Time series momentum（Tobias J. Moskowitz, Yao Hua Ooi, Lasse Heje Pedersen）

原始论文

摘要

• 我们记录了我们考虑的58种流动工具中的每种在股指，货币，商品和债券期货中的重要“时间序列动量”。 我们发现，回报率持续了1到12个月，在更长的时间范围内会部分逆转，这与最初反应不足和延迟反应过度的情绪理论一致。 跨所有资产类别的时间序列动量策略的多元化投资组合可带来可观的异常收益，并且几乎不暴露于标准资产定价因子，并且在极端市场中表现最佳。考察投机者和套期保值者的交易活动，我们发现投机者从时序动量中获利，而以套期保值者为代价。

1. 简介：华尔街的趋势交易

• 我们记录了称为“时间序列动量”的资产定价异常，该异常在非常不同的资产类别和市场中非常一致。 具体而言，我们从证券自身过去近五十几种不同期货和远期合约的收益中发现了强大的积极可预测性，其中包括超过25年数据的国家股票指数，货币，商品和主权债券。 我们发现，每种工具过去12个月的超额收益是其未来收益的积极预测指标。 这种时间序列动量或“趋势”效应会持续大约一年，然后在更长的时间范围内部分反转。 这些发现在许多子样本，回溯期和保持期中都是可靠的。 我们发现12个月的时间序列动量利润为正，不仅是这些资产的平均收益，而且是我们研究的每个资产合同的收益（总计58个）。
• 时间序列动量与金融文献中被称为“动量”的现象有关，但与之不同，文献中该现象本质上主要是横截面的。 关于动量的文献着重于横截面的证券的相对表现，发现在过去的三到十二个月中最近表现优于同业的证券在下个月继续平均优于同业。与关注横截面的相对收益率不同，时间序列动量完全集中在证券自身的过去收益率上。
• 我们认为时间序列动量直接与许多著名的行为理论和理性资产定价理论的预测相符。 Barberis，Shleifer和Vishny（1998），Daniel，Hirshleifer和Subrahmanyam（1998）以及Hong和Stein（1999）都专注于单一风险资产，因此对时间序列预测性有直接影响，而不是横断面的可预测性 。 同样，动量的理性理论（Berk，Green和Naik，1999； Johnson，2002； Ahn，Conrad和Dittmar，2003； Liu和Zhang，2008； Sagi和Seasholes，2007）也属于单一风险资产。
• 我们发现长周期过程中部分反转的正时间序列动量可能与最初的反应不足和延迟的过度反应相符，情绪理论认为这可能会产生这些回报模式。然而，我们的结果也给这些理论带来了一些挑战。 首先，我们发现跨资产类别的时间序列动量策略的相关性大于资产类别本身的相关性。 这表明，与资产本身相比，不同资产的时间序列动量的共同成分更强。 现有的行为理论未解决这种相关结构。 其次，不同资产市场中不同类型的投资者在同一时间产生相同的模式。 第三，我们没有找到时间序列动量与文献中使用的投资者情绪测度之间的联系（Baker和Wurgler，2006； Qiu和Welch，2006）。
• 为了了解时间序列和横截面动量之间的关系，其潜在驱动因素以及与理论的关系，我们按照Lo和Mackinlay（1990）和Lewellen（2002）的框架，分解了时间序列和横截面动量策略的收益。这种分解使我们能够确定导致这些模式的收益的性质，以及两种策略共有和独特的特征。我们发现，期货合约收益的正自协方差驱动着我们在数据中发现的大部分时间序列和横截面动量效应。其他两个收益组成部分的贡献很小（序列互相关和平均收益变化）。实际上，影响横截面动量的负序列互相关（即证券间的超前滞后效应）可以忽略不计，并且在我们用来解释时间序列动量的工具中有“错误”符号。我们发现时间序列和横截面动量利润是由于自协方差而产生的，这与上述理论是一致的。此外，我们发现时间序列动量捕获了与单个股票（横截面）动量相关的回报，最明显的是Fama和French的UMD因子，尽管时间序列动量是由一组完全不同的证券构成的。该发现表明即使将时间序列动量与横截面动量应用于不同的资产也具有很强的相关性结构，并表明我们的时间序列动量组合捕获了单个股票动量。
• 为了更好地理解什么可能是驱动时间序列动力的因素，我们使用商品期货交易委员会（CFTC）的每周头寸数据来研究投机者和套期保值者围绕这些回报模式的交易活动。 我们发现投机者利用时间序列动量进行交易，平均而言，投机者可以利用头12个月的正回报趋势，并在趋势开始逆转时降低头寸。 因此，投机者似乎从时序动量中获利，而套期保值者却为此付出了代价。 使用向量自回归（VAR），我们可以确认投机者的交易方向与回波震荡相同，并随着震荡的消散而减少头寸，而套期保值者采取了与这些交易相反的方向。
• 最后，我们将时间序列动量分解为来自现货价格可预测性的成分，和来自期货曲线形状的“滚动收益”。 尽管现货价格的变化主要是由信息冲击引起的，但滚动收益率可以由期货市场中的流动性和价格压力效应驱动，这种影响会影响持有期货的收益，而不必改变现货价格。 因此，这种分解可能是一种从套期保值压力中区分信息传播效果的方法。 我们发现这两种影响都有助于时间序列动量，但只有现货价格变化与长期反转有关，这与投资者可能对现货市场的信息反应过度但是对冲压力是长期存在的不受过度反应的影响的想法一致。
• 我们在几乎所有检查的工具中发现的时间序列动量似乎都对“随机游走”假说提出了挑战，该假说的最基本形式意味着，了解过去价格的上涨或下跌并不意味着该价格将来会上升或下降。尽管拒绝随机游走假说并不一定意味着拒绝具有随时间变化的风险溢价的更为复杂的市场效率概念，但我们进一步表明，所有资产类别的分散化资产组合的时间序列动量的投资组合都非常稳定和稳健，产生了夏普比率每年大于1，大约是股票市场投资组合夏普比率的2.5倍，与每种资产类别中的被动基准或一系列标准资产定价因素几乎没有关联。时间序列动量的异常收益似乎也不是对危机风险或尾部事件的补偿。相反，当股票市场的收益最高时，时间序列的收益势头往往最大——当市场经历大幅度的上下波动时，则表现最佳。因此，时间序列动量可能是对极端事件的避险工具，从基于风险的角度来看，其巨大的收益溢价甚至更加令人困惑。时间序列动量在非常不同的资产类别和市场中的稳健性表明，我们的结果不太可能是虚假的，并且可预测性的持续时间相对较短（少于一年）以及与时间序列动量相关的收益溢价的幅度很大。尽管我们不能排除可以解释这些发现的理性理论的存在，但对随机游走假设以及有效市场假设也提出了挑战。
• 我们的研究涉及收益自相关和方差比的文献，该文献还发现与随机游走假设的偏差（Fama和French，1988； Lo和Mackinlay，1988； Poterba和Summers，1988）。尽管这些文献主要集中在美国和全球股票上，但卡特勒，波特贝和萨默斯（1991）研究了包括房屋和收藏品在内的各种资产。文献发现，在每天，每周和每月的时间范围内，正的回报自相关和在每年和多年的频率下的负自相关。我们通过几种方式来补充这些文献。根据定义，自相关研究检验了回报可预测性，其中“回望期”的长度与预测回报的“持有期”相同。此限制掩盖了重要的可预测性，一旦允许回溯期与预测或保持期不同，就无法发现该可预测性。特别是，通过查看一年的自相关，我们过去12个月的回报率的结果强烈预测了下一个月的回报率。虽然还可以从方差比率中隐含地检测到收益持续性，但我们通过明确记录收益持续性的程度并构建时间序列动量因子来补充文献，以帮助解释现有的资产定价现象，例如横截面动量溢价和对冲基金宏指令和托管期货收益。同样，股票较高频率发现中的重要组成部分也受到了市场微观结构效应的影响，例如滞后价格（Richardson，1993； Ahn，Boudoukh，Richardson和Whitelaw，2002）。关注流动性期货而不是单个股票并查看较低频率的数据可以缓解许多此类问题。最后，对于该文献而言，我们将时间序列的可预测性与套期保值者和投机者头寸的动力学联系起来，并将收益分解为价格变化和滚动收益。
• 我们的论文还涉及有关商品期货中的套期保值压力的文献（Keynes，1923； Fama和French，1987； Bessembinder，1992； de Roon，Nijman和Veld，2000）。 我们通过显示套期保值者和投机者的头寸与过去的期货收益（而不仅是商品）之间的关系来对文献进行补充，发现投机者的头寸对时间序列动量正相关，而套期者的头寸对其负相关。 此外，我们考虑头寸，过去的价格变化和过去的滚动收益率的相对的收益可预测性。 Gorton，Hayashi和Rouwenhorst（2008）也将商品动量和投机者头寸与商品库存联系在一起。
• 本文的其余部分安排如下。 第2节介绍了我们的期货收益数据以及套期保值者和投机者的头寸。 第3节记录了不到一年的时间范围的时间序列动量，并在此之后进行了反转。 第4节定义了时间序列动量因子，研究了它与其他已知回报因子的关系，在极端市场中的表现以及资产类别内和资产类别之间的相关性。 第5节研究了时间序列和横截面动量之间的关系，显示了时间序列动量是横截面动量以及宏观和管理期货对冲基金收益的主要驱动因素。 第6部分研究了时间序列动量的演变及其与投资者投机和对冲头寸的关系。 第七节总结。

