AQF閱讀丨在報告中我們發(fā)現(xiàn)，傳統(tǒng)形式下的動量因子在行業(yè)選擇上并不能貢獻穩(wěn)健超額收益。本文嘗試從剝離風(fēng)格因素后的超額收益(alpha)出發(fā)，考察剝離了常見風(fēng)格后的收益在行業(yè)輪動上是否具有參考價值。

　　1、海內(nèi)外實證結(jié)果對比

　　海外研究發(fā)現(xiàn)，F(xiàn)ama-French三因子(下文簡稱FF3)或五因子模型的alpha，對行業(yè)及板塊輪動具備有效的篩選能力。如《US sector rotation withfive-factor Fama-French alphas》(Golam Sarwar等，J Asset Manag(2018) 19:116-132)一文結(jié)果表明，在1964-2014共50年間，50%的行業(yè)都存在顯著的Fama-French三(或五)因子alpha(下簡稱FF3alpha)。滾動選擇alpha最大的一個行業(yè)構(gòu)建行業(yè)輪動多頭組合，所得到的夏普比例是S&P 500指數(shù)買入持有策略的4倍;而多空策略收益表現(xiàn)更優(yōu)。表明在美國市場，剝離了市場收益、市值風(fēng)格、估值風(fēng)格之后，行業(yè)alpha對下期行業(yè)收益存在有效的預(yù)測能力。

　　從國內(nèi)行業(yè)超額收益來看，2011年初至2018年6月期間有41.38%的行業(yè)alpha為正，58.26%的行業(yè)alpha為負。在5%的置信水平下，僅計算機、傳媒、通信、醫(yī)藥四個行業(yè)的alpha顯著為正，紡織服裝、建材、交運和煤炭四個行業(yè)的alpha顯著為負，alpha顯著異于0的行業(yè)個數(shù)占比27.59%，低于美國市場的50%。

　　下圖展示了各行業(yè)在FF3模型下的alpha及其t統(tǒng)計量。

　　根據(jù)alpha構(gòu)建行業(yè)輪動策略，alpha因子與行業(yè)次月收益的相關(guān)性并不穩(wěn)定，月均IC為-1.24%， IC為正的月份占比54.44%，即一半的月份alpha與行業(yè)收益正相關(guān)，一半月份負相關(guān)。Alpha并不是一個有效的行業(yè)輪動因子。而在美國，基于該因子的行業(yè)輪動策略夏普比是買入持有策略的4倍，統(tǒng)計顯著。

　　2、適合A股行業(yè)輪動的alpha構(gòu)建方式

　　如前所知，alpha因子在美股市場行業(yè)輪動效果顯著，而在A股無效;這可能是由于A股市場alpha顯著的行業(yè)占比遠不足美國市場的50%。因此我們可嘗試在收益剝離模型中僅剝離主要風(fēng)格，而非同時剝離HML和BMS。

　　實際上，從剝離模型解釋能力來看，只剝離大小盤風(fēng)格的V2(BMS)模型平均R方為82.53%，只剝離估值風(fēng)格的V2(HML)模型平均R方為83.08%，而同時剝離大小盤風(fēng)格和估值風(fēng)格的FF3模型R方為84.58%。雖然僅剝離一種風(fēng)格的模型解釋能力弱于FF3模型，但差異并不明顯。

　　下圖展示了不同模型下的R方。

　　基于此，對于A股行業(yè)輪動，我們可嘗試構(gòu)建只剝離一種風(fēng)格的收益分解模型。至于剝離哪種風(fēng)格，則可根據(jù)兩種風(fēng)格的解釋能力即R方進行篩選，具體步驟如下所示：

　　需要注意的是，在上述模型篩選中，自變量中始終包含市場收益。若模型自變量僅包含市場收益，則所求得的alpha為Jenson’s alpha，具體報告中我們也對這兩種模型的表現(xiàn)效果進行了對比。在選定自變量后，對于每個行業(yè)，我們按照加權(quán)最小二乘法對系數(shù)進行估計，即對近期的數(shù)據(jù)點給予較高的權(quán)重。下文將按照上述步驟構(gòu)建的模型稱為V2模型。

