行业配置研究系列09：价格动量因子在行业轮动上的效果研究

2023.08.05 大类资产配置 价格动量因子在行业轮动上的效果研究 专——行业配置研究系列09 题本报告导读： 报本报告研究学术和投资中常用的价格动量因子在行业轮动上的效果。通过因子测试告筛选出传统动量、基于市值的龙头股动量、行业残差动量和夏普率动量用于合成行业复合因子。回测发现，2010年以来动量因子行业轮动策略年化收益13.51%，相对 基准年化超额8.62%。策略2023年8月最新持仓为：传媒、通信、综合金融、非银行金融、计算机；截至8月4日，2023年以来收益为11.01%，超额收益为4.70%。 摘要： 行业动量因子介绍。对学术研究和实际投资中常用的动量因子进行梳理，主要有四类动量因子：传统动量因子、分解增强因子、路径类因子和风险调整类因子。其中，后三类属于对传统动量因子的改 进和增强。 单因子行业轮动测试。本报告对四类各种动量因子选取不同参数值进行计算和详细测试。通过计算因子IC与分组回测，挑选出4个投资逻辑较强、历史回测效果好的的备选因子用于合成复合因子：回 望期240天剔除期20天的传统动量因子、基于市值计算的龙头股因 证子（λ=60，回望期120天）、行业残差动量因子和回望期为180天 券的夏普率因子。 报 研复合因子分组测试效果比较。回测发现，使用基于市值的龙头股动究量因子和残差动量因子等权构建复合因子效果最好：2010年2月至2023年7月，多头组年化收益为13.93%，相对基准（中信行业等 权）的年化超额收益为8.60%，超额最大回撤10.71%；输家组合相 告对基准的年化超额收益-5.63%；复合因子年化多空收益为14.22%； IC值8.70%。 复合因子行业轮动策略历史回测较为优秀。2010年1月至2023年8月4日，利用两因子组成的复合因子构建策略组合（选前5行业）年化收益为13.51%，相对于基准的年化收益4.89%，年化超额收益 8.62%，超额收益最大回撤13.43%，信息比率0.94。换手率方面，年度双边换手率平均值为434%。复合因子行业轮动策略2023年8 月持仓为：传媒、通信、综合金融、非银行金融、计算机。截止8 月4日，2023年以来策略收益为11.01%，超额收益为4.70%。 风险提示：量化模型基于历史数据构建，而历史规律存在失效风险。 大类资产配置研究 廖静池(分析师) 报告作者 0755-23976176 liaojingchi024655@gtjas.com 证书编号S0880522090003 张雪杰(分析师)0755-23976751 zhangxuejie025900@gtjas.com 证书编号S0880522040001 风向嬗变，回归传统，关注地产 相关报告 2023.07.23 行业轮动速度见顶，但收敛速度或将有限 2023.07.20 国际大宗商品配置价值下半年企稳回升 2023.07.15 人口老龄化对无风险利率长期走势的影响 2023.07.04 不同协方差矩阵估计方法对比分析 2023.06.28 感谢实习生梁一、李昊桐对本文的贡献。 目录 1.行业配置研究框架3 1.1.行业配置研究框架3 1.2.行业多因子模型研究流程3 2.动量因子介绍4 2.1.行业动量因子计算方法5 2.1.1.传统行业动量因子5 2.1.2.分解增强因子6 2.1.2.1.日内动量与隔夜动量因子6 2.1.2.2.龙头股动量因子7 2.1.2.3.残差动量因子8 2.1.3.路径类动量因子9 2.1.3.1.路径排名因子9 2.1.3.2.路径平滑因子10 2.1.3.3.信息离散度因子11 2.1.3.4.52周指标因子12 2.1.4.风险调整类动量因子12 2.1.4.1.Sharp因子12 2.1.4.2.信息比率因子13 2.1.4.3.偏度因子14 2.1.4.4.龙头股夏普率因子14 3.