因子选股系列：基于价格动量和基本面动量的双动量选股策略-20211115-西南证券-16页_1mb

基于价格动量和基本面动量的双动量选股策略总结

核心内容

本文探讨了基于价格动量与基本面动量的双动量选股策略在A股市场中的有效性。通过构建基本面隐含收益（FIR）因子，结合价格动量因子，形成双动量策略，以期在不增加额外风险的情况下提升投资回报。

主要观点

• 价格动量因子：在A股市场中，价格动量因子的趋势不明显，且与股票下期收益呈反相关关系。因子信息系数（IC）为-0.0044，多空组合平均月收益为-0.15%，表现不佳。
• 基本面动量因子：通过构建FIR因子，综合多个基本面指标及其趋势，基本面动量因子表现出明显的趋势性，与股票下期收益呈正相关关系。IC为0.0381，多空组合平均月收益为0.44%，具有显著的预测能力。
• 双动量策略：结合价格动量与基本面动量，双动量策略在多空组合中表现优异，平均月收益为0.85%，显著优于单动量策略。

关键信息

1. 变量构建与因子构建

• 选取了6个主要基本面变量及其滞后值和趋势进行构建，包括ROE、ROA、EARN、APE、CPA、GPA。
• 价格动量：使用过去11个月的累计回报构建。
• 基本面动量：通过多元回归或预测组合法构建FIR因子，其中预测组合法用于避免多重共线性问题。

2. 基本面动量有效性检验

• 使用2016年6月至2021年3月的A股数据进行检验，每月月初更新股票池。
• 基本面动量：在加入趋势信息后，平均月收益显著提升，且与下期收益率正相关。
• Fama-MacBeth回归：结果显示价格动量与基本面动量在控制其他公司特征后仍保持独立性。

3. 双动量策略有效性检验

• 通过价格动量和基本面动量的五分位交叉组合构建25个投资组合，发现双动量策略表现优于单动量策略。
• 信息系数分析：基本面动量的IC值为0.0381，显著高于价格动量的-0.0044，表明基本面动量因子对收益率的预测能力更强。

4. 分组检验与策略对比

• 价格动量：多空组合平均月收益为-0.15%，效果不佳。
• 基本面动量：多空组合平均月收益为0.44%，表现良好。
• 双动量：多空组合平均月收益为0.85%，显著优于单动量策略。

5. 规模效应分析

• 基本面动量和双动量策略在不同规模的股票群体中均有效，但价格动量策略主要适用于低市值股票。
• 排除不同比例的小市值股票后，基本面动量和双动量策略仍表现出较强的稳定性与有效性。

策略优势

• 信息互补性：价格动量反映短期市场趋势，基本面动量反映长期基本面变化，二者结合可全面捕捉市场信息。
• 稳定性与有效性：基本面动量因子表现出更强的预测能力和稳定性，而价格动量因子则存在反向关系，需谨慎使用。
• 风险调整收益：双动量策略在不增加额外风险的前提下，能够获得更高的平均月收益。

风险提示

• 本文研究基于历史数据，不能保证未来收益。
• 市场环境变化可能影响因子的表现。

进一步研究方向

• 探索其他市场（如债券、大宗商品、外汇）是否存在双动量效应。
• 分析双动量因子对个股、股票异常及共同基金回报的解释能力。
• 发展更复杂的非线性计量模型，以充分利用趋势信息，进一步提升基本面因子在资产定价中的作用。

图表说明

• 图1：因子累计信息系数，显示基本面动量因子的累计IC呈上升趋势，而价格动量因子下降缓慢。
• 图2：价格动量因子分组净值图，显示其效果不佳。
• 图3：基本面动量因子分组净值图，显示其表现良好。
• 图4：双动量分组净值变化图，显示其显著优于单动量策略。
• 图5：三种策略净值变化对比，直观展示了双动量策略的优势。

表格说明

• 表1：选取的变量及其构建方法，列出了6个基本面变量及其构建方式。
• 表2：基本面构成的价差组合的平均回报和阿尔法值，显示加入趋势信息后收益提升。
• 表3：通过标准组合预测方法计算基本面隐含收益的结果，表明FIR因子的构建方法有效。
• 表4：投资组合的平均收益率与无风险利率对比，显示双动量策略在多个模型下表现优异。
• 表5：Fama-MacBeth回归结果，显示价格动量和基本面动量因子在控制其他变量后仍保持独立。
• 表6：因子信息系数分析，基本面动量因子的IC值显著高于价格动量因子。
• 表7：三个动量策略的价差组合的平均回报和阿尔法值，显示双动量策略收益最高。
• 表8：规模效应分析，显示基本面动量和双动量策略在不同规模股票中表现稳定。

结论

本文验证了基本面动量因子在A股市场中的有效性，价格动量因子则表现较差。双动量策略结合了价格动量和基本面动量的优势，显著提升了投资收益，是值得进一步研究和应用的策略。