基于条件风险溢酬的动量因子改进：IPCA模型解构A股动量

│ IPCA模型解构A股动量 作者 分析师：孙子文 证券研究报告 2023年10月23日 ——基于条件风险溢酬的动量因子改进 趋势因子—A股市场表现卓异的动量因子 独特的投资者结构导致A股不存在传统的动量效应[1]，刘扬等(2023)[4]综合个股价格、成交额信息构造出表现卓异的A股趋势因子。我们以2000-2023年8月的全A数据为样本，实证发现趋势因子的月均回报为1.42%、夏普率达0.37，显著优于Liu等(2019)[25]的中国3因子(CH3)。另外，与流动性因子不同，趋势因子在大盘股上也有较好表现，其月均回报达0.87%。 基于中期信号的因子动量无法解释趋势因子 Ehsani和Linnainmaa(2022)[5]发现美股因子间的动量效应能够解释个股的动量收益。在A股市场，以过去7-12个月累积收益率作为信号的因子动量策略也有不俗表现：首先，因子时序动量策略的年化收益为15.03%，夏普率达0.98；其次，我们还基于因子协方差矩阵的PCA主成分构建了时序动量策略，该策略的年化收益为20.26%，夏普率为0.9。尽管如此，因子张成检验的结果表明在A股市场上因子动量并不能解释趋势因子。 IPCA解构A股动量—从趋势因子到条件风险溢酬 Kelly等(2021)[22]发现IPCA模型的条件风险溢酬在很大程度上解释了动量异象。我们以2005年以来19个特征组成的A股数据集为样本，实证发现设定10个隐因子的IPCA模型对个股收益的样本外预测R2达0.51%。基于IPCA条件风险溢酬的多空组合(风险动量因子)年化收益可达25.4%，夏普率为1.91。此外，风险动量因子解释了趋势因子：趋势因子相对于CH3+风险动量因子的四因子模型不再有显著的alpha；风险动量因子相对于CH3+趋势因子的月均alpha则超过0.8%，并在5%的水平上显著。 执业证书编号：S0590523060001邮箱：sunzw@glsc.com.cn 分析师：朱人木 执业证书编号：S0590522040002邮箱：zhurm@glsc.com.cn 金融工程 金融工程专题 风险提示：本报告仅作为投资参考，相关指标的计算和模型假设均基于合理逻辑，但模型假设存在失效风险，过往业绩也并不预示未来表现，亦不构成投资收益的保证或投资建议。 相关报告 1、《利用QDII基金实现全球化配置：————资产配置专题》2023.10.18 2、《美国投顾发展及启示》2023.09.26 正文目录 1.趋势因子—表现卓异的A股动量因子3 1.1传统视角下中短期没有动量、只有反转3 1.2根据投资者的行为特征构造A股趋势因子4 1.3趋势因子的收益表现明显优于中国3因子5 2.基于中期信号的因子动量无法解释趋势因子6 2.1略过短期，因子收益的自相关性更强6 2.2基于中期信号的时序、横截面和PCA因子动量策略8 2.3A股的因子动量无法解释趋势因子11 3.IPCA条件定价模型—揭开趋势因子的神秘面纱11 3.1趋势因子与风险因子的条件动态有关11 3.2IPCA模型反映个股的动态风险溢酬12 3.3基于IPCA的个股动量策略年化25.4%、夏普率1.9114 3.4IPCA模型表明趋势因子实为风险动量16 4.风险提示18 5.