动量因子

https://bigquant.com/codeshare/3b5c66d6-ed5b-46a0-8dc6-3a48cc76a482

\

本文导读

待测因子：传统的1个月反转等因子，以及改进的动量因子动量因子是一类非常重要的风格因子，本报告中我们选取了十三个具有代 表性的动量因子进行测试，包括 HAlpha（个股 60 个月收益与上证综指线 性回归的截矩项）， return_Nm（个股最近 N 个月的收益率，N=1、3、6、 12），wgt_return_Nm（个股最近 N 个月的日换手率加权平均日收益率， N=1、3、6、12），exp_wgt_return_Nm（个股最近 N 个月的指数衰减权 重乘以日换手率加权平均日收益率，N=1、3、6、12）。经实证检验，两种 改进方式都对传统的 N 个月反转因

摘要

在中国股票市场中，传统动量因子不是好的Alpha因子。方正金工团队基于“市场行为特征在日内不同时段存在差异”的基本事实，考察了动量因子的日内精细结构，重新构造出了最优化的动量因子。

基本思路：不同的交易者群体，会有不同的行为模式，这是几乎不证自明的命题。对于交易日内的不同时段，交易者成分的系统性差异，会导向不同的市场行为特征，从而形成各式各样的日内模式（intraday patterns）。按照这个思路，我们将每日股票的涨跌切割为5个时段，再重新加权组装得到最优动量因子。

选股能力：最优动量因子在全市场的五分组多空对冲，年化收益为17.4%，信息比率为2.30，月度胜率为84

摘要

本篇报告在东吴金工以往“动量因子切割”研究的基础上，加入“量”的信息，发现日内与隔夜的价量关系，蕴藏着不同的特征与逻辑，而这两种不同的特征，最终都可用于甄别动量因子信号的强弱。

日内的价量关系

日内部分的价量关系表现为“日内量”能够对“日内价”起到增强作用，即若按照对应的日内换手率对日内因子进行切割，则对应换手率越大的局部日内因子，选股能力越强。

隔夜的价量关系

隔夜与日内截然不同，推动隔夜股价变动的力量，并非来源于当日的开盘集合竞价成交量，隔夜的价量逻辑暗藏于“昨日量”与“今日价”的错配关系之中。按照昨日换手率对隔夜因子进行切割，发现不同局部因子展现出不

报告摘要

（一） 主要内容

本篇报告首先对基础动量因子进行细致分析，发现基础动量存在较多不足并提出改进思路的二维矩阵，之后对每个改进维度的切入点、逻辑链条和改进方法进行详细阐述，最后测试了各个改进因子的提升效果。

（二 ） 基础动量刨析

• 1月动量头尾组合的信息比率最突出但换手率也更高；而3月动量各组合的区分度更明显。
• 基础动量的多空收益更多来源于空头部分的贡献。
• 将1月动量与3月动量做等权合成后，复合因子的有效性能得到明显提升。

（三 ） 改进动量的思路框架

• 从动量因子的特性出发，可将动量改进的整体思路归

摘要

本篇报告为东吴金工动量因子系列研究的第二篇，延续并拓展了上一篇报告《成交量对动量因子的修正》的研究理念，按照交易者类型对成交量做了进一步细分，考察在不同交易者结构下，动量因子表现的强弱。

股市场的交易者结构：按照挂单金额的大小，可以将交易者分为机构、大户、中户和散户。在A股市场中，中户、散户交易占比长期较高，两者相加超过70%。交易者结构对动量因子的影响：不同交易群体的交易目的、特征不同，可能导致不同群体贡献的成交量中蕴含的信息也存在差异。

基于上述猜想，我们分别按照散户、中户、大户、机构的交易占比高低，对传统的涨跌幅因子进行拆分，回测得到以下主要结论：

1. 交易者结构对

摘要

股票价格的动量（Momentum），顾名思义代表的是股价在一定时间内延续前期走势的现象。不过与海外长期的研究和经验相悖的是，在A股市场，我们发现股价的反转（Reverse）效应要远强于动量效应，且短期反转因子的历史收益非常出色。

