学术文献研究系列第33期：Quant因子周期

传统量化因子（价值、动量、低波、质量）表现的波动加大，尤其是价值因子的暂时失效使得2018-2020年被称为“量化危机”。本文发现这种因子表现的周期性变化很难通过外生变量（如宏观经济指标）进行择时。 如何把握传统量化因子的表现波动？本文认为：因子本质上遵循它们自己的周期，因子周期性表现变化可以从因子收益本身中推断出来。根据这种方法，我们确定了一个Quant周期：多数时间由正常阶段组成（价值因子没有失效），偶尔被价值因子的大幅回撤打断（要么是由于成长型股票的反弹，要么是价值型股票的崩溃，进而出现逆转）。正常阶段大约占三分之二的时间。成长反弹或价值崩溃的频率大约每十年发生一次，通常持续两年左右。在非正常阶段，价值因子和低波因子表现不佳，然而动量是非常有效的；正常阶段，常见量化因子均具有较强的表现。 价值因子（成长因子）不可能永远失效或永远有效。对于投资者而言，他们应该集中精力更好地理解因子本身所隐含的量化周期，而不是坚持传统框架。Quant周期可以帮助投资者制定多年展望。例如，在经历了成长风格的快速反弹和随后的逆转后，很可能回归正常阶段，而在持续正常成长价值风格后，成长反弹或价值崩溃的可能性可能越来越大。 风险提示：本报告基于相关文献，不构成投资建议。 文献来源 文献来源：DavidBlitz，2021，TheQuantCycle，SSRN 文献亮点：多数选股因子尽管长期能够带来正超额，但其表现具有一定的周期性。如何去理解这种周期性？文献认为这种周期性与外在的经济周期关联度并不大，而需要理解该因子自身内在的周期性特征。由此，本文构建了一个Quant周期，该周期对常见选股因子的收益表现具有较强的解释能力。 资产定价模型中的因子具有周期性，长期内会提供溢价，但短期内会经历牛市和熊市阶段。例如，Fama和French（1993）的HML价值因子的长期溢价约为3%，但在1998-1999年期间的年回报率为-20%，在2000-2006年期间的年回报率为15%。是什么导致了这些因子的周期性特征？ 从理性的资产定价角度来看，因子溢价是风险溢价，反映了对某些宏观经济风险的回报。这将意味着因子表现与经济周期相关。此后，许多研究试图在各种因子和商业周期之间建立一个强有力的实证联系，但事实证明这并不容易。最近的一个例子是Ilmanen等人（2021年）的论文：他们研究了十几个与商业周期、增长和货币政策相关的宏观经济变量，但发现这些变量都不能非常有效地解释因子的风险溢价规律。 我们认为，因子溢价是风险溢价的逻辑是有缺陷的。如果因子溢价的来源是投资者行为上的，那么我们可能需要从不同的方向来正确地理解因子回报的周期性变化。例如，斯坦博、余和袁（2012）研究表明，因子回报与投资者情绪指数之间存在很强的紧密联系。我们证实，与传统的经济周期指标相比，该行为指标捕获了更多的因子溢价的周期性变化。然而，实时计算情绪得分并不容易，得分可能违反直觉，而且最重要的是，投资者情绪的区分能力仍然有限，因为预期因子溢价在不同情形下仍然为正。 受这些结果的启发，我们认为这些因子本质上遵循它们自己的周期。根据这种方法，我们确定了一个大致的周期组合：一个正常阶段，一个价值因子大幅回撤阶段以及随即而来的逆转阶段。正常阶段大约三分之二的时间。价值因子的回撤是由成长型股票的反弹或价值型股票的崩盘引起的，它们发生的频率大约是每十年一次，通常持续两年左右。在这些期间，价值因子的巨大损失往往对应着动量因子的具有较好的表现。经历成长反弹和价值崩溃之后通常会出现剧烈的逆转，其特征主要是强劲上涨的成长型股票崩溃或者强劲反弹的股票表现不佳。 我们得出的结论是：为了理解这些因子的周期性表现，投资者应该认识到这些因子遵循他们自己的情绪驱动的周期。传统的商业周期和情绪指标可能会影响其中一些，但它们的实际作用有限。通过直接从因子收益推断量化因子的周期，我们能够捕获更多的周期性变化。