未经授权,严禁转载
前言
译者翻译了AQR的Gupta和Kelly在2019年发表的一篇文章。在这篇文章中,作者记录了在全球65个被广泛研究的基于特征的股票因子之中存在的稳健的动量行为。他们证明了大体上单个因子可以根据它们自身最近的表现来进行可靠的择时。一个结合了所有因子择时策略的时间序列“因子动量”投资组合可以获得一个0.84的年化夏普比率。对于采用传统动量、行业动量、价值和其他常见因子的投资策略,因子动量可以显著地增加收益。其结果表明,动量现象在很大程度上是因为共同回报因子的持续性,而不仅仅是由于某些特异股票的表现。
关键词:因子动量,时序动量,股价动量
介绍
作为资产价格的一种现象,价格动量已经广为人知:今天价格相对较高(低)的资产,在未来也更可能会有相对较高(低)的回报。通常上,一般通过横截面个股的交易策略(Jegadeesh和Titman,1993;Asness,1994)或是一个纯多头投资组合(Moskowitz和Grinbatt,1999;Lewellen,2002)来实现价格动量,它有着惊人并稳健的风险调整表现(Asness,Frazzini,Israel和Moskowitz,2014;Geczy和Samonov,2016)。
根据横截面上的相对表现对股票分组导致很多人将动量解释为一个孤立主导特异动量的策略(如Grundy和Martin,2001;Chaves,2016)。在这篇文章中,我们发现在常见的可以解释大部分股票变动的因子中存在稳健的动量现象。一个买入最近表现好的因子,卖出表现不好因子的投资组合,也就是“因子动量”,获得了相对于传统股票动量策略更好的投资表现。在独立的基础上,我们的因子动量策略比股票动量、行业动量、价值和其他被广泛研究的投资因子有着更高的夏普比率。尽管因子动量和股票动量存在相关性,它们两个是互补的。在控制股票动量之后,因子动量仍然可以获得一个经济和统计意义都显著的alpha收益。因子动量也不能取代股票动量。因为股票动量相对于价值因子有着很强的对冲收益,我们发现将因子动量、股票动量和价值结合在一个投资组合里是十分有益的。
在最近几十年,学术文献和业界实践已经积累了大量的可以帮助解释股票价格共同变动和平均收益的因子。我们构造并且分析了65个被学术界广泛研究的基于股票特征的因子。根据这个数据集,我们构建了稳健和普遍的因子动量现象。
回报的序列相关是一个基本的统计现象,而动量正是基于这种现象,我们的分析也以此为出发点。首先,我们展示了个股存在稳健的时间序列动量(Moskowitz,Ooi和Pederson,2012),也就是资产本身最近的回报(绝对意义,而不是相对意义)可以预测它未来的回报。因子回报的持续性是稳健且普遍存在的。所有因子的月度平均AR(1)系数是0.11,在65个因子中有59个因子为正,并且在49个因子中是显著为正。
第二,我们展示了单个因子可以根据它们本身过去的表现可以成功地择时。一个根据因子过去一个月表现相对比例来调整因子暴露的时间序列动量策略相对于普通的因子策略获得了超额收益。在65个因子中,有61个单个因子的时间序列动量alpha(也就是控制因子被动投资的部分之后的收益