行业是否解释动量？

摘要:本文记录了股票回报的行业组成部分中一个强大且普遍的动量效应，它解释了大部分个别股票动量异常。具体而言，动量投资策略，即买入过去的赢家股票，卖出过去的输家股票，一旦我们控制了行业动量，利润就会显著下降。相比之下，行业动量投资策略——从过去成功的行业买入股票，从过去失败的行业卖出股票——即使在控制了规模、账面市值、个人股票动量、平均回报的横截面离散度和潜在的微观结构影响之后，也表现出很高的盈利能力。

正文：

投资理论及其在投资管理中的应用在很大程度上取决于我们领域对股票收益持续性异常的理解。确定这些异常现象是否植根于更理性的低风险投资者可以利用的行为，对我们的市场效率和最优投资政策的观点有着深远的影响。通过买入过去的赢家股票和卖出过去的输家股票（通常称为个人股票动量）超越买入持有策略的能力，仍然是这些异常现象中最令人费解的一个，这两个原因都是因为在每年的自我融资策略中，每一美元多头的异常回报率高达12%，也因为它似乎遵循了一种特殊的地平线模式：当使用较短的历史地平线形成投资组合时，基于单个股票动量的交易似乎是一种糟糕的策略，尤其是在不到一月的时间内。这种策略在中期范围内盈利能力最强，上至24个月的中期内利润很高；从长远来看，这又是一个糟糕的战略。

本文主要关注中期投资期（6至12个月内）股票收益或动量效应的正持续性，并探讨其存在的各种解释。我们认为，在这些领域，行业动量是动量交易利润的主要来源。具体而言，我们发现强有力的证据表明，行业回报成分的持续性产生了巨大的利润，这可能是单个股票动量策略盈利能力的主要原因。我们提供了以下证据：

•即使在控制了规模、账面市值比、个股动量、平均回报的横截面离散度以及潜在的微观结构影响之后，行业投资组合仍表现出显著的动量。

•一旦根据行业效应对回报进行调整，来自单个股票的动量利润将显著减弱，并且在大多数情况下，在统计上都是不显著的。

•行业动量策略比单个股票动量策略更有利可图

•行业动量策略对各种规格和方法都很稳健，即使在规模最大、流动性最强的股票中，它们似乎也是有利可图的。

•中期内行业投资策略的盈利能力主要由多头头寸驱动。相比之下，个别股票动量策略的盈利能力在很大程度上是由卖出过去的失败者推动的，尤其是流动性较差的股票。

•与个股动量不同，行业动量在一个月的短期内最强，然后像个股动量一样，在12个月后趋于消散，最终在长期内反转。因此，行业和个股动量策略的短期不到一个月表现的迹象完全相反，但其中期和长期表现的迹象是相同的。

作为动量利润主要来源的行业可能支持针对个别股票动量异常提供的行为模型的可行性。在这些行为解释中，Jegadeesh和Titman-s的初步推测是，个人股票动量是由投资者对信息反应不足驱动的。此外，最近一些基于投资者认知偏见的行为理论试图解释这一现象。其中包括Daniel、Hirshleifer和Subrahmanyam、Barberis、Shleifer和Vishny以及Hong和Stein。行为驱动的动量利润至少应该受到以下事实的约束：一些理性投资者可能将动量视为套利机会。如果大部分投资者持续且非理性地对公司间充分不相关的信息反应不足，理性投资者可以从持有大量股票的低风险非理性对手那里获利。如果股票收益是由一个因子模型产生的，那么这种套利几乎没有限制。一个自筹资金的动量投资组合，做多过去高回报股票，做空过去低回报股票，加权后具有与赢家投资组合相似的因子β配置，可以创建零因子风险。这样的投资组合将几乎完全分散公司的非系统性风险，并且由于动量，将享有正的预期回报。理性的投资者似乎不太可能不利用这种低风险的套利机会。

如果行为模式产生动量交易策略的盈利能力，那么这些策略必须至少受到无法消除的因素风险敞口的约束。这种因素风险将限制理性投资者愿意持有的头寸规模。因此，本文的一个贡献是，表明了由于行业动量驱动了大部分单个股票的动量，而且一个行业内的股票往往比跨行业的股票具有更高的相关性，因此动量策略的分散性不是很好。所以，动量可能是一笔不错的交易，但远不是套利。

行业动量利润也可能表明行业在理解金融市场方面的重要作用。以前的文献表明，无论是在国内市场还是在国际市场，行业对资产价格的影响相对较小。这与公司金融文献形成了鲜明对比，后者认识到行业在解释冷热的IPO和SEO市场以及并购活动方面的重要性，以及其他投资和金融政策决策。然而，大多数资产定价研究都考察了行业投资组合的无条件回报分布。当我们根据过去价格中的信息设定回报条件时，我们发现对行业的影响非常强烈。行业在有条件资产定价中的重要性可能与最近的行为和理性动量理论一致。在论文的最后一部分，我们提出了一些关于动量现象为什么与行业有关的猜想。

论文的结构如下。第一节简要介绍了行业的数据和构成。第二节通过介绍一个简单的收益生成过程来讲述本文写作动机，并讨论了动量利润的各种来源。第三节独立划分了了这些潜在的动量利润来源，并发现了一个巨大而重要的行业影响，似乎是动量异常的主要原因。第四节接着分析了我们结果的稳健性，发现强劲的行业动量独立于单个股票的动量、平均回报的横截面变化和微观结构效应。第五节评估了行业动量和个股动量之间的相互作用，以解释预期股票回报的横截面。第六节总结了我们的研究结果，并就行业动量的存在和重要性提供了一些经济故事，以此作为本文的结论。

• 数据说明及行业回报

利用CRSP和COMPUSTAT数据文件，从1963年7月到1995年7月，每月形成20个价值加权行业投资组合。两位数的标准行业分类SIC代码用于形成行业组合，以最大限度地覆盖纽约证券交易所、美国证券交易所和纳斯达克股票，同时保持可管理的行业数量，并确保每个行业包含大量用于分散化的股票。两位数的SIC分组与Boudoukh、Richardson、Whitelaw和Jorion采用的分组相似。表一提供了行业投资组合的说明及其汇总统计数据。每个行业的平均库存量为230支，除铁路外，任何行业任何时候的库存量最少超过25支。因此，几乎所有的投资组合都是多样化的，所以它们具有可忽略的公司特定风险。

表一列出了20个行业的平均月度原始超额收益。关于这些平均回报是否在不同行业之间存在差异的F检验并未被拒绝，这表明我们的行业样本平均值中几乎没有横截面变化。由于大量研究记录了这些变量捕获预期回报横截面差异的能力，我们根据规模市值和账面市值股本调整行业回报。如表1所示，几乎没有证据表明无条件的行业异常回报本身存在。

