(转)给趋势投资信仰充值:动量模型百年赚钱史

给趋势投资信仰充值:动量模型百年赚钱史

原创 2017-07-03 张翼轸 EarlETF投资视界
最近看到一篇论文,对于我们趋势投资者是不可多得的 信仰加持文 ,所以这里要与各位分享。

这篇论文的题目是《一个世纪的趋势投资证据(A Century of Evidence on Trend-Following Investing)》,三位作者都来自 AQR。
如果你对国际对冲基金产业有关注,那么应该听说过 AQR 资本。
AQR 资本诞生于 1998 年,核心创始人是著名的对冲基金经理阿斯内斯(Cliff Asness),目前管理的资产大约是 1876 亿美元。

关于阿斯内斯,我在此前介绍诺贝尔经济学奖得主尤金 · 法玛的时候有提过此君,他在芝加哥大学念博士的时候就是师从尤金 · 法玛,研究的就是多因子选股等领域。当然,阿斯内斯毕业后没有继续搞学术,而是进入了华尔街并创办了量化对冲基金 AQR,眼下的身价是 30 亿美元。
虽然在华尔街赚了大把的钱,但是阿斯内斯的一大爱好就是写学术论文,所以在 SSRN 学术数据库中可以找到一大堆他或者是他的同事写的论文,主题大多是继承他老师尤金 · 法玛的衣钵,关于各类投资因子的。
当然,《一个世纪的趋势投资证据(A Century of Evidence on Trend-Following Investing)》的作者不是阿斯内斯,而是 Brian Hurst, Yao Hua Ooi 和 Lasse Heje Pedersen 这三位,其中 Lasse Heje Pedersen 既在 AQR 资本供职也在学术界供职,与阿斯内斯倒是合作学过好几篇论文。有兴趣的朋友,不妨在 SSRN 上搜索下这几位的论文,很是有趣。
言归正传,还是说回这篇论文。
这篇论文的目的其实就是一个: 证明趋势投资法是普世的,在不同的年代不同的资产类别不同的经济周期下都是合适的 ——而且即使是类似对冲基金缴纳了 20-2 的高昂管理费之后,依然是普世有效的。
▌ 趋势投资与动量模型
趋势投资,简单说就是追涨杀跌。
当然,在 AQR 的这篇论文中,其实是用了最简单的一种趋势投资法,同时也是学术界最喜欢用的: 动量投资法 。
动量投资法此前就介绍过,大体就是以过去一段时间的股价涨跌幅来决定接下来的持仓。
比如最简单的 1 月动量投资法,就是过去一个月如果一个资产类别的价格是上涨的,那么下个月就做多;反之如果这个资产价格是下跌的,那么下个月就做空。
当然,这个动量投资法会有很多的变种方法。一种是拉长周期,比如原本观察一个月的涨跌幅,改成观察三个月甚至 1 年的涨跌幅;另一种是延迟执行,比如明明已经观察到这个月是上涨应该做多了,但是这个做多信号下个月不执行,而是下下个月执行——这个其实不是什么特别的思路,而是在早年只有月度数据的前提下,符合实际操作的研究方法而已。
动量投资简单不简单?朴素不朴素?
但是从 AQR 的这篇论文来看,那么朴素简单的法子真是有效果!
▌ 百年回眸真赚钱
AQR 的这篇论文标题中有 「一个世纪」 的说法,其实其回测周期远不止一个世纪,而是 从 1880 年到 2016 年,横跨整整三个世纪,加起来是 137 年 。
与此同时,AQR 对几乎可以获得的所有资产都进行了回测,一共包括 67 类资产 ,包括 29 类商品、11 个股票指数、15 个债券市场、12 个外汇货币对。
就回测方法,AQR 这篇论文用了 1 月动量、3 月动量和 12 月动量三种模型同时操作,按照等权重和 10% 波动目标来配置,这也是大多数论文和实操惯用的法子,避免单一模型的波动,使得整个组合的表现更平滑。
下图就是 137 年累计的回测结果,年化回报率是 18%,超额收益 11%。即使在扣除 2/20 的费率之后,依然有 7.3% 的超额收益。更重要的是,按照 10 年一个阶段,可以发现动量模型在所有的 10 年里面都是有正回报的——当然,始于 2010 年的这个十年暂时来看是历史低谷,表现是相对较差的。

