因子的正回报较大。熊市反转的特征是由于成长型股票的崩盘，价值因子获得了巨大的正回报，而牛市反转的特征是由于动量小的股票反弹，动量因子获得了巨大的负回报。
投资者应该更重视因子本身隐含的周期
本文提出的3阶段因子周期能够解释因子收益在时间序列上的大部分变化。因此投资者应该更重视因子本身隐含的周期，更好的利用该模型。如该模型可能帮助投资者制定长达几年的前景规划，通过验证因子在周期的各个阶段的表现还可以用于评估新的alpha因子的稳健性。
风险提示
本文结论基于历史数据与海外文献进行总结；不构成任何投资建议。
简介
资产定价模型中的因子表现出周期性行为，在长期出现溢价，但在短期内因子收益经历牛熊阶段。例如，Fama和French(1993)的HML价值因子的长期溢价约为3%，但1998-1999年期间的年回报率为-20%，2000-2006年期间的年回报率为+15%。该如何解释这些因子的周期性表现呢？
从合理的资产定价角度看，因子溢价是风险溢价，反映了对一定宏观经济风险的回报。这意味着因子绩效与经济周期有关。例如, Fama和French(1992年)在他们关于规模和价值溢价的开创性论文中提出,研究这些投资组合回报率和衡量经济环境变化的经济变量之间的关系,可能有助于揭露被规模和账面市值比捕获的经济风险的性质。自那以后，许多研究试图在各种因子与经济周期之间建立一种强有力的实证联系，但事实证明并不容易。最近的一个例子是Ilmanen等人(2021年)，他们研究了十几个与经济周期、增长和货币政策相关的宏观经济变量，但发现这些变量都不能很有效地解释，更不用说预测因子回报了。
也许在宏观经济风险和因子溢价之间建立一种关系是如此困难，因为因子溢价在本质上是风险溢价的概念是有缺陷的。如果因子溢价的来源是行为方面的，那么可能需要从不同的方向来正确理解因子回报的时间变化。例如，Stambaugh, Yu和Yuan(2012)报告了因子回报和Baker和Wurgler(2006)的投资者情绪指数之间的强联系。作者证实，该行为指标比传统经济周期指标更能捕捉因子溢价的周期性变化。然而，实时计算情绪得分并不容易，得分可能违反直觉，最重要的是，投资者情绪的区分能力仍然有限，因为预期因子溢价在所有场景中仍然是正的。
受这些结果的启发，作者认为，因子基本上遵循自己的周期，这可以从其实现的回报进行推断。按照这种方法，作者确定了一个由一个正常阶段组成的周期，其中偶尔穿插着价值因子的大幅下降，随后往往会出现反转。正常阶段占三分之二。价值因子的下降是由成长型股票的反弹或价值型股票的崩溃引起的，这种情况大约每10年发生一次，通常持续两年左右。在这些时期，价值因子的巨大损失往往也反映在动量因子的收益上。成长型反弹和价值崩盘之后通常会出现剧烈的反转，其特征要么是前一阶段强劲上涨的成长型股票崩盘，要么是前一阶段表现不佳的股票出现强劲的复苏反弹。根据经验，作者表明，这个简单的3阶段周期能够捕获因子回报的大部分的时间序列上的变化。
作者的结论是，为了理解因子的周期性表现，投资者应该认识到，因子遵循自己的情绪驱动的周期。传统的经济周期和市场情绪指标可能反映出其中一些动态，但它们的实际用途有限。通过直接从因子收益推断因子周期，能够捕捉到更多的时间变化。这对投资者的实际意义是，他们应该把精力集中在更好地理解因子本身隐含的周期上，而不是坚持与实际因子收益有微弱关系的传统框架。
数据
