量化资产配置系列报告之七：基于路径类动量因子的趋势跟随策略

量化资产配置系列报告之七： 基于路径类动量因子的趋势跟随策略 基金 2024年03月12日 相关研究报告 【平安证券】基金深度报告*量化资产配置系列报告之一：资产配置理念变迁：从收益配置、风险配置到因子配置*20230620 【平安证券】基金深度报告*量化资产配置系列报告之二：基于经济领先指数改进的美林时钟模型在国内运用*20230808 【平安证券】基金深度报告*量化资产配置系列报告之三：赔率因子在大类资产和行业轮动策略运用*20230913 【平安证券】基金深度报告*量化资产配置系列报告之四：引入货币-信用的投资时钟模型在资产配置应用*20231103 【平安证券】基金深度报告*量化资产配置系列报告之五：成长价值、大小盘风格轮动规律与策略展望*20231208 【平安证券】基金深度报告*量化资产配置系列报告之六：动量因子在大类资产和行业轮动策略运用*20240201 证券分析师 郭子睿投资咨询资格编号 S1060520070003 GUOZIRUI807@pingan.com.cn 研究助理 任书康一般证券从业资格编号 S1060123050035 RENSHUKANG722@pingan.com.cn 平安观点： 动量因子开发框架。动量因子开发工作主要包括因子指标构建和有效性评估两个部分。在指标构建上，路径类动量是动量因子开发的重要方向， 因子核心差异在于对历史价格加权方式的不同。通过对历史价格或收益 赋予不同权重函数，可以识别价格变化的具体路径，提取差异化的行情信息。我们整理了技术分析中常用的27个动量因子，它们的构建方法可以归纳为从分子、分母端对传统动量计算方法的改进，以及对简单动量因子的进一步差分和加权。对动量因子的改进可以从以下几个方面入 手：（1）使用价格的各类加权均值去替代最新价格或历史价格；（2）对历史收益率的汇总和加权计算；（3）对各类行情持续时间的统计计算； （4）使用简单指标的短、长期均值差及多次平均进一步构建衍生指标。在因子有效性评估上，我们划分了样本内、外数据分别用于因子调参和效果评价，引入K折交叉验证降低过拟合风险。实证了27个动量因子 在A股市场13个宽基指数和31个申万一级行业上的择时效果，以2005- 2019年为样本内数据确定因子最优参数，通过2020年以来数据验证因子表现及参数稳定性。为了降低大量因子测试所带来的过拟合风险，我们借鉴了机器学习中的K折交叉验证思想，提高因子泛化能力。 因子择时效果实证。在成长风格指数上，动量因子择时策略超额收益显著。在创业板指数、恒生科技指数上动量因子超额收益显著，在上证50、中证1000、深证100、沪深300指数、深证成指、中证500上动量因 子也均有一定超额收益。除中证红利指数外，其余宽基指数上均存在样本内表现稳定、且样本外有显著超额的动量因子。确然指标KST、心理线PSY、趋势强度指标TII、DELTA指标、平均线差DMA在A股宽基指数上平均择时效果更好。在恒生科技指数上，近一月行情指标动量效 果较好。在创业板指上，近一年行情指标动量效果较好。在上证50指数 上，近3-4个月行情指标动量效果较好。通过改进动量因子，样本外取得超额收益的行业指数由前期报告的13个行业增加到27个：在美容护理、房地产、商贸零售、电力设备、建筑材料、医药生物、社会服务、 计算机、钢铁、传媒、基础化工行业指数上，动量因子择时策略年化超额收益率均达到了8%以上，仅有色金属、公用事业、汽车、石油石化行 业的最优动量因子没有取得超额收益。恒生科技指数上基于CM0_20因 子的股债轮动策略年化超额收益率达到16.1%；创业板指上基于HMAD_20_60因子的股债轮动策略年化超额收益率达到7.8%；中证1000指数上基于HMAD_40_80因子的股债轮动策略年化超额收益率达到6.8%；沪深300指数上基于SHARPED_20_240因子的股债轮动策略年化超额收益率达到6.9%。