2. 数据和初步准备

• 我们简要描述了我们在分析中使用的各种数据源。

2.1. 期货收益

• 我们的数据包括1965年1月至2009年12月的24种商品，12种货币对（来自9种基础货币），9种发达的股指和13种发达的政府债券期货的期货价格。这些工具是流动性最高的期货合约之一。我们将重点放在流动性最高的工具上，以避免收益率因流动性不足或价格过时问题而受到影响，并更紧密地匹配具有重大贸易规模的可实施策略。 附录A提供了每种工具及其数据源的详细信息，这些数据源主要是Datastream，Bloomberg和各种交易所。
• 我们为每种工具构造一个回报序列，如下所示。 每天，我们计算流动性最高的期货合约（通常是最近的或下一个最接近交割的合约）的每日超额收益，然后将每日收益复合成为累积收益指数，由此我们可以计算任何水平的收益。 对于股票指数，我们的收益序列几乎与基础现金指数相对于国库券利率的超额收益完全相关。
• 作为稳健性测试，我们还使用“远期”期货合约（在流动性最高的合约之后的下一个到期）。 对于大宗商品期货而言，时间序列动量利润实际上对于远期合约而言略强，对于金融期货而言，如果我们使用远期期货，时间序列动量回报几乎不会改变。
• 表1列出了我们的期货合约超额收益的描述性统计。 第一列报告每种资产的回报时间序列何时开始，而后两列则按资产类别（商品，股指，债券和货币）报告每种合约的时间序列均值（算术）和标准差（年化） 如表1所示，不同合约的样本平均收益存在显着差异。 在样本期内，股票指数，债券和货币主要产生正的超额收益，而各种大宗商品合约产生的正平均收益为正，零甚至负。 只有股票和债券期货具有统计显著性，而且始终保持正的超额平均收益率。
• 更引人注目的是各合约的波动率差异。 毫不奇怪，商品和股票的波动性比债券期货或货币远期合约大得多。 但是，即使在大宗商品中，波动率也存在较大的横截面变化。 在波动率差异很大的工具之间进行比较，或者在波动率范围广泛的情况下将各种工具组合到一个多样化的投资组合中，是具有挑战性的。 例如，天然气期货的波动率是2年期美国债券期货的约50倍。 我们在下面讨论在分析中如何处理此问题。

2.2. 交易者头寸

• 我们还使用商品期货交易委员会（CFTC）的投机者和套期保值者头寸数据，如附录A所述。CFTC要求所有大型交易者将自己识别为商业或非商业人，我们以及以前的文献（例如 （Bessembinder，1992； de Roon，Nijman和Veld，2000），分别称为套期保值者和投机者。 对于每个期货合约，每周都会报告这些交易者在周二持有的多头和空头未平仓合约。
• 使用CFTC定义的投机者和对冲者的头寸，我们为每种资产定义净投机者头寸，如下所示：
  $$投机者净头寸=\frac{投机者多头头寸-投机者空头头寸}{总持仓}$$
• 这个带正负号的度量标准显示投机者总体上是净多头还是空头，并根据该期货市场中的未平仓头寸或未平仓合约总数来缩放其净头寸。 由于投机者和套期保值者的总和大约为零（由于很小的交易者的计量问题导致的微小差异表示为“未报告”），因此我们将注意力集中在投机者上。 当然，这意味着净套期保值者头寸构成相反的一面（即净投机者头寸的负数）。
• CFTC头寸数据并未涵盖我们获得回报并在分析中考虑的所有期货合约。涵盖了大多数商品和外汇合约，但只涵盖了美国的股票和债券期货合约。表1的第三和第四列报告了随时间推移带有净投机头寸的期货合约样本的描述性统计。对于大多数合约而言，投机者平均而言是净多头，因此套期保值者是净空头，这一结果与Bessembinder（1992）以及de Roon，Nijman和Veld（2000）在相对较短时间内的较少合约的结果相一致。除了两个商品外（天然气和棉花），所有商品在样本期内都具有净多头投机商头寸，白银的平均净多头投机商头寸最大。这与凯恩斯（1923）的推测是一致的，即商品生产者是市场上的主要套期保值者，因此在这些合约的空头位置。对于其他资产类别，除了标准普尔500指数，30年期美国国债以及美元/日圆和美元/瑞郎的汇率外，投机商平均表现出净多头头寸。表1还突出表明，每个合约和不同合约的净投机商头寸随时间变化很大。毫不奇怪，净投机者头寸的标准差与期货合约本身的波动性正相关。