本文主要分析投资者经常关注的四类因子:价值、质量、动量和低风险。对于每类因子，考虑两种定义。对于价值，使用Fama和French(1993)的HML价值因子，它基于账面市值比，以及Fama和French(2015)的CMA投资因子，它基于总资产的增长。Fama和French(2015)发现他们新的CMA因子完全包含了他们的经典HML因子，因此可以被解释为一个优越的价值度量。Blitz和Hanauer (2021a)也将CMA作为HML的替代品。关于质量，使用Fama和French(2015)的RMW盈利能力因子，这是基于运营盈利能力，以及Asness、Frazzini和Pedersen(2019)的QMJ（高质量减去低质量）因子，这是个因子基于大约20个不同的质量指标。对于动量，使用Carhart(1997)的WML动量因子，它基于过去12- 1M的回报，以及Blitz、Huij和Martens(2011)和Blitz、Hanauer和Vidojevic(2020)的iMom特质(或剩余)动量因子，它分离了过去12- 1M回报的非系统部分。最后，对于低风险，使用Blitz、van Vliet和Baltussen(2020)的VOL因子，它基于过去的36月波动率，以及Frazzini 和Pedersen(2014)的BAB因子，这是基于一个回溯期为1年的波动成分和5年的相关成分的贝塔。除了这4乘以2个单独的因子，还考虑这8个因子的同等权重(1/N)组合。
所有因子都是基于除了BAB之外的市值加权2x3排序的投资组合，就像Fama和French(1993)说的。Novy Marx和Velikov(2021)表明，BAB溢价被用于构建这个因子的非标准方法夸大了，这应该在与其他因子比较时记住。使用所有因子的美国版本，月度数据从1963年7月到2020年12月，这是所有因子数据可用的最长时期。为了保证完整性，作者还报告了市场因子(市场回报超过无风险国库券的回报)和SMB规模因子的结果。尽管规模因子在学术资产定价模型中具有稳固的地位，但Blitz和Hanauer (2021b)表明，自大约40年前发现规模溢价以来，规模溢价一直未能实现，而且如果存在规模溢价，投资者也无法复现。所有数据均来自Kenneth French1,Robeco2和AQR3的在线数据库。
作者将分析扩展到1929年1月至1963年6月的样本前时期，以减少这段时间内可用的一系列因子。还将主要样本期的分析扩展到一系列替代资产定价因子。从Kenneth French数据库中，考虑了基于收益/价格比(E/P)或现金流/价格比(CF/P)、长期反转因子(LTR)和短期反转因子(STR)的替代价值因子。作者还检测了来自Hou,Xue,Zhang的q因子模型的股本回报率(ROE)和预期增长(EG)因子,来自行为资产定价模型的盈余公告漂移效应(PEAD)和融资(FIN)因子。最后，作者考虑了来自Robeco在线数据库的Blitz和van Vliet(2018)的CMS因子。
传统度量的结果
作者首先简要地考察因子在不同宏观经济环境中的表现，以确定样本的结果是否与现有文献相似。为此，考虑了NBER的扩张与衰退、通货膨胀制度、ISM采购经理人情绪以及贝克和沃尔格(2006)的投资者情绪测量。为了更全面地分析因子与各种宏观经济指标之间的关系，作者还参考了Ilmanen等人(2021)的研究。
根据美国国家经济研究局(NBER)的数据，图表1显示的是美国经济正式陷入衰退的时间，平均有12%的时间处于衰退。图2显示了扩张与衰退期间的因子年化回报。对于市场因子，观察到一个巨大的收益率差，在经济扩张期间平均收益率为8.8%，而在经济衰退期间平均收益率为-7.4%。但对于其他因子，该指标的相关性要小得多。例如，在这两个环境中，HML返回几乎完全相同。在衰退期间，只有BAB因子显示出微弱的负回报。然而，另一个低风险指标VOL几乎没有表现出这种敏感性。总之，在经济扩张和衰退期间，1/N组合的回报率几乎相同。