参考文献19 图表目录 图表1：按JT动量排序分组后的多空组合收益率并不显著3 图表2：按月度收益率排序分组的各组合回报呈现显著的反转现象3 图表3：沪市外部投资者中自然人的持股市值占比最高4 图表4：沪市个人投资者的交易量占比长期高于80%4 图表5：趋势因子回归beta的EMA参数lambda值介于0.01-0.02之间5 图表6：趋势因子的收益、夏普比率均明显优于中国3因子6 图表7：5x5分组检验表明在大、小市值样本中趋势因子的收益均显著6 图表8：因子动量涉及的因子及基本收益特征7 图表9：A股主要指数的年化波动率明显高于美股7 图表10：滞后7-12阶的因子收益正自相关明显更强7 图表11：以因子年度收益率实施的秩回归beta不显著8 图表12：因子中期动量的秩回归预测beta多数显著8 图表13：时序、截面因子动量策略的净值走势在大多数月份均较稳健8 图表14：时序、截面因子动量策略的夏普率较趋势因子有较大提升9 图表15：PCA前5大主成分构造的时序动量策略净值增长更快10 图表16：PCA前5大主成分的动量效应比第6-10大主成分的更强10 图表17：CH3因子无法张成趋势因子、因子动量组合11 图表18：因子动量、主成分动量均无法解释趋势因子11 图表19：趋势因子与样本多数风险因子的条件相关系数显著改善12 图表20：K=10时IPCA模型对个股回报的预测R2可达0.5%以上14 图表21：按IPCA期望回报分组的组合收益单调性强、多空组合收益显著15 图表22：等权重、市值加权的风险动量因子组合净值增长快、回撤较小16 图表23：风险动量因子组合的年化收益可达25.4%，对应夏普率为1.9116 图表24：面板预测回归中IPCA期望回报指标的表现优于CH3、趋势因子指标.17 图表25：等权、市值加权的IPCA风险动量因子均能解释趋势因子17 1.趋势因子—表现卓异的A股动量因子 自Jegadeesh和Titman（1993）[1]提出美股的动量交易策略(JT动量)后，后续研究发现全球多个国家的多种大类资产上均存在显著的动量效应（Asness等，2013）[2]。但在A股市场上动量因子却颇受争议，学界的实证研究大都表明A股并不存在动量现象（Cakici等,2017）[3]，而业界仍在广泛使用多样的动量交易策略。刘扬等（2023） [4]基于量价信息构造的趋势因子有望弥合这一分歧。 1.1传统视角下中短期没有动量、只有反转 基于“强者恒强，弱者愈弱”的理念，JT动量策略按t-12至t-1月的个股累积收益率排序并将样本划分为10组，然后按等权的方式买入收益率最高的“赢家”组合、同时卖出收益率最低的“输家”组合。我们参照该方法在A股市场构建持有期为1个月的JT动量组合策略，总样本为剔除ST/风险警示股、一字板个股及上市不满1 年个股后的全部A股，实证区间为2005年1月至2023年8月底。 图表1：按JT动量排序分组后的多空组合收益率并不显著 资料来源：wind，国联证券研究所.注:表中显示为各组的月均收益率(%)，括号内为t值 从表1来看，无论采用等权重还是市值加权的组合构建方法，10个组合的收益率均不单调，作为JT动量因子的High-Low组合月均收益率也都不显著。而在将回溯期缩短至过去1个月时，市场上呈现明显的反转效应。平均历史收益率越低的组合，其持有回报大都超过历史收益率更高的组合。High-Low因子组合在等权、市值加权模式下的月均收益分别为-1.6%、-1.09%，也都具有统计意义上的显著性。 图表2：按月度收益率排序分组的各组合回报呈现显著的反转现象 资料来源：wind，国联证券研究所.注:表中显示为各组的月均收益率(%)，括号内为t值 1.2根据投资者的行为特征构造A股趋势因子 A股市场上个人投资者的持仓占比高、交易活跃，其短视的投资行为加剧了市场的投机氛围。刘扬等(2023)[4]认为这既造成了A股JT动量因子的失效，也使得交易额信息成为个股定价的重要因素。具体来说，个人投资者交易越活跃的个股会有更强的动量效应。但当剔除掉成交额的趋势信息后，该类个股的动量效应即不再显著。他们就此结合价格、成交额的趋势信息，打造出一个适用于A股的趋势动量因子。 