主要观点：
本篇研报介绍了一种结合股票价格动量与层级聚类（HC）相结合的投资组合构建方法（HM策略），旨在改善Markowitz均值-方差（MV）投资组合权重不稳定和配置过于集中的问题。该方法在股票组合构建、ETF组合构建、资产组合构建等多个领域存在可施行的空间。
层级动量策略（HM）：
HM策略首先通过资产收益间的pearson相关系数推导出距离函数，并使用自下而上递归的方法进行层级聚类，形成一个树状图。在树状图的某个高度处进行水平切割，将树分割成n个聚类。对于每个聚类，识别出动量得分最高的资产，并使得动量得分为负的资产被赋予零权重。
对比策略：
对比策略包括最大动量（MM）、动量阈值（TM）、分层拉菲诺（HR）、均值方差（MV）策略。
实证结论：
文献回测采用的时间区间为1997年6月至2022年8月，使用MSCI全球所有国家指数（ACWI）所包含股票的高维数据集。扣除交易费用后，HM策略在纯收益、风险调整后收益以及风险方面均优于其他所有策略。从行业配置情况来看，层次聚类（HC）的组合构建方式使得HM策略的稳定性有所提高。最大动量（MM）和动量阈值（TM）策略存在潜在大幅回撤问题，但HM策略能够缓解这一问题。
研究结论：
HM策略在扣除交易成本后实现了更高的累积收益和风险调整后收益，且并非以增加风险为代价。HM策略的独特特性源于聚类和基于动量的股票选择的结合。对测试的投资组合的约束非常严格，并在一个不存在幸存者偏差的国际股票数据集上进行了样本外回测。
数据：
数据涵盖1997年6月至2022年8月期间，MSCI全球所有国家指数（ACWI）所包含股票的高维数据集，涵盖了23个发达市场和24个新兴市场中的大盘股和中盘股。
投资策略比较：
五种投资组合构建策略分别为HM策略、最大动量（MM）策略、动量阈值（TM）策略、分层拉菲诺（HR）策略、均值方差（MV）策略。HM策略在累计收益和风险调整后收益方面均优于所有基准策略，且换手率最低。
因子分析：
利用Fama和French（2015）的五因子模型（并额外添加了动量因子）对投资策略产生的超额收益进行了时间序列回归，结果表明HM策略获得了统计上显著的正Alpha（年化Alpha为1.87%）。
结论：
HM策略通过结合基于动量信息的资产选择标准和分层聚类（HC）方法，构建出显著超越市场的投资组合。这种结合方式使得投资组合的构建更加高效且无需依赖高维度协方差矩阵的逆矩阵计算，从而避免了相应的误差放大问题。