Neville at al.(2021)研究了通货膨胀与非通货膨胀时期投资策略的表现。他们对通胀机制的定义是，总体同比通胀正在加速，且水平超过5%。表3显示根据它们的确切的状态分类，膨胀期占样本的25%。内维尔等人(2021)发现，股票和债券在通胀时期有很大的负回报，但趋势跟踪策略通常在这种环境下表现良好。表4证实了样本中的这些结论，在通胀期间，平均市场回报率为-5.1%，动量因子的正回报率为两位数。这两个低风险因子在通货膨胀时期挣扎，这与它们已知的债券性质(例如Blitz, 2020年)和Neville等人(2021年)的发现一致，即债券在通货膨胀时期有很大的负回报。价值和质量因子似乎在很大程度上不受通货膨胀和非通货膨胀条件的影响。总之，简单的1/N组合再次非常稳定，在两种情况下几乎都有相同的回报。
接下来作者将考虑ISM采购经理人指数(pmi)，这是一个被广泛关注的反映美国经济状况的情绪指标。区分ISM在50上方和50下方的水准，表示乐观或悲观的展望。表5显示，在样本中，悲观状态出现的概率为27%。但表6显示，这与因子回报关系不大。无论ISM企业前景是乐观还是悲观，因子回报率通常看起来都是稳健的，1/N组合在两种情况下的回报率几乎相同。
在学术文献中比较流行的情绪指标是Baker和Wurgler(2006)的投资者情绪指数。该指数基于5个情绪指标，即市值加权股息溢价、IPO首日回报率、IPO成交量、封闭式基金折现率和新股认购份额。从1965年7月到2018年底的数据可以在Jeffrey Wurgler的主页上找到。图7给出了一个直观的说明，它表明积极和消极的投资者情绪平均各出现50%的时间。Stambaugh, Yu, andYuan(2012)发现当情绪为积极时，因子收益远高于情绪为消极时的表现。表8证实了价值、质量和低风险因子的这一结果，当投资者情绪为正时，它们都显示出强劲的回报，而当投资者情绪为负时，回报则较弱。只有动量因子似乎对情绪状态有弹性。有趣的是，当市场情绪消极时，规模因子和市场因子表现更好。
与之前讨论的经济周期和宏观经济指标相比，投资者情绪指数似乎更有效地识别高、低因子回报。然而它也有一些缺点。首先，考虑到所需的输入，实时计算投资者情绪得分并不容易。其次，分数可能是违反直觉的。例如，可用样本的最后10年(2009-2018年)基本上是一个大牛市，但情绪指标主要是负面的(70%的时间)。第三，尽管投资者情绪可能比其他指标更有效，但它的辨识能力仍然有限，因为预期因子溢价在所有情况下仍然为正。
定义因子表现的周期性
或许，在宏观经济风险和因子溢价之间建立一种关系之所以如此困难，是因为因子溢价为承担此类风险的投资者提供回报的概念是有缺陷的。例如，因子周期的主要转折点似乎与宏观经济重大消息的发布并不一致，但似乎与投资者情绪的变化有关。现在回想起来，还不清楚是什么引发了这些情绪变化，而且它们似乎可能发生在更早或更晚的时间点。除此之外，当然还有整个行为金融文献，它们将因子溢价与人类决策过程中的心理偏见联系起来。
如果因子溢价的来源确实是行为层面的，那么这就可以解释为什么Baker,Wurgler(2006)投资者情绪指数在区分高、低因子回报方面表现得更为有效。然而，即使是这一指标也只能反映出因子回报更大的时间变化中的一小部分。在本节中，作者认为因子收益的周期性是由情绪驱动的，情绪可以直接从因子收益中推断出来，而不是依赖于各种间接指标。换句话说，前提是这些因子本质上遵循它们自己的行为周期，尽管其他宏观经济和行为指标可能捕捉到其中的一些动态，但只有通过研究这些因子本身，才能揭示整体情况。