2.3. 资产定价基准

• 我们评估相对于标准资产定价基准（即MSCI世界股票指数，巴克莱总债券指数，标准普尔GSCI指数）的策略的收益，这些收益都是从Datastream获得的，多空因子SMB，HML和UMD来自于 Ken French的网站，以及Asness，Moskowitz和Pedersen（2010）中跨资产类别的多空价值和横截面动量因子。

2.4. 事前的波动率估计

• 由于资产之间的波动性差异很大（如表1所示），因此我们根据资产的波动性来缩放收益，以便对资产进行有意义的比较。 我们使用一个非常简单的模型估算每个工具在每个时间点的事前波动率${\sigma }_t$：指数加权的滞后平方日收益率（即类似于简单的单变量GARCH模型）。 具体来说，每种工具的事前年均方差${\sigma }_t^2$计算如下：
  $${\sigma }_t^2=261\sum _{i=0}^{\infty }(1-\delta ){\delta }^i(r_{r-1-i}-{\overline{r}}_t)\text{\hspace{1em}(1)}$$
• 其中标量261将方差缩放为年度，权重$(1-\delta ){\delta }^i$总计为1，而${\overline{r}}_t$是类似计算的指数加权平均收益。 选择参数d使得权重的重心为${\sum }_{i=0}^{\infty }(1-\delta ){\delta }^{i}i=\delta /(1-\delta )=60$天。 所有资产的波动率模型始终相同。 尽管本文中的所有结果对于更复杂的波动率模型均具有鲁棒性，但由于其简单性和避免了波动率估计中前瞻性偏差，我们选择此模型。 为了确保没有前瞻性偏差污染我们的结果，我们在整个分析过程中，将时间t-1的波动率估算值应用于时间t的收益计算。

3. 时间序列动量：回归分析和交易策略

• 我们首先研究时间跨度在不同时间范围内的可预测性。

3.1. 回归分析：预测价格的持续性和反转

• 我们将工具s在t月份的超额收益$r_t^s$对滞后h个月的月份的收益率进行回归，其中两个收益均按其事前波动率${\sigma }_{t-1}^s$（在上文第2.4节中定义）进行缩放：
  $$r_t^s/{\sigma }_{t-1}^s=\alpha +{\beta }_h{r}_{t-h}^s/{\sigma }_{t-h-1}^s+{\epsilon }_t^s.\text{\hspace{1em}(2)}$$
• 鉴于波动率的巨大差异（如表1所示），我们将所有收益除以波动率，以将它们置于相同的规模。 这类似于使用广义最小二乘而不是普通最小二乘（OLS）。堆叠所有期货合约和日期，我们运行混合面板回归并计算t统计量，这些统计量按时间（按月水平）按组进行聚类。 回归使用$h=1,2,...,60$个月的滞后进行。
• 图1的A板按月滞后h月绘制了汇总回归的t统计量。 前12个月的t统计量为正值表明收益率持续增长或趋势显着。 较长时期的负号表明出现了逆转，其中最大的逆转出现在正趋势之后的一年。
• 查看时间序列可预测性的另一种方法是仅关注过去超额收益的正负号。 这种查看时间序列动量的更简单方法是我们在下一部分中考虑的交易策略的基础。 在回归设置中，可以使用以下规范捕获此策略：
  $$r_t^s/{\sigma }_{t-1}^s=\alpha +{\beta }_{h}sign(r{t-h}^s)+{\epsilon }_t^s.\text{\hspace{1em}(3)}$$
• 我们再次使回归的左侧与波动无关（由于符号为sign1或1，右侧也是如此），因此参数估计值在各个工具之间是可比的。 我们在图1的面板B中报告了根据标准误差按时间（即月）聚集的汇总回归的t值。
• 在两个回归指标中，结果是相似的：第一年的收益持续强劲增长，而接下来的4年的收益反转较弱。 在这两种情况下，数据均显示出清晰的模式，所有最近12个月的滞后收益均为正（9个在统计意义上是显着的），其余大部分滞后均为负。 分别重复每种资产类别的面板回归，我们得到相同的模式：1到12个月的正时间序列动量，然后在接下来的4年中出现较小的逆转，如图1的面板C所示。

3.2. 时间序列动量交易策略

• 接下来，我们将基于时间序列动量来研究多种交易策略的获利能力。 我们会改变滞后收益的月数来定义用于形成投资组合的信号（“回顾期”），也要改变每个投资组合形成后所持有的月数（“持有期”）。
• 对于t月份的每个工具s，我们考虑过去k个月内的超额收益是正还是负，如果为正，则做多合约，如果为负，则做空合约，持有h个月的头寸。 我们将每月的头寸规模设置为该工具的事前波动率成反比，即$1/{\sigma }_{t-1}^s$。 调整每种策略中的每个头寸以使其具有持续的事前波动性是有帮助的，这有两个原因。 首先，它使波动性水平差异很大的工具之间的策略汇总更加容易。 其次，从经济上来说，使时间序列具有相对稳定的波动性是有帮助的，这样该策略就不会受到几个波动期的支配。
• 对于每种交易策略（k，h），即使持有期h超过一个月，我们也会得出一个月度回报的单一时间序列。 因此，我们没有重叠的观察结果。 我们按照Jegadeesh和Titman（1993）所使用的方法得出该单一时间序列的收益：时间t的收益代表当时所有投资组合的平均收益，即上个月（当月）构建的投资组合的收益。 在此之前（如果持有期h大于两个，则仍持有），依此类推，对于所有当前的“活跃”投资组合。
• 具体来说，对于每种工具，我们都根据从时间t-k-1到t-1的过去收益的符号来计算时间t收益。 然后，我们根据从t-k-2到t-2的过去回报的符号来计算时间t回报，依此类推，直到我们基于从t-k-h到t-h仍在使用的最终过去回报来计算时间t的回报。 对于每个（k，h），我们可以通过计算所有h个当前“活跃”投资组合（即刚购买的投资组合和之前购买还持有的投资组合）的平均回报来获得月度回报的单个时间序列。 我们对所有工具（或资产类别中所有工具）的收益进行平均，以获得时间序列动量策略收益$r_t^{TSMOM(k,h)}$。
• 为了评估这些策略的异常性能，我们通过以下回归计算它们的alpha：
  $$\begin{gathered} r_t^{TSMOM(k,h)}=\alpha +{\beta }_{1}MK{T}_t+{\beta }_{2}BON{D}_t+{\beta }_{3}GSC{I}_t+ \\ sSM{B}_t+hHM{L}_t+mUM{D}_t+{\epsilon }_t,\text{\hspace{1em}(4)} \end{gathered}$$
• 在这里，我们控制了对三大资产类别的被动敞口–股票市场MKT，由MSCI世界指数的超额收益代理；债券市场BOND，由巴克莱综合债券指数代理；商品市场GSCI，由标普GSCI指数代理，以及标准的Fama-French股票市场因素（包括市值，价值和（横截面）动量溢价）为SMB，HML和UMD。 为了评估时间序列动量策略，我们依靠从1985年开始的样本来确保工具更全面（请参见表1），并且市场具有大量的流动性。 如果包含较早的数据可以追溯到1965年，我们将获得相似的（通常更有意义的）结果，但是由于在此期间工具的广度和流动性更加有限，我们报告了1985年以后的结果。
• 表2显示了每种资产类别和所有资产的估计alpha的t统计量。 时间序列动量的存在和重要性在不同的水平和资产类别中都非常可靠，尤其是当回顾和持有期为12个月或更短时。 此外，如果将现金指数用于股指期货，我们可以确定时间序列动量结果几乎相同。 其他资产类别没有现金指数。

