基于商业周期构建因子轮动策略
由crisvalentine创建，最终由crisvalentine 被浏览 80 用户
报 告 摘 要
因子和商业周期
投资管理领域发生了一场革命，学术界和从业者都认识到股票的某些特征与横截面上的回报有关，由此产生了Smart Beta策略的繁荣，Smart Beta代表了不同于CAPM中beta的系统性风险。了解这些风险因素与商业周期的关系可能会带来新的收益来源。
市场投资组合的回报受到两个因素影响：现金流和贴现率。经济会对现金流因素产生永久的影响，通过预测商业周期，可以对投资起到指导作用：在未来市场基本面向好时配置对现金流敏感度更高的策略，在未来市场基本面转差时配置对现金流敏感度更低的策略。
本文构建了美国领先经济指标（US LEI）和全球风险偏好周期指标（GRACI），并通过二者之间的相互作用将经济划分为复苏、扩张、放缓、收缩四种状态。通过测试发现价值和小市值等量化策略的现金流贝塔值相对较大，而低波动性和质量等策略的现金流贝塔值相对较低。动量策略在扩张时表现出相对较高的现金流贝塔系数，在收缩时表现出较低的现金流贝塔系数。
因子轮动策略
本文基于对商业周期的预测，构建了因子轮动策略。在不同的经济阶段对规模、价值、质量、低波和动量因子赋予不同的权重：在商业周期的恢复和扩张阶段持有现金流贝塔系数较高的策略（价值和规模），在商业周期的放缓和收缩阶段转向现金流量贝塔值较低的策略（低波和质量），此外在扩张和收缩时也赋予动量因子一定权重。
该动态策略表现优于这些因子的静态配置策略。产生的信息比率比静态高近70%，表现明显优于罗素1000指数和罗素综合因子指数，平均年超额回报约4.5%和2%。此外，这些结果在扣除交易成本后也具有经济意义。
文献来源
文献来源：Polk C , Haghbin M , Longis A D . Time-Series Variation in Factor Premia: The Influence of the Business Cycle[J]. Social Science Electronic Publishing.(2020)
文献亮点：
因子溢价受到贴现率和现金流因素的影响，并且对现金流因素的敏感性不同。本文通过构建了领先的经济指标和全球风险偏好指标，对经济周期进行划分：复苏、扩张、放缓、收缩。并且利用了规模、价值、质量、低波和动量因子在不同时期对于现金流因素不同的敏感性，构建了多头因子轮动策略。其中，规模和价值因子是顺周期的，质量和低波因子是逆周期的，动量因子在扩张和收缩期跑赢大盘，在复苏和放缓阶段容易出现转折。该动态策略的信息比率比静态多因子策略高近70%，并且在考虑了交易成本后仍在不同地区和细分市场具有统计意义和经济意义。
文献概览
投资管理领域发生了一场革命，学术界和从业者都认识到股票的某些特征与横截面上的回报有关，例如账面市值比。由此产生了Smart Beta策略的繁荣，Smart Beta代表了不同于CAPM中beta的系统性风险。我们认为了解经济对这些新的风险因子的驱动作用会带来新的收益。通过区分暂时和永久的因素，可以更好的理解Smart beta收益的驱动因素。我们利用基于经典量化策略的投资组合在总回报的贴现率和现金流敏感性不同的特点，并使用它来构建动态因子策略，该策略的信息比率几乎是静态策略的两倍。
