核心結(jié)論：

　　1) AQFer:本文主要研究了影響反轉(zhuǎn)因子的表現(xiàn)的因素，包括市場狀態(tài)和宏觀因素，從結(jié)果上來看，MKTILLIQ(市場資金敏感性)、MKTTO(市場換手率)、MKTVOL(市場波動率)和BAS(Bid-Ask Spread)這4個市場狀態(tài)指標能夠顯著的預(yù)測下個月反轉(zhuǎn)因子多空組合的表現(xiàn)。綜合來看，這4個指標越低的時候，反轉(zhuǎn)因子表現(xiàn)越差。

　　2) 我們通過逐步回歸的方法在中證全指、中證500和滬深300這3個樣本空間中進行擬合，得到了我們對于反轉(zhuǎn)因子多空組合月收益的預(yù)測模型，預(yù)測模型的Adjusted R-square均在20%左右，預(yù)測效果明顯

　　3) 我們通過過去5年歷史數(shù)據(jù)構(gòu)建動態(tài)調(diào)整的預(yù)測模型，并依據(jù)預(yù)測的多空組合收益率在歷史分布中的分位水平構(gòu)建了了曲線調(diào)整和閾值調(diào)整兩種方法來調(diào)整反轉(zhuǎn)因子的權(quán)重。

　　4) 加入了動態(tài)預(yù)測模型的4個組合，對沖年化收益、信息比和換手率均有所改進。其中曲線調(diào)整的全市場增強500組合年化對沖收益 17.46%，相比于常規(guī)組合提升1.13%，其中15年提升4%，17年提升3%;曲線調(diào)整的500成分內(nèi)增強組合年化對沖收益 10.95%，相比于常規(guī)組合提升0.92%，其中15年提升2%，17年提升3%;

　　曲線調(diào)整的全市場增強300組合年化對沖收益 12.51%，相比于常規(guī)組合提升1.66%，其中15年提升3%，17年提升4%;曲線調(diào)整的300成分內(nèi)增強組合年化對沖收益 10.51%，相比于常規(guī)組合提升0.62%，其中15年提升0.5%，17年提升3%。上述組合在其他年份表現(xiàn)均與常規(guī)組合幾乎相同，說明整體的提升來源于15和17年對于反轉(zhuǎn)因子表現(xiàn)的正確預(yù)測。。

　　以下為報告主要內(nèi)容：

　　1、學(xué)界對于動量(反轉(zhuǎn))影響因素的研究

　　Cooper, Gutierrez 和Hameed (2004)研究發(fā)現(xiàn)市場狀態(tài)和動量因子表現(xiàn)有著很強的相關(guān)性，其中描述市場過去上漲下跌狀態(tài)的DOWN(若過去市場的動量因子方向為負，則說明市場處在下行狀態(tài)，DOWN的值為1，否則為0)對于未來動量因子表現(xiàn)有一定的預(yù)測作用。

　　Avramov, Cheng和 Hameed(2016)研究發(fā)現(xiàn)市場的整體非流動性、市場的波動率、換手率對動量因子的未來表現(xiàn)有著顯著的預(yù)測作用，當市場整體非流動性、波動率，換手率較低情況下動量因子的表現(xiàn)較好，此文獻中效果最為顯著的市場非流動性，我們在2017年實證過其在A股中對反轉(zhuǎn)因子的表現(xiàn)的預(yù)測作用，效果非常顯著。

　　Smith, Wang和Zychowicz(2016)研究了主要的市場情緒對于技術(shù)分析的影響(其中市場情緒指標來源于Baker和 Wurgler(2006)的研究)，研究發(fā)現(xiàn)在市場情緒比較好的市場狀態(tài)下，技術(shù)分析的表現(xiàn)會變好。Cooper, Gulen和 Vassalou(2002)研究了宏觀指標對于市場風格的影響，作者發(fā)現(xiàn)歷史的市場風格和宏觀指標對于未來的市場風格有一定的預(yù)測作用，本文也將參考文中的一些宏觀指標。

