策略专题：行业动量与反转效应的探究

策略专题 / 行业动量与反转效应的探究 挖掘价值投资成长 / 2023年09月26日 【核心观点】 行业动量效应在A股客观存在，但传统的简单动量因子包含信息量过少，预测效果一般。我们对动量因子采用多种方式进行优化，融合为一个新的复合动量因子，该因子的回测效果相比简单动量因子 有显著提升。 传统简单动量因子，以及改进后的复合动量因子，都会出现动量失效、甚至动量反转的现象。这种情况常常出现在牛熊转换期、以及熊市当中。我们设计了一个行业反转因子，并采用因子择时的思路，尝试将市场划分为强市和弱市2种状态，在不同的市场环境下分别应用动量因子和反转因子，使两个因子能够互相取长补短。 最后，我们将分析师预期因子加入纯量价模型当中，打造一个复合模型，回测效果较好，并且在熊市中仍然能跑出超额收益。在2013到2022年的回测区间当中，复合模型的年化收益率超过25%，月胜率达到74%，超额收益的最大回撤较单纯的复合动量模型或分析师预期因子模型有显著改善。 【风险提示】 测试结果基于有限的历史数据和量化模型，模型可能存在过拟合风险，不能保证对样本外的数据做出有效判断。 东方财富证券研究所 证券分析师：陈鼎 证书编号：S1160522110002电话：021-23586470 相关研究 《市场震荡等待海外冲击趋缓》 2023.09.26 《持续关注医药、煤炭等板块复苏》 2023.09.19 《关注国产光刻赛道及卫星产业赛道》 2023.09.11 《继续关注地产、煤炭、钢铁等顺周期板块复苏》 2023.09.04 《9月行业轮动配置建议》 2023.09.01 策略研究 Ａ 股策略 证券研究报告 2017 正文目录 1.A股中存在行业动量效应4 2.尝试寻找效果更优的行业动量因子5 2.1.基于绝对收益率的简单动量5 2.2.经风险调整后的动量因子6 2.3.经股价路径调整后的动量因子7 2.4.动量变化情况8 2.5.成交量变化情况10 3.将多个动量因子整合为复合动量因子11 4.行业动量因子失效现象探究及改进13 5.将分析师预期因子融入动量择时策略19 6.总结21 7.风险提示21 图表目录 图表1行业动量策略分组回测结果（2010~2022）4 图表2：行业动量策略超额回报（2010~2022）5 图表3：简单动量因子回测结果比较6 图表4：简单动量-优选因子分组回报率6 图表5：简单动量-优选因子超额回报6 图表6：夏普比率因子回测结果比较7 图表7：夏普比率-优选因子分组回报率7 图表8：夏普比率-优选因子超额回报7 图表9：ATR调整后动量因子回测结果比较8 图表10：ATR调整后动量-优选因子分组回报率8 图表11：ATR调整后动量-优选因子超额回报8 图表12：动量改善度因子回测结果比较9 图表13：动量改善度-优选因子分组回报率9 图表14：动量改善度-优选因子超额回报9 图表15：成交量波动因子回测结果比较10 图表16：成交量波动-优选因子分组回报率11 图表17：成交量波动-优选因子超额回报11 图表18：不同因子之间相关性11 图表19：单因子与复合动量因子效果比较12 图表20：复合动量因子-分组回报率12 图表21：复合动量因子-超额回报12 图表22：（复合动量因子+泡沫度）分组回报率13 图表23：（复合动量因子+泡沫度）超额回报13 图表24：简单动量因子（N=21）存在因子失效现象13 图表25：复合动量因子同样存在因子失效现象14 图表26：复合动量因子失效情况14 图表27：2006年以来A股全行业年度回报率的标准差15 图表28：A股全行业轮动速度（2010.4~2023.6）16 图表29：中证全指收盘价VS波动率（2010~2022年）16 图表30：中证全指走势VS换手率（2010~2022年）17 2017 图表31：中证全指的trace指标与收盘价走势基本同步17 图表32：反转因子-分组回报率18 图表33：反转因子-超额回报率18 图表34：反转因子在回测期内4段熊市中的表现18 图表35：动量择时策略-分组回报率19 图表36：动量择时策略-超额回报19 图表37：复合模型回测结果20 图表38：复合模型回测-分组回报率20 图表39：复合模型回测-超额回报20 1.A股中存在行业动量效应 动量效应是指过去表现好的资产在未来一段时间价格持续跑赢，而过去表现差的资产在未来价格持续跑输的一类现象。