我们的结论可以总结如下：首先，与先前的学术研究一致，价值和小市值等量化策略的现金流贝塔值相对较大，而低波动性和质量等策略的现金流贝塔值相对较低。动量策略在扩张时表现出相对较高的现金流贝塔系数，在收缩时表现出较低的现金流贝塔系数。
其次，基于预测经济基本面的市场择时可以与Smart Beta策略相结合，即在商业周期的恢复和扩张阶段持有现金流贝塔系数较高的策略，在商业周期的放缓和收缩阶段转向现金流量贝塔值较低的策略。该动态策略表现优于这些因子的静态配置策略。
因子和因子轮动
平均回报的横截面变化
随着 Fama和French (1993) 的发表，因子模型在学术界流行起来，引入了股票三因子模型，旨在捕捉平均回报横截面中的两种无法用 Sharpe (1964) 和 Lintner (1965) 的资本资产定价模型解释的模式，即规模和账面市值比。之后Fama 和 French (2015) 扩展了到另外两个投资和盈利相关的特征。随着非传统产品开发的加速创新， Smart Beta市场继续增长。根据Morningstar的说法，Smart Beta 是包含风格倾斜的策略，例如罗素1000 价值和罗素1000增长，但也演变为各种交替加权的单因子和多因子方法。这些策略旨在通过结合多个因子，为投资者提供有吸引力的风险调整回报。
因子溢价的时间序列变化
在市场因子出现的同时，也有关于市场风险溢价的时间变化的研究。Campbell , Shiller (1988a, 1988b) 和 Fama, French (1989) 是其中的开创性研究。Cohen、Polk和Vuolteenaho(2003)发现当两端的账面市值比(也被称为value spread)较宽时，价值-成长策略的预期回报很高。研究者还确定了动量和反转因子的收益与股票发行Greenwood和Hanson (2012)、短期利息Hansen和Sunderam (2014) 和因子波动率 Barroso and Santa-Clara (2015)有关。
将因子溢价的时间变化与商业周期联系起来的研究相对较少。Cooper、Mitrache和Priestley (2016)提出了价值和动量的全球宏观经济风险模型，Ahmerkamp、Grant和Kosowski (2012) 研究了利差和动量策略的可预测性，发现商业周期指标具有很强的解释力。最近的研究探讨了商业周期对更广泛的股票因子的影响Hodges, Hogan, Peterson 和 Ang (2017)以及Varsani, Jain(2018)，提供了以经济体制为条件的因子历史表现描述性分析。
据我们所知，在单一框架内分析商业周期对因子回报影响的研究很少。我们通过提供一致的基本框架，将因子回报与总体现金流敏感性联系起来，涵盖最常见的股票因子：规模、价值、质量、低波和动量因子。
因子和商业周期
自Campbell和Shiller (1988a)以来的一个关键见解是市场投资组合的回报受到两个因素影响：现金流和贴现率。这种区别源于认识到市场风险溢价随时间变化。Campbell (1991) 展示了资产的意外对数回报如何分解如下。
𝑁𝐶𝐹,𝑡+1反映未来现金流的消息，𝑁𝐷𝑅,𝑡+1反映未来预期收益的消息，而𝜌是由平均对数股息收益率决定的贴现系数。请注意，这种分解只是一个会计恒等式，而不是一种行为模型，对预期回报的变化是理性的还是非理性的没有任何立场。