对投资者来说，实际意义是，他们应该集中精力更好地理解因子本身所隐含的量化周期，而不是坚持传统框架，传统框架最多与实际因子回报有微弱的联系。 数据 我们的主要分析集中于投资者经常关注的四个因子：价值、质量、动量和低波。 对于每个因子，我们构建两种定义。对于价值，我们使用Fama和French（1993）的HML价值因子和Fama和French（2015）的CMA因子。 在质量因子方面，我们使用了Fama和French（2015）的RMW盈利能力因子，它基于运营盈利能力，以及QMJ因子（它基于大约20种不同的质量指标）。 对于动量因子，我们使用Carhart（1997）的WML动量因子，它是基于过去12-1月收益，以及Blitz,Huij,andMartens(2011)的iMom特殊（或剩余）动量因子。最后，对于低波因子我们使用Blitz的VOL因子（基于过去36月的波动率），和BAB因子(BetAgainstBeta，2014）。此外，我们还考虑了这8个因子的等权(1/N)组合。除BAB外，所有因子都基于市值加权的2x3投资组合。所有因子均是月度数据，从1963年7月到2020年12月。 为了完整起见，我们还报告了市场因子、规模因子的结果。尽管规模因子在学术资产定价模型中占有稳固的地位，但Blitz和Hanauer(2021b)表明，自大约40年前被发现以来，规模溢价未能实现。 传统指标结果 我们首先简要地考察不同宏观经济环境下因子的表现。我们考虑了NBER经济扩张与经济衰退、通胀环境、ISM采购经理人情绪，以及贝克和沃格（2006）的投资者情绪衡量指标。为了更全面地分析因子与各种宏观经济指标之间的关系，我们参考Ilmanen等研究(2021)。 图1显示了根据美国国家经济研究局(NBER)经济周期划分情况。其中经济正处于衰退状态的平均时间占比为12%。 图1：美国NBER经济周期划分情况 表2显示了经济扩张与经济衰退期间各因子的年化收益。对于市场因子，我们观察到一个很大的回报差异，在扩张期间的平均回报为8.8%，而衰退期有-7.4%。 对于其他因子，回报差异显著更小。 图2：不同因子在NBER经济周期下的收益表现 Neville(2021)研究通胀与非通胀时期投资策略的表现。他们将通胀定义为总体通胀同比加速、通胀水平超过5%的时期。根据他们的分类，图3显示，膨胀期占总体样本的25%。Neville(2021)发现，股票和债券在通胀时期有巨大的负回报，但趋势追踪策略在这种环境下通常表现良好。 图3：美国通胀阶段划分情况 表4证实了上述结论，通胀时期的平均市场回报率为-5%。在通胀时期，动量因子具有更强的表现。两个低风险因子在通胀时期苦苦挣扎，这与它们已知的类债券性质相一致(债券在通胀时期有巨大的负回报)。不过，价值和质量因子似乎在很大程度上不受通胀和非通胀条件的影响。简单的1/N复合因子同样非常稳定，在两种情况下具有几乎相同的回报。 图4：不同因子在通胀周期下的收益表现 接下来我们考虑ISM采购经理人指数，这是美国市场广泛关注的景气度指标。 我们区分了ISM水平高于50和低于50，这意味着乐观和悲观的景气度前景。 图5显示，在我们的样本中，悲观状态发生的时间为27%。 图5：ISM周期划分 图6显示，与因子收益几乎没有关系。无论ISM的前景是乐观还是悲观，因子回报通常都是稳定的，而1/N组合在这两个州的回报几乎相同。 图6：不同因子在ISM周期下的收益表现 学术文献中一个流行的情绪指标是贝克和沃格勒（2006）的投资者情绪指数。 图7显示积极和消极的投资者情绪分别发生在平均约50%的时间。 图7：投资者情绪周期划分 斯坦博、余和袁（2012）发现，当情绪为积极时，因子回报比消极时要高得多。 图8证实了价值、质量和低风险因子的这一结果，当投资者情绪为正时均显示出强回报，当投资者情绪为负时回报较弱。只有动量因子似乎对情绪状态不敏感。