4. 时间序列动量因子

• 为了更深入地分析时间序列动量，我们将注意力集中在单个时间序列动量策略上。根据横截面动量文献中使用的惯例（并基于图1和表2的结果），我们关注具有1个月持有期的12个月时间序列动量策略的属性（例如， k=12和h=1），我们简称为TSMOM。

4.1. 单一证券的TSMOM和分散化的TSMOM因子

• 我们首先分别查看每种工具和资产，然后将所有资产汇总到一个分散的TSMOM产品组合中。我们对每个头寸（多头或空头）的大小进行调整，以便事前年度波动率达到40％。即，头寸大小选择为$40％/{\sigma }_{t-1}$，其中${\sigma }_{t-1}$是如上所述的合约事前波动率的估计值。 40％的选择是无关紧要的，但它使直观地比较我们的投资组合与文献中的其他资产变得更加容易。之所以选择40％的年度波动率，是因为它类似于平均单个股票的风险，并且当我们对所有证券（均等加权）的收益进行平均以形成代表我们的TSMOM因子的证券投资组合时，它在1985-2009年的样本期内，波动率年化为12％，大约是Fama和French（1993）以及Asness，Moskowitz和Pedersen（2010）等展示的因子所显示的波动水平。TSMOM收益率对于任何工具s在时间t处为：
  $$r_{t,t+1}^{TSMOM,s}=sign(r_{t-12,t}^s)\frac{40\%}{{\sigma }_t^s}\text{\hspace{1em}(5)}$$
• 我们计算从1985年1月到2009年12月每个工具和每个可用月份的回报。图2的顶部绘制了每种期货合约这些策略的年度夏普比率。 如图所示，每张期货合约从过去的一年收益中都显示出积极的可预测性。 所有58个期货合约都显示出正的时间序列动量收益，而在5％的显着性水平上，有52个在统计上不同于零。
• 如果我们将每种证券的TSMOM策略退回至始终为多头策略（即用等式（5）中的1代替“符号”），那么在90％的情况下获取正alpha（ 其中26％在统计上是显着的；少数负面结果中没有一个是显著的）。因此，对于大多数工具而言，时序动量策略可提供除被动多头头寸以外的其他收益。
• 在时间t可用的所有$S_t$证券分散化的策略的整体收益为
  $$r_{t,t+1}^{TSMOM}=\frac{1}{S_t}\sum _{s=1}^{S_t}sign(r_{t-12,t}^s)\frac{40\%}{{\sigma }_t^s}{r}_{r,r+1}^s.$$
• 接下来，我们将详细分析该因子的风险和回报。 我们还按类似方法TSMOM策略，该策略按照资产类别分类。

4.2. Alpha和风险因子暴露

• 表3检验了多种TSMOM策略的风险调整后绩效及其因子敞口。表3中的面板A将TSMOM策略的超额收益与MSCI世界股票市场指数和标准Fama-French因子SMB，HML和UMD的收益进行了回归，代表了单个股票的市值，价值和横截面动量溢价。第一行报告每月时间序列的回归结果，第二行使用季度非重叠收益（以说明整个市场上的任何非同步交易影响）。在这两种情况下，TSMOM均针对这些因素提供较大且显着的alpha或截距，每月约1.58％，每季度4.75％。 TSMOM策略在市场，SMB或HML上没有显着的beta，但在横截面动量因子UMD上具有明显的正相关性。在下一节中，我们将更充分地探讨横截面动量和时间序列动量之间的联系，但是鉴于较大且显着的alpha值，似乎单个股票的横截面动量不能完全解释时间序列动量。
• 表3的B组使用Asness，Moskowitz和Pedersen（2010）的价值和动量“无处不在”因素（即，跨资产类别分散的因素）代替了Fama和French因素，重复了回归。 Asness，Moskowitz和Pedersen（2010年）形成了来自四个国际市场，股票指数期货，债券期货，货币和大宗商品上各个股票的价值和动量的多空投资组合。 与Fama和French因素相似，这些都是横截面因素。 再次，我们没有发现显著的市场指数或价值的无处不在的重要负荷，但发现有横截面动量的无处不在的重大负荷。 但是，TSMOM的回报率并未被横截面的无处不在的因素完全捕获-Alpha仍是每月令人印象深刻的1.09％（t统计值为5.40）或每季度2.93％（t统计值为4.12）。

4.3. 随时间推移的表现和在极端市场中的表现

• 图3绘制了随时间推移（对数标度）的分散化时间序列动量策略的累积超额收益。 为了进行比较，我们还绘制了所有工具中多样化被动多头头寸的累计超额收益，每种工具中的风险量相等。 （由于每种工具都用相同的恒定波动率进行标度，因此除了时间序列动量策略和被动多头策略之间的相关性差异之外，这两个投资组合都具有相同的事前波动率。）如图3所示，分散时间动量策略随时间变化的表现提供了相对稳定的正收益流，其表现优于所有期货合约中的被动多头头寸的多元化投资组合（事前波动）。
• 尽管有可用数据的工具数量有限，我们也可以计算1966年至1985年时间序列动量因子的收益。 在此较早的样本中，时间序列动量具有统计上显着的收益，年化Sharpe比率为1.1，提供了时间序列动量的强大样本外证据。
• 图3突出显示，时间序列动量利润在2008年10月，11月和12月是巨大的，当时正处于全球金融危机的高峰期，当时大宗商品和股票价格急剧下跌，债券价格上涨，货币汇率大幅波动。 进入此阶段之前，时间序列动量在2008年第三季度遭受损失，当时相关的价格变动导致许多合约中的TSMOM策略空头，这些空头2008年第四季度在所有市场中获得的巨额利润，当时这些资产类别进一步下跌。 图3还显示，当危机在2009年3月，4月和2009年5月结束时，TSMOM遭受了巨大的损失。危机的结束构成了趋势的急剧逆转，在遵循诸如TSMOM的策略的趋势上产生了损失。
• 更一般而言，图4绘制了TSMOM回报与标准普尔500回报的关系。 在最大的市场波动中，TSMOM的收益最大。 为了检验此发现的统计意义，表3的C面板的第一行报告了TSMOM回报率对市场指数回报率和平方的市场指数回报率的回归系数。 尽管市场上的贝塔系数微不足道，但市场回报系数的平方却显着为正，这表明TSMOM在最极端的市场事件中实现了最高利润。 因此，TSMOM的收益类似于跨市场的期权。 Fung and Hsieh（2001）讨论了趋势跟踪为何产生了跨越式的收益，并运用这种见解来描述对冲基金的表现。 我们的TSMOM策略产生了这种回报结构，因为当市场出现大幅上涨时，它倾向于走多头，而当市场崩溃时则倾向于走空。
• 这些结果表明，TSMOM的正平均回报率不太可能是危机风险的弥补。 从历史上看，TSMOM在“崩溃”期间表现良好，因为危机通常发生在当经济从正常状态转入不良状态（使TSMOM成为空头风险资产），然后从不良状态恶化（导致TSMOM利润），以及最近的金融危机时 2008年就是一个很好的例子。

