量化策略视点：ETF策略：短期、中期还是长期动量效应有效？

ETF策略：短期、中期还是长期动量效应有效？ ——量化策略视点 2024年12月24日 证券研究报告|金融工程专题报告 分析师：张青 分析师登记编码：S0890516100001电话：021-20321154 邮箱：zhangqing@cnhbstock.com 分析师：贾依廷 分析师登记编码：S0890520010004电话：021-20321082 邮箱：jiayiting@cnhbstock.com 销售服务电话： 021-20515355 相关研究报告 投资要点 动量无处不在。买入过去表现好的，卖出过去表现差的，这是ETF最简单的投资策略。但要看多久的动量呢？也就是做趋势投资的话，长期趋势，中期趋势还是短期趋势更有效。这是在策略设计中，核心要关注的问题。 经过测试我们发现，ETF市场的动量效应很明显，只是更偏于短期动量，这本身也说明了A股市场的热点板块轮动较快。充分利用好这种短期动量效应，对于我们构建ETF的投资策略，是很有帮助的。 不过，我们也要看到，动量策略本身的换手率很高，本质是个交易型策略，对于只能采用手工而不是程序化下单的投资者而言，如何将动量策略落地，是在实战中必须要考虑的问题。其次，从动量因子的胜率（IC大于0占比）看，仅50%多些，也说明了动量策略获利的核心是高盈亏比，而非高胜率，但这在策略落地过程中就会很痛苦，当动量效应连续几天、几周、几月跑输时，您还会坚持吗？当您放弃时，动量或许又回来了。 虽然动量因子很有效，但一个交易系统中，我们也不建议只用这一个因子。多因子才是王道，不见得能多大提升收益，但或许可以提升胜率，从而提升持有体验，让您更能坚守投资纪律。 风险提示：本报告根据历史公开数据整理，存在失效风险，不代表对基金未来资产配置情况的预测，不构成投资建议；报告研究依赖数据可靠性、研究假设和估算方法，结果可能存在偏差。 内容目录 1.策略运用，ETF备选池的构建3 2.动量因子测评3 2.1.什么是动量效应？3 2.2.用alphalens做因子开发3 2.3.数据准备与因子模型3 2.4.不同周期参数下的测试4 3.动量策略的效果6 4.结语8 5.风险提示8 图表目录 图1：日频换仓动量因子回测净值7 图2：周频换仓动量因子回测净值7 图3：月频换仓动量因子回测净值7 表1：因子测试指标4 表2：动量因子日频收益率预测统计4 表3：动量因子周频收益率预测统计5 表4：动量因子月频收益率预测统计5 动量无处不在。买入过去表现好的，卖出过去表现差的，这是ETF最简单的投资策略。但要看多久的动量呢？也就是做趋势投资的话，长期趋势，中期趋势还是短期趋势更有效。这是在策略设计中，核心要关注的问题。 1.策略运用，ETF备选池的构建 股票型ETF数量已经有800多只了，合并同类标的，从跟踪指数的情况看也有300多只。考虑到很多ETF的成立时间过短，为了拉长样本，我们就以ETF所跟踪的指数作为动量效应的测试样本。 或许您会有疑问，这些跟踪的指数，有些是宽基指数，比如沪深300，有些是行业指数，比如中证传媒，还有些是策略指数，比如中证红利，而不同指数之间又很可能有一部分标的是重合的，比如沪深300和中证800，把他们放在一起作为样本，这合理吗？ 这就是一种权衡了。量化研究必须基于足够多的样本，尤其是因子分析，还涉及到分档问题，如果标的数量过少，很可能会受个别标的极端走势影响。指数虽然成分股上有重叠，但不同指数走势毕竟还是会存在差异，这好比我们做多因子选股时，并不会因为某些个股走势的高度趋同就特意剔除掉。此外，我们主要测试的是动量效应，本质是个技术面指标，而技术分析并不在意标的本身的基本面情况，这就更不用纠结不同指数之间成分股的重叠可能导致的趋同性。所以在做指数的因子开发时，我们就尽力保留各类可利用的指数，以扩充测试样本。 2.动量因子测评 2.1.什么是动量效应？ 顾名思义，动量效应就是买入过去一段时间涨幅大的，卖出过去一段时间涨幅小的，本质是顺势而为，追涨杀跌。追涨杀跌并不是一个贬义词，实际上，很多优秀的交易策略都是这个设计思路，只是什么时候追涨，什么时候杀跌，这是关键。 2.2.用alphalens做因子开发 工欲善其事，必先利其器。 因子测试，要有一个好的框架。alphalens就是专为因子测试开发的一个Python程序包，很是强大。不过，alphalens这个包有点老，由于它的母公司已经倒闭了，不再维护，直接用原始包安装很容易报错。好在github上有人接过大棒，义务在做更新和维护，使得这个包延续至今依旧经久不衰。 2.3.数据准备与因子模型 我们下载了300多个标的指数2010年以来的收盘价与开盘价日频序列。动量指标的生成很简单，用DataFrame的rolling功能即可实现。 我们把因子分成了10档，测试未来持有1个交易日，5个交易日和20个交易日的投资收益率，分别对应的是交易中的日频，周频与月频换仓。 这里需要特别注意的是，我们把开盘价序列前推了1期，从而当因子策略换仓时，就是以下一日的开盘价成交的，这样既避免用到了未来数据，同时用开盘价成交，较之用上一日的收盘价成交，也更契合真实交易环境，回测结果更具有实战参考价值。 2.4.不同周期参数下的测试 动量策略的核心参数是看过去多少个交易日的涨跌幅。最优参数要通过遍历获得。我们就以5个交易日为步长，遍历从5日到120日的回测结果。 因子测评的结果看什么呢？