单因子用于行业轮动的测试结果15 3.1.单因子测试结果15 3.1.1.传统行业动量测试结果15 3.1.2.分解增强因子动量测试结果17 3.1.3.路径类因子测试结果19 3.1.4.风险调整类因子测试结果21 3.2.筛选效果优秀的因子22 4.复合因子行业轮动策略23 4.1.复合因子合成23 4.2.复合因子分组绩效表现24 4.3.行业轮动策略绩效25 4.4.策略近期持仓26 5.总结26 6.参考文献26 7.风险提示27 国泰君安量化配置团队专注行业配置量化研究，致力于构建投资逻辑严密、研究深入细致、框架体系完备的多维行业轮动模型。在之前的行业轮动系列深度报告中，我们通过借鉴股票多因子研究框架，利用公司财务、分析师预测、北向资金、日行情、基金持仓等数据研究了行业景气度、业绩超预期、北向资金流、拥挤度、分析师预测、基金 持仓还原等模型在行业配置中的应用。本篇报告关注价量维度，从行业动量效应出发，研究动量因子在行业轮动上的效果。我们详细测试了常用的动量因子在行业配置中的效果，使用投资逻辑强、历史回测效果好的因子构建分析师预测因子行业轮动策略。 1.行业配置研究框架 1.1.行业配置研究框架 我们认为证券市场是一个复杂系统，受行业基本情况、资金流向和市场情绪等多重因素共同影响，不同时期影响市场运行的主导因素不一定相同，主要因素和次要因素在一定条件下可以相互转换。行业板块在行业情况、价量表现、资金流向和市场情绪等各维度可能出现共振，也存在相互约束的情形。我们通过定量分析多维度建模，研究行业板块各维度的边际变化，优先配置行业景气度边际改善、机构资金持续净流入、市场微观结构健康、行业负面情绪较少的行业板块，并根据多维度边际变化动态调整组合行业配置。 •景气度： •财报、快报、预告 •分析师预期 •机构资金： •北上资金 •基金持仓 行业 情况 资金 流向 价量 表现 市场 情绪 •拥挤度： •波动率、流动性、相关性、分布 •微观结构 •市场情绪： •舆情数据 图1：行业配置研究框架 数据来源：国泰君安证券研究 1.2.行业多因子模型研究流程 我们参考股票多因子模型研究方法论，将市场上所有公司依据所属行业分类（中信一级行业分类）划分为不同行业类别的公司集合，将每个行业视为一家囊括所有同行业公司的集团公司，利用个股的财务、分析师预测、资金与量价等指标构造行业配置因子，探索有效的行业 配置模型。行业多因子研究框架包括基础数据处理、行业因子合成、行业单因子测试、行业复合因子合成等步骤。行业多因子研究流程包括基础数据处理、行业因子合成（整体法、加权法）、单因子测试、复合因子合成等步骤，相关内容不再列示，参见行业配置系列研究报告 《如何基于PEAD超预期因子构建行业轮动策略——行业配置研究系列 02_20220426》。 图2：行业多因子模型研究流程 数据来源：国泰君安证券研究 2.动量因子介绍 动量效应是指过去表现好的资产在未来的一段时间内持续上涨，而表现差的资产其价格持续下降的一种现象。自Jegadeesh和Titman（1993）提出动量效应以来，学界和业界均基于这一思想进行了众多研究。 Jegadeesh和Titman(1993)研究发现在美国的股票市场中存在着相应的动量交易超额收益，即在之前的3~12个月表现良好的股票同样能够在之后的3~12个月维持较好的收益，相反地，在之前的3~12个月表现较差的股票也会在之后的3~12个月延续之前的趋势。Moskowitz和Grinblatt(1999)研究发现行业动量策略获得了高于价格动量策略的超额收益；大部分的股票价格动量效应可以由股票所处行业的行业因素来解释，在控制行业因素后，价格动量策略的效果不再明显。Asnessetal.(2013)在ValueandMomentumEverywhere一文中通过大量实证指出价值和动量效应普遍存在于全球所有市场中（股票、外汇、固定收益、商品期货等）。 