区分市场回报的这两个因素很重要，因为从Shiller (1981)开始的大量研究表明，市场估值的大部分变化来自后者——贴现率。
Campbell 和 Vuolteenaho (2004) 提出了一个模型，在该模型中，投资者更关心永久现金流驱动的变动，而不是市场的临时贴现率的变动。在他们的模型中，一只股票的要求回报不是由它在市场上的整体贝塔系数决定的，而是由两个因子决定的：单独的贝塔系数，一种对市场产生永久性现金流冲击，另一种对市场贴现率产生暂时性冲击。Campbell 和 Vuolteenaho (2004) 就曾表明小市值股票和价值股票比大市值股票和成长型股票具有更高的现金流贝塔系数。
这种特性在设计因子时序策略时可能很重要。特别是，可以通过因子视角来预测商业周期演变的信号。如果对未来市场基本面的预期是积极的，那么倾向于较高现金流贝塔系数的策略，如果未来市场基本面的信号是负面的，那么倾向于现金流贝塔系数相对较低的策略。
数据和统计
在测试特定策略随着时间的推移产生超额回报的能力时，可以检查一些关键属性，例如普遍性、持久性、直觉性、稳健性和可投资性。我们的分析了富时罗素因子指数，该指数引用了学术研究支持的五个股票因子，每个因子都有大量理论支持。这些指数代表了不同地区和时间段的共同因子特征，涵盖以下领域：美国大盘股、美国小盘股、美国以外的发达市场和新兴市场。包含以下因子——价值、质量、动量、低波和规模。我们使用罗素1000范围和图1中列出的因子定义。
图2提供了一些关键的汇总统计数据。
图表 3 报告了因子回报的相关矩阵。这些因子的超额回报相关性较低，表明组合使用时可能会带来有用的多元化收益。
对这些因子的历史回报的进一步研究表明，它们具有明显的周期性。例如，在某些年份，规模因子始终跑赢市场，而在其他年份，低波动性是表现最好的因子。本文分析了利用这种明显周期性的投资策略。图4为平滑版本的𝑁𝐶𝐹,𝑡+1和 𝑁𝐷𝑅,𝑡+1。
因子轮动策略
因子对现金流的敏感性
我们首先通过对上述现金流消息变量的每个因子的月回报进行回归来记录罗素指数现金流贝塔的差异。继Scholes and Williams (1977) 和Dimson (1979)之后，我们包括了现金流量的滞后消息。具体的回归形式：
为了进行比较，我们包括罗素1000和罗素1000综合因子指数，它们代表了对五个因子的等权静态敞口。图表5表明我们研究的因子有对总现金流量新闻的不同敞口。价值的敏感性高于罗素1000指数，并且明显高于静态多因子方法。动量因子也表现出相对较高的现金流敏感性。然而，它的相对敏感性在整个商业周期的各个阶段都有很大的不同，这与其信号定义的短暂性质一致。形成鲜明对比的是，与罗素 1000 相比，质量和低波具有相对较低的现金流敏感性。这些结果与之前的学术研究一致。接下来，我们利用前瞻性框架来识别商业周期的不同阶段，并尝试将不同的因子组合映射到不同宏观环境。
预测商业周期
我们根据经济增长水平和变化对经济周期的不同阶段进行分类，并定义以下四种状态：
- Recovery复苏：增长低于趋势且加速
- Expansion扩张：增长高于趋势且加速
- Slowdown放缓：增长高于趋势且减速
- Contraction收缩：增长低于趋势且减速
我们构建了一个宏观框架，该框架结合了美国领先经济指标(US LEI)和全球风险偏好周期指标(GRACI)之间的相互作用：
