您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。[华安证券]:“学海拾珠”系列之一百零三:如何预测动量因子的表现? - 发现报告
当前位置:首页/其他报告/报告详情/

“学海拾珠”系列之一百零三:如何预测动量因子的表现?

2022-08-03严佳炜、吴正宇华安证券北***
“学海拾珠”系列之一百零三:如何预测动量因子的表现?

如何预测动量因子的表现? ——“学海拾珠”系列之一百零三 金融工程 专题报告 报告日期:2022-08-03 主要观点: 分析师:严佳炜 执业证书号:S0010520070001邮箱:yanjw@hazq.com 联系人:吴正宇 执业证书号:S0010120080052邮箱:wuzy@hazq.com 相关报告 1.《已实现半Beta:区分“好的”和“坏的”下行风险——“学海拾珠”系列之九十�》 2.《基金抛售对股票价格影响的外溢效应——“学海拾珠”系列之九十六》3.《基于回撤控制的最优投资组合策略——“学海拾珠”系列之九十七》 4.《预期收益、成交量和错误定价之间的关系——“学海拾珠”系列之九十八》5.《基金评级的变化是否会对股票价格产生系统性影响?——“学海拾珠”系列之九十九》 6.《因子动量与动量因子——“学海拾珠”系列之一百》 7.《无形资产对因子表现的影响——“学海拾珠”系列之一百零一》 8.《“聪明钱”、“糊涂钱”与资本市场异象——“学海拾珠”系列之一百零二》 本篇是“学海拾珠”系列第一百零三篇,本文主要研究如何预测动量因子的表现。作者构建了动量价差比率指标(MSR),并测试其预测各种类 型动量的能力。结果表明,作为投资者反应不足的代理变量MSR,对传 统动量、行业动量和残差动量均有显著的负向预测能力。控制常见的风险 因素后,如Fama-French三因子,实证结果证实了动量可能确实来自行为偏差。回到A股市场,长期以来,因子择时是一个较难的研究课题,根据动量效应背后的经济学解释来构建预测因子MSR可能是一个较好的预测动量效应的方法。 动量效应的减弱部分很可能与行为偏差有关 根据观察,三种类型的动量(动量、行业动量和残差动量)异象在1994 年后都有所减弱,作者怀疑有很大一部分动量溢价已经被投资者利用了。由于风险调整后的动量在1994年后仍然显著,动量效应中被减弱的部分可能与行为偏差有关。因此,作者构建一个代理变量,可衡量在t-1月末 构建动量组合之前,有多少与行为偏差有关的动量收益已经损失掉。 动量价差比率MSR能有效预测动量因子的表现 通过构建动量价差比率MSR这一指标,可以预测各种类型的动量因子的表现。结果表明,个股层面的MSR确实可以显著预测风险调整的收益。而MSR在预测行业动量方面不如预测传统动量有效。另外,MSR指标能够预测部分残差动量的表现。因此,作者认为这三种动量之间存在一些共性,其中一部分很可能来自于相同的行为偏差。 风险提示 文献结论基于历史数据与海外文献进行总结;不构成任何投资建议。 敬请参阅末页重要声明及评级说明证券研究报告 正文目录 1引言4 2动量何时开始5 3用K个月的复合收益率来定价动量效应9 4实证结果9 5进一步分析11 6总结13 附录14 风险提示:27 图表目录 图表1动量策略表现7 图表2赢家何时成为赢家8 图表3套利的局限性12 图表4预测风险调整的动量错误!未定义书签。 图表5预测行业动量18 图表6预测残差动量22 1引言 在过去的三十年中,最早由Jegadeesh和Titman(1993)提出的动量,仍然是较难从风险的角度解释的异象之一。动量因子的收益可以根据过去的回报信息进行预测,这严重挑战了EugeneFama提出的有效市场假说(EMH)。众多的论文致力于解释这一独特的现象,但还没有找到统一的解释。研究者一直在争论动量是由行为偏差(如投资者反应不足)还是由共同风险因素的横截面变化造成的。 