有趣的是，当市场人气为负面情绪时，规模因子和市场因子会表现得更好。 图8：不同投资者情绪下的因子表现 与之前讨论的宏观经济指标相比，投资者情绪指数似乎在识别因子回报方面更有效。然而，它也有一些缺点。首先，根据所需的输入，实时计算投资者情绪得分并不容易。其次，这些分数可能是违反直觉的。例如，可用样本的最后10年（2009-2018年）基本上是一个大牛市，但情绪指标主要是负的（70%的时间）。第三，尽管投资者情绪可能比其他指标更有效，但其区分能力仍然有限，因为因子溢价在所有情况下都是正的。 定义Quant周期 建立宏观经济风险和因子溢价之间的关系较为困难。例如，该因子周期中的主要转折点似乎与主要宏观经济转折并不一致，但似乎与投资者情绪的变化有关。 目前还不清楚是什么引发了这些情绪的变化。 如果因子溢价的来源确实是行为上的，那么这就可以解释为什么投资者情绪指数在区分因子回报方面似乎更有效。然而，即使是这个指标，其区分能力仍然较为微弱。在这一节中，我们认为因子回报的周期性是由情绪驱动的，直接从因子回报出发可能更接近本质，而不是依赖于各种间接指标。换句话说，因子本质上遵循它们自己的行为周期，尽管其他宏观经济和行为指标可能会发现其中一些动态，但全貌只能通过研究因子本身来揭示。 我们通过定性地识别对应于牛市和熊市的峰值和波谷来确定量化周期。在定义量化周期时，我们更关注波动因子，如价值和动量，而不是质量等因子，它们表现出更少极端的回报波动。观察价值因子，我们观察到它大约每十年就会出现一次重大回撤。这些下跌的原因要么是成长型股票的反弹（在看涨的环境下），要么是价值型股票的崩盘（在看跌的环境下）。对于低风险因子来说，这些时期也往往很艰难。然而，正如Blitz（2021年）所观察到的那样，价值因子上的巨大损失往往反映在动量因子上的巨大收益。在成长反弹或价值崩溃之后，我们通常会观察到一个强劲的逆转。在这里，区分看涨和看跌变量更重要，因为它们对因子回报的影响是非常不同的。第一个状态，我们将称之为熊市反转，其特征是在前一阶段反弹的成长型股票的崩盘，导致价值因子的强劲反弹。一个例子就是2000-2002年科技泡沫的奔溃，在此期间，纳斯达克指数损失了超过四分之三的价值。第二种状态，我们称之为牛市反转，其特征是经历了最大损失的股票的反弹，导致动量因子的巨大负回报。 在全球金融危机期间遭受重创的廉价金融类股得以强劲复苏。如果被大规模抛售的成长型股票再次反弹，如2002-2003年，那么在熊市逆转后也可能出现牛市逆转。对多因子投资者来说，熊市逆转往往很好，所有因子都有巨大的正回报，但牛市逆转更具挑战性，除价值外，大多数因子都有巨大的负回报。在反转阶段后，因子倾向于恢复到正常模式，这是实际上的大约三分之二的阶段。 图9给出了Quant周期的概念说明。明亮的颜色表示看涨阶段，而柔和的颜色表示看跌阶段。类似地，暗箭头表示不同阶段之间最常见的过渡，而光箭头表示备选的，不太可能的过渡。 图9：QuantCircle Quant周期的实证结果 我们对Quant周期的历史定义见图10。我们观察到，大约每十年，正常阶段就会被持续两年的成长反弹或价值崩溃打断，然后又出现逆转。有趣的是，这往往发生在十年之交，类似于表1中显示的NBER衰退。因此，因子动态与宏观经济之间可能存在某种联系。然而，尽管NBER的经济衰退对因子回报几乎没有分组能力，但Quant周期有非常强的解释能力。 图10：QuantCircle划分 第一次成长反弹是上世纪70年代初的50时代，在此期间，投资者涌向施乐、宝丽来、可口可乐、麦当劳和IBM等“蓝筹股”股票。第二次成长反弹是在1979-1980年，是受到能源和材料行业的推动，它们受益于第二次石油危机导致的石油和大宗商品价格上涨。从上世纪80年代末开始，我们又有了一次成长反弹，这次是由医疗保健、生物技术和饮料行业的推动。在所有这些成长反弹之后，都是熊市的逆转。下一次成长反弹是上世纪90年代末的科技股泡沫，随后也是2000年至