我们觉得比较重要的是： 表1：因子测试指标 指标 含义 IC均值 因子排序与分档收益率排序的秩相关均值 IC大于0占比 各期IC大于0的占比 IC波动率 IC的标准差 IR IC均值/IC标准差 平均超额收益率 最后1档的平均超额收益率 分档收益率秩相关 分档收益率与档位的秩相关 因子换手率 间隔期因子换手率 资料来源：华宝证券研究创新部 注：下文测试指标表示如下，IC均值（mean_ic），IC波动率（std_ic），IR（ir），IC大于0占比（ratio_positive_ic），平均超额收益率（mean_return），分档收益率秩相关（corr），因子换手率（factor_turnover） 采用2010年以来，截止到2024年12月6日的数据，测试结果如下： 表2：动量因子日频收益率预测统计 period mean_ic std_ic ir ratio_positive_ic mean_return corr factor_turnover 5 0.0048 0.2874 0.0166 0.5110 0.0002 0.9394 0.3820 10 0.0149 0.2966 0.0503 0.5261 0.0004 0.9394 0.2692 15 0.0197 0.3042 0.0649 0.5372 0.0004 0.9758 0.2189 20 0.0190 0.3090 0.0614 0.5298 0.0004 0.9758 0.1874 25 0.0188 0.3121 0.0602 0.5361 0.0003 0.9394 0.1686 30 0.0137 0.3146 0.0437 0.5246 0.0003 1.0000 0.1536 35 0.0131 0.3145 0.0416 0.5245 0.0002 0.9515 0.1430 40 0.0106 0.3141 0.0338 0.5199 0.0002 0.7212 0.1353 45 0.0112 0.3122 0.0360 0.5189 0.0002 0.7091 0.1274 50 0.0098 0.3141 0.0312 0.5261 0.0001 0.5758 0.1229 55 0.0104 0.3134 0.0331 0.5286 0.0002 0.6848 0.1184 60 0.0133 0.3132 0.0426 0.5366 0.0001 0.8424 0.1126 65 0.0137 0.3123 0.0440 0.5270 0.0002 0.9273 0.1079 70 0.0115 0.3115 0.0368 0.5266 0.0001 0.8424 0.1038 75 0.0157 0.3108 0.0506 0.5409 0.0001 0.9636 0.1013 80 0.0152 0.3115 0.0488 0.5383 0.0002 0.9394 0.0984 85 0.0147 0.3126 0.0470 0.5356 0.0001 0.8909 0.0965 90 0.0148 0.3122 0.0475 0.5310 0.0001 0.9394 0.0952 95 0.0167 0.3118 0.0536 0.5389 0.0001 0.9636 0.0933 100 0.0172 0.3127 0.0551 0.5296 0.0001 0.9273 0.0907 105 0.0163 0.3109 0.0525 0.5318 0.0001 0.8788 0.0872 110 0.0183 0.3091 0.0592 0.5332 0.0001 0.9758 0.0860 period mean_ic std_ic ir ratio_positive_ic mean_return corr factor_turnover 115 0.0174 0.3081 0.0565 0.5351 0.0001 0.9636 0.0839 120 0.0186 0.3076 0.0606 0.5350 0.0001 0.9636 0.0808 资料来源：Wind，华宝证券研究创新部 表3：动量因子周频收益率预测统计 period mean_ic std_ic ir ratio_positive_ic mean_return corr factor_turnover 5 0.0249 0.3510 0.0710 0.5409 0.0008 0.9758 0.8227 10 0.0398 0.3563 0.1117 0.5475 0.0018 0.9879 0.5971 15 0.0414 0.3645 0.1136 0.5630 0.0017 0.9879 0.4920 20 0.0361 0.3702 0.0975 0.5502 0.0013 0.9515 0.4273 25 0.0263 0.3759 0.0701 0.5417 0.0010 0.9636 0.3862 30 0.0180 0.3757 0.0478 0.5307 0.0010 0.9758 0.3511 35 0.0145 0.3790 0.0383 0.5306 0.0009 0.5879 0.3229 40 0.0094 0.3789 0.0248 0.5163 0.0009 0.3697 0.3029 45 0.0071 0.3787 0.0188 0.5178 0.0007 0.3212 0.2911 50 0.0072 0.3810 0.0189 0.5155 0.0007 0.2848 0.2786 55 0.0118 0.3829 0.0307 0.5207 0.0008 0.7333 0.2657 60 0.0161 0.3846 0.0419 0.5265 0.0009 0.8909 0.2534 65 0.0146 0.3825 0.0383 0.5241 0.0007 0.7576 0.2457 70 0.0187 0.3812 0.0489 0.5308 0.0007 0.7818 0.2372 75 0.0223 0.3799 0.0586 0.5316 0.0007 1.0000 0.2280 80 0.0225 0.3824 0.0587 0.5289 0.0008