Factor Momentum And The Momentum Factor
type
Post
status
Published
date
Mar 31, 2022
summary
因子动量 vs 个股动量
tags
paper summary
异象研究
category
阅读笔记
password
slug
icon
- Journal of Finance, Forthcoming,
- Ehsani, Sina and Linnainmaa, Juhani T (December 9, 2020).
- Available at SSRN: https://ssrn.com/abstract=3014521
What are the Research Questions?
动量似乎违反了最弱形式的有效市场假说。如果资产价格对新信息立即做出正确的反应，那么过去的回报不应该预测未来的回报--除非过去的回报与系统性风险的变化相关。
时序因子动量策略是一种押注于因子回报延续性（自相关）的策略。它做多有正收益的因子，做空有负收益的因子。这个时间序列动量策略获得了4.2%的年化回报（t值=7.04），因子在一年的表现不佳后，平均每月只获得1个基点的回报（t值=0.06），当前一年的回报为正时，这一回报为52个基点（t值=4.67）
They ask the following research questions:
- 因子时序动量 vs 因子截面动量
- 时序、横截面动量的收益来源是什么？
- 个股动量是否源于因子动量？
- 如何从因子动量解释动量崩溃，动量的机理？
What are the Academic Insights?
作者使用七大类主流异象因子月度收益数据，构建了横截面动量组合与时序动量的因子投资组合
- 横截面动量策略是做多在前一年期间相对于其他因素获得高于中位数回报的因素（赢家），做空回报低于中位数的因素（输家）
- 时间序列动量策略是指在前一年期间做多有正收益的因子（赢家），做空有负收益的因子（输家）
通过对两个策略的比较与检验，他们发现：
- 两种动量策略的赢家组合都战胜了基准
- 时间序列赢家组合获得了6.3%的平均回报，t值为9.54，横截面赢家获得了7.0%的平均回报，t值为8.98；输家组合的表现则均低于基准。时间序列和截面因子动量策略之间的差异在统计学上是显著的；在时间序列策略对截面策略的回归中，估计斜率为1.0，1.4%的α值是显著的，t值为4.44；在截面策略对时间序列策略的反向回归中，估计斜率为0.7，α值为-0.2%，t值为-1.02。时序因子动量解释截面动量，但反之不然。
- 作者以UMD衡量个股动量作为被解释变量，使用1~20个因子组成因子动量组合为解释变量，放入FF-5模型中：当因子动量组合使用的因子越来越多时，对个股动量的解释会越来越强，使用20个因子时，UMD超额t值为0.07——个股动量是因子自相关的聚合
- 动量的崩溃应该来自于这些因子自相关性的变化，当因子动量停止时并由此产生的因子回报的 "反转 "会反馈到股票回报中，并使个股动量崩溃；因子动量可能来源于错误定价：错误定价需要时间来积累，而且由于套利的障碍，当套利者进入时，资产的价值不会立即恢复到其基本价值。因子动量可能来自于资产价值向基本价值的漂移。
——因子先前的回报提供了有关未来回报的信息，如果因子前一年回报为正，研究的20个因子平均月回报率为51个BP，反之为6个BP；因子回报是自相关的
Why does it matter?
- 如果动量存在于因子中，并且如果所有资产类别的因子的行为与股票因子相似，那么动量将无处不在
- 因子动量策略是对最近表现良好的任何因子以及对这些因子具有高敞口的股票进行投资的策略，这是一种因子择时方式
Investor Takeaways
例如，考虑一下SMB因子。这个因子每月赚取27个基点的平均回报，但它的溢价在正年后为55个基点，在负年后为-15个基点。对于因子动量投资者来说，这个因子的 "名字 "并不重要——只需要根据该因子之前的回报率来选择持仓的符号即可：该投资者在小股票表现优于大股票之后，通过交易 "SMB "因子，每月获得55个基点的平均回报；而在小股票表现低于大股票之后，通过交易 "BMS "因子，每月获得15个基点的回报。
如果因子收益的自相关性对这些策略的利润有贡献，那么当因子收益的 "实现的 "自相关性为正时，这些策略的利润应该更大。
Diversification benefits ?
UMD与美国HML的无条件相关性为-0.17，而如果考虑因子动量，以美国为例，在HML获得正收益的一年中，相关性为0.22，在负收益的一年中，相关性为-0.57。
现在构建一个因子分散组合，和Asness等人（2013）的50-50动量/价值策略对比来说明这个问题：如果HML在t月之前获得了正的年度回报，使用50-50动量/价值策略、如果 HML 的回报率为负数，使用动量/现金策略。结果显示：原始策略和动态策略之间没有任何有意义的区别，投资者没有从负相关中得到任何好处！
几乎所有因子在表现不佳后都能更好地 "分散 "动量。因此，同样的问题适用于几乎所有的因素：当一个因子与动量负相关时，通常也是该因素没有获得有意义的溢价的状态。
Investor sentiment ？
Stambaugh等人（2012）表明，许多回报异常现象在情绪高涨之后更加强烈，而这种影响源于异常现象的空头端。从因子动量角度考虑：在低情绪环境下，平均表现不佳的因素获得了-22个基点的负收益，与上一年相比有正收益的因素获得了50个基点的溢价，输家和赢家的差异是显著的。然而，在高情绪环境中，输家和赢家的差异只有18个基点（且不显著）。因此，两种策略之间的差异在于输家因子。在高情绪环境下，先前输家组的平均回报率明显高于低情绪环境。
The Most Important Chart from the Paper:
[pic here]
Abstract
个别股票回报的动量来自于因子回报的动量。大多数因子是正自相关的：因子在前一年的亏损后平均获得1个基点的月度回报，在上一年的正回报后获得53个基点平均回报。因子动量解释了所有形式的单个股票动量。股票动量策略间接地为因子择时：当因素保持自相关时，它们会获利，而当这些自相关打破时，它们会崩溃。 我们的关键结果是，动量不是一个独特的风险因子，它聚集了所有其他因子的自相关性