二．写作动机

在本节中，我们将介绍一个简单的回报模型，该模型允许我们说明动量利润的潜在来源，并为后续旨在独立这些潜在来源的测试提供直觉。

  A．收益生成过程

考虑下面的多因素线性过程的股票回报：

(1)式中，rjt是时间t时股票j的回报，Rkt是零成本投资组合的回报，这些投资组合模拟了最重要的经济范围因素，这些因素是对其敏感的证券回报的无条件回报溢价的来源，βjk是投资组合的敏感性，zmt是与K因子正交的资产回报的相关成分，θjm是股票j对z分量的敏感性，εjt是指在t日的股票j公司特定收益成分。公司特定成分的平均值为零，与各资产之间不相关。

金融领域的实证研究表明，这些要素投资组合在短期内定义的可行半被动策略集合中捕获了预期收益的横截面。也就是说，股票j的无条件预期收益为:

等价地，我们指出均值-方差有效半被动投资组合的θ为零，并且持有大量资产，因此投资组合ε与零的差异可以忽略不计。这些是半被动策略，因为它们在改变对规模、账面市值和市场因素的敏感性时，以及在与这些因素相关的无条件回报溢价改变时，调整资产的投资组合权重。然而，与动量策略相比，最优半被动策略固有的换手率相当低。因此，为了说明的简单性，我们假设这些半被动投资组合的敏感性变化，即账面市值、规模等，以及可能产生该营业额的因子风险溢价不存在，因此因子敏感性和μ缺乏时间下标。

z可以被认为是行业投资组合收益对最优半被动投资组合（如Fama -French因子投资组合）的正交投影。当然，原则上，除了行业之外，安全回报之间可能还有其他相关来源，这些来源不如R那么普遍，因此可以称为z。然而，为了简化说明，我们目前将z解释为仅与行业相关。如表一所示和上文所述，虽然行业是股票组之间相关性的来源，但其本身似乎没有无条件的风险溢价。因此，正如上面暗示的那样，β可能与无条件平均收益μ相关，但θ不应与μ相关。然而，没有理论上的理由证明这是真的。例如，即使在控制了规模、账面市值和市场效应之后，石油行业的回报可能也不是很多样化。它可能带来正风险溢价、零风险溢价或负风险溢价，这取决于整体经济是否必须通过其石油供应或未来的石油消费来承担石油行业风险。相反，在没有套利的情况下，企业特定回报成分不应带来风险溢价，因此不会影响μ。

即使模拟投资组合的K因子加上无风险资产跨越无条件均值-方差有效前沿，条件均值-方差有效前沿可能不会表现出K+1基金分离。如果主动投资组合策略（如动量）需要高换手率，产生的夏普比率大于仅通过分析股票对规模、账面对市场和市场因素的敏感性而产生的半被动策略，然后，除了R之外，还需要额外的风险投资组合来解释条件预期收益的横截面。假设R、z和ε的条件平均值可以改变，以时间t的信息φt为条件的资产预期回报由以下等式表示：

通过构造，K因子组合、行业成分和特质项在有条件和无条件的情况下彼此不相关。我们还假设：

这种假定的股票结构是可行的，但交叉自相关构成了动量利润。

B．动量利润的解析分解

回报的正动量意味着，无论定义如何，在上一时期表现优于平均股票的股票将在下一时期表现优于平均股票。因此，为了理解动量，我们需要关注条件预期收益。

形成投资组合的方式多种多样，有助于我们分析动量。例如，过去的研究主要集中在各种十分位组合中的多空组合投资，在多头和空头组合中股票的权重相等。之所以使用多头和空头的同等权重，是因为这种自筹资金策略的经济回报量很容易解释。也可以将重点放在具有权重的自筹资金投资组合上，这些权重是衡量动量的线性函数，例如过去的回报。其中一个投资组合的回报率与过去研究中使用的十分位投资组合高度相关，其预期回报率表示为：

我们可以自由地解释本文研究的自筹资金动量投资组合的平均收益率，该投资组合基于投资组合权重的十分位形式的混合，以从线性投资组合权重中推断收益分解的参数，如等式4所示。然而，我们相信这些自由度并不影响我们对投资组合权重的任何函数形式的推断。

根据产生股票回报的假设过程，动量利润可分解如下：

平均所有N只股票，动量交易利润相等：

方程式6表明，有四个股票动量利润来源。第一个是，即无条件平均回报的横截面变化。第二项是对无条件有效半被动投资组合中序列相关性动量的贡献。因此，如果账面市值、规模或基于市场贝塔的策略的利润是正序列相关性，则第二项为正。第三项，是行业回报成分中序列相关性动量的贡献。最后一项表示企业特定成分中的序列协变量。

下一节中的证据表明，至少在六个月的动量中，大部分交易利润来自第三部分，这意味着以上一期回报为条件的预期回报横截面可合理总结如下：

三．隔离动量交易利润的来源

A．动量投资策略

为了分析方程6中的组成部分，我们通过根据股票先前的1个月回报率对股票进行排名，形成过去1个月回报率最高的股票的零成本投资组合，通过做空过去低回报股票的投资组合，形成赢家输家自融资动量投资策略。然后，我们在接下来的H个月内持有这些头寸。这是Jegadeesh和Titman 使用的程序，他们的分析主要集中在6个月滞后、6个月持有期策略上。为了简洁和便于比较，我们也这样做。

我们采用与Jegadeesh和Titman 1993相同的技术，以避免基于重叠回报的测试统计。这项技术利用了这样一个事实，即过去六个月的排名和未来六个月的持仓会产生一个月回报的时间序列，其中每个月的回报是六种排名策略的组合。例如，1992年1月动量策略回报率的1/6，由1991年7月至1991年12月的赢家和输家决定，1/6由1991年5月至1991年11月的排名决定，1/6由1991年4月至1991年10月的排名决定，依此类推。请注意，1991年12月的回归只是六种排名策略之一的一小部分。之后，我们使用相同的技术来生成行业动量策略的月度利润。因此，如果将1992年1月的回报中的一小部分归因于个别股票动量的买卖反弹，或归因于行业动量的超前滞后效应，那将是错误的。

A.1.原始利润

我们使用30%的断点来确定赢家和输家，我们对动量排名在前30%和后30%的股票收益进行加权，以计算赢家和输家投资组合的收益。表II，面板A中所示的单个股票动量策略每年产生约6%的每美元多头收益，这低于Jegadeesh和Titman 1993中报告的基于动量的投资组合收益，但在统计上更为显著。在以下小节中，我们将这6%的零成本回报分解为不同的组成部分，以确定利润的主要来源。

A.2．因子组合中的序列协方差

CRSP所有上市股票的每月重新平衡、同等加权的投资组合有助于分析每年6%的动量利润的来源。等权指数有两个重要特性：一是它具有可忽略的公司特定风险，即ε接近于零，随时间变化可忽略；二是它的回报对任何单一行业的回报都具有可忽略的敏感性，即θ对于所有m都非常小。因此，所有股票的等权投资组合的序列协方差约为，

式中，t为六个月周期。这使我们能够分离动量利润的一个组成部分。使用原始的、每月的、平衡的、相等加权的投资组合收益，我们发现，正如Jegadeesh和Titman 一样，连续的、不重叠的，等权重的六个月收益的协方差是不显著不等于零，此外，投资组合的风险溢价处于历史高位，协方差对某些无条件有效组合的利润没有任何贡献。最后，在Fama和French因子投资组合上采用动量策略，我们发现，投资于先前回报最高的因子模拟投资组合和卖空先前回报最低的因子投资组合会产生-0.0005的负利润。因此，Rk所代表的回报率的持续性并没有推动动量交易利润。