4.4. 流动性和情绪

• 我们测试TSMOM的回报是否会因流动性不足而被驱动或被夸大。我们首先测试横断面中TSMOM对于更多的非流动资产是否表现更好，然后测试多样化的TSMOM因子的表现是否取决于时间序列中的流动性指标。对于前者，我们使用从路透社和经纪人提供的每日美元交易量来衡量每个期货合约的流动性不足。我们没有这些合约日交易量的历史时间序列，而是使用其2010年6月日交易量的快照来检查资产的流动性横截面差异。由于资产在许多方面存在很大差异，因此我们首先按照资产的每日交易量（从最高到最低）对资产类别中的每个合约进行排名，然后通过每个排名减去平均值并除以其标准差来计算每个合约的标准归一化排名，也就是（rank-mean(rank))/ std(rank)。正（负）值表示该合同比该资产类别的中位数合同具有更多（更少）的非流动性。如图2的底部所示，我们发现在特定合约中，TSMOM的夏普比率的夏普比率的大小与它的非流动性之间的关系很小，而这与每日的美元交易量有关。合约的时间序列动量策略的非流动性与夏普比率之间的相关性在所有合约中平均为0.16，这表明（如果有的话）更多的流动性合约表现出更大的时间序列动量利润。
• 接下来，我们将考虑TSMOM如何随流动性时间序列的总收益而变化。表3 C的第二行报告了使用财政部欧洲美元利差（TED）的结果（TED是Brunnermeier和Pedersen（2009），Asness，Moskowitz和Pedersen（2010）以及Garleanu和Pedersen（ 2011年）建议的对融资流动性的代理指标），TED的最极端实现的前20％则分布在最缺乏流动性的融资环境中。 如表所示，在TED利差和TSMOM回报之间没有显着关系，表明与资金流动性几乎没有关系。 表3 C的第三行使用VIX指数进行分析，以捕获市场波动水平和最极端的市场波动环境，（VIX似乎也与流动性低的情况相对应）。 TSMOM的盈利能力和市场波动之间也没有显着关系。
• 在表3的C面板的底部，我们还研究了TSMOM回报与Baker和Wurgler（2006，2007）所使用的情绪指数测度之间的关系。 我们同时检查了情绪水平及其每月变化（一阶差分），并检查了这些变量的最高和最低极限（20％）。 正如回归所表明的，即使在极端情况下，我们也没有发现TSMOM的盈利能力和情绪指标之间存在显着关系。

4.5. 相关性结构

• 表4检验了时间序列动量策略的相关性结构，并将其与被动持有多头头寸的相关性结构进行了比较。 表4的面板A的第一行报告了同一资产类别中的两两合约之间时间序列动量回报的平均成对相关性。 在每个资产类别中，相关性都是正的，从股票和固定收益期货的0.37到0.38，到商品和货币的0.10和0.07。 这种相关结构的一部分反映了收益的共同变化，使得它们同时在每种工具中只是被动的多头（或空头）。 表4的面板A的第二行报告了每个资产类别中被动多头头寸的平均成对相关性，除了货币以外，被动多头策略比资产类别中的时间序列动量策略表现出更高的相关性。
• 表4中的面板B显示了跨资产类别的时间序列动量策略的平均相关性。 在这里，我们首先计算每个资产类别中时间序列动量策略的多元化投资组合的收益，然后估算跨资产类别的TSMOM投资组合的收益相关性。 所有相关系数均为正，范围为0.05至0.21。 为了进行比较，该表还显示了多种被动多头头寸资产类别之间的相关性。 对于每个资产类别比较，跨资产类别的时间序列动量策略的相关性大于被动长策略的相应相关性，其中被动多头的许多都是负数。
• 总结两个小组的结果，时间序列动量策略在资产类别中正相关，但比被动长策略要小。 但是，在资产类别之间，时间序列动量策略彼此之间呈现正相关，而被动长策略在资产类别之间呈现零或负相关。 最后的结果表明，有一个共同的因素同时影响跨资产类别的时间序列动量策略，而基础资产本身并不存在这一点，类似于Asness，Moskowitz和Pedersen（2010）的发现，他们发现跨部门的共同结构。 不同资产类别的部门动量策略。

5. 时间序列vs横截面动量

• 我们之前的结果表明时间序列动量和横截面动量之间存在显着的关系。 在本节中，我们将进一步探讨这种关系，并确定我们的时间序列动量策略与文献中常用的横截面动量策略之间存在多少重叠和差异。

5.1. 时间序列动量对横截面动量回归

• 表5的面板A通过将我们的时间序列动量策略（在所有工具上和每种资产类别内均多样化）的收益对相同资产的横截面动量策略进行回归，进一步提供了时间序列动量（TSMOM）与横截面动量（XSMOM）之间关系的证据。具体来说，根据Asness，Moskowitz和Pedersen（2010）的研究，我们基于每种资产过去12个月收益的相对排名应用横断面动量策略，并根据资产的相对排名到排名中间值的比例形成做多或做空资产的投资组合。
• 表5中的面板A的第一行报告了TSMOM策略的结果，该结果在XSMOM策略上回归的所有资产均已多元化，而XSMOM策略在这些资产之间均实现了多元化。 如前所述，时间序列动量和横截面动量之间存在显着相关性，TSMOM在XSMOM上的beta等于0.66，t统计量为15.17，R平方为44％。 但是，正如截距所示，XSMOM不能完全捕获TSMOM，它的每月alpha统计量为76个基点，且具有显着的正和显着alpha值，t统计量为5.90。 因此，TSMOM和XSMOM是相关的，但并不相同。
• 表5面板A的第二行针对每个资产类别（包括单个股票）使用XSMOM策略重复进行了回归。 TSMOM与所有不同资产类别中的XSMOM相关，包括单一股票动量，这甚至不包括在TSMOM策略中，并且这是在控制了其他四个资产类别中对XSMOM的敞口之后。 但是，TSMOM仍显示出显着的alpha值，因此在这些资产类别中的横截面动量策略未完全捕捉到。
• 分别使用每种资产类别的TSMOM收益重复这些回归，我们发现了一致的模式。 TSMOM与每种资产类别中的XSMOM相关，R平方的范围为货币（FX）的56％至固定收益的14％，但XSMOM不会捕获TSMOM。对于每种资产类别，TSMOM的Alpha值仍显着为正。我们还看到了TSMOM和XSMOM之间一些有趣的跨资产关系。例如，不仅商品的TSMOM与商品的XSMOM相关，而且与货币的XSMOM相关。同样，股指期货中的TSMOM不仅与那些股指中的XSMOM相关，而且与单个股票中的XSMOM相关。并且，固定收益的TSMOM与固定收益的XSMOM和权益指数的XSMOM相关。这些结果表明时间序列和横断面动量在不同资产类别之间具有显着的相关性结构，这与我们之前的结果以及Asness，Moskowitz和Pedersen（2010）的结果一致。