通过定性地识别因子回报中对应于牛市和熊市的波峰和波谷来确定周期性。作者的方法一部分是艺术，一部分是科学，类似于股票市场的牛市和熊市没有普遍接受的定义这一事实。例如，相对于牛市期间的临时调整，下跌的深度和时间需要多长才能被归类为真正的熊市？本文提出的因子周期可以看作是描述因子收益周期的第一次尝试。
为了定义因子周期，更多地关注价值和动量等波动较大的因子，而不是表现出较少极端回报波动的质量等因子。看看价值因子，观察到它大约每十年经历一次重大的下降。这些下跌的原因要么是成长型股票的反弹(在看涨的环境中)，要么是价值型股票的崩溃(在看跌的环境中)。对于低风险因子来说，这些时期也往往很艰难。然而，正如Blitz(2021年)所观察到的，价值因子的巨大损失往往与动量因子的收益表现相对应。
在成长反弹或价值崩盘之后，通常会立即观察到强劲的反转。在这里，区分看涨和看跌变量更为重要，因为它们对因子回报的影响非常不同。第一个变量，称之为熊市反转，其特征是在前一阶段反弹的成长型股票崩盘，导致价值因子强劲反弹。这方面的一个例子是2000年至2002年科技泡沫的破裂，在此期间纳斯达克市值蒸发了逾四分之三。第二种形式，称之为牛市反转，其特征是经历了最大损失的股票反弹，导致动量因子的巨大负回报。这方面的一个例子是2009年的缓解性反弹，当时在全球金融危机期间受到打压的廉价金融股强劲复苏。如果像2002-2003年那样，被大量抛售的成长型股票再次反弹，在熊市反转之后也可以出现牛市反转。熊市反转对多因子投资者来说很好，所有因子都有很大的正回报，但牛市反转更具挑战性，除了价值，大多数因子都有很大的负回报。
在反转阶段之后，因子往往会恢复到正常模式，正常模式实际占三分之二的时间。定量循环的概念说明在表9中给出。颜色鲜艳表示看涨阶段，颜色柔和表示看跌阶段。类似地，暗箭头表示不同阶段之间最常见的过渡，而亮箭头表示另一种可能性较小的过渡。
因子周期性的实证结果
本文对因子周期的历史定义见表10。作者观察到，大约每十年，正常阶段就会被持续两年左右的成长反弹或价值崩溃打断一次，随后又会出现反转。有趣的是，这种情况往往发生在十年之交，与表1中显示的NBER衰退类似。因此，因子表现与宏观经济之间可能存在某种联系。然而，尽管NBER的衰退对因子回报的解释力较低，但因子周期具有很强的解释力。因此，因子周期和经济周期之间确实存在差异。
第一次成长反弹发生在上世纪70年代初的Nifty Fifty时代，当时投资者蜂拥买入施乐、宝丽来、可口可乐、麦当劳和IBM等蓝筹股。第二次成长反弹是在1979-1980年，受到能源和原材料行业的推动，这些行业受益于第二次石油危机导致的石油和大宗商品价格上涨。从20世纪80年代末开始，又经历了一次成长反弹，这次是由医疗保健、生物技术和饮料行业推动的。所有这些成长风格反弹之后都是熊市逆转。下一个成长反弹是上世纪90年代末臭名昭著的科技泡沫，随后又出现了2000年至2002年的熊市逆转。紧接着，在2002-2003年，当最超卖的成长型股票再次反弹，也观察到一个牛市逆转。
价值因子的下一次下降发生在2007-2009年全球金融危机期间。但是，这一次的原因不是成长型股的上涨，而是价值型股(尤其是金融类股)的崩溃。随后，2009年同样受到打压的金融类股出现了牛市逆转。最后，在FANMAG和特斯拉等科技股的推动下，迎来了2018-2020年的成长反弹，导致了Blitz(2021年)所称的量化危机。随后在2020年底，价值型股票出现了牛市逆转，在2020年12月样本结束时，这一趋势仍在继续。
表11报告了因子周期的各个阶段中因子的表现。所有的收益都是按年计算的，除非周期短于12个月，在这种情况下，报告累积收益。在正常阶段，所有因子都显示出稳定的正平均回报，通常甚至高于其长期平均溢价。看看个别正常时期，作者也主要看到正回报，而负回报的数量很少，幅度也很小。幸运的是，对于多因子投资者来说，这个阶段大约占三分之二的时间。然而，在剩下的三分之一时间里发生的事件打乱了正常时期的相对和平。