整体来看，行业动量效应可以粗略视作过去表现较好的行业，在未来仍然倾向于有较好的表现。实证研究表明，行业动量效应在不同市场、不同的时间阶段普遍存在，但想要基于动量思想进行行业配置获得稳定超额收益，仍需对传统行业动量因子进行一定改进和增强。下面分别介绍学术研究和实际投资中常用的动量因子。本文主要测试的行业动量因子如下表： 表1：行业动量因子列表 因子类别因子 传统动量因子传统动量因子 日内动量、隔夜动量因子 分解增强因子 路径类动量因子 风险调整类动量因子 数据来源：国泰君安证券研究 2.1.行业动量因子计算方法 2.1.1.传统行业动量因子 龙头股动量因子残差动量因子路径排名因子路径平滑因子信息离散度因子52周指标因子Sharp因子 信息比率因子偏度因子 龙头股夏普率因子 传统的行业动量因子以过去一段时间的行业指数收益率作为因子值。我们使用中信一级行业指数的价量数据来计算各行业的动量因子。具体而言，记调仓交易日为T0，回望周期为M个交易日，剔除周期为N个交易日的传统动量因子origin_momentum_M_N为[T0-M,T0-N]时间段内的区间涨跌幅。用公式可以表示为： 𝑜𝑟𝑖𝑔𝑖𝑛_𝑚𝑜𝑚𝑒𝑛𝑡𝑢𝑚_𝑀_�=𝐶𝑙𝑜𝑠𝑒𝑇0 𝐶𝑙𝑜𝑠𝑒𝑇0−� −𝐶𝑙𝑜𝑠𝑒𝑇0 𝐶𝑙𝑜𝑠𝑒𝑇0−� 其中𝐶𝑙𝑜𝑠𝑒�是t日行业指数收盘价。其中，我们对于N和M的取值尝试多种参数组合：M取0或20；N取20、40、60、120、180和240。 本文测试的传统行业动量因子，见下表：表2：传统行业动量因子列表 因子名因子英文名 回望期20剔除期0的传统动量因子origin_momentum_20_0 回望期40剔除期0的传统动量因子origin_momentum_40_0 回望期40剔除期20的传统动量因子origin_momentum_40_20 回望期60剔除期0的传统动量因子origin_momentum_60_0 回望期60剔除期20的传统动量因子origin_momentum_60_20 传统行 业动量 回望期120剔除期0的传统动量因子origin_momentum_120_0 回望期120剔除期20的传统动量因子origin_momentum_120_20 回望期180剔除期0的传统动量因子origin_momentum_180_0 回望期180剔除期20的传统动量因子origin_momentum_180_20 回望期240剔除期0的传统动量因子origin_momentum_240_0 回望期240剔除期20的传统动量因子origin_momentum_240_20 数据来源：国泰君安证券研究 2.1.2.分解增强因子 在传统动量中，我们直接使用了行业指数的收盘价计算因子。然而根据这种方法计算得到的因子表现并不稳健，因此我们考虑选取更优的代理变量对动量因子进行增强。 目前，学界对于动量因子超额收益的来源主要有两种观点。部分学者认为，投资者的反应不足和反应过度解释了动量超额收益；而另一部分学者则指出市场摩擦、投资者异质性等特点,也将导致股票价格在一段时间内具有趋势性。在这一部分中我们主要将根据不同行业（股票）、不同时间段的交易特征差异对传统动量进行分解增强。 2.1.2.1.日内动量与隔夜动量因子 考虑到隔夜市场（从当日收盘到隔日的开盘）和盘中市场（从当日开盘到同日的收盘）在流动性、信息披露等方面的不同特点（Barclay和Hendershott，2003，2004），我们可以以开盘为分界线，将原始收益率相应地分解为隔夜收益率和日内收益率，日内收益率分解为今收/今开-1，隔夜收益率分解为今开/昨收-1。 图3：超预期复合因子行业轮动策略收益曲线 数据来源：国泰君安证券研究 不少学者对日内动量做出了相应的研究。Corwin和Schultz（2012）研究发现，如果将日内交易时段按照半小时的时间间隔进行划分，样本数据中存在着一定的动量效应