学海拾珠系列之二百一十六：国际股票市场中的因子动量与价格动量

金融工程 专题报告 国际股票市场中的因子动量与价格动量 ——学海拾珠系列之二百一十六 报告日期：2024-12-12 主要观点： 分析师：骆昱杉 执业证书号：S0010522110001邮箱：luoyushan@hazq.com 分析师：严佳炜 执业证书号：S0010520070001邮箱：yanjw@hazq.com 相关报告 1.《基金中的策略背离、竞争与资金流动——学海拾珠系列之二百一十 �》 2.《如何通过技术指标预测市场波动性——学海拾珠系列之二百一十四》 3.《战术性资产配置与宏观经济因素 ——学海拾珠系列之二百一十三》 4.《主动投资向被动投资转变的影响与风险？——学海拾珠系列之二百一十二》 5.《价格波动性与信息含量——学海拾珠系列之二百一十一》 6.《基于转移熵约束的投资组合优化 ——学海拾珠系列之二百零一十》 7.《ETF与其他基金之间存在互补或替代效应吗？——学海拾珠系列之二百零九》 本篇是学海拾珠系列第二百一十六篇，文章使用来自全球51个国家的股票市场数据研究了价格与因子动量之间的关系，研究表明因子动量难以解释价格动量或行业动量，但价格动量能够很大比例的捕捉因子动量收益。 因子动量难以解释价格动量或行业动量 本研究全面审视了价格动量与因子动量之间的关系，覆盖了51个 国家的数据。研究发现，因子动量在全球市场中普遍存在，但与市场发展、套利限制等典型影响因素无关。尽管因子动量存在，它并不能完全解释价格动量或行业动量的收益，特别是在控制了经验因子动量后，价格动量仍然显著。 价格动量能够很大比例的捕捉因子动量收益 价格动量在解释因子动量方面往往比因子动量本身做得更好。在许多国家，价格动量能够捕捉因子动量收益的很大一部分，并使其变得不显著。特别是在经验因子动量方面，价格动量几乎完全解释了这一效应，而主成分因子动量则不那么明显，价格动量无法轻易捕捉到这一变量。 动量效应仍然是一个独特的风险因素 总体而言，研究结果并不完全支持因子动量超越股价或行业动量的观点。尽管在某些特定形式的因子动量、标准和国家（如高流动性市场中的PC衍生形式）中存在这种模式，但其普遍性有限。动量效应仍 然是一个独特的风险因素，不能通过简单地对其他因素进行择时来捕捉，表明“动量已死”的说法可能过于夸张。 文献来源 核心内容摘选自NusretCakici,ChristianFieberg,DanielMetko,AdamZaremba于2024年11月1日在JournalofBankingandFinance上的文章《Factormomentumversuspricemomentum:Insightsfrominternationalmarkets》 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数据和方法7 2.1样本7 2.2异象组合8 2.2.1股票特征8 2.2.2因子组合构建8 2.3因子动量策略9 3实证研究结果9 3.1因子动量在全球市场的表现10 3.2价格动量与因子动量11 3.2.1基线结果11 3.2.2稳健性检验13 3.3价格动量与PC因子动量14 3.3.1基本回归结果14 3.3.2稳健性检验17 4动量因子的其他特性18 4.1替代因子模型19 4.2替代动量类型20 4.3因子动量和行业动量21 4.4投资组合换手率和交易成本24 4.5动量效应的国际差异25 4.5.1国家特征26 4.5.2方法论27 4.5.3实证研究结果27 4.6.