𝑅𝑒𝑐𝑜𝑣𝑒𝑟𝑦𝑡+1: 𝑈𝑆𝐿𝐸𝐼𝑡 < 𝐿𝑇𝐿𝐸𝐼𝑡𝑟𝑒𝑛𝑑𝑡 & 𝐺𝑅𝐴𝐶𝐼𝑡≥ 𝑀𝐴(𝐺𝑅𝐴𝐶𝐼)𝑡
𝐸𝑥𝑝𝑎𝑛𝑠𝑖𝑜𝑛𝑡+1: 𝑈𝑆𝐿𝐸𝐼𝑡≥ 𝐿𝑇𝐿𝐸𝐼𝑡𝑟𝑒𝑛𝑑𝑡 & 𝐺𝑅𝐴𝐶𝐼𝑡≥ 𝑀𝐴(𝐺𝑅𝐴𝐶𝐼)𝑡
𝑆𝑙𝑜𝑤𝑑𝑜𝑤𝑛𝑡+1: 𝑈𝑆𝐿𝐸𝐼𝑡≥ 𝐿𝑇𝐿𝐸𝐼𝑡𝑟𝑒𝑛𝑑𝑡 & 𝐺𝑅𝐴𝐶𝐼𝑡 < 𝑀𝐴(𝐺𝑅𝐴𝐶𝐼)𝑡
𝐶𝑜𝑛𝑡𝑟𝑎𝑐𝑡𝑖𝑜𝑛𝑡+1: 𝑈𝑆𝐿𝐸𝐼𝑡 < 𝐿𝑇𝐿𝐸𝐼𝑡𝑟𝑒𝑛𝑑𝑡 & 𝐺𝑅𝐴𝐶𝐼𝑡 < 𝑀𝐴(𝐺𝑅𝐴𝐶𝐼)𝑡
其中𝐿𝑇 𝐿𝐸𝐼 𝑡𝑟𝑒𝑛𝑑𝑡代表美国LEI在时间t的长期趋势，并𝑀𝐴(𝐺𝑅𝐴𝐶𝐼)𝑡代表短线在时间t均线在GRACI。
换言之，我们首先建立了美国领先经济指标以确定增长是否可能高于或低于趋势。我们使用z-score去趋势、标准化和平滑每个变量。最后将这些归一化变量以相同的权重汇总成一个综合指数，如下图。
其次，我们从全球风险偏好的周期性波动中预测未来经济增长的方向性变化。众所周知，金融市场包含有关未来经济活动的信息，因为市场参与者会实时贴现影响未来基本面的信息。资产价格可以反映更广泛的基本面消息，例如货币状况变化、财政政策公告、企业新闻、全球金融冲击等。虽然这些基本面驱动因子滞后反映在经济活动中，但市场参与者不断重新审视他们的经济前景，并相应调整承担风险的倾向。在几乎所有模型中，市场溢价和风险规避都与经济中的风险量有关，并且都被证明与商业状况呈负相关。
因此，全球风险溢价的周期性波动可用于预测经济风险和未来风险溢价的后续变化。Polk, Thompson和Vuolteenaho (2006) 展示了如何使用横截面技术来预测市场风险溢价的时间变化。同样，Kumar和Persaud(2002) 使用风险和回报的横截面回归来提取投资者行为和风险偏好，强调除了国内基本面外，全球金融市场日益重要，因为贸易联系呈指数增长，跨边境资本流动和投资组合传染渠道。以相关的方式，我们将全球风险偏好定义为投资者在过去一年全球金融市场上承担增量单位风险所获得的增量回报，并使用发达市场和新兴市场的国家级股票、政府债券和公司债券构建指数。该指标与全球商业周期的几个指标具有很强的相关性。
如上所述，我们的复合商业周期模型结合了美国领先经济指标和全球风险偏好指标来预测商业周期的四个阶段，我们模型的输出如图10所示，将估计的宏观状态与实际GDP增长进行了直观比较。
基于宏观划分的观点
最后一步，基于对这些因子的现金流敏感性的了解，构建了四个不同的因子组合，每个商业周期阶段一个，如之前的图表所示。我们预计规模和价值相对于市场的表现是顺周期的，而质量和低波动性是逆周期的。动量因子不能与杠杆或盈利能力等持续的基本特征联系起来。动量溢价是基于近期价格走势延续的行为前提，其信号相对短暂。因此，就其周期性而言，我们预计动量将在周期性上升的后期(即扩张)和下降的后期(即收缩)跑赢大盘，相反，在周期性转折点之后的阶段则跑输大盘(即复苏和放缓)。
由于动量是一个相对短暂的信号，我们只测量同期的敏感性。动量因子在四种经济状态中的相对现金流敏感性存在明显差异。具体而言，罗素1000动量策略在扩张期具有相对较高的现金流敏感性(0.05)，在收缩期具有相对较低的现金流敏感性(-0.09)。复苏和放缓时的敏感性差异在统计上是显着的，并且与动量因子的相对表现的预期一致。
我们以富时罗素标准方法测试了这五个因子不同权重的组合。