成长型反弹的特点是价值因子的负回报较大，而动量因子的正回报较大，特别是HML和WML。这些时期清楚地说明了为什么价值-动量组合是许多定量分析方法的核心，因为在这些极端时期，这两个因子相互之间能够很好地分散化。正如Blitz(2021年)所观察到的，成长反弹期间的动量增长通常会抵消价值损失，但2018-2020年量化危机是一个显著的例外。在成长反弹期间，特质动量因子不如标准动量强劲，因为通过避免系统性风格偏见，它无法从显著的成长倾斜中受益。在成长反弹期间，低风险因子通常会受到打击，但并非每次都是如此。质量因子通常表现良好，但也不总是如此。总之，在成长反弹期间，1/N组合的平均回报是持平的。该样本只包含了单一的价值崩溃，即2007-2009年的全球金融危机。尽管市场回报率与成长型反弹非常不同，但因子表现却非常相似，价值回报为负，风险低，成长回报为正。基于这个单一的观察结果，质量似乎在价值崩溃时表现得更好，导致1/N组合的小幅的正回报。
最后讲两种类型的反转。熊市逆转的特征是由于成长型股票的崩盘，价值因子获得了巨大的正回报，而牛市逆转的特征是由于动量差的股票反弹，动量因子获得了巨大的负回报。熊市逆转，即成长型股票的崩盘，往往对优质、动量和低风险因子非常有利。因此，在这些时期，所有因子都趋于有效，导致1/N组合的惊人回报。然而，市场显示了巨大的负回报。但对于牛市逆转，即动量崩溃，情况则完全不同，质量因子也有很大的负回报，价值和低风险因子的结果则是混合的。在这些插曲中，通过严格限制损失，特质动量比一般动量更好。不过，对多因子投资者来说，牛市逆转比熊市逆转面临更大的挑战，1/N组合显示了一个巨大的负平均回报。市场和规模因子表现出相反的行为，在这种情况下具有强劲的正回报。
在个别成长股反弹、熊市逆转和牛市逆转时期，作者观察到总体一致的结果，当然也有一些例外。例如，质量因子在成长型反弹期间通常表现良好，但在1998年至2000年的科技泡沫期间获得了巨大的负回报，而它们在熊市逆转期间的强劲表现似乎主要是受2000年至2002年科技泡沫破裂的推动。此外，在熊市逆转期间，动量通常表现良好，但1980-1981年的情况是个例外。虽然低风险因子通常在牛市逆转时表现糟糕，但它们在2002-2003年的牛市中实际上表现不错。这或许可以解释为，这是前几年遭受重创的成长型股票的缓解性反弹，而其他牛市逆转是价值型股票的缓解性反弹。尽管存在这些例外，与前面讨论的常见宏观经济指标相比，简单的因子周期模型提供了极大的解释力和稳健性。
图12报告了因子周期各个阶段的频率，而图13显示了在12个月期间从一个阶段过渡到另一个阶段的(无条件的)概率。对于后一种分析，关注于表9所示的三个高水平阶段，即，结合了价值因子的两个困难时期（成长反弹和价值崩溃），结合了两种类型的逆转。估计在一年内从正常阶段过渡到成长反弹或价值崩盘的无条件概率为16%，与正常阶段的平均长度约为6年相一致。成长反弹、价值崩盘和逆转的持续时间往往要短得多，因此在一年内进入下一阶段的概率约为50%。一些转变以零估计概率出现，因为它们没有在本文的样本期间发生，但当然这并不意味着它们是不可能的，如表9中亮箭头所示。
作者推测条件概率可能与表13所示的无条件概率大不相同。例如，如果正常阶段已经持续了5年以上，那么在未来12个月内从正常阶段过渡到成长反弹或价值崩盘的可能性要比进入正常阶段的可能性大得多。然而，阶段跃迁的数量不足以可靠地估计条件跃迁的概率。
1963年前的因子周期