5.2. 一个简单的正规分解

• 我们可以更正式地写下时间序列（TSMOM）和横截面（XSMOM）动量之间的关系。 遵循Lo和Mackinlay（1990）和Lewellen（2002），我们可以如下描述对相同资产的简单横截面和时间序列动量策略。 对于横截面动量，我们让工具i的投资组合权重为$w_t^{XS,i}=(1/N)(r_{t-12,t}^i-r_{t-12,t}^{EW})$即过去12个月的超额收益高于等权平均收益率的超额收益，其中$r_{t-12,t}^{EW}=(1/N){\sum }_{i=1}^N{r}_{t-12,t}^i$。 因此，投资组合的回报为
  $$r_{t,t+1}^{XS}=\sum _{i=1}^N{w}_t^{XS,i}{r}_{r,r+1}^i.$$
• 接下来，假设每月的预期收益为${\mu }^i=E(r_{t,t+1}^i)=E(r_{t-12,t}^i)/12$,并且$\mu =[{\mu }^1,...,{\mu }^N{]}^{\prime }$，$R_{t,s}=[r_{t,s}^1,...,r_{t,s}^N{]}^{\prime }$，$\Omega =E[(R_{t-12,t}-12\mu )(R_{t,t+1}-\mu {)}^{\prime }]$可以将预期的横截面动量回报率（XSMOM）分解为
  $$\begin{array}{rl}E[r_{t,t+1}^{XS}]& =\frac{tr(\Omega )}{N}-\frac{1^{\prime }\Omega 1}{N^2}+12{\sigma }_{\mu }^2\\ & =\frac{N-1}{N^2}tr(\Omega )-\frac{1}{N^2}[1^{\prime }\Omega 1-tr(\Omega )]+12{\sigma }_{\mu }^2,\end{array}\text{\hspace{1em}(6)}$$
• 其中$tr$是矩阵的迹，$1$是$(N\times 1)$的单位向量，${\sigma }_{\mu }^2$是平均月收益率${\mu }^i$的横截面方差。
• 等式 （6）表明，横截面动量利润可以分解为滞后的1年收益和未来1个月收益之间的自协方差分量（第一项为$\Omega$的对角线元素），交叉协方差分量捕获了股票之间的时间超前和滞后的关系（第二项捕获$\Omega$的非对角线元素），以及无条件平均收益的横截面变化（第三项）。 正如Lewellen（2002）所强调的那样，横截面动量利润不需要通过收益的正自相关（即时间序列可预测性）来产生。 如果股票的跨股协方差是负数，则意味着某项资产的过往高收益预测了其他资产的未来收益较低，这也可能导致动量利润。 同样，平均回报率的较大横截面变化也可能导致动量利润，因为平均而言，平均回报率最高的资产将具有最高的实际回报率。
• 时间序列动量的收益可以类似分解,如果组合权重是$w_t^{TS,i}=(1/N)r_{t-12,t}^i$.那么期望收益是:
  $$E(r_{t,t+1}^{TS})=E(\sum _{i=1}^N{w}_t^{TS,i}{r}_{t,t+1}^i)=\frac{tr(\Omega )}{N}+12\frac{{\mu }^{\prime }\mu }{N}.\text{\hspace{1em}(7)}$$
• 正如这些方程式所强调的那样，如果资产的平均收益的平方均值很小，则时间序列动量利润主要由时间序列的可预测性（即收益的正自协方差）驱动。 比较式 在（6）和（7）中，我们看到时间序列动量利润可以分解为自协方差项，该自协方差项也是横截面动量的基础（加上均方平均超额收益）。 因此，这些方程式提供了时间序列与横截面动量收益率之间的联系，我们可以在数据中进行测量以确定这两种现象之间的相关性。
• 表5中的面板B根据上述方程式，计算了所有资产以及每个资产类别中的12个月横截面和时间序列动量策略的各个组成部分。 我们报告了横截面动量策略的三个组成部分：“自己”是指自协方差或时间序列动量分量，“交叉”是指跨序列协方差或超前滞后分量，而“均值” ‘‘指无条件平均收益及其总和（"总计’’）的贡献。 我们还将向TSMOM报告两个组成部分："自己"和均方收益组成部分及其总和。
• 如表5的B部分所示，时间序列和横截面动量是相关的，但有所不同。 自协方差部分几乎贡献了所有资产的所有横截面动量策略利润。交叉序列或超前滞后分量对XSMOM产生负面影响，均值的横截面差异对横截面动量利润的贡献较小。 这些成分对横截面动量策略的贡献在资产类别中也相当稳定，主要成分始终是自协方差或时间序列.
• 时间序列动量的分解表明，主要成分是收益的自协方差。 除固定收益外，均值超额收益的平方是TSMOM利润的很小一部分。 由于资产之间的超前滞后效应的横截面相关性对XSMOM产生负面影响，因此不依赖于资产之间的横向相关性的TSMOM产生的利润要比XSMOM高.
• 我们还对方程式(7)(与以前使用过去的收益率的正负符号相反，是线性的)中定义的时间序列动量的回报对在方程式(6)中定义的横截面动量收益率进行回归。我们发现时间序列动量具有明显的横截面动量，这与我们在表5的A组中使用稍有不同的方法的早期结果一致。 接下来我们调查相反情况是否成立。 TSMOM是否解释XSMOM?

