因子优化:动量因子再研究

在本报告中,我们首先对传统动量因子进行分析,然后结合相关理论,提出改进方法,以增强其有效性。

    具体来说,我们首先对传统动量因子表现进行了回测,发现动量因子在多数时间内表现出反转效应;16年底以来,反转效应开始失灵,且在其他时间段也出现不同程度的回撤:2006.9-2007.5、2013.2-2013.8、2014.8-2015.4、2016.11-2017.5。为提高动量因子表现,我们从如下两个角度进行了分析:一,基于理论,对反转效应成因进行分析;二,基于数据,对组合持仓特征进行分析。

    从理论视角,结合已有文献对反转效应的成因进行了分析:动量(反转效应)的成因是投资者认知出现偏差,对信息的解读不够及时充分。据此,我们选取户均持股数量、机构持股比例和流动性三个指标对散户集中度进行度量,进行分组研究。结果表明:一,从IC均值来看,股东户均持股数越低、机构持股占比越低、流动性越高,IC绝对值越大,且对应的T值也越显著;二,从年化收益率来看,高流动性组合为18.03%,低股东户均持股组合为15.22%,均优于原始收益率(13.77%)。从波动率来看,与原始组合(18.05%)相比,进行分组之后得到的6个组合,波动率均有所降低;从最大回撤来看,与原始组合(25.60%)相比,低股东户均持股组合最低,为17.66%,其次是高流动性组合,为19.29%。从Sharpe值来看,高流动性组合为1.222,与原始组合的0.763相比,有显著提升。

    基于数据,我们从收益拆分角度对导致动量因子出现回撤的原因进行了分析,可以发现这些时期多头组合与风格因子偏好出现一定程度背离。基于这一结果,我们提出了两种优化方法:一,对风格收益贡献进行预测,中性化贡献较低的风格。结果表明,从年化收益和波动率指标来看,相比于原始结果,所提4种方法均有所提升,对应的Sharpe、Calmar和Sortino指标也有所提高。从最大回撤来看,其中三种方法降低了2016.11-2017.5区间出现的最大回撤。二,对组合收益和风险进行预测,进而最大化预测Sharpe值,得到股票权重。优化组合多空年化收益为24.94%,最大Sharpe值为1.284,与原始方法相比有较大幅度提升;从Calmar和Sortino指标来看,也有较大幅度提升。优化组合在各个时期的最大回撤与原始组合基本一致,不过在08年出现了较大回撤;而在2016.11-2017.5区间,最大回撤则有所减小。