因子贡献29 5结论32 风险提示：33 图表目录 图表1文章框架4图表2因子动量对价格动量解释的国际证据6图表3国际市场中的因子动量10图表4价格动量与经验因子动量的国际证据12 图表5国际市场中的价格动量与经验因子动量：替代测试14 图表6价格动量与主成分：全球证据15 图表7价格动量和因子动量策略的夏普比率17 图表8国际市场中的股票动量与主成分：替代测试规格18图表9利用新因子模型解释因子动量19图表10因子动量解释国际市场价格动量的不同形式21图表11行业动量与横截面因子动量对比22图表12行业动量与因子动量：其他测试23图表13因子动量策略的交易成本视角25图表14因子动量效应的跨国差异28图表15因子过往收益率均值29图表16对因子动量回报率贡献最大的因子30图表17因子收益自相关性及其对因子动量的贡献31 1引言 图表1文章框架 资料来源：华安证券研究所整理 动量效应是有记录以来最普遍的异常现象之一，它驱动着股票、债券、商品等各种资产类别的价格（Asness等人，2013年；Baltussen等人，2021年）,值得注意的是，它也出现在股票异常中（过去的回报预测了未来的表现）（Avramov等人，2017年；Gupta&Kelly，2019年）。Ehsani和Linnainmaa（2022年）认 为，股票效应和异常层面的效应密切相关：因子动量回报会传递到股票的横截面。 因此，它可以解释大部分（即便不是全部）价格动量带来的利润。在这一框架中，价格动量并不代表一种独特的风险因素，相反，它只是其他因素的乘积。 在本研究中，我们全面重新审视了这种关系。我们不是研究单一国家的一种因子动量，而是在广泛的全球背景下进行各种实证设计，研究了51个市场中145种异常现象的表现。我们考虑了两种主要版本的因子动量：经验因子动量及其主成分 （PC）。我们使用多种方式检验得出了一个简单而明确的结论：仅仅通过把握其他因子的时机是无法捕捉到所有股票或行业动量利润的。 我们的研究结果在�个基本方面做出了贡献。首先，我们研究范围拓展到51个全球市场。我们发现无论如何，“赢家”因子在多个国家表现都优于“输家”因子。例如，在5%的显著性水平上，Ehsani和Linnainmaa（2022年）的PC时间 序列因子动量在23个市场产生了0.10%的跨国平均月回报率。这种效应在横截面和时间序列动量模型中都有很好的效果，但既不普遍存在，也不总是显著。例如，我们对时间序列（横截面）经验因子动量的基本规范仅16个（12个）市场产生了显著收益，而且在法国、德国或日本等许多大型市场无法得到证实。不过，在广泛的国际投资组合中，因子动量确实存在。 其次，虽然我们的国际证据证实了因子动量的存在，但也对其解释价格动量的 能力提出了质疑。虽然Ehsani和Linnainmaa（2022年）认为投资者可以通过把握其他因子的时机来捕捉所有动量收益，但我们的研究结果显示经验因子动量，它无法完全解释跨国股票动量收益，充其量只能捕捉到各国价格动量利润的一小部分。而主成分则更为有效，它能解释全球包括美国、英国和法国等著名大市值市场在内的发达市场和新兴市场投资组合的大部分价格动量利润。然而，即使是这种更稳健的方法也不能普遍推广。如图表2所示，两种形式的因子动量都不能完全捕捉到众多国家的价格动量收益。 图表2因子动量对价格动量解释的国际证据 资料来源：《Factormomentumversuspricemomentum:Insightsfrominternationalmarkets》，华安证券研究所 注：图中展示了因子动量（FMOM）在解释几个动量（PMOM）效应方面的表现。样本包括51个国家，研究时间段为1927年1月至2021年12月（以特定国家的可用时间为准）。其中面板面板A和面板B分别表示经验因子动量和其主成分PC。绿色圆点代表Fama和French（2015年）的�因子模型（FF5）中PMOM的收益率，米色圆点代表FMOMTS投资组合与FF5模型回归得出的PMOM收益率。所有数值均以百分比表示。根据Newey和West（1987年）的调整t值，全（空）标记为在5%水平上显著（不显著）的值。 在51个市场中，股票多空动量策略每月平均收益率为0.58%。