B.行业动量利润

根据过去六个月的回报对行业内的股票进行估值加权的行业投资组合进行排序，并平均投资于前三大行业，同时平均卖空持有该头寸六个月的后三大行业，产生表2中所示的月平均利润，B组为0.43%，与个股动量策略得出的数值相同。我们表明，这些数量级的相似性并非巧合：行业动量利润占单个股票动量策略利润的很大一部分。

将股票集合到行业投资组合中，在很大程度上消除了特定于公司的回报成分，因为行业平均包含约230只股票。此外，行业动量利润的存在与单个股票动量利润的数量相同，这表明无条件平均回报的分散不会驱动动量利润。事后平均行业月度回报的横截面方差б2uj仅为0.00083，远低于历史平均月度股票回报的估计横截面离散度0.011。此外，表I未能拒绝事前平均行业回报相等的F检验，这表明无条件行业平均回报的横截面离散度很小。

我们可以更正式地总结这一结论。参照我们在方程式1中的回报模型，行业动量交易利润可以表示为：

其中，Rit是时间t时行业投资组合I的回报，而rt是整个行业投资组合的等加权平均回报。此外，如前所述，б2uI对于我们的行业样本来说很小，至少对于Fama French因子投资组合而言，б2uI≈0。因此，行业动量利润的存在、因素序列相关性的缺失以及可忽略的行业横截面平均收益分散意味着

B.1规模和BE/ME调整后利润

虽然我们发现几乎没有证据表明各行业的平均回报率存在显著差异，但我们的结论是基于事后样本平均数。理想情况下，我们希望得到事前平均收益离散度的估计值。因此，我们需要使用已知变量预测平均收益。根据大量以前的文献，我们使用公司的规模和BE/ME来实现这一目标。不仅这两个变量被证明可以预测平均回报，其他研究包括Lakonishok、Shleifer和Vishny、Asness 1995以及Fama和French都表明动量与规模和BE/ME相关。因此，除了控制事前平均收益外，我们还调整这两种效应的收益，以隔离动量效应。

我们的控制是Daniel和Titman的规模和BE/ME特征调整回报，如第二节所述，我们将其表示为：

式中，rjt是证券j的收益率，RtSB j,t-1是规模和BE/ME匹配投资组合的收益率。调整规模和BE/ME的持有期收益率不会显著降低动量盈利能力，如表二所示。六个月的动量策略持有期回报率（根据规模和BE/ME进行调整）保持强劲，每月产生0.29%的异常平均利润，显著的t统计量为3.34，这大约是原始利润的三分之二，与原始回报动量数没有显著差异，差异约为每月13个基点，t统计量为1.40。

B.2 DGTW调整后利润

我们已经证明，大小和BE/ME并不能解释其动量。因此，Daniel、Grinblatt、Titman和Wermers，继续朝向 DGTW，除了调整规模和BE/ME的回报外，还匹配具有类似过去回报或动量的股票。表II面板A的第一行报告了DGTW调整动量利润，作为DGTW回报调整程序成功的基线。如表所示，个别证券的DGTW动量利润与零没有显著差异，这意味着：

式中，rjt*是DGTW调整后的收益率，rt*≈0(rt*=0.0003,t统计量为0.31)。由于等权指数不显示DGTW调整收益，且对市场波动高度敏感，因此我们得出结论，DGTW调整除了消除与规模和BE/ME相关的溢价以及单个股票动量的收益影响外，还有效地消除了市场风险溢价的影响。

因此，DGTW回报调整占资产回报横截面变化的很大比例。例如，我们记录了DGTW调整捕获了未报告行业样本平均回报率的85%横截面变化。此外，DGTW调整显著降低了动量策略的可变性，占样本期内单个股票策略变化的近56%，超过行业动量策略变化的38%。

然而，如果行业动量的存在与个股动量不同，或者推动个股动量，那么在行业回报上采用这些过去的回报基准不应完全消除行业动量利润。就是，

将单个DGTW调整后的股票收益r*jt汇总到行业投资组合中，我们发现行业动量利润仍然显著，产生的平均月利润为0.20%(t统计量为2.27)，如表II面板B所示。因此，单个股票过去的收益基准不考虑行业动量利润，与独立于单个股票收益的动量产生动量的行业成分一致，并且可能对单个股票中观察到的动量也有贡献。此外，0.43%的原始行业动量利润与DGTW调整后0.20%的利润没有显著差异，表明平均回报率的下降可能是偶然事件。此外，由于与随机选择的投资组合相比，DGTW调整更有可能在高动量行业的股票中持有多头头寸，而在低动量行业的股票中持有空头头寸，因此DGTW基准中可能已经存在部分行业动量调整。因此，DGTW调整后的行业动量利润略低于原始利润也就不足为奇了。

此外，由于DGTW调整后的行业平均回报率在各行业之间表现出可忽略的变化，并且由于行业投资组合分散了公司特定的回报成分，因此只有行业成分中的系列协方差仍然是利润的可能来源。因此，在用规模、BE/ME对个股动量进行调整后，行业动量利润的存在意味着：

表明行业组成部分中的系列协方差正在产生显著的利润。

最后，当我们在应用行业动量策略的投资组合权重之前，通过从每月收益中减去每个股票的32年样本平均收益进行风险调整时，行业动量利润甚至比DGTW调整报告的利润更大。因此，资产定价模型的错误规定也不太可能推动我们报告的行业动量盈利能力。

B.3 行业调整利润

之前，我们证明了在考虑了个股动量后，行业动量是存在的。在这里，我们调查反转后是否为真的。如果我们从股票本身的回报中减去每个股票的同期行业回报，并分析单个股票动量策略的行业调整回报，我们将获得足够小的利润。由此产生的经行业调整六个月个股动量利润在表II面板A中报告。如表所示，利润下降到了略微显著的（t-统计值=2.04 ），13个基点/月。这13个基点在很大程度上是由于上半年样本的规模效应。当我们根据规模效应和BE/ME效应调整单个股票收益率，然后减去同时根据规模效应和BE/ME效应调整的行业收益率时，我们产生的利润微乎其微。具体而言，这些经规模调整、BE/ME调整和行业调整的回报定义如下：

式中，Ritsb是行业I的规模和BE/ME调整后回报，股票j在时间t时属于该行业，rsbjt如前面等式11中所定义。单只股票动量策略产生规模、BE/ME和行业调整后的收益

之前已经证明，右侧的第一项为零，我们表明，将股票与行业基准匹配，从而产生代表上一期的回报，即公司特定成分中的序列协方差。表二，A组，报告了六个月、六个月个人股票动量交易策略的结果。如表所示，当收益根据行业、规模和BE/ME效应进行调整时，单个股票收益的动量几乎被消除，这意味着