动量策略是一种常见的量化投资策略，在权益类资产中，如根据决策日前N日的动量数据，对全部可投资标的进行排序分组，当过去N日收益率最高的分组，在未来的观察时间段内继续保持涨幅领先时，即认为存在动量效应，反之则为反转效应。 A股的一级行业指数也存在着一定程度的动量效应。在我们之前的报告 《行业拥挤度在行业轮动中的应用》里面，将28个中信一级行业（剔除综合、 综合金融2个行业）分成4组，每组7个行业，按照过去28个自然日各组的平均回报率进行排序分组，然后观察各个分组在未来一周的回报率情况。使用该策略，在2010到2022年的时间段内进行回测，结果发现，过去回报率最好的一组，未来一周的回报率的累计值能够长期保持领先。可以看出，简单使用绝对收益率作为动量的代理指标，即可对行业轮动有一定的指导意义。 图表1行业动量策略分组回测结果（2010~2022） 12% 10% 8% 6% 4% 2% 0% -2% -4% -6% 11.07% 8.98% 4.68% 1.67% -3.43% 第一组第二组第三组第四组行业等权组合 2017 年化回报率资料来源：Choice指数数据浏览器，东方财富证券研究所 2017 图表2：行业动量策略超额回报（2010~2022） 6300% 5250% 4200% 3150% 2100% 150% 00% 动量策略组合净值（第一组）行业等权组合净值超额收益（右轴） 资料来源：Choice指数数据浏览器，东方财富证券研究所 2.尝试寻找效果更优的行业动量因子 使用简单的行业绝对收益率，作为行业动量因子的代理指标，虽然也可以对行业轮动起到一定的指导作用，但是该指标还是存在着一定的局限性，主要体现为超额收益率尚不够高；以及超额收益率的波动较大，常常出现阶段性失效的情况。因此，还需要对行业动量因子和动量投资策略做进一步的改进和增强。传统的行业动量仅仅使用到了区间内一头一尾两个时点的价格信息，如果能够把区间内更多时点的价格信息、甚至成交量的信息给包含进来，或许能够使得动量因子效果更好。 为了寻找更优的指标，我们测试了下列行业动量因子。 2.1.基于绝对收益率的简单动量 指标含义：简单动量即传统意义的动量指标，使用过去一段时间内的行业指数的绝对收益率作为因子值。 回测方式：以中信一级行业指数作为回测对象（剔除综合、综合金融2个指数），在每个月的最后一天，观察指数在过去N个自然日的绝对收益率。按照过去的收益率从大到小进行排序，排名越高的行业得分越高。将28个中 信一级行业分为4组，考察每组在下个月的平均收益率。 回测区间：2013年1月~2022年12月，共120个月。 图表3：简单动量因子回测结果比较 因子名称 关键参数N-回望观察天数（自然日） 第一组年化回报率，% 平均RankIC RankIC为正概率，% 首尾组收益率之差（第一组 –第四 组），% 简单动量-1 21 14.83 0.0572 58.3 9.34 简单动量-2 30 9.95 0.0311 54.1 2.67 简单动量-3 60 8.00 0.0079 55.0 1.32 简单动量-4 90 7.19 -0.0022 52.5 -1.34 简单动量-5 180 10.93 0.0318 57.5 3.4 简单动量-6 365 13.43 0.0738 62.5 8.36 资料来源：Choice指数数据浏览器，东方财富证券研究所 优选因子：综合考虑因子底层投资逻辑、优选组的收益率、整体分组单调性、平均RankIC、RankIC为正概率等因素，我们选择简单动量因子-1 （N=21个自然日），作为简单动量因子大类中的优选因子。 