▌ 一月三月十二月皆赚钱
动量模型,很重要的一个参数就是回测周期。
比如 EarlETF 中一直有介绍的二八轮动模型就是才有周线的 4 周回测模型。而在 AQR 的论文中,是以月度为单位,回测了 1 月、3 月、12 月三个周期和延期 1 月执行的结果。
总体来看,1 月和 12 月是比较赚钱的,3 月相对较弱,但是 1.10 的 Sharp 比率依然是极其优秀的数字了。当然,所有延期一月执行的信号数据都很差,可见动量模型有了信号就要执行——此前学术界受限制于数据的 Lagged 模型其实是低估了动量模型的效果的。

▌ 品种有差异,总体都不错
既然测试了那么多的品种,那么具体资产的个别表现总是要呈现一下的。
根据 AQR 的论文,所有的品种都有正的 SHARP 指标,当然高低不尽相同。
为什么对冲基金比起普通人容易赚钱,其实这张图是能够揭示出一些奥妙的。

绝大多数投资者其实都有路径依赖,往往是优先投资本国的证券资产。比如生在中国就买 A 股或者港股,而美国投资者也是一样偏爱美股的。
这样做,其实有一个很大的问题就是将你的投资收益与 「投胎技术」 挂钩了。是的,从 AQR 的研究来看,其实美股使用动量模型的效果只能说普通,Sharp 比率在 0.5 左右,不如类似澳洲、加拿大等市场的——而且如果你只做股票投资,那么就会错过债券这个好资产类别——后者的 Sharp 比率总体是高于股票的。
但是,对冲基金就不同了。对冲基金关心的只是赚钱,而且机构规模足够大,所以可以将资产分布在全球的所有资产上,各个国家,各类证券,不在于是股票还是债券或者商品。
这样的话,就可以获得更好的效果,获得更平稳可能也是收益最高的动量模型收益。
▌ 动量无惧大股灾
趋势投资者最骄傲的时候,往往不是大牛市而是大熊市。
因为传统的买入并持有投资者,往往在大熊市中要蒙受巨大的亏损,而趋势投资者即使仅仅是止损离场就可以规避巨大的损失——就像在 2015 年年中的 A 股股灾中我们依赖海龟和二八躲过一劫那样。
当然,一个严格的动量模型,还可以做空,这意味着在大熊市中,不但可能不亏钱,还可能大赚。
AQR 的这篇论文对此进行了回测,选取是三个世纪里面最大的十个股灾。
从下图可以看到,除了悲剧的 1938 年动量模型和 1987 年闪电崩盘不能避免亏钱之外(但其实亏钱也就是微乎其微),其他的股灾中动量模型都是获得了可观的收益,其中大萧条时候的收益甚至高达 50%。

当然,动量模型不仅是不惧大熊市,其本身的回撤也是控制的相当好。
下图是 AQR 的这个动量模型历史上最大的 10 次回撤,可以看到最严重的是 1947 年到 1948 年的那次,回撤幅度是 24.7%——老实说,对于股市投资者,这点回撤真的都不是什么事儿,50% 的暴跌都是出现过不少了。
由此可见,动量模型的回撤还是相当安全的。

▌ 动量才是真正的全天候
另一家著名的对冲基金公司桥水 (Bridgewater) 的旗舰基金名字叫全天候,代表着桥水的当家人 Dalio 希望基金在各类经济周期下都能应对自如。
其实从这个标准来看,动量模型真是当之无愧的全天候。
AQR 资本回测了动量模型在不同经济环境下的表现,发现 无论是繁荣还是衰退,通胀还是通缩,战争还是和平,牛市还是熊市,动量模型的表现都不错 。更有意思的是,严格来说,动量模型在战争环境和熊市中反而表现更好,无论是看绝对的回报还是 Sharp 比率,真正的全天候。


好了,以上就是对于 AQR 这篇论文核心结论的一个综述。
对于趋势投资者,看过上述数据,怎么也该坚定对于趋势投资的信念,坚持坚持再坚持的。
当然,如果你是个研究控,对于上述论文觉得不够劲,那么不妨去 SSRN(https://papers.ssrn.com),看一下此文几位作者和阿斯内斯之前写的论文,绝对是会受益匪浅的。

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值