5.3. TSMOM解释了横截面动量和其他因子吗？

• 表5中的面板C使用TSMOM作为右侧变量，测试其解释其他因素的能力。我们首先检查XSMOM，以查看TSMOM是否可以捕获所有资产类别以及每个资产类别内的横截面动量收益。如表5中面板C的前五行所示，TSMOM能够全面解释所有资产以及商品，股指，债券和货币的每个资产类别中的横截面动量。统计上XSMOM的截距或alpha值与零没有区别，这表明TSMOM捕获了这些市场中XSMOM的收益溢价。股票指数中XSMOM的唯一正alpha值是不显著的1.86 t统计量。我们还将TSMOM投资组合中的美国个股,UMD的Fama-French横截面动量因子回归。 UMD因子是由单个美国股票创建的，因此与构成我们的TSMOM因素的任何资产没有重叠。然而，TSMOM能够获得相对于UMD的回报溢价，后者在TSMOM上具有0.49的正系数，和微不足道的-0.28 alpha（t-stat=0.93）。我们还检查了其他Fama-French因素HML（价值因素）和SMB（大小因素）。 HML对TSMOM造成负面影响，因此TSMOM自然无法解释价值效应，并且SMB的系数接近于零.
• 最后，我们还研究了在两种资产之间进行全球交易的两种流行对冲基金指数的收益：“管理期货”对冲基金指数和“全球宏观”对冲基金指数，该指数是从道琼斯/瑞士信贷获得,时间跨度从1994年到2009年。如表5 C板的最后两行所示，两个对冲基金指数都显著加载了我们的TSMOM因子，对于托管期货指数而言，TSMOM因子完全占据了其平均收益。 因此，TSMOM是捕获Fung和Hsieh（2001）的绩效指标的一个简单的可实施因素，他们也用这个指标解释了对冲基金的回报.
• TSMOM的强劲表现及其解释资产定价中一些突出因素的能力，即横截面动量以及一些对冲基金策略收益，表明TSMOM是资产价格行为的重要特征。 未来的研究可能会考虑其他哪些资产定价现象可能与时间序列动量有关.

6. 是谁在做趋势交易：投机者还是套利者？

• 为了考虑谁在时间序列动量上进行交易，图5显示了净投机者头寸被每种具有可用CFTC数据的工具的过去12个月回报率的符号所细分。具体来说，对于每个期货合约，图5分别绘制了子样本中的平均净投机者头寸，在该子样本中，过去12个月的合约收益为正（“ Positive TSMOM”）和负（“ Negative TSMOM”）。 '）是指相对于使用每种工具的平均净投机商头寸来表示的意思。该图说明，投机者平均而言可以从趋势中受益，而根据定义，套期保值者则处于相反的位置。投机者在过去12个月的正收益后的头寸均高于平均水平，而在负收益后的平均头寸均低于平均水平。换句话说，投机者在正收益之后的工具中比在负收益之后的头寸更大。除了标准普尔500期货以外，每份合约都存在这种跟随投机头寸的趋势模式，在标准普尔500期货中，净投机者头寸具有相反的迹象，尽管接近零。由于我们还知道时间序列动量与正的异常收益相关，因此这些结果表明，投机者平均会从这些头寸变化中获利，而以套期保值者为代价。

6.1. TSMOM的演变

• 接下来，我们考虑这些交易头寸随时间变化的动态。 我们之前的结果表明，时间序列动量持续约一年，然后开始逆转。 我们将更深入地研究这些回报模式，并尝试将其与交易头寸的演变联系起来。
• 研究TSMOM和交易模式的演变可能有助于区分动量理论。 例如，如果最初对新闻的反应不足是TSMOM的原因，那么趋势的这一部分不应逆转，而由过度反应驱动的趋势的这一部分应逆转，因为价格最终会趋向于基本面。
• 为了考虑TSMOM的发展，我们进行了如下的事件研究。 对于每个月和每个工具，我们首先确定前12个月的超额收益是正还是负。 对于所有具有过去12个月正收益的工具对，我们计算从“事件日期”（投资组合形成日期）之前的12个月到之后的36个月的平均收益。 对于过去12个月回报为负的工具对，我们执行相同的操作。 然后，我们将回报率标准化为跨时间跨两组的平均值为零（为了便于比较），并计算过去一年的正收益（“正TSMOM”）和过去一年的负收益（“负TSMOM”）之后的后续月份的累计收益年回报，我们将事件发生时的累积回报标准化为1。
• 图6的面板A显示了以正和负时间序列动量为条件的累积收益。 当然，事件左侧日期的收益在构造上肯定是正面的，也可能是负面的。 在事件日期的右边，我们看到正的预形成正收益在投资组合形成大约一年后继续向上上升，这与时间序列动量效应一致，然后部分回落。 正如丹尼尔（Daniel），赫希里弗（Hirshleifer）和苏布拉曼尼亚姆（Subrahmanyam）（1998）以及巴贝里斯（Barberis），什里弗（Sleifer）和维西尼（Vishny）（1998）等情感理论所预测的，这与最初的反应不足和延迟的过度反应都是一致的。 一年后的逆转表明反应过度，而仅形成后上升趋势的一部分被逆转的事实表明反应不足似乎也是故事的一部分。 同样，负面的预成型趋势将持续一年，直到部分扭转。
• 图6的B板显示了净投机者头寸的演变，该变化与正和负时间序列动量收益一致。 具体来说，对于每种工具和一个月，我们分别计算从事件发生（投资组合形成日期）前的12个月到投资组合形成后36个月的每个月的净净投机者头寸的正趋势和负趋势。 我们看到，对于正的TSMOM，投机者从-12到0个月期间稳步增加头寸，直到形成日期为止。 同样，投机者在负面的TSMOM事件日期稳定地降低头寸。 由于我们是根据收益而不是基于净投机者的头寸来划分样本，因此这些模式不是由构造构成的。 事件发生后，投机者的头寸开始均值回归到他们的平均水平，并在大约一年内达到平稳（对于TSMOM负值可能更长一些），此时回报趋势开始逆转。
• 图6中的模式表明，尽管投机者的头寸与TSMOM上的交易一致，但它们似乎并没有滞后于交易。 实际上，投机者似乎减少了追逐趋势，直至跟随TSMOM的正收益消失的程度。 相反，处于这些交易另一侧的套期保值者似乎在朝着趋势的方向稳步增加头寸。 这表明，如果过度反应是由这种交易引起的，那将必须来自套期保值者，而不是投机者。 尽管收益率和交易头寸之间的因果关系的方向不确定，但这些结果还表明，投机者和套期保值者的交易头寸与时间序列动量的获利能力紧密相关，在这种情况下，投机者似乎从趋势和逆转中获利，而以套期保值者为代价 。

6.2. 收益与交易头寸的联合动力学

• 为了更正式地分析交易模式和收益，我们使用向量自回归（VAR）模型研究时间序列动量收益和净投机者头寸变化的联合动态。 我们估计了一个每月的双变量VAR，其中包含24个月的收益滞后和净投机者头寸的变化，并绘制了收益和冲击所带来的收益和净投机者头寸的冲激响应。 我们需要包括超过12个月的延迟来捕获延迟的反转，但是我们的结果对于选择12到24之间的其他延迟长度也是可靠的。
• 我们首先对收益进行残差方差-协方差矩阵的Cholesky分解，然后考虑对合约收益的一标准差冲击。 （由于位置反馈有限，对初始回波冲击的回波响应在质量上都是相同的，而不考虑Cholesky分解的顺序。）在图7中绘制了对这种冲激的响应，均根据对脉冲的影响。合同的累计收益和净投机者头寸的累计变化。如图所示，收益率继续上升约一年，然后在收益率震荡之后部分回落。净投机者头寸与回程冲击同时增加，然后在一年左右均值回复零。这些结果与我们先前的发现一致，并确认投机性头寸与时间序列动量的回报模式相符。投机者似乎从TSMOM中获利约一年，然后在TSMOM效应结束的同时恢复到平均仓位。全部以套期保值者为代价。
• 这些模式表明，投机者从时间序列动量中获利，而套期保值者为此付出了代价。 一种解释可能是投机者通过时间序列动量赚取了溢价，从而为套期保值者提供了流动性。我们通过使用交易头寸以及期货收益的不同组成部分检查收益的可预测性，来进一步探索这种可能性。 具体来说，我们调查基础现货价格的变化或期货曲线的形状（例如“滚动收益”）是否在驱动时间序列的可预测性，以及它们如何与交易头寸保持一致。