应用Fama和 French（2015）的�因子模型，并对因子动量投资组合进行扩展后，未解释的回报率为0.19%至0.57%。平均而言，无论具体的测试设计如何，剩余的阿尔法都非常显著。总体而言，Fama和French（2015）的�因子模型捕捉到了各国价格动量收益的2%至67%，但仍有很大一部分收益经常无法解释。从单个市场来看， 在8到32个分析市场中，股票动量继续产生显著的阿尔法。我们的结果既适用于经典动量，也适用于其他形式的动量，如剩余动量、中间动量或夏普比率动量。我们发现价格动量对因子动量的解释往往比反之更好。在相互回归时，价格动 量占全球因子动量收益的很大一部分。这种效应在经验因子动量中尤为明显，各国的平均阿尔法缩减到-0.01%到0.10%之间，仅在少数几个市场具有统计意义。此外，较新的因子模型，如Daniel等人（2020）或Stambaugh和Yuan（2017）提出的模型，能有效捕捉经验因子动量的收益，PC因子动量被证明更为稳健。它可能 会产生超过股票价格动量的夏普比率，而且在控制阿尔法后，其指数往往仍具有统计意义。尽管如此，价格动量仍然捕捉了PC因子动量利润的较多部分。 我们利用国际数据重新检验了Arnott等人（2023）的发现，即横截面因子动量可以解释行业动量。我们发现这一说法没有可靠证据的支持。虽然特定形式的因子动量可能会捕捉特定市场中行业动量的收益，但这种结果不具有广泛性。因此， 在许多市场中，行业动量阿尔法仍是典型的、积极的、重要的。这些结论不受因子 动量、研究期或因子集不同定义的影响。同样，在特定规格下适用于美股的情况并不一定会转化为全球模式。 我们仔细研究了因子动量效应的国际差异。通过分析我们发现因子动量收益与 影响收益可预测性的因素无关，如市场发展、市场层面的套利限制、困境风险、文 化特征或市场条件和结构。尤其是，它并不依赖于价格动量大小相关的特征，如公司规模、个人主义或过去的市场回报和波动。从本质上讲，因子动量的跨国差异表现出一种独特的行为，有别于回报率可预测性的主流驱动因素。 总之，我们的研究结果挑战了以往文献的结论，如Ehsani和Linnainmaa （2022）以及Arnott等人（2023）的结论。虽然国际市场上存在因子动量，但它无法完全解释价格或行业动量收益。任何所谓的证据都主要局限于PC因子动量，并涉及特定市场--包括美国。动量效应仍然是一种重要而独特的反常现象，无法通过简单地对其他因素进行计时来捕捉。 本研究的其余部分如下。第2节介绍数据和方法。第3节重温美国市场的证 据。第4节介绍国际市场的结果。第5节对因子动量的特性、替代因子模型、动量类型（包括行业动量）投资组合换手率以及因子动量效应的跨国差异提供了进一步的见解。最后，第6节对本研究做出总结。 2数据和方法 2.1样本 我们的样本包括全球51个股票市场。总体研究区间从1927年1月至 2021年12月，但各国的确切开始日期有所不同。美国的数据涵盖整个95年， 而国际市场的数据则不早于1983年2月。 美国的市场数据来自CRSP，其他市场的市场数据以及所有会计数据均来自Compustat。与大多数资产定价研究一样，我们用美元表示市场价格（如Fama&French,2012,2017;Baltussen等人,2021;Hollstein,2022a;Windmüller,2022），并使用Compustat的汇率进行换算。此外使用美国一个月期国库券利率代表无风险利率。 投资组合测试依赖于月度回报，而PC因子动量需要每日因子回报，因此我们的研究使用了这两种类型的区间。 关于数据处理。确切地说，我们参照Jensen等人（2023年）的处理方法。我们的样本仅限于普通股，Compustat认为这是相关公司的主要证券。我们根据其交易所所在地将它们划分为不同的国家。与Jensen等人（2023年）的研究一样，我们也对每期国际股票收益率在0.1%和99.9%CRSP断点处进行了缩尾处 理。我们