这表明，公司特定回报成分中的系列协方差不是动量利润的来源，但行业成分似乎主要驱动动量。

B.4 随机行业投资组合

为了强调这一点，我们还分析了随机行业投资组合，将行业I中的每只真实股票替换为另一只过去六个月回报率几乎相同的股票。如果只有行业组成部分真正推动了动量，以这种方式构建的随机行业将不会表现出动量。这是因为ε的横截面变化远大于行业组成部分δ的横截面变化。因此，与从同一行业中选择的股票相比，替代股票，即具有相同过去回报的股票，更有可能在过去具有类似的ε。因此，由于随机行业中的股票具有与真实行业中股票回报向量大致相同的过去回报向量，如果除行业外的其他组成部分驱动动量，它们将表现出显著的动量。然而，如表二B组所示，对于表示为Rit的随机行业，动量利润不存在，单个 股票的动量利润几乎不受随机行业调整表II面板A的影响，这与真正的行业是动量利润背后的重要组成部分相一致。

B.5 行业中性投资组合

最后，我们创建了三个零成本投资组合，作为记录行业动量重要性的替代规范。第一个投资组合的构成如下：对于每个行业，股票首先根据过去六个月的回报进行排序，在时间t计算行业内前30%的股票减去后30%的股票的价值加权平均回报，并持有六个月。我们将该投资组合称为行业中性投资组合，因为过去低回报股票是从同一行业的过去高回报股票中减去的。如表二所示，行业中性投资组合产生的平均利润为0.0011，检验统计量为1.01，再次表明，一旦我们考虑到行业效应，个人股票的动量几乎不存在。

对于第二个投资组合，根据过去六个月的回报率超过同期行业平均水平，对股票进行全球排名。根据超额收益排名，前30%的股票减去后30%的股票的相等加权平均收益在时间t计算并保持六个月。我们将第二个投资组合称为超额行业投资组合，因为我们根据过去超过行业基准的回报来选择我们的盈亏股票。如表二所示，超额行业投资组合并未表现出显著的利润，意味着与作为主要动量来源的行业组成一致。

第三种投资组合是多头投资，从盈利行业中买入亏损股票，做空亏损行业中的赢家。以过去六个月表现最好的三个行业为条件，我们根据之前六个月的回报率对这些行业中的股票进行排名，并形成一个价值加权投资组合，包括这三个过去表现最好的行业中最底层30%的股票。同样，我们将过去六个月收益率最高的30%的股票组成一个价值加权投资组合，这些股票分别属于三个表现最差的行业，并从之前的投资组合收益中减去该投资组合收益。如果行业效应驱动动量盈利能力，则该零成本投资组合应显示出显著的利润；如果个别股票回报是动量利润的主要来源，则该投资组合应产生显著的负利润。如表二所示，该投资组合每月产生0.30%的正利润和显著利润，表明行业在创造动量利润方面的重要性。

四、 行业动量策略的稳健性

之前，我们采用了多种方法证明，由于行业动量策略的盈利能力，个别股票动量策略正在产生巨大的回报。该分析仅侧重于股票和行业投资组合的买入和卖出，这些投资组合基于过去六个月持有六个月的投资组合回报。本节分析了这种强劲的行业势头效应在其他时长内是否也存在。

根据20个行业的L个月滞后回报率对其进行排名，我们形成了过去表现最高和最低的行业的投资组合，将其持有H个月，并每月重新平衡。同样，我们的策略是做多过去表现最好的三个行业，做空过去表现最差的三个行业。我们将L个月、H个月持有期策略称为IM（L、H）。表三提供了不同排名期和水平的IM（L、H）策略的细分，其中报告了L =1、6、12个月和H = 1、6、12、24、36个月的策略。

表三中的结果与Jegadeesh和Titman对个别股票收益的调查结果一致，在中间持有期3至12个月内，动量利润强劲，但超过一年后减少。L=24个月、H =36个月策略的负回报与DeBondt和Thaler 1985的研究结果一致，他们记录了单个股票回报的长期三到五年负自相关。然而，这些长期反转的经济规模很小。最后，与单个股票动量相比，行业动量似乎在非常短的一个月内最有利可图。事实上，正如杰加迪什（Jegadeesh）1990年所述，单个股票动量策略在一个月的期限内产生了巨大的负利润。在非常短的时间内，行业和个股动量之间的差异是我们在本文后面讨论的一个问题。

（1963年7月至1995年7月期间，即T=383，行业动量交易策略的平均月利润报告如下。行业动量投资组合基于1个月的滞后回报形成，持有时间为H个月。报告了IM（L、H）行业动量交易策略的结果，其中赢家投资组合是最高三个动量行业的相等加权回报，中间投资组合是中间三个动量行业的相等加权回报，而失败者投资组合是最低三个动量行业的等权重回报。报告了赢家Wi、输家Lo和赢家减去输家Wi -Lo的回报，以及赢家减去中间Wi-Mid和中间减去输家Mid-Lo的回报，其中中间投资组合是根据过去一个月的分类，排名第9、10和11的三个行业的相等加权平均回报。括号中为零成本策略的t统计数据。为简洁起见，我们只报告了L=1、6、12个月的滞后和H=1、6、12、24、36个月的持有期策略。当投资组合形成期和持有期之间不存在差距时，A组报告利润，即按T-L至T-1收益排序。B组在投资组合形成和持有期之间跳过一个月，即按t-L-1到t-2回报排序。最后，两个小组报告了DGTW调整后的Wi-Lo利润，该利润控制了规模、BE/ME和个股动量效应，并与1973年1月至1995年7月的时间段有关。在5%和1%显著性水平下，Bonferroni调整的临界值分别为3.24和3.67。）

A.交易摩擦和领先滞后效应

我们之前重点关注的六个月排名并持续六个月的行业动量策略要求每年的成交量约为200%。因此，盈亏平衡交易成本约为每美元单向多头或空头交易75个基点。与个别股票动量的结果一致，表三显示，在最初的六个月持有期之后，使用最初的六个月排名期再持有多头和空头头寸六个月，不会降低平均月回报率。因此，有可能将成交量降低到每年100%，将每美元盈亏平衡的单向交易成本提高到每美元单向多空交易150个基点。由于该策略采用了行业内的价值权重，因此与大中型公司相关的交易成本比小型公司的交易成本更适用。150个基点的盈亏平衡交易成本似乎超过了我们与之交谈过的机构交易员通常估计的中盘和大盘股票买卖价差、佣金以及市场影响的实际交易成本。然而，极端赢家和输家行业的股票回报率可能比不那么极端的行业的股票回报率更不稳定，当需要在行业动量策略中使用股票时，会暂时提高股票的交易成本。因此，我们认为，在实际交易成本之后，行业动量策略的盈利能力是未来研究的主题。

卖空限制也可能阻碍行业动量策略的实施，因为并非所有股票都可以轻松借入卖空，卖空收益和利润率通常低于市场回报率。表三报告了赢家减去输家Wi -Lo的利润，以及赢家减去中间三个行业Wi-Mid和中间减去输家Mid-Lo的利润，以衡量行业动量利润主要是由买方多头头寸还是卖方空头头寸驱动的。与单个股票动量策略相反，在该策略中，空头仓位似乎对策略的大部分盈利能力起到了作用，此处探讨的行业动量策略的盈利能力主要是由于仓位的多头。根据前六个月的排名和六个月的持续时间，一项做多最高的三个动量行业，做空中间的三个动量行业的策略，其月平均回报率为0.36%。如表三所示，中间三个行业每月平均超过动量排名倒数第三的行业0.07%。因此，行业动量策略的利润主要来自买方，与单个股票动量策略相比，卖空限制对其盈利能力的影响更小。

