趋势因子：从投资期限的信息中获利

1、趋势因子：从投资期限的信息中获利

量化研究新思维~短期反转、动量和长期反转是股票市场上广泛使用的三个技术面因子，它们分别反映了价格信息的短期、中期和长期的趋势变化。大多数研究都是利用某一个期限内的价格信息，而我们可以利用不同期限的移动平均价格信息，构建出一个能够同时捕捉短、中、长期三种股价趋势的因子。具体来说，可通过横截面回归的方法构建该趋势因子，回归的自变量选择短、中、长期多个移动平均价格信号。

详细的实证分析表明，趋势因子的多空收益不仅远高于同期的短期反转、动量和长期反转因子，并且表现更加稳定，夏普比率是这三个传统技术面因子的2倍以上。经过统计检验发现，趋势因子并不可以用短期反转、动量及长期反转因子的特定组合来复制。这说明基于移动平均价格信息来捕捉短、中、长期价格趋势的方法，比传统的动量和反转因子组合更为有效。另外，趋势因子在不同的控制变量下(如市值、账面市值比、流动性等)都较为稳健。

2、因子投资与行业投资

在之前的研究中，有人指出，行业投资的表现在经组合风险的调整之后，能够战胜因子投资。而因子投资仅在以收益为目标的投资框架下，表现才优于行业投资。针对这种观点，我们持反对意见，主要理由如下。

行业投资优于因子投资的结论缺乏强大的理论支撑，而多个因子的因子溢价(如市值、估值等)已经被大量文献证明长期存在。

得到行业投资优于因子投资这一结论的推导过程失之片面，没有把低风险因子纳入其中。而在检验行业投资的效果时，却能向那些低风险的行业，如，公用事业倾斜。

我们采用6个因子——市值、估值、动量、盈利、保守/激进、beta，生成12个因子组合(每个因子都对应多空2个组合)。相应地，选择12个行业作为对比。结果显示，不仅因子多空组合的收益率能拉开更大的差距，而且使用单个因子所能获得的最大夏普比率也高于单个行业。所以，投资者在构建组合时，若用因子代替行业，将会获得更大的分散化空间。

根据有效前沿理论，构建三种投资组合——多因子组合、剔除风险因子后的多因子组合、行业组合。在同等风险水平下，多因子组合的收益基本上都是最高的。而在同等收益水平下，行业组合的风险基本上一致地高于多因子组合。不过，剔除风险因子后，在较低的风险水平下，行业组合的收益确实高于多因子组合。这也是之前的研究认为行业投资优于因子投资的一个原因。

在五种常用的优化目标下——最大化收益、最小化波动率、最大化夏普比率、最大化alpha、最大化信息比率，都是因子组合的表现更好。

即使是最简单的等权重加权，也是因子组合的表现(绝对收益、风险调整后收益)更优。

由于小盘股的交易成本较高，因此我们剔除了市值最小的40%股票后重新测试，上述结论并没有发生改变。

综上所述，我们认为，不论是从绝对收益还是风险调整后收益的角度来评价，因子投资的表现都强于行业投资。

3、特质波动率异象与条件流动性

“特质波动率之谜”，即“高特质波动股票对应低预期收益”，是股票市场中经典的异象之一，其存在性在全球范围内被广泛证实。对于特质波动率异象的解释已经引起了学术界长达十年的争论，然而多数对特质波动率的研究并未集中关注该异象的时间变化特征。事实上，特质波动率与预期收益之间的负相关关系随着时间推移并非持续稳定存在。因此，我们基于这一视角，尝试给特质波动率与预期收益之间的负相关关系提供一种新的解释——条件流动性可能是引起特质波动率异象的原因之一。

特质波动率特指股票收益在经Fama-French三因子分解后所获残差的波动率。基于特质波动率将股票分为五组并观察下一期收益，第五组(高特质波动率组)与第一组(低特质波动率组)之间的收益差为负且具备统计显著性，这似乎与传统的“高风险、高收益”的逻辑相违背。可见，常用的资产定价模型中存在定价因子的缺失，以致出现稳定显著的定价误差。

流动性溢价是一个常见的备选解释因子。但遗憾的是，该因子的解释效果并未被证实。过往的研究发现，通过流动性控制、流动性剥离等方法，不能消除低特质波动率股票的定价误差，从而为特质波动率异象提供解释。更有甚者，在一些情境下，流动性因子与特质波动率因子之间存在负相关关系。

最新的研究提出了一种观点，独立观察与测算特质波动率与流动性指标的做法并不恰当。流动性偏好其实并非恒定值，换言之，投资者对流动性的定价并非稳定不变，而是有条件的。

针对不同的市场状态与波动率情境，低流动性溢价会随之发生变化。例如，在高波动的市场环境下，投资者对流动性的偏好会有所提升。因为波动率提升期间，流动性较差的资产所蕴含的风险会进一步增加。此时，投资者会对这类资产要求更高的风险补偿。再如，在下跌的市场中，流动性冲击对资产价格的影响会更大，因为此时投资者往往会更青睐流动性充足的资产。所以，对流动性因子的控制必须在计算特质波动率之前，这就需要引入条件流动性的概念。

由于条件流动性变量属于内生变量，难以直接获取，仅可通过间接方式观察。在正常的市场环境下，流动性冲击往往会被市场吸收。而一旦进入下跌市，流动性冲击会对低流动股票存在更为显著的影响。此时，投资者涌向高流动性的股票，从而会引起低流动性股票价格的下跌。反之，在市场情况好转时，低流动性股票的价格会得到修复。

从特质波动率异象的历史表现上看，特质波动溢价往往在市场下跌期间有所提升，在市场回暖期间消失甚至为负，该现象与条件流动性的解释一致。因此，有些股票虽然本身的流动性可能并不低，但相对其自身的波动率而言流动性尚不足，即，条件流动性较低，这类股票同样有更高的风险补偿。这一部分风险溢价尚未被传统资产定价模型所捕捉，故而反映为特质波动率异象。

4、风险提示

市场系统性风险、模型失效风险、海外与国内市场结构差异风险。本篇报告的结果均由数量化模型自动计算得到，研究员未进行主观观点调整;数据源均来自于市场公开信息。
 

参考文献：

　　1. Han, Y. F., Zhou, G. F., Zhu, Y. Z, 2016. A Trend Factor: Any Economic Gains from Using Information over Investment Horizons? Available at SSRN:https://ssrn.com/abstract=2182667 orhttp://dx.doi.org/10.2139/ssrn.2182667.

　　2. Lansdorp, S., Vldoevic, M., 2016. Factor Investing versus Sector Investing. Rebeco Asset Management.

　　3. Malagon, J., Moreno, D., Rodriguez, R., 2016. Idiosyncratic Volatility, Conditional Liquidity and Stock Returns. Available at SSRN: https://ssrn.com/abstract=2717484 or http://dx.doi.org/10.2139/ssrn.2717484.

来源：海通量化团队

------------------------------------------------------------------------

推荐阅读：

1.一个量化策略师的自白（好文强烈推荐）

2.股票期货经典的量化交易策略都在这里了！（源码）

3.期货/股票数据大全查询（历史/实时/Tick/财务等）

4.一个完整的量化交易系统都需要哪些功能？

5.学习Python有哪些书籍？这里有一份书单送给你

6.江湖中常说的“网格交易法”到底是什么？

7.10种经典的日内交易策略模型思路

8.干货 | 量化选股策略模型大全

9.量化金融经典理论、重要模型、发展简史大全