学术文献研究系列第48期：市场状态如何影响异象收益？
证券研究报告|2022年11月21日 学术文献研究系列第48期 市场状态如何影响异象收益？ 核心观点金融工程专题报告 引言 在过去的几十年间，大量市场异象（因子）被发现(Cochrane，2011)。为了更好地解释异象产生的原因，本文对来自全球股票市场的118个因子和 20个已知模型因子在不同市场状态下的收益进行了分析。文章基于目前对异象的三种普遍解释：风险、定价错误和数据挖掘，对处于不同市场状态下的因子表现进行了预测。 在市场状态不好时的异象因子回报率比市场状态好时更高 在研究的138个异象因子中，有10个因子在5%水平上与GOODTIMES显著正相关，51个在5%水平上与GOODTIMES显著负相关，剩余77个与GOODTIMES不显著相关；而在市场状态不好时，因子收益要比市场状态好时更高。 不同类别下因子表现的一致性表明，研究结果具有稳健性。 不论是根据异象因子的定义还是根据其所属的区域/市场对因子类别进行细分，结果均表现为大多数因子在市场状态不佳时具有更高的回报。此外，从分类的角度还可以消除因子异质性对结论的影响。不同类别因子表现的一致性表明，研究结果具有稳健性。 由于套利的限制和投资者不愿做空的心态，异常收益主要源于空头端 作者基于Carhart(1997)四因子模型建立了因子的多空组合，并且发现由于套利的限制和多数投资者不愿做空的心态，错误定价对空头端的影响更为明显。因此，市场状态对多头端的影响不大，异常回报主要由空头端驱动。 结论 本文使用了从1981年到2019年来自56个国家的样本数据，研究了138个市场异象（anomaly，或译为因子）和市场状态之间的关系。如果以股市指数高于或低于其200天移动平均线来划分市场状态，研究发现绝大多数异象因子都会在市场行情不好时产生更高的收益；如果将因子从定义和地域上进行进一步的细分，或者向模型中添加投资者情绪这一控制变量，结论也依然成立。 风险提示：本报告内容基于相关文献，当市场环境发生变化时存在模型失效风险。 金融工程·数量化投资 证券分析师：张欣慰证券分析师：张宇 021-60933159021-60875169 zhangxinwei1@guosen.com.cnzhangyu15@guosen.com.cn S0980520060001S0980520080004 相关研究报告 《学术文献研究第45期-财报中的竞争对手分析是否能用来预测 股票收益？》——2022-11-01 《坚持创新驱动，推动行业高质量发展——广发中证创新药产业 ETF投资价值分析》——2022-10-13 《金融工程专题研究—基于道式理论的商品期货交易策略》 ——2022-08-19 《金融工程专题研究-隐式框架下的特质类因子改进》 ——2022-08-17 《金融工程专题研究-CANSLIM行业轮动策略》 ——2022-06-06 请务必阅读正文之后的免责声明及其项下所有内容 内容目录 文献来源4 引言4 数据5 1.初始数据5 2.市场状态6 3.情绪因子8 4.市场状态和情绪指标的相关性概述8 市场状态和横截面因子异象9 1.方法说明9 2.因子在FF4模型下的Alpha9 3.进一步的变量控制10 4.异象因子的分类12 5.多元回归分析12 稳健性检验14 结论15 免责声明16 图表目录 表1：指标描述性统计7 表2：市场状态与情绪指标的相关性8 表3：在不同市场状态下的回归分析（市值加权）10 表4：回归分析——原始收益与其他模型11 表5：市场状态与情绪指标的相关性12 表6：多变量回归分析13 表7：多空组合因子收益部分的回归分析14 文献来源 文献来源：Müller,SebastianandPreissler,Fabian,InGoodandinBadTimes?TheRelationbetweenAnomalyReturnsandMarketStates(September18,2021).AvailableatSSRN:https://ssrn.com/abstract=3926059 文献亮点：本文使用了1981年到2019年来自56个国家的样本数据，研究了138 个市场异象和市场状态之间的关系。