　　Cakici和Tan(2014)根據(jù)1990-2012的數(shù)據(jù)，計算了全世界23個市場調(diào)整了市值效果的一年期動量因子效果，我們提取了其中的數(shù)據(jù)，并且計算了世界銀行網(wǎng)站得到的相應(yīng)年份的平均換手率(圖1)。兩者的相關(guān)性水平為-34.8%，呈現(xiàn)出比較高的反相關(guān)性，說明了換手率較高的市場整體來說動量因子表現(xiàn)較低，與其他文獻的結(jié)果也一致。

　　圖1：不同市場平均換手率和動量因子表現(xiàn)

　　

　　2、構(gòu)建反轉(zhuǎn)因子表現(xiàn)預(yù)測模型

　　2.1 影響反轉(zhuǎn)表現(xiàn)的因素測試

　　我們首先研究了單個市場狀態(tài)和宏觀因子對于反轉(zhuǎn)因子未來一個月表現(xiàn)的預(yù)測效果，這里的反轉(zhuǎn)因子我們先進行了行業(yè)市值中性化，然后再通過等權(quán)加權(quán)的方式把下面5個主要的反轉(zhuǎn)因子進行合成(圖2)來生成大類反轉(zhuǎn)因子。測試區(qū)間為2007.1-2017.12。

　　圖2：反轉(zhuǎn)因子列表

　　

　　我們通過線性回歸的方法檢驗單個月末的狀態(tài)因子對于下個月的大類反轉(zhuǎn)因子多空組合收益率的顯著性，這里我們分別測試了中證全指(多空各10%)、中證500(多空各20%)和滬深300(多空各20%)這3個樣本空間里的結(jié)果(圖3)。

　　這里我們注意到MKTILLIQ、MKTTO和MKTVOL這3個因子可以在成分內(nèi)進行計算，我們計算了這3個指標在成分內(nèi)的因子值，發(fā)現(xiàn)它們和全市場計算的指標相關(guān)性均在90%以上，而且市場狀態(tài)其實反映的是整個市場的一種特性，因此綜合考慮后，我們都統(tǒng)一采用中證全指樣本空間計算的全市場狀態(tài)指標。

　　圖3：反轉(zhuǎn)因子影響因素測試結(jié)果

　　

　　從結(jié)果上看，對于三個樣本空間內(nèi)反轉(zhuǎn)因子表現(xiàn)都有顯著預(yù)測能力的單因子有4個MKTILLIQ、MKTTO、MKTVOL和BAS。而其他的指標諸如DOWN、TBILL、DEF、M1g只在其中的兩個樣本空間有顯著的效果，說明他們雖然也能夠預(yù)測反轉(zhuǎn)的效果，但是并沒有前面4個指標來的那么效果顯著。

　　2.2 構(gòu)建預(yù)測模型

　　我們選擇上面測試的4個最顯著的指標來構(gòu)建預(yù)測模型，我們采用逐步回歸的方法分別用這4個指標在三個樣本空間中構(gòu)建回歸模型(圖4)，模型的Adjusted R-square均在20%以上，整體預(yù)測效果非常明顯，其中中證500用到了MKTILLIQ、MKTTO和MKTVOL三個指標。從方向上來看這三個指標和反轉(zhuǎn)因子多空收益率均呈現(xiàn)反相關(guān)性，也就是說這3個指標越低，反轉(zhuǎn)的表現(xiàn)越差(反轉(zhuǎn)因子本身的方向為負)。

　　這一結(jié)果也符合理論，反轉(zhuǎn)通常被認為是市場反映過度所導(dǎo)致的，當市場非流動性變低，也即市場的資金敏感度變低，那么同樣的信息需要市場反映的資金量也變大了，因此市場較不容易發(fā)生過度反映。同樣的，低換手的市場環(huán)境說明市場的交易活躍度變低，這樣的市場也不容易發(fā)生過度反映，而市場波動率除了反映了市場的振幅，也和因子整體的dispersion有著較高的相關(guān)性，因此當波動率降低后，除了對市場反映程度的影響，也影響了因子本身的alpha。