1963年之后的样本时期表明，价值因子的崩溃极其罕见，因为价值因子的主要下降都是成长反弹的结果，只有一个例外。人们可能还会有这样的印象：牛市逆转是一个相对较新的现象，因为它们都集中在样本的后期。然而，通过追溯更久远的20世纪30年代的大萧条时期，可以发现更多的价值崩盘和牛市逆转。
图14显示了因子周期延伸到1929-1963年期间。在1930-1940年的大萧条时期，观察到至少有四次价值崩溃，随后的牛市逆转迅速连续发生。在一个案例中，牛市逆转之后，甚至立即出现了另一次价值崩盘，其间没有回归正常。这一动荡与随后的几十年形成了鲜明的对比，因为从1940年末开始，观察到一个不寻常的长时间的正常时期，没有任何主要因子的收益表现失常。总之，从1929-1963年的样本中观察到的价值因子下降和逆转的数量大致与作者基于大约每十年一次的频率所预期的数量相等；然而，它们在样本中的分布非常不均匀。还要注意，在这30多年的时间里，没有观察到任何成长反弹和熊市逆转。因此，1963年后观测到的明显规律性和在那一时期估计的过渡概率不能作为长期代表。
图15报告了1929-1963年因子周期中各个阶段的因子表现。但是其中一个价值因子CMA，以及两个质量因子RMW和QMJ的数据，在这个早期样本中是不可用的。至于其余因子，1963年以前的结果与1963年以后的结果相当一致。在正常时期，因子回报率是稳定的。在价值崩溃期间，HML价值因子上的巨大负回报通常被WML动量因子上类似的巨大正回报所反映，而iMom因子又不那么强。平均而言，低风险因子带来了一些缓解。总的来说，1/N混合(对HML有双重权重，因为它是唯一的价值因子，而没有质量因子)有很小的负回报。
在牛市反转期间，作者观察到典型的WML动量因子上的大幅负回报和HML价值因子上的大幅正回报。在这个场景中，与之前一样，iMom因子大大优于WML动量因子，而低风险因子往往会受到打击。综合来看，1/N组合在这种情况下的回报率大致持平，比1963年后的样本要好得多。然而，这一结果可能被质量因子数据的缺失所扭曲，质量因子在1963年之后的牛市反转中显示了糟糕的回报。
另类资产定价因子
图16报告了1963年后因子周期不同阶段各种另类资产定价因子的回报。基于市盈率和现金流价格的价值因子显示出与基于账面市值比的HML因子大致相同的收益规律，这并不奇怪，因为它们与HML高度相关(分别为0.87和0.85)。主要区别在于，替代价值因子似乎不那么极端，在价值崩盘时损失较小，但在牛市逆转时反弹也较小。长期反转因子，也有点像价值(与HML的相关性为0.47)，似乎不太容易受到价值崩溃和成长反弹的影响。这表明，它可以帮助实现价值策略的分散化。然而，LTR的一个主要缺点是，它在正常情况下提供较低的溢价，这是最普遍的。短期反转因子在成长反弹期间回报平平，甚至在样本中的(单一)价值崩溃期间有一个巨大的负回报，这可能是一个令人惊讶的结果，因为它的回溯周期只有1个月，这是一个高度适应的因子。
接下来，从Hou, Xue, Zhang(2015)和Hou, Mo, Xue, Zhang(2021)的q因子模型中转向股本回报率和预期增长因子。这些因子是质量/动量型的，与RMW和WML的相关性在0.4-0.6范围内。这也清楚地反映在它们在周期内的表现上。与RMW和WML类似，ROE和EG因子在价值暴跌和熊市逆转期间有两位数的正回报，在牛市逆转期间有两位数的负回报。