　　3、行業(yè)輪動效果展示

　　每月末，選擇風(fēng)險調(diào)整后alpha較高的5個行業(yè)作為多頭組合，alpha最低的5個行業(yè)作為空頭組合，以全市場等權(quán)組合作為對比基準(zhǔn)，下表展示了多空組合超額收益以及因子IC的統(tǒng)計結(jié)果。結(jié)果顯示，alpha因子的相關(guān)性和多空收益差均可通過顯著性檢驗。月均IC為8.18%，月勝率為68.89%，相應(yīng)的T值為2.63。多空組合年化收益差為17.19%，月勝率61.11%。其中，多頭組合年化超額8.20%，空頭年化超額-8.99%。

　　分年度來看，多頭組合在2011年跑輸基準(zhǔn)，其余年份均跑贏等權(quán)組合。但2012年和2016年超額幅度相對較小，低于5%，其余年份超額收益均在10%以上。

　　下表展示了V2模型alpha因子和1個月動量因子的收益表現(xiàn)情況。整體來看，alpha因子超額收益更為穩(wěn)定，可通過顯著性檢驗。而1個月動量因子穩(wěn)定性差，行業(yè)之間有時候呈現(xiàn)動量效應(yīng)，有時候呈現(xiàn)反轉(zhuǎn)效應(yīng)，因此全樣本期間的超額收益無法通過顯著性檢驗。但在風(fēng)格劇烈切換且延續(xù)性強的時段1個月動量因子表現(xiàn)優(yōu)于alpha因子，如2014年年底。

　　剝離主要風(fēng)格后的alpha是一個有效的行業(yè)輪動因子，而原始的動量因子表現(xiàn)卻不盡如人意，這可能是由于行業(yè)之間的收益差距被市場、風(fēng)格因素所掩蓋，簡單的月度收益或均線距離等無法捕獲行業(yè)本身的收益差異，從而掩蓋了動量現(xiàn)象。

　　4、總結(jié)與討論

　　在美股市場，基于FF3 alpha構(gòu)建的行業(yè)輪動策略效果顯著，夏普比是買入持有策略的4倍。而在A股29個中信一級行業(yè)中，F(xiàn)F3alpha因子則失效。原因之一可能是在美國市場，F(xiàn)F3模型下的alpha在50%的行業(yè)均顯著，而在A股這一比例不足30%。模型自變量對行業(yè)收益的解釋能力不同，表明適合美股市場行業(yè)輪動的收益分解模型，并不完全適合A股市場。

　　實際上，除市場收益外，只包含一類風(fēng)格因子溢價的V2模型，在絕大部分行業(yè)的收益分解模型中回歸系數(shù)都顯著異于0;而且V2和FF3模型的擬合優(yōu)度無明顯差異。因此在A股市場可簡單采用只包含一種風(fēng)格的收益剝離模型。

　　除市場收益外，滾動篩選對行業(yè)收益平均解釋能力較強的風(fēng)格對行業(yè)收益率構(gòu)建多元回歸模型，所得到的alpha在行業(yè)輪動上效果顯著。因子月均IC為8.18%，月勝率68.89%，相應(yīng)的T值為2.63，顯著為正。多空組合年化收益差為17.19%，月勝率61.11%。其中，多頭組合年化超額8.20%，空頭年化超額-8.99%。

　　5、風(fēng)險提示

　　模型誤設(shè)風(fēng)險、因子有效性變動風(fēng)險。

　　>>>點擊咨詢Python量化投資與金融實戰(zhàn)應(yīng)用

　　完善下表，48小時內(nèi)查收全套AQF備考資料

　　金程推薦： AQF考試 AQF報名 AQF培訓(xùn) 量化金融分析師

　　>>>返回首頁

　　聲明▎更多內(nèi)容請關(guān)注微信號量化金融分析師。本文轉(zhuǎn)載自網(wǎng)絡(luò)，我們尊重原創(chuàng)，重在分享。我們對原文作者，表示敬意!版權(quán)歸原作者與機構(gòu)所有，如有侵權(quán)，請聯(lián)系我們刪除。謝謝支持!