3月上述动量择时模型分别发出看多恒生科技、创业板指、中证1000、沪深300指数信号。 风险提示：1）市场学习效应超预期导致历史经验失效的风险。2）宏观经济和流动性剧烈变化的风险。3）投资者结构变化导致的量化指标失效。 基金报 告 基金深度报 告 证券研究报告 正文目录 一、动量因子开发框架4 1.1动量因子开发4 1.2动量因子指标5 1.3因子实证方案6 二、因子择时效果实证7 2.1宽基指数择时：成长风格超额显著7 2.2行业风格择时：各行业因子推荐11 2.3择时策略示例12 三、参考文献14 四、风险提示15 五、附录15 5.1符号说明15 5.2加权函数15 5.3动量因子16 图表目录 图表1动量因子构建中市场行情序列的常见定义方式5 图表2常用加权函数（参数为60时）的趋势签名图5 图表3测试的动量因子5 图表4动量因子实证方案7 图表5各宽基指数样本内K折交叉验证评分前10动量因子在样本外的策略平均表现8 图表6各宽基指数样本内K折交叉验证评分前10的动量因子中，样本外表现最佳的动量因子及其策略评价8 图表7各动量因子指标在所有宽基指数上的平均K折验证得分9 图表8恒生科技指数上K折交叉验证评分前10动量因子及其在样本外的策略表现9 图表9创业板指上K折交叉验证评分前10动量因子及其在样本外的策略表现9 图表10上证50指数上K折交叉验证评分前10动量因子及其在样本外的策略表现10 图表11中证1000指数上K折交叉验证评分前10动量因子及其在样本外的策略表现10 图表12沪深300指数上K折交叉验证评分前10动量因子及其在样本外的策略表现11 图表13各行业指数样本内K折交叉验证评分前10动量因子中，样本外表现最佳的动量因子及其策略评价11 图表14恒生科技指数上CMO_20因子策略走势12 图表15恒生科技指数上CMO_20因子策略评价12 图表16创业板指上HMAD_20_60因子策略走势13 图表17创业板指上HMAD_20_60因子策略评价13 图表18中证1000指数上HMAD_40_80因子策略走势13 图表19中证1000指数上HMAD_40_80因子策略评价13 图表20沪深300上SHARPED_20_240因子策略走势14 图表21沪深300上SHARPED_20_240因子策略评价14 图表22符号说明15 一、动量因子开发框架 1.1动量因子开发 在前期验证了分解增强类动量因子、风险调整类动量因子对传统动量因子改进效果的基础上，我们将进一步建立起系统化的动量因子开发框架，研究各路径类动量因子的策略效果。在前期报告中我们研究了A股市场宽基指数与行业指数上的动量效应，发现动量效应在资产择时与行业择券的运用中存在显著差异。并分别证实了在资产择时策略与行业轮动策略中，分解 增强类动量（日内动量）和风险调整类动量（夏普率动量）对传统动量的改进效果。受制于篇幅及实证框架限制，前期报告对路径类动量因子的研究相对较少，在本篇报告中我们将进一步研究各路径类动量因子在宽基和行业风格指数上的运用。 动量因子开发工作主要包括因子指标构建和有效性评估两个部分。在动量因子构建上，一方面，基于量价指标判断资产未来走势是技术分析的一大重要方向，传统技术分析为动量策略积累了丰富的可用指标。另一方面，对动量因子结构的解析使得 越来越丰富的数理方法被应用于因子构建上，通过算法挖掘可以构建大量动量因子去适配相应资产走势。在因子有效性评估上，面对海量的动量因子，系统化的因子测试方案显得尤其重要，科学的因子实证方案需要尽可能地降低因子过拟合风险。 路径类动量是动量因子开发的重要方向，核心差异在于对历史价格加权方式的不同。通过对历史价格或收益赋予不同权重，从而引入价格变化的具体路径。