还从Daniel、Hirsleifer和Sun(2020)的行为资产定价模型考虑了盈余公告后的漂移和融资因子。PEAD因子呈动量型，与WML的相关系数为0.48。与iMom类似，它能够在牛市逆转期间强烈减轻损失，这可能是因为这两个因子的波动性只有WML的一半左右。然而，这并不妨碍PEAD在成长反弹和熊市逆转期间产生与WML齐头并进的两位数涨幅。FIN因子是一个有趣的例子，因为它同时与HML、RMW和WML具有0.5-0.6范围内的相关性。不幸的是，它似乎也结合了这些因子的弱点，在成长反弹期间(如HML)有很大的负回报，在牛市逆转期间(如RMW和WML)有很大的负回报。另一方面，在熊市逆转期间，它确实显示出极其强劲的正回报。
最后，作者考虑了Blitz和vanVliet(2018)的CMS因子。该因子做多高净支出收益率且动量良好的低波动性股票，做空低净支出收益率且动量较低的高波动性股票。CMS因子与VOL因子的相关性为0.71，与HML、RMW、WML因子的相关性约为0.3。与VOL因子相比，CMS因子能够在成长反弹和价值崩溃期间防止损失，在熊市逆转期间有更惊人的表现。然而，CMS在牛市逆转期间的表现明显低于VOL，可能是由于其动量敞口。
总之，作者得出结论，在因子周期中，另类资产定价因子的表现与其和基本因子之间的相关性是一致的。
结论
与以往的研究一致，作者发现传统的经济周期指标不能捕捉因子溢价的周期性变化。如果因子溢价本质上是一种行为现象，而不是对宏观经济风险的补偿，这并不令人惊讶。与这一概念相一致，作者确认贝克和瓦格勒(2006)投资者情绪指数在区分因子回报的差异性方面更有效。然而，它的实际用途仍然有限。
在这些发现的启发下，作者认为因子本质上遵循自己的周期，这可以从因子回报本身推断。按照这种方法，确定了一个由一个正常阶段组成的周期，该阶段偶尔会被价值因子的大幅下降所打断，要么是由于成长型股票的反弹，要么是由于价值型股票的崩溃，后者反过来又会出现逆转。正常阶段占三分之二。成长反弹或价值暴跌的频率大约为每十年一次，通常持续两年左右。在这些时期，价值因子表现不佳，低风险因子也往往表现不佳。然而，动量是非常有效的。这些时期之后通常会出现剧烈的反转，其特征要么是前一阶段强劲上涨的成长型股票崩盘，要么是前一阶段动量不佳的股票强劲反弹。根据经验，作者表明，这个简单的3阶段因子周期能够捕获因子回报的大部分时间序列上的变化。图17对作者的主要发现进行了定性总结。
作者的结论是，为了理解因子的周期性动态，投资者应该认识到，因子遵循自己的情绪驱动的周期。传统经济周期和市场情绪指标可能反映出其中一些动态，但它们的实际用途有限。通过直接从因子收益推断因子周期，能够捕捉到因子更多的时间序列上的变化。这对投资者的实际意义是，他们应该把精力集中在更好地理解因子本身隐含的周期上，而不是坚持传统的框架，后者与实际因子回报之间仅有微弱的关系。该模型可能应用的一个例子是，它可能帮助投资者制定长达几年的前景规划。例如，在经历了成长反弹和随后的反转之后，似乎有可能回到正常阶段，而在一段漫长的正常时期之后，成长反弹或价值崩溃的可能性越来越大。该模型通过验证它们在周期的各个阶段的表现还可以用于评估新的阿尔法因子的稳健性。
本文的结果也引发了有趣的后续研究问题。例如，是否有可能改进简单的1/N因子组合，以在经济周期中获得更稳定的回报?这可能是一个挑战，因为在成长期，多因子投资者的价值敞口过多，而在牛市逆转期间，他们的价值敞口过少。因此，打败1/N可能需要一些择时能力——这是众所周知的困难之处。然而，也许因子周期框架可以帮助提供一个有关因子择时的新视角。因此，所面临的挑战是如何从后视的角度确定不同阶段如何过渡，以及如何准确地预测当前阶段。
文献来源
核心内容摘选自David Blitz在《Social Science Electronic Publishing》上的论文《The Quant Cycle》。
风险提示
本文结论基于历史数据与海外文献进行总结；不构成任何投资建议。