“学海拾珠”系列之五十五：因子动量与行业动量，孰因孰果？-20210809-华安证券-22页_2mb

因子动量与行业动量，孰因孰果？总结

核心内容

本报告探讨了因子动量与行业动量之间的关系，发现因子动量不仅在经济和统计意义上显著，而且其表现形式与行业动量相似。研究指出，因子动量强于行业动量，并且因子动量完全包含了行业动量。这意味着因子动量是行业动量的原因，而行业动量无法解释因子动量。

此外，报告还指出因子动量并不推动个股收益产生短期反转或动量效应，且在控制因子动量后，股票动量反而增强，表明因子动量与股票动量之间存在某种独立性。

主要观点

• 因子动量是因子的共有属性：几乎任何一组因子在经济和统计意义上均表现出因子动量，其平均收益显著不为零。
• 因子动量强于行业动量：因子动量的年化回报率高于行业动量，且因子动量策略在控制行业动量后，其alpha值接近于零。
• 因子动量包含行业动量：行业中性化处理后，因子动量策略不再与行业收益相关，表明因子动量包含了行业动量。
• 行业动量不包含因子动量：当控制因子动量后，行业动量策略的alpha值消失，说明行业动量不能解释因子动量。
• 因子动量与股票动量的关系：因子动量与股票动量显著相关，但控制股票动量后，因子动量的alpha值仍显著，表明两者并非完全重叠。
• 因子动量策略的稳健性：因子动量策略在不同因子集、不同构建和持有期、以及在考虑交易延迟和市值大小时，均表现出显著的收益。

关键信息

• 因子动量策略表现：在1个月构建和持有期下，因子动量策略的年化平均回报率为 $10.5%$，标准差为 $15.3%$；而行业调整因子动量策略的年化平均回报率为 $6.4%$，标准差为 $8.4%$。
• 五因子模型alpha：因子动量策略在五因子模型下的alpha值为 $6.6%$，t值为 $5.62$，且在控制股票动量后，alpha值仍显著。
• 行业动量策略表现：行业动量策略的年化平均回报率为 $9.61%$，标准差为 $14.75%$，且在控制股票动量后，其alpha值显著下降。
• 因子动量与行业动量的包含关系：因子动量包含了行业动量，而行业动量并未包含因子动量。例如，行业动量的alpha值在控制因子动量后消失。
• 因子动量的敏感性：因子动量策略对因子集的选择不敏感，即使使用随机因子集，其收益仍显著。

策略表现与影响

• 不同构建与持有期：在一个月构建和持有期下，因子动量策略表现最佳；而在六个月构建和持有期下，行业调整因子动量策略表现更优。
• 交易延迟与市值影响：因子动量策略在引入交易延迟或考虑大小市值股票时，其收益仍然显著。
• 因子动量的贡献：与财务困境、非流动性和波动性相关的因子对因子动量收益贡献最大，而某些因子如公司年龄和名义股价虽然动量得分高，但实际动量效应较弱。

风险提示

• 本报告基于历史数据与海外文献总结，不构成任何投资建议。
• 因子动量与行业动量的关系可能随市场环境变化，需持续关注。

图表概述

• 图表1：展示了标准因子和行业调整因子的平均回报以及三因子和五因子模型的alpha值。
• 图表2：比较了标准因子动量策略和行业调整因子动量策略的平均回报和t值。
• 图表3：展示了因子动量策略在不同构建和持有期下的平均回报和五因子、六因子模型的alpha值。
• 图表4：展示了行业和市值-B/M动量策略的平均回报和标准差。
• 图表5：展示了行业动量策略在不同构建和持有期下的平均回报和五因子、六因子模型的alpha值。
• 图表6：展示了控制其他形式动量时的行业和因子动量策略的alpha值。
• 图表7：展示了1963-2016年期间因子、行业和股票动量策略的累积对数回报。
• 图表8：展示了不同因子集构建的因子动量策略的平均回报和五因子模型alpha值。
• 图表9：展示了随机因子集构建的因子动量策略的平均回报和t值。

结论

• 因子动量是行业动量的根源，而行业动量不包含因子动量。
• 因子动量策略在控制行业动量后仍具有显著的alpha值，表明其包含其他动量效应。
• 因子动量在不同市场环境下表现稳健，可作为理解A股结构性行情的重要工具。

附注

• 因子动量与股票动量密切相关，但其独立性表明，因子动量的来源可能更多与信息处理和市场反应有关。
• 投资者可利用因子动量策略来预测热门行业的更迭，但需注意风险提示和市场变化。