如果以股市指数高于或低于其200天移动平均线来划分市场状态，研究发现绝大多数因子都会在市场行情不好时收获更高的收益；如果将因子从定义和地域上进行进一步的细分，或者向模型中添加投资者情绪等控制变量，结论依然成立。 引言 在过去的几十年间，大量市场异象（因子）被发现，产生了“因子动物园”（“zooofanomalies”）（Cochrane，2011）。为了更好地解释异象产生的原因，本文对来自全球股票市场的118个因子和20个已知模型因子在不同市场状态下的异常回报进行了分析。文章基于目前已有的对异象的三种普遍解释：风险溢价、定价错误和数据挖掘，对处于不同市场状态下的因子表现进行了预测。 基于风险溢价的假设认为，异常回报是对承担系统性但尚未被定义的风险的补偿；错误定价假设则认为异常回报是投资者有限理性和套利限制的结果，因此市场参与者无法完全消除异象；而数据挖掘假说认为，由于对因子进行了过度的数据挖掘，许多已被发现的因子其实仅是偶然出现的。这三个用来解释异象的理论都有各自的论据，且并不相互矛盾；目前市场上最常用错误定价理论来解释“FactorZoo”。 本文通过研究横截面因子回报来对已有的研究进行补充，选择了1980年至2019 年间来自于56个股票市场的138个因子作为研究对象，并通过市场的当前状态来划分所处的市场状态。具体来说，如果某个国家的主要股票指数在上个月底高于（低于）其200日移动平均线（MA），那么就认为该市场目前处于良好（不佳）的状态。 200日移动平均线指标作为市场状态的前瞻性预测指标可以实时应用，而不像其他一些衡量市场状态的指标只能通过追溯来确定当下状态。此外，200日均线不仅与经济衰退等衡量市场状态的指标高度相关，并且也常被专业人员用来评估市场的当前状态。由于其仅依赖于非常基本的市场数据，因此可以用它来确定所有国际股票市场的市场状态，而无需额外的数据要求。 研究在不同市场状态下的因子表现的意义还在于可以对采用不同的假说（风险、错误定价、数据挖掘）下的因子表现做出不同预测。比如说，对于数据挖掘假设，如果因子仅仅是由数据挖掘造成，按理来说不论市场状态如何，因子表现不应该具有显著差异。 在样本期间，作者基于Carhart(1997)资产定价模型，随机生成了1000个Alpha值显著不为零的因子。在数据挖掘的假设下，在考虑了Type-I错误后，数据挖掘出的因子表现应该在很大程度上与市场状态无关；结果显示，在5%显著水平上，1000个因子中只有78个(占7.8%)因子的表现在不同市场状态下不同，且一半的异象(39)与市场状态指标显著正相关，另一半显著负相关。 与数据挖掘假说相反的是，风险假说和错误定价假说都认为因子与市场状态有关。在一个有效市场，股票的异常回报一定反映出对其系统性风险的补偿。基于消费的资产定价理论认为，这种补偿是由股票回报与边际效用的协方差所驱动的(Cochrane,2005)。在经济衰退时期，投资者会减少消费并更加注重成本，因此在衰退时期表现较好的股票通常比不具备这种对冲消费风险特性的股票更受青睐；而那些能够抵御市场下行的股票会以更高的价格交易，具有更低的预期回报。将这一想法从股票层面转移到投资组合的角度，作为对风险补偿因子组合 （risk-compensatinganomalyportfolios）在衰退时期表现较差的补偿，其有望在市场行情好时表现更好。 虽然风险假说认为在行情好时期的因子回报更高，错误定价假说却对此没有明确的结论。在Daniel等人（1998）的模型中，由过度反应所驱动的错误定价源于投资者的过度自信和主观的自我归因。