• working paper

• Blitz, David and Hanauer, Matthias Xaver and Honarvar, Iman and Huisman, Rob and van Vliet, Pim(May 20, 2022)

• Available at SSRN: https://ssrn.com/abstract=4115411

What are the Research Questions?

What are the Academic Insights?

• 考虑可投资性，本文选取标的为MSCI世界标准指数中的所有股票；由短期反转、短期动量、短期分析师修正、短期风险和月度季节性6个信号组成的复合策略产生了经济上和统计上高度显著的净阿尔法值，至少在应用更有效的交易规则时是这样

• 对6个信号单独考虑时，短期信号提供了阿尔法，但以高周转率为代价（年周转率1300%~2000%之间，由单月周转x12计算而来），持有期平均1-2个月，若采用naïve交易策略则考虑交易成本后难以盈利

• 不同短期信号回报之间相关性通常很低，结合起来带来多元化效益

• 对复合因子策略，多方的表现和做空方一样强劲；换手率仍然很高——接近每年1800%，naive交易策略盈亏平衡交易成本为30BP以上，改进交易策略（X=15,Y=30）盈亏平衡点在40BP以上

• 考虑到策略实时应用问题（策略隐含假设了观测和交易同时发生），纳入一到两天的执行滞后阿尔法是稳健的，这将适用于策略的实时执行。

• alpha在时间上是持续的，并且在北美、欧洲、太平洋和日本以及新兴市场地区都是显著的

Why does it matter?

• 传统模型中的基本因子有效地描述了在12个月或更长时间的投资期限内股票回报的横截面，但在更短的期限内，还有无数其他因素在发挥作用，基于风险或基本面的解释似乎不合理，这些短期信号通常被认为是错误定价现象，可能源于投资者的行为偏差。

• 传统的资产定价模型未能捕捉到重要的短期变化，因为它们过于狭隘地关注传统的基本面因素。对于数据基础设施完善，能够得到及时数据供应的投资者而言，短期信号提供了真正的机会——在Fama-French因子模型之外存在不相关的阿尔法收益

The Most Important Chart from the Paper:

Abstract

在传统的资产定价模型中，短期alpha信号通常被忽略，主要是出于对市场摩擦的担忧。然而，本文表明，投资者可以通过将应用于流动性全球宇宙的信号与简单的买入/卖出交易规则相结合，获得显著的净alpha。复合模型由短期反转、短期动量、短期分析师修正、短期风险和月度季节性信号组成。由此产生的alpha在各个地区都存在，转化为只做多的应用，在纳入实施滞后数天时是稳健的，并且与传统的Fama- French因素不相关

Method

• 行业相对逆转：公司回报减去行业回报（避免和Moskowitz和Grinblatt(1999)的短期行业动量效应对抗），文章使用GICS Level3行业分类

• 行业动量：公司所属行业的上月收益

• 分析师上调：过去30日历日分析师盈利预测调整，上调-下调/总分析师

• 同月股票收益：过去十年的平均下月收益

• 一月特质波动率：上个月日收益对FF-3模型回归，取残差的标准差

• 对以上5个指标进行标准化（standard robust Z-SCORED），放缩到-3~3之间，然后对指标取平均；

• 根据每个月底信号得分排名创建5分组等权组合，计算每一组下个月回报（等权组合的批评：对流动性差的股票给与了过大权重，但是本文样本标的均为大盘股不存在此顾虑，另外对于大盘宇宙而言市值加权反而是有偏颇的，超大市值股票会占有过多权重）

• 交易方法：遵循De Groot、Huij和Zhou(2012)以及Novy-Marx和Velikov(2016)的方法，选择得分前X%的股票 + 上个月被选中的这个月得分仍在Y%前的股票