传统动量策略使用资产过去一段时间的累计收益率作为动量因子，对给定窗口期内收益赋予相等权重，仅考虑价格变动的起点和终点而忽视了变动路径的影响。路径类动量因子不仅考虑了资产的整体价格变化，还关 注了价格变化的具体路径或模式，例如价格是平稳上升、波动上升还是其他更复杂的路径，提供了对资产价格走势更深入的刻画。常见的DEMA、DBCD、MACD甚至机器学习挖掘的因子也大多可以归为这类。动量因子的定义方式可以归纳为： 𝑚𝑜𝑚𝑒𝑛𝑡𝑢𝑚𝑡,�=𝑚𝑎𝑟𝑘𝑒𝑡_𝑠𝑒𝑟𝑖𝑒𝑠𝑡,�×𝑤𝑒𝑖𝑔ℎ𝑡_𝑠𝑒𝑟𝑖𝑒𝑠𝑡,� 其中: 𝑚𝑜𝑚𝑒𝑛𝑡𝑢𝑚𝑡,�代表资产k在t时刻动量因子值； 𝑚𝑎𝑟𝑘𝑒𝑡_𝑠𝑒𝑟𝑖𝑒𝑠𝑡,�代表资产k在t时刻历史行情序列； 𝑤𝑒𝑖𝑔ℎ𝑡_𝑠𝑒𝑟𝑖𝑒𝑠𝑡,�代表资产k在t时刻对历史行情序列𝑚𝑎𝑟𝑘𝑒𝑡_𝑠𝑒𝑟𝑖𝑒𝑠𝑡,�加权的权重序列。 权重序列是动量因子间差异的关键，通过权重函数差异的分析可以将路径类动量因子纳入统一框架进行分析对比，趋势签名图通过可视化权重函数提供了一种直观展示因子差异的方法。通过计算公式可以看到，动量因子由行情序列和权重序列两部分决定，因此动量因子的挖掘方向可以从这两方面着手进行。其中，行情序列的定义方式相对有限，价格序列、收益率序列、 行情时间序列是常见方式；权重序列的计算方法更加灵活，丰富且复杂的加权函数赋予了动量因子更多的变化形式，简单平均、线性平均、指数平均及其多次加权函数是权重函数的常用选择。以参数为60日的不同加权函数为例，通过趋势签名图可以看到，简单平均对历史行情赋予相等权重，线性平均和指数平均对近期价格赋予更高权重，相较于线性平均来看指数平均对长短期两端行情赋予更高权重。 图表1动量因子构建中市场行情序列的常见定义方式图表2常用加权函数（参数为60时）的趋势签名图 行情序列 常见示例 价格序列 收盘价、开盘价、最高价、最低价等 收益率序列 收盘价收益率、开盘价收益率、日内收益率、隔夜收益率、上涨幅度、下跌幅度、正偏差、负偏差等 行情时间序列 各类行情（上涨、下跌等）时间统计 资料来源：平安证券研究所资料来源：平安证券研究所 1.2动量因子指标 简单移动平均（SMA）、线性移动平均（WMA）、指数移动平均（EMA）、两期线性移动平均（DMA）和可变权重动态移动平均（VIDYA）是动量因子开发的常用权重函数，权重函数的选择及组合是动量因子间差异的关键。移动平均线（MA）以 道琼斯的“平均成本概念”为理论基础，通过对历史价格的加权平均显示股价的历史波动情况，是反映股价指数未来发展趋势的重要技术分析方法。移动平均线的构建依赖于权重函数的选择，其决定了因子对短、中、长期不同价格的侧重程度，附录详细介绍了各常见权重函数的定义方式。多次组合使用权重函数可以得到更加丰富的权重序列，在复杂动量因子的开发中是常用方法。 我们整理了技术分析中常见的27个动量因子，其构建方法可以归纳为从分子、分母端对传统动量计算方法的改进，以及对 � 简单动量因子的进一步差分和加权。传统动量因子使用收益率衡量动量大小，其计算公式可以概括为𝑃𝑡⁄ 𝑡−� −1，对动量因 子的改进可以从以下几个方面入手：（1）使用价格的各类加权均值去替代最新价格𝑃�或历史价格𝑃�−𝑁；（2）对历史收益率的汇总和加权计算；（3）对各类行情持续时间的统计计算；（4）使用简单指标的短、长期均值差及多次平均进一步构建衍生指标。我们整理了27个技术分析中常用的动量类因子，详细计算方法可见附录。后续将通过历史数据进行调参和因子评价， 系统性地研究这些动量因子在资产配置中的应用。 图表3测试的动量因子 因子名称 因子代码 行情序列 加权方式 参数组合 指标描述 变动率指标 ROC 价格 - [N] 价格变动率 简单移动均线 SMA 价格 SMA [N] 历史价格简单均值 线性移动均线 WMA 价格 WMA [N] 历史价格线性均值 去趋势价格振荡器 DPO 价格 SMA [N] 一定时间前的移动平均价格，旨在消除