此外，如Lo和MacKinlay以及Jegadeesh和Titman所发现的，先前的研究表明，由于与公司规模相关的超前-滞后效应，股票投资组合可以表现出正的序列相关性。其中一部分原因是小型股交易量偏少；然而，在比一天更长的时间里，这是由于小公司的回报和大公司的回报相关——这些回报发生在几天和几周之前。正如Boudoukh、Richardson和Whitelaw所指出的，这种效应在短期内最强，可能是由于小公司对共同因素的延迟价格反应。如果这些超前-滞后效应正在推动行业发展势头，那么这将影响我们指定的战略，并可能严重限制此类战略的潜在盈利能力。因此，重要的是检查领先滞后效应对我们的行业动量组合的影响。

如果超前-滞后效应混淆了我们的结果，它们将在最接近投资组合形成的月份表现得最为强烈。早些时候，我们认为排名期和持有期之间的连续几个月只会对单个股票动量策略的大小产生可忽略的影响，因为我们的六个月、六个月策略只对最接近投资期的排名期施加1/6权重。行业动量也是如此。然而，为了稳健性，我们在表三B组中跳过了排名期和持有期之间的一个月。如表所示，数据似乎支持我们的主张。将排名期推迟一个月，并实施类似的动量策略，表三B组中显示的平均月回报率为0.40%，与表三A组中未跳过一个月的行业动量月平均回报率0.43%相差不大。

一些研究人员，特别是格伦迪和马丁，认为行业动量可能是由于超前滞后效应，而不是由于公司规模。这几乎是冗余的。如果，如表II面板C所示，单个股票动量确实不存在于行业内，则行业动量必须是行业内股票之间的超前-滞后效应。我可能认为，研究人员可以找出一个变量，使人们更清楚地了解这种超前-滞后效应。然而，到目前为止，还没有发现这样的变量。更重要的是，这种影响只有在禁止有利可图的交易时才值得关注。例如，如果这种影响是由于流动性不足，那么这可能会严重限制我们从这些策略中获利的能力。我们将很快解决这些问题，并证明这些影响不会对我们的结果产生显著影响。

纵观表三中A组和B组下每种策略的行，一个有趣的规律是买方利润迅速下降，通常在12个月后消失，最终在24个月和36个月时出现负反转。然而，卖方利润减少得不那么快，而且在24个月甚至36个月时往往不会逆转。这一现象可能是因为，投资者通常更难做空资产，因此也更难套利走下坡的势头。这种不对称性也可能与Hong等人1999年关于分析师覆盖率和分析师隐瞒不良信息的一些猜测一致。我们在论文的最后一部分回到这些问题上来。

最后，表三还报告了各种L、H行业动量策略的利润，通过DGTW调整了大小、BE/ME和个股动量效应的回报。如表所示，行业动量策略仍然保持着可观的利润，进一步表明，行业动能强于并似乎主导了个股动能。

B.一个月、一个月行业动量交易策略

如表三所示，最强的行业动量策略是一个月滞后、一个月持有期策略，包括原始策略和DGTW方法的风险调整策略。与六个月、六个月的行业动量策略（多头仓位产生大部分利润）不同，一个月、一个月的行业动量策略的盈利能力似乎同样受到多头仓位和空头仓位的驱动。此外，与六个月、六个月策略相比，一个月、一个月策略的周转率似乎排除了交易成本后的利润，尽管其平均回报显著较高。然而，即使交易成本巨大，对于那些希望了解动量异常背景下的资产定价的人来说，这一发现仍然具有极大的兴趣。

鉴于Jegadeesh的调查结果，一个月、一个月策略的力量令人惊讶。Jegadeesh 1990记录了个别股票的短期回报逆转。因此，尽管六个月、六个月策略的个股动量与行业六个月、六个月策略的盈利能力密切相关，但个股的一个月序列相关性似乎与行业的一个月序列相关性相反。对个股短期一个月反转与行业短期延续之间差异的一种可能解释是，个股的一个月回报反转是由微观结构效应产生的，如买卖反弹和流动性效应，这些效应通过形成行业投资组合得到缓解。

表四报告了IM （1,1）交易策略的汇总统计数据，并证明这是一种广泛的现象。如表所示，在赢家类别中，所有行业最多出现在347个月中的80个月的食品饮料，或23%的时间。类似地，所有行业中输家类别中出现最多的是83个月的金属制品。一个行业在赢家或输家组合中出现的连续月数最多为五个月。因此，无论是赢家还是输家的投资组合似乎都不是由某一特定行业主导的。事实上，每个行业的平均排名仅在10.01到10.96之间，这进一步表明某些行业并不比其他行业更容易被归类为赢家或输家。

此外，各行业的样本平均回报率与它们出现在赢家和输家类别中的频率之间似乎没有什么关系。例如，表一表明五个样本平均回报率最高的行业是食品和饮料、石油、制造业、铁路和零售业。然而，只有食品饮料和石油这两个行业在赢家投资组合中的出现频率高于一般行业，只有食品饮料和零售这两个行业在赢家投资组合中的出现频率高于输家投资组合。表IV第4列中报告的t月各行业排名与其上月排名之间的低相关性进一步表明，赢家和输家并非由同一行业主导，且由于风险调整不当，平均回报的横截面分散性，这应该会导致排名之间的高度相关性，从一个时期到另一个时期，并不是驱动动量利润。表四还报告了我们行业在1个月、6个月、12个月和36个月滞后时的偏自相关系数。如表所示，偏自相关系数与行业动量利润报告的模式一致：短期内有很强的持续性，这种持续性会消散并最终逆转。

（构成我们行业动量交易策略的行业汇总统计如下。IM（1,1）行业动量交易策略的结果报告，赢家是过去一个月回报率最高的三个行业，输家是过去一个月回报率最低的三个行业。该表记录了编号为1-20的各行业在赢家和输家投资组合中出现的次数、各行业在赢家和输家投资组合中连续存在的最长时间、各行业在过去一个月收益率中排名的平均排名，每个行业在时间t的排名与其在时间t-1的前期排名之间的相关性，以及每个行业在滞后1、6、12和36个月时的偏自相关系数。偏自相关系数通过回归p最近滞后的行业回报来估计，对于p=1…，L，其中L为1，6，12和36。结果与1966年7月至1995年7月的347个月时间段有关。）

C.领先滞后效应和一个月、一个月的行业动量

与前面分析的长期行业动量相比，显著强劲的一个月行业动量效应可能最受潜在超前滞后效应的影响。在前面的小节中，我们发现跳过一个月会完全消除一个月、一个月行业动量策略的盈利能力。盈利能力下降的一个解释是，跳过一个月可以缓解市场微观结构效应，从而导致股票之间存在超前-滞后关系。在本小节中，我们提供证据证明情况并非如此。由于跳过一个月而导致的盈利能力下降，仅仅是由于自相关效应在较远的排名期间变得较弱。