　　圖4：對三個樣本空間逐步回歸結(jié)果

　　

　　因為中證500和滬深300是中證全指的子空間，所以理論上說對于反轉(zhuǎn)因子的影響因素應(yīng)該是類似的，所以我們傾向于盡量保證模型的一致性，于是我們都以MKTILLIQ、MKTTO和MKTVOL三個指標對反轉(zhuǎn)因子多空月收益進行擬合(圖5)?？梢钥吹街凶C全指模型的MKTVOL的系數(shù)雖然不是很顯著，但是整體的Adjusted R-square有所提升，且所有系數(shù)的方向都符合邏輯，因此我們可以考慮用3因子模型作為新的中證全指內(nèi)反轉(zhuǎn)預(yù)測模型，而滬深300模型MKTVOL的系數(shù)非常不顯著且整體的Adjusted R-square反而下降了，所以我們還是選擇采用原模型。

　　圖5：三因子回歸結(jié)果

　　

　　3、預(yù)測模型在構(gòu)建組合中的應(yīng)用

　　3.1 動態(tài)預(yù)測模型

　　上文計算的預(yù)測模型，是基于整個歷史區(qū)間的，雖然我們找到可以顯著預(yù)測反轉(zhuǎn)因子多空收益的模型，但是無法應(yīng)用到組合當中。因此這里我們對模型進行一些修正，我們在每個月月末用過去5年的數(shù)據(jù)滾動地擬合系數(shù)，然后對下個月的反轉(zhuǎn)因子多空收益進行預(yù)測。這里我們假定反轉(zhuǎn)因子多空收益是服從正態(tài)分布的，所以就可以根據(jù)累計的歷史數(shù)據(jù)統(tǒng)計每個時點分布的均值和標準差，然后就可以計算出預(yù)測多空收益在這個分布中的分位水平。這里我們引入兩種動態(tài)調(diào)整權(quán)重的方法：

　　1)曲線動態(tài)調(diào)整

　　假定原來的基本權(quán)重為w，則調(diào)整后的w=w×分位數(shù)/50%，也就是說若預(yù)測多空收益的分位數(shù)水平為80%，則調(diào)整后的權(quán)重為基本權(quán)重的1.6倍。

　　2)閾值動態(tài)調(diào)整

　　假定原來的基本權(quán)重為w，若分位數(shù)低于1/3，則w設(shè)定為0;若分位數(shù)高于2/3，則w設(shè)定為基本權(quán)重的2倍;其他情況下，w保持為基本權(quán)重不變。

　　這兩種調(diào)整方法，第一種是連續(xù)的在正態(tài)分布累計概率密度曲線上進行調(diào)整的，相對而言調(diào)整幅度較低，更加穩(wěn)定。第二中方法的調(diào)整比較激進，相對而言波動更大，但是也更適合作為因子權(quán)重低配，均配或是超配的判斷參考。動態(tài)預(yù)測模型的預(yù)測效果和兩種權(quán)重調(diào)整方法的變動曲線我們將在下文展示組合表現(xiàn)時一同展示

　　3.2 加入動態(tài)預(yù)測模型后的組合表現(xiàn)

　　我們這里測試了動態(tài)預(yù)測模型在全市場增強中證500、中證500成分內(nèi)、全市場增強滬深300、滬深300成分內(nèi)四個組合的效果，組合均采用大類內(nèi)等權(quán)、大類間等權(quán)的加權(quán)方式，組合的測試區(qū)間為2011.12.31-2017.12.29，之所以時間區(qū)間較短是因為需要過去5年的數(shù)據(jù)來構(gòu)建反轉(zhuǎn)因子表現(xiàn)的預(yù)測模型。對于滬深300的增強組合，我們采用的因子是(圖6)：

　　圖6：滬深300增強組合因子

　　