图表4：简单动量-优选因子分组回报率图表5：简单动量-优选因子超额回报 10.38% 9.51% 5.34%5.49% 16% 14% 12% 10% 8% 6% 4% 2% 0% 14.83% 6100% 580% 4 60% 3 40% 2 120% 00% 年化回报率 组合净值（第一组）行业等权净值超额收益（右轴） 2017 资料来源：Choice指数数据浏览器，东方财富证券研究所资料来源：Choice指数数据浏览器，东方财富证券研究所 2.2.经风险调整后的动量因子 （1）夏普比率 指标含义：夏普比率是一个经典指标，同时对证券的收益和风险加以考量，衡量风险调整后的收益率。我们将行业指数的夏普比率定义为按照日频计算、无风险收益率选取十年期国债收益率的SharpRatio。 回测方式：以中信一级行业指数作为回测对象（剔除综合、综合金融2个指数），在每个月的最后一天，观察指数在过去N个自然日的夏普比率。按照过去的夏普值从大到小进行排序，排名越高的行业得分越高。将28个中信 一级行业分为4组，考察每组在下个月的平均收益率。 回测区间：2013年1月~2022年12月，共120个月。 图表6：夏普比率因子回测结果比较 因子名称 关键参数N-回望观察天数（自然日） 第一组年化回报率，% 平均RankIC RankIC为正概率，% 首尾组收益率之差（第一组 –第四 组），% 夏普比率-1 21 14.61 0.0556 58.3 10.77 夏普比率-2 30 10.89 0.0385 53.3 5.51 夏普比率-3 60 10.16 0.0216 56.6 2.26 夏普比率-4 90 7.76 0.0219 53.3 0.8 夏普比率-5 180 12.33 0.0474 57.5 5.58 夏普比率-6 365 13.06 0.0618 59.0 9.44 资料来源：Choice指数数据浏览器，东方财富证券研究所 优选因子：综合考虑因子底层投资逻辑、优选组的收益率、整体分组单调性、平均RankIC、RankIC为正概率等因素，我们选择夏普比率-6 （N=365个自然日），作为夏普比率因子大类中的优选因子。 图表7：夏普比率-优选因子分组回报率图表8：夏普比率-优选因子超额回报 16% 14% 12% 10% 8% 6% 4% 2% 0% 4.5 14.03% 13.06% 9.51% 5.40% 3.62% 4 3.5 3 2.5 2 1.5 1 0.5 0 70% 60% 50% 40% 30% 20% 10% 0% -10% -20% 年化回报率 组合净值（第一组）行业等权净值超额收益（右轴） 2017 资料来源：Choice指数数据浏览器，东方财富证券研究所资料来源：Choice指数数据浏览器，东方财富证券研究所 2.3.经股价路径调整后的动量因子 （1）ATR调整后动量 指标含义：对于同样涨幅的两个行业，如果一个行业经过上上下下的多次波折往复才涨到当前位置，而另一个行业上涨过程更加平顺，没有遇到太多阻力就涨到当前位置，则我们猜测上涨阻力较小、股价经历路径较短的那个行业指数，未来的上涨潜力可能更大。同理，对于同样跌幅的两个行业，如果一个行业经过上上下下的多次反弹和打压才跌到当前位置，而另一个行业下跌过程中没有任何抵抗、一路滑落到当前位置，我们猜测下跌抵抗较少、股价经历路径较短的那个行业指数，未来的下跌可能性更大。因此，我们使用“ATR真实波幅”指标，对行业动量进行修正。 ATR真实波幅的定义：首先定义TR=|最高价-最低价|、|昨收-最高价|、 |昨收-最低价|三者中的最大值。然后ATR=TR的N日移动平均值。 ATR调整后动量=行