我们在这里的论点的主旨是，行业投资组合是价值加权的，因此在很大程度上缓解了与公司规模或数量（流动性的代表）相关的领先滞后效应。为了量化领先滞后效应的影响，在时间t，我们选择了前一个月表现最好的三个行业和表现最差的三个行业。然后，在每个行业中，我们根据t-1月底的市值将股票分为五类。我们不再计算过去表现最好的三个行业的回报减去过去表现最差的三个行业，而是计算过去表现最好的三个行业中规模最大的五分之一的平均回报，减去过去表现最差的三个行业中规模最高的五分位数的平均回报。也就是说，我们将证券限制在每个行业中最大的20%的股票。然后对这些股票进行价值加权，使其权重总和为1。如果领先-滞后效应主要推动了一个月、一个月的行业动量利润，那么限制行业只包含最大的股票应该会产生显著的利润减少。

如表V的面板A所示，每个行业中最大的20%的股票的一个月、一个月的动量利润为每月0.99%，其数量级与之前报告的IM（1,1）利润相同，IM（1,1）利润使用了行业中的所有股票。这表明，公司规模导致的领先滞后效应不会对报告利润产生重大影响。

（IM（1,1）动量策略利润分解为与规模和美元交易量相关的各个组成部分，报告了1963年7月至1995年7月期间的情况。A组根据市值大小和美元交易量报告最大和最小20%股票的IM（1,1）利润。具体而言，选择在t-1时表现最好的三个行业和表现最差的三个行业，并且在每个行业中，根据其在t-1时的市值将股票分为五级。然后，从三个表现最差的行业中每个行业的最高规模五分位数的平均回报中减去三个表现最差的行业中每个行业的最高规模五分位数的平均回报。也就是说，我们将证券限制在每个行业中最大的20%的股票。对每个行业中最小的20%的股票重复同样的分析。股票是价值加权的，因此它们的权重总和为1。小组B将IM （1,1）的利润分解为上述规模和交易量五分位数，但证券的权重在每个五分位数内未重新平衡，因此我们可以捕获每个规模和交易量类别对总利润的贡献。我们使用原始和DGTW调整收益报告结果，这与1973年1月至1995年7月的时间段有关。）

当然，这并不意味着超前-滞后效应已经神秘地从我们的数据中消失。请注意，如果我们将证券限制在每个行业中最小的20%的股票，我们会发现利润大幅增加，如表V面板A所示，这表明小公司的回报率滞后于大公司。如表所示，DGTW调整后的利润在大股票利润和小股票利润之间仍然存在巨大差异，因此，这种差异可能是由于超前滞后效应，而不是规模溢价。

然而，由于价值加权，这种影响对IM（1,1）利润的影响最小。如上文所述，表V的B组将IM（1,1）战略的利润分解为五分位数。具体而言，我们限制行业仅包含特定规模五分之一的股票，并且我们计算利润时假设持有期回报仅计算该特定规模类别的股票。和以前一样，输赢行业仍然取决于前一时期行业中的整套股票，因此我们的IM战略选择了相同的行业。这里的不同之处在于，我们没有重新平衡每五分位中的股票，使之总和为一，这样我们就可以捕获每个规模类别对总利润的贡献。如表五所示，最小的股票仅占总价值加权利润的0.92%，但最大的股票产生了超过75%的利润。通过DGTW回报调整对规模、BE/ME和个股动量进行控制，情况更加清楚，因为规模溢价不再混淆小股的影响，毫不奇怪，小股对调整后利润的贡献更弱，仅为0.60%，而最大的股票贡献了76.94%的利润。这一结果并不令人惊讶，因为一个行业内的股票都是价值加权的，它再次证实了我们先前的直觉，即价值加权在很大程度上减轻了超前滞后效应对利润的影响。

当然，规模只是活跃交易和非流动性股票之间潜在超前-滞后关系的代表。因此，当我们根据时间t-1的美元交易量而不是规模进行排序时，我们验证上述结果适用。表五报告了交易量最大和最小的股票的原始和DGTW调整行业动量利润，采用价值加权行业。如表所示，交易量最大的股票比交易量最小的股票产生更多的利润。同样，当我们将IM（1,1）利润分解为面板B中的美元交易量五分位数时，大部分交易利润来自最大、流动性最强的股票。因此，如果美元交易量提供了合理的流动性度量，那么与行业内流动性相关的超前-滞后关系似乎不会影响利润。此外，如果想利用行业动量，流动性最强的股票似乎提供了最大的机会。

关于可能的超前-滞后关系的最后一个证据来自前面讨论的随机行业。如果超前-滞后关系推动了行业动量利润，那么随机行业也应该在一个月、一个月的策略中表现出虚假动量。然而，随机行业不显示一个月，一个月的动量利润。因此，与流动性相关的超前-滞后关系对于我们的研究结果来说是一个可疑的解释。

这一证据回答了格伦迪和马丁1999年提出的关于超前滞后效应对我们行业动量利润的潜在影响的担忧。我们最终证明，由于规模、流动性或微观结构效应，强劲的行业势头现象几乎不受超前滞后效应的影响。然而，正如格伦迪和马丁1999年所指出的那样，在一个行业内，股票之间可能存在其他的超前-滞后关系，从而推动了动量。同样，这几乎是重复的。一个行业内产生正收益自相关的股票之间关系的性质是一个有待进一步研究的开放性问题。我们的观点是，这种关系不是由于尺寸或微观结构的影响，因此，行业势头不是一个虚假的发现。

五、预期收益横截面及个股与行业动量的相互作用

本节采用Fama和MacBeth在证券领域的每个时间点上的横截面回归来确定各种行业策略如何与各种股票动量策略和市场微观结构效应相互作用，以解释预期股票回报的横截面。该分析还对我们的结果进行了稳健性检查，因为回归使用了所有证券，即不需要断点规范，并允许我们控制潜在的混杂微观结构效应，同时检查不同动量范围之间的相互作用，并避免根据规模对股票进行加权。具体而言，我们回归了时间t的股票回报横截面，并使用本文前面描述的Daniel和Titman程序，对规模和BE/ME特征的回报效应进行了调整，在一个持续的一系列公司特征上。我们将尺寸和BE/ME属性作为回归系数，以便更充分地清除横截面中的任何混淆影响。

第一组自变量包括市场β，规模（t-1时刻的市场资本化率的对数），BE/ME（账面价值加递延所得税和投资抵税额除以市值的对数），以及之前六个月的股票回报ret-6,-1(t-6到t-1回报率的均值)，下一次回归只是加入了过去一个月的回报ret-1,-1,以及t-36到t-13的平均回报ret-36,-13。然后，将这些回归的系数随时间进行平均，并在表六中报告，以及它们的时间序列t-统计量，计算方式与Fama和MacBeth 1973相同。这些回归的结果证实了先前的发现，并为其他回归提供了基准。Jegadeesh 1990记录的流动性和微观结构效应，导致短期个人股票回报逆转。长期回报率捕捉三到五年的反转效应，DeBondt和Thaler试图通过跳过最近一年的回报率来放大它，我们知道这一年的回报率会产生延续而不是反转。