根据Gervais和Odean(2001)，投资者对待成功和失败是不对称的：成功导致信心增加，而失败不一定导致信心同等程度的减少。在市场长期上涨之后，由于大多数投资者都是股票的净多头，投资者的自信随之增加。在行情好的时候，他们会把成功归功于自己的选择能力，而非良好的市场环境，进一步加剧了他们的过度自信。由此可见，在市场状态良好的情况下，投资者过度自信所引起的异象应该更明显。Cooper等(2004)和Gao等(2018)分析了单一异象与市场状态的相关性，发现因子的收益率在上行市场中确实更高。 即使风险假设和过度反应驱动的错误定价假设认为在市场行情好时因子的回报更高，但如果产生异象的根本原因是对新信息反应不足，那么由错误定价引起的异常回报也可能在市场下行时期更高。基于反应不足的错误定价的核心特征是，特定于公司的信息是被逐渐纳入股价中的(Hong和Stein,1999)，尤其是在负面信息聚集的经济衰退期，由于企业不愿意发布负面新闻，信息不公开传播，这个过程会更加缓慢。 此外，也有研究表明，投资者可能会受到鸵鸟效应的影响，选择性地关注新信息 （Karlsson等，2005；Galai和Sade，2006）。在行情好的时候，投资者热衷于收集有关股票投资的信息，而在行情不好的时候宁愿“把头埋进沙子里”。因此，鸵鸟效应意味着在市场状态不佳时期信息传播的滞后，那么，由于投资者反应不足所产生的异象因子就会具有更高的回报。 数据 1.初始数据 文献遵循了Jacobs和Müller(2018)的计算细节，为样本期重建了240个异象因子；在进一步的文献搜索之后，又在数据集中添加了10个因子，共构成了250个异象因子，因子计算方式为上五分位(5)和下五分位(1)投资组合之间的收益差。 作者采用了1981年9月至2019年6月来自北美、欧洲和亚太地区56个不同国家的数据，同时也采用了新兴市场数据。根据MSCI的分类方案，作者将这些国家分为发达市场(DM)、新兴市场(EM)和前沿市场(FM)，分别包含了22个、22个和12个国家。 2.市场状态 在定义市场状态时，我们主要使用Huang等人（2017）描述的方法：如果该国主要股票指数（即市场指数，MI）在前t-1月月末的收盘价高于（低于）其200日移动均线，则认为市场在第�个月处于较好（较差）状态。研究所使用的GOODTIMES指标为实时指标，可以提前计算且无需未来信息，计算方式如下： �,� �𝑂𝑂��𝐼�𝐸�=1,𝑖�𝐼�,�−1>�𝐴�−1,200 0,��ℎ�𝑟���� 等式（1）中的下标�表示被研究的国家；市场指数��来源于1979年12月至2019 年6月的Datastream数据库(例如美国的TOTMKUS或德国的TOTMKBD)。 Cooper等人（2004）使用另一种方法（以下称为UP）对市场涨跌进行划分：如果该国市场指数在过去三年中上涨，则定义其为GOOD状态，否则定义市场为BAD状态。与本文使用的指标类似，该指标的计算仅与t-1月月末和t-36月月末的收盘价相关，我们将在拓展研究中使用该方法对市场状态进行定义。 图1：G7国家市场状态划分图2：G7国家市场状态划分（续） 资料来源：SPIVA，国信证券经济研究所整理资料来源：WIND，国信证券经济研究所整理 除了以上定义的市场状态划分方法，一种更为直观的方式是根据经济的增长和衰退来对市场状态进行划分。一般来说，在经历了连续两个季度的GDP负增长后，就会认为出现了经济衰退。根据这个定义，本文构建了一个相应的衰退指标，如果衰退出现，该指标等于0，否则为1。从投资者的角度来看，使用衰退指标来判断市场状态相比于市场状态指标具有明显劣势：衰退指标是基于GDP增长的未来数据，意味着衰退只能用于追溯(于事后)确定市场状态。因此，在文章的分析中，作者只将衰退指标作为一个比较参数。 图1和图2展示了G7国家的GDP增长时间序列以及对应的衰退指标与GOODTIMES指标。可以看出，在大多情况下，GOODTIMES都
