Factor Momentum | Dorian‘s blog

type

Post

status

Published

date

Apr 2, 2022

summary

因子动量 vs 行业动量

What are the Research Questions?

行业表现出与股票收益类似的势头，但学界将它与股票动量划为不同的异象：在一个月的范围内，股票显示出逆转而行业显示为趋势性；Ehsani和Linnainmaa（2021）表明，一年的因子动量包含了所有形式的个股动量，然而，个股动量与行业动量存在差异，除了形成期为1，持有期为1的策略外，其余行业动量策略参数组合在统计上均无法产生FF5+UMD无法解释的超额收益，短期行业动量与单个股票的动量不同，代表了一个独立的难题。在本文将研究行业动量和因子动量的关系。

They ask the following research questions:

是因子动量引起了行业动量，还是反之？

因子动量和行业动量联系的桥梁是如何搭建的？

为什么因子要表现出动量，这一发现有什么经济意义？

What are the Academic Insights?

本文使用美国市场1963年7月到2020年12月的因子的回报数据（43个因子，排除动量类与行业集中度），进行月度再平衡，财务数据则为年度。最后，作者构建了标准和行业中性化两个版本的因子收益数据。

1、行业动量源于因子动量。首先短期因子截面动量策略（形成持有期均为1，根据中位数确定赢家输家）产生了FF5+UMD无法解释的超额收益，在加入因子时序动量后仍然存在统计显著的阿尔法；使用行业动量、标准因子动量、中性化因子动量相互回归，发现因子动量可以解释行业动量，反之不能。（另外，如果因子动量源于行业动量，行业中性因子中就不会看到有意义的动量，但结果并非如此）

2、因子动量通过行业在因子的暴露进行传导，从而产生了行业动量。行业动量的本质是一个获胜的行业会对赢家因子有正向负载，对输家因子有负向负载，在因子收益保持持续性时，就会表现出过去的行业表现预测未来的表现的情况。作者使用模拟和实证分析，说明了不同行业有不同的因子负荷，且行业因子负荷会随着时间变化

3、无论因子的实质意义是什么，如果套利者想从一个因子中获利，他们必须承担的风险。推而广之，股票、行业和因子能在多大程度上显示出任何定价效应，取决于它们对不可分散风险的暴露，我们应该寻找那些能解释回报率最大变化的因素组合。Kozak、Nagel和Santosh（2018）从一大批因子中提取主成分因子，并表明因子溢价集中在一小批特征值最高的因子上，作者也采用此法，从43个行业中性因子中提取主成分因子，发现高特征值因子中发现比低特征值因子更多的因子动量，在高特征值的PC因子中发现的动量完全覆盖了行业动量

Why does it matter?

如果由于所有的动量都来自于因子，且行业的因子负荷不同，因子动量将取代了行业的动量

这动量只存在于它能够存在的地方：在最高特征值的因子中

Investor Takeaways

与行业类似，因子也显示出短期动量，而且这种动量可以解释行业动量——一个获胜的行业会对获胜的因素产生正向负载，对失败的因素产生负向负载

由于行业动量是一个短期效应，这个关于风险暴露的时间序列变化的观察是很重要的

在前五个特征值最高的PC因子中发现的因子动量具有最高的夏普比率

The Most Important Chart from the Paper:

行业短期动量 vs 因子截面动量（标准和中性化两个版本）；在2000年后，行业短期动量事实上收益接近于0

因子动量（fmom）、行业中性因子动量（in-fmom）和行业动量（imom）互相回归。截面动量在t-1月持有高于中位数回报的因素（或行业）的多头头寸，并做空那些低于中位数回报的因素。样本开始于1963年8月，结束于2020年12月

高、低特征值因子中的动量存在显著差异，y轴为FF5调整后超额收益

Abstract

过去的行业回报预测未来的行业回报，这种预测性在一个月的范围内最强。我们表明，因子收益率的横截面也具有这一特性，行业动量源于因子动量。因子动量通过行业因子负荷的变化传递到行业回报的横截面上。我们“模拟”由因子构建的投资组合"系统性行业 "的动量，与行业中性因子的动量一样，都包含了行业动量。因此，行业动量是因子动量的副产品，反之亦然。动量完全集中在前几个最高特征值的因子中。