金融工程专题研究：如何理解动量与反转？

请务必阅读正文之后的免责条款部分 全球视野 本土智慧 金融工程研究 Page 1 证券研究报告—深度报告 金融工程 [Table_Title] 金融工程专题研究 数量化投资 2022年01月05日 [Table_BaseInfo] 相关研究报告： 《基金研究：公募基金持仓还原及其实践应用》 ——2021-12-16 《学术文献研究系列第28期：如何更合理的刻画基金业绩基准》 ——2021-12-21 《学术文献研究系列第29期：基于A股市场概念动量的股票投资策略》 ——2021-12-28 《基金评价报告：复苏在即，布局优质赛道——华夏中证细分食品饮料产业主题ETF投资价值分析》 ——2021-12-22 《金融工程专题研究：当好Beta遇上高Alpha——长城中证500指数增强基金投资价值分析》 ——2021-12-21 证券分析师：杨怡玲 电话： 021-60875176 E-MAIL： yangyiling@guosen.com.cn 证券投资咨询执业资格证书编码：S0980521020001 证券分析师：张欣慰 电话： 021-60933159 E-MAIL： zhangxinwei1@guosen.com.cn 证券投资咨询执业资格证书编码：S0980520060001 独立性声明： 作者保证报告所采用的数据均来自合规渠道，分析逻辑基于本人的职业理解，通过合理判断并得出结论，力求客观、公正，结论不受任何第三方的授意、影响，特此声明。 专题报告 如何理解动量与反转？  股票的近期回报可以预测未来风格因子的贝塔 我们发现动量和长期反转能够可以捕捉未来风险因子的贝塔，动量是未来一年市场资产定价因素（例如 Fama-French 五因子模型）的强大预测指标。中长期历史回报与未来贝塔值之间的联系表明，与动量和长期反转相关的溢价可能与条件风险敞口有关，动量捕捉到了随时间变化的风险补偿。  IPCA条件因子定价模型能够捕捉动量溢价 动量特征（过去12个月的回报）包含了股票潜在定价因子风险的时变暴露，因此直接对过去12个月的回报进行排序对未来回报并没有显著预测能力。因此控制这种随时间变化的风险敞口后才能够捕捉到动量溢价。作者提出基于IPCA捕捉潜在定价因子，并以时变的因子载荷对股票进行定价。作者对比了传统动量、IPCA潜在因子带时变载荷后动量、以及残差动量的效果，发现传统动量原始信号并没有收益预测能力，转为截面排序后有一定收益预测效果，而IPCA模型下预测模型非常显著，多空年化回报能够达到33.6%，而残差动量几乎没有预测能力。并且，在控制了IPCA模型的条件预期收益后，传统动量不再有预测能力。 风险提示：本报告基于相关文献，不构成投资建议。 请务必阅读正文之后的免责条款部分 全球视野 本土智慧 Page 2 内容目录 文献来源 ...................................................................................................................... 4 引言 ............................................................................................................................. 4 历史回报预测贝塔 ........................................................................................................ 6 数据 ..................................................................................................................... 6 市场贝塔预测结果 ............................................................................................... 7 多因子贝塔预测结果 ............................................................................................ 8 模型 ............................................................................................................................. 9 IPCA .................................................................................................................. 10 工具化Fama-French模型 ................................................................................. 10 动量模型 ............................................................................................................ 10 条件模型是否能解释动量和反转？ ............................................................................. 11 IPCA模型 ...........................................................................................................11 IPCA样本外 ...................................................................................................... 13 解释 ................................................................................................................... 14 结论 ........................................................................................................................... 15 国信证券投资评级 ...................................................................................................... 16 分析师承诺 ................................................................................................................ 16 风险提示 .................................................................................................................... 16 证券投资咨询业务的说明 ........................................................................................... 16 oPrOnNqRrQrMxOrPuMqRtPaQaOaQpNmMmOpNfQoOpOeRpPtN7NmMvMxNtPnNvPsRqP 请务必阅读正文之后的免责条款部分 全球视野 本土智慧 Page 3 图表目录 图1：基于特征预测已实现市场贝塔 ............................................................................ 8 图2：基于特征预测多因子贝塔 ................................................................................... 9 图3：动量和IPCA模型 ............................................................................................ 12 图4：动量和IPCA模型（样本外） .......................................................................... 14 请务必阅读正文之后的免责条款部分 全球视野 本土智慧 Page 4 文献来源 文 献 来 源 ：Kelly, Bryan T., Tobias J. Moskowitz, and Seth Pruitt. "Understanding momentum and reversal." Journal of Financial Economics 140.3 (2021): 726-743.. 文献亮点：作者提出了条件因子定价模型，其基于IPCA构建潜在定价因子，并动态估计其时变因子载荷，基于该模型可以显著解释相当大一部分动量和长期反转的回报，并可用于产生非常显著回报的收益预测。 引言 自 Jegadeesh 和 Titman (1993) 提出动量异象以来，动量异象一直是金融经济学中最受广泛研究的主题之一。它构成了整个资产管理行业使用策略的基础，也是大量共同基金和交易产品的基础。尽管它对金融业产生了广泛的影响，但动量仍然是一种较为神秘的异象。虽然从行为和理性上都已经提出了各种理论来解释动量，但没有一个被广泛接受。经验资产定价模型如 Fama 和 French (2015) 五因子模型无法解释动量异象，目前的研究也尚未找到风险暴露能够解释与近期股价相关的横截面回报溢价。因此，动量通常是市场是否有效的辩论核心。 本文的目的是通过条件经验资产定价模型的视角重新评估动量异象。有多少动量溢价可以用条件风险敞口来解释？我们的核心发现是，股票的条件风险溢价的变化通过不同的因子敞口从而与动量密切相关，这些因子敞口在动量风险溢价的变化中占主导地位。在我们的数据中，经典的动量策略（按过去t-2至t-12个月原始收益排序股票的前五分之一对冲后五分之一）产生了8.3%的显著年化收益。然而，当从我们的条件模型中剔除其他定价因素的敞口时，残差动量策略（对与条件因子无关的收益的残差成分进行排序）每年产生4.4%的边际显著收益。相反，根据来自条件模型的收益的预测成分对股票进行排序会产生三到四倍的动量收益。由此可见，我们条件模型中的因子很好地解释了大部分无条件动量效应。相对于静态Fama和French(2015)五因子模型，动量策略的年化alpha为9.2% (t-stat=3.0)，而相对于我们的动态因子，它的alpha为负且不显著(alpha为-3.2%, t-stat=-1.2)。 通过仔细构建更准确地代表条件