从基于风险的角度来看,Lewellen(2002)认为动量也存在于充分分散化的市值和B/M投资组合中,对动量仅仅来自于公司或行业的特定回报的说法提出异议,认为是股票之间的协方差,而不是反应不足,能解释动量效应。他还声称,投资组合中动量的普遍特征表明宏观经济因素对规模和B/M中的动量会有一定的解释性。 Liu和Zhang(2008)发现,最近的赢家股票比输家有较高的MP暴露。工业生产值的增长率是一个具有定价能力的风险因素。因此,他们声称这个与宏观经济相关的风险因素解释了一半以上的动量收益。 Avramov等人(2013)探讨了金融困境对基于异象的交易策略的盈利能力的影 响。他们发现,价格动量、盈利动量、信用风险、分散性、特异性波动和资本投资异象的盈利能力完全来自于金融困境时期,如果将信用评级下调前后的时期从样本中排除,这些策略将没有收益。 在过去的回报可以预测未来的betas这一发现的推动下,Kelly等人(2021)探讨了有多少动量溢价可以被条件风险暴露所解释的问题。使用IPCA,他们表明以前的条件因子模型无法解释动量效应是由于模型的错误设定,他们发现股票的条件风险溢价的变化与动量密切相关。 与基于风险的解释相比,更多的证据是支持行为学解释的。Vayanos和Woolley (2013)怀疑,当投资者对最近的基金表现做出反应时,就会出现这种动量。如果资金流动表现出惯性,并且因为价格没有完全调整以反映未来的资金流动,就会产生动量。反转的产生是因为资金流将价格偏离了其基本价值。通过提出一个理论模型,他们表明机构资金流动会导致动量。 Blitz等人(2021)记录了一种残差动量,它所赚取的风险调整后的收益大约是与总回报动量相关的收益的两倍,而且不太集中于股票横截面的极值。因此,他们的结论似乎与基于风险的动量解释不一致。 Medhat和Schmeling(2022)发现,通过对前一个月的回报率和股票成交量进行排序,动量和短期反转可以共存。它能在交易成本中存活下来,并且在大市值和流动性最好的股票中普遍存在。他们发现基于风险的解释无法解释他们的发现,他们认为一些交易者对价格所传达的信息认识不足可能是产生的原因。 除了对动量的横截面决定因素的研究,时间序列预测也是动量相关研究文献的一个方向。受2008年底动量崩溃的启发,Wang和Xu(2015)发现,市场波动率 具有预测动量收益的能力,它可以在市场状态和商业周期变量中生存。与其他主要关注动量横截面属性的研究相比,他们主要研究了动量的时间序列特征。他们声称,这一发现对现有的对动量的解释提出了严重的挑战,包括基于风险和行为的解释。 因此,为了检验潜在的行为偏差是否对动量收益有贡献,以及套利活动是否影响动量策略的盈利能力,作者试图构建一个动量价差比率(MSR)来捕捉动量套利活动中的拥挤程度和投资者反应不足的程度。作者的结果显示,股票层面的MSR可 以显著预测各种类型的动量,如原始动量、行业动量和残差动量。作者甚至通过控制常见的风险因素,如Fama-French三因子,得到了更多显著的结果。股票层面的 MSR可以预测各种类型的动量,这证实了这些动量策略至少存在一些共性,因为它们都是基于过去的回报信息。 首先,作者假设投资者只根据过去的回报信息做出反应。如果投资者反应不足的说法是真的,投资者一旦观察到之前t个月的赢家和输家就会建仓。作者考虑构建 pseudomomspreadt2 t2 这样一个比例MSRi momspreadt2 t(1i)。作者关于MSR的逻辑是,它可以 t12 在控制市场表现的同时衡量套利机会。如果作者假设过去的�-12到�-2月的赢家和输家总是从�-12到�–2月的赢家和输家。作者对这些赢家和输家计算 t(1i) pseudomomspreadt2 ,它代表了假赢家和输家从�-(1+𝑖)到�-2月份的收益 差。当市场在过去12个月中表现良好,作者预计momspreadt2和momspreadt2 t12ti 都将相对较高。其次,作者尝试用�月的共同风险因素来为动量定价,由于作者认为MSR可以代表套利活动和投资者的反应不足,作者也用MSR来预测行业动量和残差动量。