但常用动量因子也存在单调性不佳，多头收益不稳定的问题，因此我们尝试从不同角度出发对动量因子进行改造，寻找提升常用动量因子选股效果和稳定性的方法（本文测试时间区间为2006/01/01–2019/05/31）。

结合均线的趋势动量因子动量因子构造时所使用的数据仅为起始节点和末尾节点的股价数据，对于期间的股价信息并未充分反应，因此我们尝试采用均线的思路，

摘要

在之前的行业轮动系列报告中我们发现，传统形式下的动量因子在行业选择上并不能贡献稳健超额收益。本文尝试从剥离风格因素后的超额收益（alpha）出发，考察扣除了常见风险溢价后的收益在行业轮动上是否具有参考价值。

FF3alpha因子的行业轮动效果在美国市场和A股市场存在显著差异。在美股市场，基于FF3alpha（FamaFrench三因子模型的alpha）构建的行业轮动策略效果显著，夏普比是买入持有策略的4倍。而在A股29个中信一级行业中，FF3因子则失效。原因之一可能是在美国市场，FF3模型中市值因子溢价（BMS）和估值因子溢价（HML）对绝大部分行业收益都存在显著的解释能力。而

摘要

基于风险调整后收益的动量因子。本文考察了Jensen指数、Sharpe比率、比率、Calmar比率四个风险调整后收益的指标，在不同时间跨度下的动量反转效应。其中，6个月的Jensen指数（Jensen6）、1个月的Sharpe比率（Sharpe1）、1个月的Treynor比率（Treynor1）、3个月的Calmar比率（Calmar3）的单因子检验最显著，Jensen6为反转因子，其他均为动量因子。

基于多期限均线的趋势因子。通过横截面回归的方法，本文基于不同期限的移动均线信号，构建了短期、中期、长期的趋势因子。其中，只有短期趋势因子（短）具有很强的显著性，中期和长期的趋

/wiki/static/upload/07/07e75486-8706-4d01-b6d4-da053eb2f18e.pdf

\

/wiki/static/upload/9c/9c48c146-4bd4-4189-993b-ef5abdd8bb9b.pdf

\

https://bigquant.com/experimentshare/c2cf252d64b7408a8071f4d78f52a5ea

\

报告摘要

主要观点

本篇是“学海拾珠”系列第一百篇，文献研究了因子动量与动量因子之间存在的一些联系。股票动量效应长期以来违背了有效市场假说，而较新的一些文献也发现，动量在股票异象因子中也广泛存在，构造因子动量策略可以获得显著优于基准的回报。文献发现，因子收益的正向自协方差是因子动量收益的重要组成部分，并且在股票动量收益中起着关键作用。因子收益的时间序列自相关完全包含了个股收益的横截面动量。回到A股市场，可以研究A股的异象因子的收益变化在影响横截面股票动量方面发挥的作用，通过监测因子动量从另一个角度跟踪动量因子的强弱，避免动量崩溃。

因子的时间序列动量策略与横截面动量

引言

动量因子在金融市场有着广泛的应用。动量因子始于Jegadeesh and Titman(1993)，且动量因子广泛存在于股票，期货，债券等市场中。学术界关于动量的争议也层出不穷。一方面，有人认为动量因子的出现违背了有效市场假说；另一方面，人们认为动量背后的成因是投资者对市场信息反应的不充分或者过度，投资者获取信息的先后不一样，同时亦有部分观点认为长期来看，动量背后的成因同样也包含了基本面因素的驱动，在大环境条件不变的情况下，动量表现好的品种会在基本面供需的驱动下继续表现好。目前市面上已有大量的动量因子或者是使用技术指标构造的趋势因子，从动量的分类出发，动量可以分为时序动量