富时罗素方法利用“乘法”倾斜远离每个因子的市值权重。倾斜的幅度由商业周期指标决定，并根据流动性、产能、多元化和换手率等问题进行调整。上图突出显示了上述制度的倾斜。在这个矩阵中，“1”表示我们将公司的市值乘一次因子，“2”表示我们乘两次因子。“0”表示该因子不再使用之列。为了进行比较，我们将罗素1000指数（每个因子的倾斜度为0）和罗素1000 综合因子指数（每个因子的倾斜度为1）都包括在内。
复苏和扩张投资组合的现金流敏感性均为1.09。形成鲜明对比的是，放缓和收缩时投资组合总现金流敏感性分别为0.74和0.82。我们测量复合投资组合的现金流敏感性，该组合做多复苏和扩张时期等权组合的平均值，做空放缓和收缩时期等权组合的平均值。该投资组合的现金流敏感性为0.31，具有统计显着性。
最后，在下表中，我们记录综合投资组合的敏感性如何在两种主要类型的经济状态(复苏和扩张或放缓和收缩)之间变化。在前者中，我们想要一个正现金流敏感性的投资组合。对于后者，我们想要一个负的现金流敏感性投资组合。图表证实了这种情况，在复苏和扩张时期，复苏和扩张投资组合的现金流敏感性比放缓和收缩投资组合的高0.10。相反，在放缓和收缩经济状态期间，放缓和收缩投资组合的现金流敏感性比复苏和扩张投资组合的相应估计低0.23。这两个完全不同的组成部分之间的差异为0.33，且在统计上非常显着。
下图将所有这些放在一起，展示了动态多因子模型提供的超额收益和信息比率。动态策略的表现明显优于罗素1000指数和罗素综合因子指数，平均年超额回报约4.5%和2%。此外，这些结果在扣除交易成本后也具有经济意义。
累计超额收益如下：
策略表现如下：
最后，我们应用相同的基于模型的宏观框架和因子倾斜来记录罗素2000的动态因子轮动策略。结果广泛一致且具有统计意义。
结论
投资管理领域发生了一场革命，学术界和从业者都认识到股票的某些特征与横截面上的回报有关，例如账面市值比。由此产生了Smart Beta策略的繁荣，Smart Beta代表了不同于CAPM中beta的系统性风险。我们认为了解这些风险因素与商业周期的关系可能会带来新的收益来源。通过区分暂时和永久的因素，可以更好的理解Smart beta收益的驱动因素。市场投资组合的回报受到两个因素影响：现金流和贴现率。经济会对现金流因素产生永久的影响。我们利用基于经典量化策略的投资组合在总回报的贴现率和现金流敏感性不同的特点，并使用它来构建动态因子策略，该策略的信息比率几乎是静态策略的两倍。
我们的结论可以总结如下：首先，与先前的学术研究一致，价值和小市值等量化策略的现金流贝塔值相对较大，而低波动性和质量等策略的现金流贝塔值相对较低。动量策略在扩张时表现出相对较高的现金流贝塔系数，在收缩时表现出较低的现金流贝塔系数。
本文基于对商业周期的预测，构建了因子轮动策略。在不同的经济阶段对规模、价值、质量、低波和动量因子赋予不同的权重：在商业周期的恢复和扩张阶段持有现金流贝塔系数较高的策略(价值和规模)，在商业周期的放缓和收缩阶段转向现金流量贝塔值较低的策略(低波和质量)，此外在扩张和收缩时也赋予动量因子一定权重。该动态策略表现优于这些因子的静态配置策略。产生的信息比率比静态高近70%，表现明显优于罗素1000指数和罗素综合因子指数，平均年超额回报约4.5%和2%。此外，这些结果在扣除交易成本后也具有经济意义。
注：本文选自国信证券于2021年12月14日发布的研究报告《基于商业周期构建因子轮动策略》。