图表3：沪市外部投资者中自然人的持股市值占比最高图表4：沪市个人投资者的交易量占比长期高于80% 沪股通一般法人自然人专业机构 90% 个人投资者交易量占比 100.00 90.00 80.00 70.00 60.00 50.00 40.00 30.00 20.00 10.00 0.00 2015201620172018201920202021 87% 84% 81% 78% 75% 20102011201220132014201520162017 资料来源：wind，上交所，国联证券研究所资料来源：wind，上交所，国联证券研究所 根据刘扬等(2023)[4]，在每月末进行横截面的预测回归如下： 𝑟�=𝛽�+𝛽𝑃,𝑡𝑀̃𝐴𝑃,𝑡−1+𝛽𝑃,�𝑀̃𝐴𝑃,𝑡−1+𝛽𝑉,𝑡𝑀̃𝐴𝑉,𝑡−1+𝛽𝑉,�𝑀̃𝐴𝑉,𝑡−1+𝜖�(1) �010 𝑖,10 400 𝑖,400 10𝑖,10 400 𝑖,400 其中𝑟�为个股i在t月的收益率，𝛽�和𝜖�分别为常系数和残差项。上标P和V分 �0 别表征价格和成交额。MA项为对应指标的移动均值调整项，如价格的MA项为： 𝑀𝑃,� 𝑀̃𝐴𝑃,𝑡−1=𝑖,� ,𝑤ℎ𝑒𝑟��∈[10,400](2) 𝑖,� 𝑃𝑖,� 𝑖,� 上式中𝑀𝑃,�为t月末个股i价格的L日简单移动均值，𝑃𝑖,�则为个股i在t月最后一个交易日的价格，二者相除即得到序列平稳的价格趋势指标。在式（1）中，解释变量即为分别滞后10、400天的价格、成交额趋势指标，对应的�项即为回归系数。 接下来，个股i在t+1期的期望回报即为： 𝐸𝑅𝑖,𝑡+1=∑𝐸𝑡(𝛽𝑥,𝑡+1)𝑀̃𝐴𝑥,� ,�∈[𝑃,𝑉],�∈[10,400](3) 𝑇𝑟𝑒𝑛� � 𝑥,� 𝑖,� � 其中的𝛽𝑥,𝑡+1期望值就等于其时间序列的指数移动平均值： 𝐸𝑡(𝛽𝑥,𝑡+1)=(1−𝜆𝑡)𝐸𝑡−1(𝛽𝑥,𝑡)+𝜆𝑡𝛽𝑥,�(4) ��� 对于公式中的参数𝜆，刘扬等（2023）采用迭代寻优的方法来进行赋值。具体而 言，在每个t月均对�以0.01的间隔在[0,1]区间遍历取值，由此构造出100个趋势因子组合。然后计算出每个趋势因子组合截至t月的月度收益率序列，并取夏普率最大的因子对应的�作为式(4)中的参数值。 为了控制市值、价值因子的影响，刘扬等(2023)在构造趋势因子时采用了3重分组的方法：在每个月末按市值中位数将样本划分为2组，并分别按EP、ERTrend的30%、70%分位数将样本划分为3组。这就得到2*3*3共18组，其中ERTrend类别下包括Trend-Low、Trend-Mid和Trend-High组。然后计算各组的市值加权收益率，趋势因子组合就等于6个Trend-High组与6个Trend-Low组的平均收益率之差。 1.3趋势因子的收益表现明显优于中国3因子 接下来，我们参照刘扬等(2023)[4]以2000年1月-2023年8月底的A股数据为样本来构建趋势因子。由于计算成交额的移动均值需要至少10个月的历史数据，而在估计beta的EMA均值时则需至少38个月的数据，因此实际的样本区间始于2005年1月。如表5所述，迭代得到的�值实际范围介于0.01-0.02之间，表明市场需要较长的窗口期以对beta系数平滑降噪。 图表5：趋势因子回归beta的EMA参数lambda值介于0.01-0.02之间 lambda 0.03 0.02 0.01 0 资料来源：wind，国联证券研究所 从收益结果来看，趋势因子的月均回报为1.42%，较3重分组法得到的市值(Size)、价值(Value)因子高出16%以上。我们还复制了Liu等(2019)的中国3因子(CH3)来作比较，三因子与原文结果的相似度均在97%以上，但其月均回报最高仅为趋势因子的3/4左右。另外，趋势因子的夏普比率为0.37，也明显高于其他5个因子。最后，就相关性来看，趋势因子与市值、价值因子的相关系数最高仅为0.28，这表明其显然含有增量的定价信息。 图表6：趋势因子的收益、夏普比率均明显优于中国3因子 资料来源：Liu,Stambaugh等[25]，wind，国联