时间：2022年3月7日-2022年3月11日

主要结论

本周指数增强组合表现

沪深300指数增强组合本周超额收益0.16%，本年超额收益3.26%。 中证500指数增强组合本周超额收益0.95%，本年超额收益2.28%。 中证1000指数增强组合本周超额收益0.35%，本年超额收益3.36%。 二

本周选股因子表现跟踪

沪深300成分股中‍一年动量、单季EP、标准化预期外收入等因子表现较好。 中证500成分股中股息率、SPTTM。单季SP等因子表现较好。 公募基金重仓股中单季营收同比增速、一年动量、单季ROE同比等‍‍‍‍‍‍因‍‍子表现较好。

摘要

本周各因子波动较小，总体呈现小量回撤趋势。其中流动性因子、动量因子表现相对较好，收益分别为-1.00%和0.17%；量价因子以及成长因子收益表现较差，分别为-1.24%和-3.15%。

量化模型统计显示，本周动动量因子优选股票主要集中行业为电子信息、房地产以及化工行业；盈利因子优选股票主要集中行业为金融行业和能源行业；量价因子优选股票主要集中行业为电子器件、电子信息；成长因子优选股票主要集中行业为酿酒行业；流动性因子优选股票主要集中行业为金融以及电力行业。

统计数据显示，流动性因子采用风险中性权重搭配生成的投资组合Beta值最高；量价因子采用风险中性权重搭配生成的投资组合Be

摘要

行业动量效应已经被大量学者们所验证，并且广泛应用于行业轮动策略中。行业动量，即认为过去一段时间表现强劲的行业，未来也可能获得较高的收益。由于ETF可在二级市场进行交易，具有交易效率高、交易成本较低、清晰透明等优点，因此在本篇报告中，我们将以ETF为投资标的来实现行业轮动策略。我们构建了不同周期的动量因子，并对比研究了不同周期动量效应的强弱。以ETF为主要投资标的的FOF产品（FOF-LOF）正在密集申报，随着这类产品的不断推广，以ETF作为工具的轮动策略将有更大的发展空间。

综合考虑跟踪误差及交易活跃程度，我们以易方达基金旗下15只主题/行业及部分风格明显的宽基ETF为投资标的

研究结论

前言：本篇报告为东吴金工动量因子系列研究的第二篇，延续并拓展了上一篇报告《成交量对动量因子的修正》的研究理念，按照交易者类型对成交量做了进一步细分，考察在不同交易者结构下，动量因子表现的强弱。

A股市场的交易者结构：按照挂单金额的大小，可以将交易者分为机构、大户、中户和散户。在A股市场中，中户、散户交易占比长期较高，两者相加超过70%

交易者结构对动量因子的影响：不同交易群体的交易目的、特征不同，可能导致不同群体贡献的成交量中蕴含的信息也存在差异。基于上述猜想，我们分别按照散户、中户、大户、机构的交易占比高低，对传统的涨跌幅因子进行拆分，回测得到以下主要结论：（1）交易者结构对

摘要

华夏创蓝筹ETF（159966）和创成长ETF（159967）分别跟踪创业板低波蓝筹指数与创业板动量成长指数。创业板低波蓝筹指数通过质量因子和低波动因子筛选出盈利能力良好、财务质量稳健、波动率较低的股票，创业板动量成长指数通过成长因子和动量因子筛选出成长能力良好、动量效应显著的股票

从业绩表现看，创业板低波蓝筹指数与创业板动量成长指数均显著地跑赢了创业板指同期表现；从行业分布看，创业蓝筹和创成长均集中配置医药、计算机、电子等高科技行业；从研发投入看，创业蓝筹指数和创成长指数当前的所有成分股全部有研发费用，加权研发费用占比较高

当前市场环境更推荐创业板：根据兴业金工的沪深300

文献来源：Noël Amenc, Mikheil Esakia, Felix Goltz and Ben Luyten. Macroeconomic Risks in Equity Factor Investing.The Journal of Portfolio Management, 2019: jpm. 2019.1. 092.