作者的结果显示,股票层面的MSR可以预测这三类动量,尤其是控制了共同的风险因素后。尽管预测能力不同,但这一发现表明这三种动量之间存在一定的共性。 2动量何时开始 tkK k1 tkK 作者的样本包括在纽约证券交易所/美国证券交易所/纳斯达克上市的所有普通股票。所有的股票价格和收益率都来自CRSP,所有的会计信息都来自COMPUSTAT。在构建动量十等分组合时,作者使用纽约证券交易所的市值加权的收益,作者的样本期间为1966年到2021年。从KennethFrench的网站上获得每月MKT、SMB、HML、RMW、CMA和UMD因子数据。举例来看,SMB因子的收益率的形式为 t,k k1 fSMBK (1fS )K (1fB) f S 其中tkK被定义为2𝑥3的双变量排序投资组合中的小市值投资组合,即 1*(SmallValueSmallNeutralSmallGrowth) 3; B f tkK被定义为2𝑥3的双变量排序投资组合 1*(BigValueBigNeutralBigGrowth) 中的大市值投资组合,即3 。每月的MKT、SMB、HML、 RMW、CMA和UMD因子都是使用六种市值加权的组合(都是二乘三的排序)构建的,分别根据规模、账面价值、盈利能力、投资和过去收益率形成。 为了构建动量组合,作者严格遵循French的方法。在每个月的月初,作者将股票分成十等分,根据前11个月的收益率(从t-12到t-2)。请注意,作者跳过了� -1月份。在每个投资组合中,所有的股票都是市值加权的,并且在�+1月的月初进行重新平衡。 作者从Fama-French(1997)的49个行业分类构建行业动量组合。在排除了金融相关行业后,总共有45个行业。在每个月的月初t,作者将行业分成九个组合 (9*5=45),每个组合由�个行业组成。作者的排序是基于行业过去6个月的市值加权收益,从�-6月到�-1月。按照Moskowitz和Grinblatt(1999)的做法,作者不 跳过𝑡-1月份。每个投资组合的收益率都是以投资组合中�个行业的等权重收益率计算的。投资组合在�+1月初进行重新平衡。 为了构建残差动量投资组合,作者在每个月的月初将所有的股票分成十等分,根据他们之前从�-12月到�-2月的11个月的残差收益。将股票超额收益与Fama-French(1993)的三个因子进行回归,作者对过去36个月内所有股票从�-36月到�-1月的每个月的残差收益进行估计。作者要求这些股票在过去36个月中有36个观测值。投资组合在𝑡+1月开始时被重新平衡。 图表1记录了三类动量策略的历史表现:动量、行业动量和残差动量。从1966 年到2021年,动量策略平均每月产生1.12%的收益。在1994年之前,动量收益要高得多。它每月平均提供1.71%的收益,�值超过5。与1993年之前的动量策略相比,1994年之后的动量收益急剧下降,仅产生了不显著的0.65%的月收益。显然,1993年之后,动量策略的盈利能力似乎不再有利可图了。 此外,作者还报告了每个动量的α值的统计数据。例如,MOM_aplha被定义为将动量对Fama-French三因子(MKT、SMB、HML)回归的截距项。MOM_alpha*被定义为将动量对Fama-French�因子(MKT、SMB、HML、CMA、RMW)回归的截距项。除了动量α,作者还报告了行业动量α和残差α。对于动量来说,来自阿尔法的证据是相似的,但对于行业动量和残差动量来说却不是。与1994年以前的子样本相比,FF3因子α和FF5因子α的�值都有所下降。FF5的α值似乎比FF3的α值要不显著的多,这表明FF5因子在解释动量的截面变化方面更有优势。对于行业和残差动量来说,1994年前后的α似乎没有什么变化,而与原始的行业动量和残差动量相比,α的�值明显下降。如果作者忽略了模型的错误设定问题,并假设α值捕捉了潜在的行为偏差,那么行业动量和残差动量似乎受投资者反应不足的影响较小。 B组报告了规模�分法的结果。作者看到,动量收益总体上随着规模的增加而减少。在整个样本期和第一个样本期,当投