6.3. 持仓、价格变化和滚动收益的预测能力

• 我们将每个期货合约的过去收益分解为基础现货资产的价格变化以及与期货曲线形状相关的收益，称为“滚动收益”或“滚动收益”。
• 我们将超出无风险利率的基础现货价格变化定义为
  $$\begin{array}{r}Pricechang{e}_{t-12,t}=\frac{Pric{e}_t-Pric{e}_{t-12}}{Pric{e}_{t-12}}-r_{t-12,5}^f,\end{array}$$
• 其中价格以最接近到期的期货价格来衡量，而$r_{t-12,t}^f$是12个月期间的无风险利率。 然后，我们通过以下分解定义回滚率：
  $$Futuresretur{n}_{t-12,t}=Pricechang{e}_{t-12,t}+Rollretur{n}_{t-12,t}.$$
• 在存储成本或便利收益极低的金融期货中，滚动收益接近于零，但在商品市场中，滚动收益可能很高。 期货收益是根据最近到期或次近到期的合约计算的，其到期日可能与现货收益计算不在同一个月，后者仅基于最近到期的合约。
• 我们的猜测是，套期保值者的价格压力主要影响滚动收益，而信息扩散主要影响现货价格变化。 要了解为什么，请回想一下凯恩斯（1923）的基本观点，即套期保值压力必须影响所需的收益，从而使投机者有动力通过交易的另一端提供流动性。 由于套期保值发生在期货市场中，套期保值压力会影响期货价格，从而导致每张期货合约均以现货价格到期成交而获取滚动收益率。 当商品生产商等套期保值者做空期货时，这将导致正回滚收益和凯恩斯所说的“正常逆转”。另一方面，信息传播（这是一些行为理论的驱动力），只会影响价格变化。
• 图7的B面板通过重复我们在上方运行的VAR绘制了现货价格变化和净投机商头寸的脉冲响应，仅用现货价格变化替代了总的期货收益。 现货收益和净投机者头寸的冲激响应与总收益的相匹配：趋势存在大约一年，然后出现反转，净投机头寸反映了这种模式。 这与最初的反应不足和延迟的反应过度有关，这是由于信息扩散而不是对冲压力造成的。
• 图7的面板C绘制了用VAR中的滚动收益代替总收益的脉冲响应。 在这里，图像看起来完全不同。 滚动收益的冲击之后是滚动收益的持续上升趋势，但是对净投机者头寸的影响不大有关。 这与在较长时间内在同一方向上保持稳定头寸并愿意放弃滚动收益以享受套期保值收益的套期保值者一致。 站在另一边的投机者则从动量中获利，作为向套期保值者提供流动性的溢价。
• 最后，表6回顾了我们最初的收益可预测性回归，重点是12个月的收益可预测性，但研究了即期收益与滚动收益的预测能力，以及它们与投机性交易头寸的相互作用。 我们将每个期货合约的回报与每个合约的过去12个月的回报，每个合约的现货价格变化，每个合约的滚动回报以及净投机者头寸的变化和水平进行回归。 表6的前五行报告了每个变量的单变量回归结果，它们都是期货收益的重要正预测指标。
• 但是，在多元回归中，净投机者头寸的变化略有下降并且变得微不足道，这表明控制过去的回报会降低某些投机头寸的预测能力。这与滚动收益和投机者的头寸都捕获套期保值压力的想法是一致的，尽管它们的测量方法不同，也并非是套期保值压力的理想度量。现货价格变化和滚动收益在多元回归中具有几乎相同的预测回归系数，因此，它们的联合预测能力（由R平方测量）与总和的单变量可预测性相同，即期货总收益。最后，表6的最后一行包括即期和头寸收益与净投机商头寸之间的相互作用项。尽管所有系数均为正值，这表明当净投机者头寸的变化与收益向同一方向移动时，未来收益的正可预测性更强，结果在统计上并不显着。
• 表6中的结果表明，时间序列动量并非完全由期货收益的某个组成部分驱动。 现货收益变化和滚动收益都为期货收益提供了预测能力。 此外，如VAR结果所示，时间序列动量与净投机者和对冲头寸之间存在有趣的动态关系。 投机者似乎顺应了这一趋势持续一年左右，最终降低了头寸，在逆转之前采取了相反的方向。 在此过程中，他们以套期保值者为代价获得正的超额收益，套期保值者可能愿意补偿投机者的流动性需求，以维持他们的套期保值。

7.结论

• 我们发现了一个显着的时间序列动量效应，在过去25年中研究的近五十种期货合约和几种主要资产类别中，这种效应非常一致。 时间序列动量效应与横截面动量不同，尽管两者是相关的。 分解时间序列和横截面动量利润，我们发现这两种策略的主导力量是证券下个月的超额收益与滞后的1年收益之间的显着正自协方差。 这一证据与最初的反应不足故事是一致的，但也可能与延迟的反应过度理论有关，因为时间序列动量效应在一年后会部分逆转。
• 时间序列动量在许多不同的资产类别中表现出强劲而一致的表现，对标准风险因素的负荷较小，并且在极端时期表现良好，所有这些都对随机游走假设和标准理性定价模型构成了挑战。 证据还对当前的行为理论提出了挑战，因为我们研究的市场在投资者类型方面差异很大，但回报率的模式在这些市场之间仍然非常一致，并且在非常不同的资产类别之间具有高度相关性。 实际上，时间序列动量回报之间的相关性强于相同资产类别上的被动多头头寸的相关性，这意味着时间序列动量存在一个共同成分，而基础资产本身不存在该成分。
• 最后，时间序列动量回报与投机者和套期保值者的头寸之间的联系表明，投机者从时间序列动量中获利，而以套期保值者为代价。 这一证据与投机者通过时间序列动量赚取溢价以向套期保值者提供流动性相一致。 将期货收益分解为价格变化的影响，可以捕获信息扩散，而滚动收益则可以捕获套期保值压力如何影响期货曲线的形状，我们发现价格变化和滚动收益的冲击都与时间序列动量的利润相关。 但是，只有价格变动的冲击才能部分逆转，这与对信息延迟过度反应的行为理论相一致，并且没有对冲压力。
• 时间序列动量代表了对随机游走假设和许多著名的行为和理性资产定价理论的最直接检验之一。 我们的发现为这些理论和未来研究提供了新的证据和挑战。