推荐原因：本文旨在探讨宏观经济的风险对因子收益的影响。作者提出了一套寻找代表宏观经济预期的状态变量的方法，并发现选取的变量对因子收益的影响是显著的，并能反应经济预期的变化。作者还发现选取相关性较低的因子在一些情况下也不能很好的对冲宏观风险，理解宏观风险的逻辑才

文献摘要

六因子模型与解决价值因子冗余

Fama和French的五因子模型用一种令人印象深刻的方式总结了已知的因子，然而这一模型最大的缺陷在于并未包括动量因子，事实上纳入动量因子的六因子模型显著的优于五因子模型。同时我们还发现，价值因子在上述模型中有些多余。下面我们研究了将价值因子增强为即时价值因子的表现。我们发现动量因子甚至会变的更强，且价值因子的效果得到提升。遗憾的是在这个过程中，我们承认其他方法也可能会解决价值因子冗余的问题，并且在使用即时价值因子后，CMA因子显得多余。所以最后我们得到的仍然是五因子模型。不过我们认为这比我们开始时的五因子模型更好，而且即时价值

时间范围

20220314-20220318

主要结论

1. 本周指数增强组合表现

   沪深300指数增强组合本周超额收益0.77%，本年超额收益3.93%。

   中证500指数增强组合本周超额收益0.86%，本年超额收益3.01%。

   中证1000指数增强组合本周超额收益0.38%，本年超额收益3.65%。

2. 本周选股因子表现跟踪

   沪深300成分股中‍一年动量、三个月机构覆盖、EPTTM一年分位点等因子表现较好。

   中证500成分股中单季SP、一个月换手、BP等因子表现较好。

3. 公募基金重仓股中一年动量、三个月机构覆盖、单季营

摘要

大类因子表现

本周全市场股票池中,盈利、BP 因子获得明显正收益（1.0%，0.4%），size、beta 和动量因子获得明显负收益（-0.8%，-0.97%，-1.83%）。 市场整体表现为反转效应，价值风格、小市值风格。

单因子表现

沪深 300 股票池中。本周表现较好的因子有市盈率因子（5.14%）、市盈率 TTM 倒数（4.52%）市净率因子（4.46%）。表现较差的因子有标准化预期外收入（-2.59%）、单季度 ROA（-2.64%）、单季度 ROE（-2.87%）。

中证 500 股票池中，本周表现较好的因子有市盈率 TTM 倒数（5.74%）

摘要

多因子模型：本周组合均跑赢基准

因子表现

估值因子、质量因子表现较好，动量因子有所回撤。组合表现：光大Alpha沪深300指数增强（沪深300内选股）组合本周下跌3.56% ，同期沪深300指数下跌4.39%，组合本周跑赢沪深300指数0.82个百分点。2020年1月1日以来，组合累计上涨20.51%，跑赢沪深300指数9.57个百分点，信息比2.80。

光大Alpha中证500指数增强（中证500内选股）组合本周下跌4.65% ，同期中证500指数下跌4.97%，组合本周跑赢中证500指数0.32个百分点。2020年1月1日以来，组合累计上涨32.91%，

摘要

2017年以来，随着市场上量化策略的增多，许多以前十分有效的因子，如市值因子、动量因子、波动率因子等，都出现了比较明显的震荡或者失效。想要靠传统多因子模型取得超越基准的稳定收益变得越来越难。对于因子择时模型的研究需求也在持续上升。

本篇报告分为三部分：

首先，我们介绍了因子择时常用的几个指标，包括因子估值差与配对相关性等，并测试了其与因子未来收益的相关性。

然后，我们使用随机森林函数，构建因子择时模型。与大多数因子择时模型不同，我们的预测目标是因子收益的历史移动平均与实际因子收益的差距。对于收益波动较大的因子，移动平均比较难抓到因子短期的趋势。而择时