对其他三个中间水平动量变量重复这些回归。为了完整性，我们还检查了（6,6）策略，（12,1）策略，以及我们用于稳健性的（12,12）策略。合并（12,1）策略需要在之前的每次回归中将ret-6,-1替换为ret-12,-1。适应(6,6)和(12,12)策略更为复杂，因为这些策略本身分别是6个和12个单独策略的相等加权平均数。然而，我们用ret-6,+6代替了ret-6,-1，它只是从t-11到t-6，…，t-6到t-1的收益的相等加权平均数：,ret-12,+12也被类似的定义。

表六A组中的证据重申了文献中先前的研究结果：在单个股票中存在较强的短期一个月反转效应、中间动量效应和较弱的长期反转效应，但似乎没有任何一种能够解释另一种现象，这可能会使人们对丹尼尔等人1998年、巴伯里斯等人1998年以及Hong和Stein 1999年等将各种异常现象联系起来的理论产生怀疑。然而，尽管ret-36,-13在统计上具有显著性，但其经济意义很小。(6,1)和(12,1)动量变量都被一个月的反转效应所混淆，使得这些变量无关紧要。然而，将ret-1,-1添加到回归中可以控制这种效应并增加其显著性。还要注意的是，(6,6)和(12,12)策略不受一个月回报的影响，这证实了我们之前的直觉，即这些策略不会受到微观结构或流动性造成的任何潜在短期影响的影响。然而，由于(12,12)效应包含了过去两年的收益，因此该变量被长期反转效应所混淆。因此，当长期股票收益率ret-36,-13作为回归因子纳入时，(12,12)策略变得重要。

我们还使用行业动量变量运行相同的横截面回归，用ind-L,-H替换ret-L,-H，这是每个股票所属的L，H时间段内的行业回报。回归结果证实了本文先前的发现：行业中存在非常强的短期一个月动量效应、强的中间动量效应和统计上不显著的长期反转效应，尽管其经济意义与单个股票一样大。更能说明问题的是短期和中期行业动量变量之间的相互作用。例如，ind-6,-1和ind-12,-1分别在第一次回归中具有高度显著性，似乎因ind-1,-1而显著减少。因此，(6,1)和(12,1)行业战略的重要性部分源于一个月效应的强度。最后，(12,12)战略最初微不足道，然后通过控制一个月的行业动量效应而大幅削弱。然而，一旦我们通过包括ind-36,-13来控制长期反转效应，(12,12)策略就变得重要。

最后，我们将单个股票和行业过去收益或动量变量组合在同一个回归中，分析它们之间的相互作用，以获得预期股票收益的横截面。表六C组的结果表明，6个月时的行业动量包含了(6,1)和(6,6)策略6个月时的单个股票动量。这与本文先前的证据是一致的。此外，一个月的行业动量变量大大减少了六个月的行业变量。因此，回归结果表明，一个月的行业动量也推动了六个月个股动量的很大一部分。然而，通过检查(12,1)策略之间的相互作用，我们发现，尽管ind-12,-1削弱了ret-12,-1的影响，ind-1,-1反过来削弱了每一个策略，但所有这些变量仍然显著。因此，一年期对行业和个股动能仍然很重要。因此，对于过去一个月、六个月和12个月的行业收益率，投资者似乎最感兴趣的是这几个区间，但一旦我们控制了过去一年的个别股票收益率，那么只有一个区间对个别股票的动量具有重要意义。

最后，尽管我们之前的回归控制了一个月的个股回报和行业回报效应，但对于D组中所有过去的回报变量，我们也跳过了形成期和持有期之间的一个月。回归与C组中的回归相同，只是排除了最近的那个月回报。因此，ret-6,-1变为ret-7,+2，ret-6,+6变为五种过去回报策略的相等加权平均数，即排除从t-6到t-1的回报。12个月期限和行业变量的定义类似。然而，结果表明，我们的发现完全没有差异：ret-7,-2被ind-7,-2所包含，(6,6)战略被行业(6,6)战略所包含，(12,12)战略被行业(12,12)战略所包含。同样，唯一对个股动量有意义的策略是一年策略，因为我们跳过了一个月。

因此，即使跳过最近一个月的回报，在四种不同策略中唯一具有显著意义的单个股票动量变量是12个月策略。相反，没有一个行业动量变量包含在个股动量中，尽管跳过一个月会加强个股动量，削弱行业动量。这为我们的研究结果提供了强有力的证据。

 

（Fama和MacBeth横截面回归从1973年1月到1995年在证券领域每月运行一次。具体而言，在t时，股票回报的横截面（特征是根据规模和BE/ME进行调整）回归到一个未报告的常数和一系列公司特征上：市场β，规模，BE/ME，和一些个股/行业收益变量，我们调整回归方程左侧和右侧的大小和BE/ME，以更好地控制这些影响。

A组报告了使用个股过去收益或动量变量的回归的时间序列平均系数，B组报告了采用各种行业过去收益或动量变量的回归的时间序列平均系数，C组报告了使用各种单个股票和行业过去收益或动量变量的回归的时间序列平均系数。D组报告了回归的时间序列平均系数，该回归采用了不同的个人和行业过去收益或动量变量，在形成期和持有期之间跳过一个月。）

六、 结论

我们发现了一种强大而持久的行业动量效应，这种效应似乎不能用微观结构效应、单个股票动量或平均回报的横截面离散度来解释。此外，行业动量似乎对个股动量策略的盈利能力做出了重大贡献，除12个月的个股动量外，几乎完全捕获了这些利润。这些发现对几种规格和处理方法都很可靠，并为动量投资的盈利能力提供了重要的实用见解。例如，这些结果表明，动量策略实际上并不是很多样化，因为赢家和输家往往来自同一个行业。此外，如果一个人要依靠动量进行交易，基于行业的战略似乎更有利可图，也更容易实施。与单个股票动量策略不同，行业动量策略在买入端产生的利润与在卖出端产生的利润一样多，甚至更多，而单个股票动量策略似乎主要由卖出端驱动。此外，与个股动量不同，在规模最大、流动性最强的股票中，行业动量利润依然强劲。

行业动量势头强劲，令人印象深刻。行业动量永远不会包含在个股动量中，而是在除（12,1）战略外的每个水平上始终包含个股动量。虽然12个月个股动量的存在值得注意，但如果是季节性效应，则不那么重要。Grinblatt和Moskowitz声称，一年期个股动量策略的大部分盈利能力都是由于年底的税收损失抛售。因此，行业动量可能是理解收益持续性异常的关键因素，它尚未被纳入解决这一现象的理论模型中。

当然，这些结果提出了一个问题：为什么行业具有动量效应？本文提供了大量证据证明行业动量势头强劲，但我们没有说明为什么可能或应该存在这种效应。例如，我们知道有热的和冷的IPO市场，有热的和冷的经济部门，投资者可能只是从这些热的和冷的行业和部门中蜂拥而至，造成价格压力，从而产生持续回报。最近对互联网股票的吸引力可能是这种行为的最新表现，这与多年前生物技术公司的类似模式没有什么不同。