　　對于中證500的增強組合，我們采用的因子是(圖7)：

　　圖7：中證500增強組合因子

　　

　　3.2.1 全市場增強500組合

　　圖8展示了全市場樣本空間中動態(tài)預(yù)測模型的表現(xiàn)?？梢钥吹綄嶋H的反轉(zhuǎn)因子多空收益率在15年表現(xiàn)很好，而在17年表現(xiàn)較差，其他年份的效果比較平均，而同期的預(yù)測模型整體來說預(yù)測效果還是很不錯的，特別是在15和17年都與實際多空收益比較一致。從權(quán)重的變化可以看到，曲線調(diào)整模型在14年后半年降低了反轉(zhuǎn)的權(quán)重，在15年大幅提高反轉(zhuǎn)權(quán)重，隨后在16年后半年開始逐漸降低反轉(zhuǎn)權(quán)重，整個17年反轉(zhuǎn)的權(quán)重均從等權(quán)權(quán)重的16.7%降低至10%以內(nèi);閾值調(diào)整模型也有著類似的結(jié)果，只不過調(diào)整的幅度更加激進，整個17年除了12月，其他月份的反轉(zhuǎn)權(quán)重均下降至0%。

　　圖8：實際和預(yù)測的多空組合月收益率以及大類反轉(zhuǎn)因子權(quán)重占比

　　

　　圖9展示了全市場增強500組合的表現(xiàn)，從凈值曲線上可以看到，兩類加入動態(tài)預(yù)測模型后的組合從2015年開始表現(xiàn)就逐漸的好于常規(guī)組合。其中曲線調(diào)整組合年化收益17.46%，信息比2.86，閾值調(diào)整組合的年化收益18.03%，信息比2.94，這兩個組合無論是年化收益，回撤、信息比還是換手率均好于常規(guī)組合。我們采用Ledoit和Wolf (2008)提出的檢驗信息比的HAC檢驗對15-17年的月收益差進行檢驗，發(fā)現(xiàn)兩種動態(tài)調(diào)整組合均顯著好于常規(guī)組合。

　　分年來看的結(jié)果也非常明顯，在15年動態(tài)調(diào)整組合均好于常規(guī)組合4%以上，在17年曲線動態(tài)調(diào)整組合跑贏常規(guī)組合3%，閾值動態(tài)調(diào)整組合跑贏6%以上，而在其他年份，動態(tài)調(diào)整組合與常規(guī)組合表現(xiàn)類似。

　　圖9：全市場增強500組合表現(xiàn)

　　

　　

　　3.2.2 中證500成分內(nèi)增強組合

　　圖10展示了中證500樣本空間中動態(tài)預(yù)測模型的表現(xiàn)。可以看到與全市場類似，反轉(zhuǎn)因子多空收益率在15年表現(xiàn)很好，而在17年表現(xiàn)較差，其他年份的效果比較中庸，我們的預(yù)測模型依然展現(xiàn)出較好的預(yù)測效果，特別是在15和17年都與實際多空收益很一致。從權(quán)重的變化可以看到，曲線調(diào)整模型在14后半年降低了反轉(zhuǎn)的權(quán)重，在15年大幅提高反轉(zhuǎn)權(quán)重，隨后在16年后半年開始逐漸降低反轉(zhuǎn)權(quán)重，整個17年反轉(zhuǎn)的權(quán)重均從基準的16.7%降低至10%以內(nèi);閾值調(diào)整模型也有著類似的結(jié)果，只不過調(diào)整的幅度更加激進，從16年后半開始，就不在有反轉(zhuǎn)因子的權(quán)重配置了。

　　圖10：實際和預(yù)測的多空組合月收益率以及大類反轉(zhuǎn)因子權(quán)重占比

　　

