关于因子择时,思路虽然是多样的但是总结下来无非是两个大方向。
第一个方向是“外生变量方法”。在这个方向,我们的核心想法是基于收益分解原理,将市场的盈利波动和估值波动进行分离,通过“利率-信用-波动率”三因素模型来捕捉盈利波动带来的因子轮动机会,通过基于“股息率-国债收益率”的风险溢价时钟来捕捉估值波动带来的因子轮动机会。
第二个方向是“内生变量方法”。正如我们在挑选个股的时候,不仅要看宏观环境,还要看股票的走势,股票的估值水平以及股票的交易热度来决定我们是否入场。因此在多因子模型的情境里面,除了根据外生变量方法来判断因子的长期趋势,我们还需要观察因子的特质信息来进行精细化的因子选择。
本篇报告我们将系统性地给出因子择时的三个重要标尺:因子动量、因子离散度以及因子拥挤度。在最终的融合策略中我们可以看到在传统的因子动量配置方案中加入因子离散度和因子拥挤度的信息后,因子配置策略将会有质的改变。
因子动量:时序动量 vs 横截面动量
我们从横截面和时间序列两个方面考察因子收益的动量特征。首先,通过时序动量分析,我们希望解答的问题是:因子过去的表现能否用于预测因子未来的收益?从结果来看,因子表现具有短期动量、长期反转的时序特征,其中6-12个月的动量效应最强,48个月的反转效应最强。
通过横截面动量分析,我们希望解答的问题是:一个因子最近的表现比另外一个因子好,这种优势在未来能否持续?从结果来看,因子具有普遍的横截面动量效应。
进一步的,我们将时序动量效应和横截面动量效应放在一起来进行综合考虑,我们容易发现当N=12时,时序动量效应和横截面动量效应恰好达到了最佳的平衡,所以我们常用的“以过去12个月ICIR加权”这种方式看似随意而为,但实际上恰好符合了时序因子动量效应以及横截面因子动量效应的特点。
我们设计了基于因子动量的因子配置策略。从回测结果来看