Daniel等人1998年、Barberis等人1998年以及Hong和Stein 1999年提出的一些最新行为理论可能为这一现象提供了见解。以Daniel等人1998年的模型为例，当投资者表现出过度自信和自我归因偏差时，随着时间的推移，这些投资者可能在某些类型的行业表现出更多的过度自信和自我归因。难以评估新的或正在变化的行业的价值，可能会导致受雇于这些行业或拥有与这些行业相关爱好的投资者更加过度自信，从而夸大行业的错误定价。或者，根据Barberis等人1998年的模型，投资者表现出保守主义倾向。因此，当新信息到来时，投资者在更新其关于新的或正在变化的行业的先验知识时可能会更加保守，从而导致行业价格对公共信息的反应不足。然而，在Barberis等人的模型下，投资者也表现出代表性偏见，导致他们对一系列好消息和坏消息的公司过于乐观悲观。如果这些投资者关注的是行业而不是公司特定的新闻，这可能会导致他们对整个行业的业绩推断得太远，从而导致行业回报的长期反转。

Hong和Stein 1999提出了回报持续性和反转的另一种行为解释，他们认为信息向价格的缓慢扩散会导致最初对消息的反应不足，但动量交易者试图利用缓慢的价格运动导致随后的反转。在随后的实证研究中，Hong et al.发现，分析师覆盖率较低的小公司的势头更强，他们认为这是信息扩散缓慢的公司的代表。此外，在一个行业的公司之间传播新闻可能需要时间。行业领导者通常规模更大、关注度更高的公司可能是第一个收到一条信息的公司，但随着分析师和投资者解释信号对整个行业的潜在影响，这些信息可能会慢慢扩散到行业内的其他公司。这可能会在行业领导者和行业内其他公司之间产生与微观结构无关的超前滞后效应，或可能产生动量的延迟共同因素反应。

还有其他一些合理的解释可能与我们的发现一致。例如，伯克、格林和奈克（1999年）证明，与系统风险相关的公司增长选择的变化可以产生收益的动力。由于行业内企业之间的增长机会可能比跨行业企业之间的增长机会更相关，并且可能取决于行业特定属性，因此可以想象，他们的模型将产生行业动力。同样，Kogan 1999在具有不可逆投资的理性模型下获得正回报持续性，其中行业或部门冲击可能在企业不断变化的系统风险和预期回报中发挥作用。产业内投资往往与企业之间存在关联。分析增长机会的程度或行业面临不可逆转或不稳定投资的程度，可能有助于阐明这些潜在解释的有效性。

最后，尽管我们将重点放在公司分组的行业成员资格上，但在我们的分析中，还有其他可能同样或更有效的分组。我们选择行业作为分析单位，因为行业内的企业往往高度相关；它们在相同的监管环境中运作，在公司融资领域表现出类似的行为，对宏观经济冲击同样敏感，并面临类似的供求波动。因此，尽管资产定价未能确立行业在无条件环境中的重要作用，但本文确定了行业在资产价格中的新的有条件作用，这可能与投资者行为、风险和广泛的公司金融研究有关。区分这些不同的解释可能是一个富有成效的学术研究领域。然而，就目前而言，我们将这些可能的解释作为初步推测，值得进一步研究。

文章读后感：

在翻译这篇文章的最初，我对这篇文章的内容感到十分的困惑。我不知道他要用实证研究证明什么，也不太能看懂公式中密密麻麻的符号代表了什么经济意义。但是事实证明，最初的我其实是被上万字的英文给唬住了，只要边翻译边领悟，再结合投资学和金融时间序列分析上课所学，文章的研究脉络和内容其实不难把握。

这篇文章，首先通过各种方式为我们证明一个事实：行业动量对个股动量收益有明显的推动作用，而证明的思路如下：作者首先分别计算出了个股动量原始收益与行业动量原始收益，发现他们在大小上相一致；然后又计算了规模和BE/ME调整后个股动量收益，以及DGTW调整后个股动量收益，发现DGTW对个股动量收益有显著的解释和推动作用。随后作者就从个股收益中剔除掉DGTW的部分，重新计算了行业动量收益。由于这次计算得到的行业动量收益显著大于零，说明行业动量收益对个股动量收益有显著的解释和推动作用。为了结论的稳健性，作者又从个股收益中减去了行业平均收益，再来计算个股动量收益。这次计算得到个股动量收益的不显著性再一次证实了文章观点。作者还研究了行业随机投资组合和行业中性投资组合，结论也与之前保持一致。

在证实了行业动量策略对个股动量利润的推动作用后，下一个部分作者重在证明行业动量策略的稳健性。从交易摩擦的角度，行业动量策略的盈利能力是未来研究的主题；从卖空限制的角度，由于行业动量策略的利润主要来自买方，与单个股票动量策略相比，卖空限制对其盈利能力的影响更小。从领先滞后效应的角度，由于行业动量策略采用价值加权平均，领先滞后效应对我们的行业动量组合的影响微乎其微。从观察期，持有期角度，行业动量利润在一个月持有期最为显著，在中间持有期3至12个月内，动量利润强劲，但超过一年后减少。

在下一个部分，作者用行业动量变量，个股动量变量对个股收益做了截面回归，以分析个股与行业动量的相互作用；在最后一部分，作者总结全文，写出了各种结论性观点。

纵观全文，文章的中心思想都在揭示着行业的动量效应。什么是行业动量？也就是做多过去表现好的行业股票，做空过去表现差的行业股票。行业动量的存在表明了股票市场有一定的趋势性，这其实也让我感受到这样的结论和我们的现实世界，也就是A股的行业板块走势有很大的相似程度。为什么中国A股也存在行业动量效应？我不由产生了自己的思考。

我认为中国A股存在行业动量效应的原因包括以下三点：一是国家对行业的利好利空政策不会在短期内结束。比如2021年以来，随着我国对新能源汽车的利好政策不断加码，新能源汽车板块，以及它下面细分的汽车整车，动力电池，电极材料等等一系列产业链的股票都呈现了趋势性的上涨。其龙头股票，宁德时代更是一跃成为创业板一哥，股价屡次创出新高。二是供需关系短时间内不能得到有效改善，这也会使行业板块的涨跌呈现一定的趋势性。例如煤炭板块在需求严重不足的情况下，煤炭价格一路高歌猛进，进而煤炭产业链板块的公司利润大幅增长，股价也是一路攀升。第三就是基金经理抱团现象日渐普遍。去年疫情，基金经理全部扎堆购买防御性板块的股票，致使白酒板块一年翻了两倍；今年基金经理又转头跑向新能源板块，由于他们资金体量大，持仓一定是分批买入，抱团现象又加剧了行业板块的动量效应。

由此观之，行业动量效应在国内外市场普遍存在。这也进一步说明了我国的股票市场不是强有效市场。这篇文章不仅开拓了我们的视野，为我们日后研究在中国股市采用行业动量交易策略的有效性奠定了基础，更为我们投资路上的交易策略提供了全新的思路。