　　圖11展示了中證500成分內(nèi)增強組合的表現(xiàn)，從凈值曲線上可以看到，兩類加入動態(tài)預(yù)測模型后的組合從2015年開始表現(xiàn)就逐漸的好于常規(guī)組合。其中曲線調(diào)整組合年化收益11.95%，信息比2.6，閾值調(diào)整組合的年化收益11.80%，信息比2.56，這兩個組合無論是年化收益，回撤、信息比還是換手率均好于常規(guī)組合。但是我們采用HAC檢驗對15-17的月收益差進行檢驗，發(fā)現(xiàn)提升效果不顯著。

　　分年來看的結(jié)果也非常明顯，曲線調(diào)整組合在15年跑贏常規(guī)組合2%以上，在17年跑贏常規(guī)組合3%，而閾值調(diào)整組合在17跑贏常規(guī)組合4%。在其他年份，這兩個組合與常規(guī)組合表現(xiàn)類似。

　　圖11：中證500成分內(nèi)增強組合表現(xiàn)

　　

　　

　　3.2.3 全市場增強300組合

　　圖12展示了全市場樣本空間中動態(tài)預(yù)測模型的表現(xiàn)，這里的結(jié)果除了等權(quán)權(quán)重的設(shè)置與全市場增強500組合中不一致，別的結(jié)果都沒有區(qū)別，所以就不做贅述了。

　　圖12：實際和預(yù)測的多空組合月收益率以及大類反轉(zhuǎn)因子權(quán)重占比

　　

　　圖13展示了全市場增強300組合的表現(xiàn)，從凈值曲線上可以看到15年后半年開始動態(tài)調(diào)整組合的表現(xiàn)就逐漸的強于常規(guī)組合了，其中曲線調(diào)整組合年化對沖收益12.51%，信息比3.13，閾值調(diào)整組合年化對沖收益12.38%，信息比3.04，均好于常規(guī)的組合。我們采用HAC檢驗對15-17的月收益差進行檢驗，發(fā)現(xiàn)曲線調(diào)整組合的IR提升顯著。

　　分年來看，在動態(tài)調(diào)整組合在15年提升3%以上，在17年提升4%以上，而在其他年份未有大的差別，總體表現(xiàn)不錯。

　　圖13：全市場增強300組合表現(xiàn)

　　

　　

　　3.2.4 滬深300成分內(nèi)增強組合

　　圖14展示了滬深300成分股樣本空間中動態(tài)預(yù)測模型的表現(xiàn)?？梢钥吹秸w的表現(xiàn)與全市場和500內(nèi)類似，但是在15年以前，動態(tài)預(yù)測模型的Adjusted R-square較低，有些時點會低于10%，這與反轉(zhuǎn)因子在300內(nèi)的效果較弱有關(guān)。從權(quán)重上來看，模型在15年超配了反轉(zhuǎn)的權(quán)重，從16年后半年開始，反轉(zhuǎn)權(quán)重就處在一個較低的水平。

　　圖14：實際和預(yù)測的多空組合月收益率以及大類反轉(zhuǎn)因子權(quán)重占比

　　

　　圖15展示了全市場增強300組合的表現(xiàn)，從凈值曲線上可以看到17年開始動態(tài)調(diào)整組合的表現(xiàn)逐漸的強于常規(guī)組合了，其中曲線調(diào)整組合年化對沖收益10.51%，信息比2.44，閾值調(diào)整組合年化對沖收益10.81%，信息比2.49，均好于常規(guī)的組合。然而我們采用HAC檢驗對15-17的月收益差進行檢驗，發(fā)現(xiàn)曲線調(diào)整組合的IR提升不顯著。

　　分年來看，動態(tài)調(diào)整組合主要在17年有著比較明顯的提升，其中曲線調(diào)整組合跑贏3%，閾值調(diào)整組合跑贏6%以上，別的年份差異很小。

　　圖15：滬深300成分內(nèi)增強組合表現(xiàn)

　　

　　

　　>>>點擊咨詢量化交易策略長久更新班(AQF實訓(xùn)項目+策略大講堂)

　　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

　　微信公眾號：量化金融分析師

　　>>>返回首頁