中金：關于動量，你所希望了解的那些事

Momentum動量因子，确切地說，“截面動量”因子，作為常見的選股因子，因其通俗簡單的定義方式與長盛不衰的有效性，廣為業界投資者熟知與應用。

傳統動量因子的構造方式很簡單：隻需計算标的在過去某一個時間區間内的收益率，作為因子值即可。其中最廣為使用的兩個動量類因子，一個是以标的過去一個月收益率計算的“一個月動量”因子，公式為： P_T/ P_T-1- 1， 我們不妨将其記為MOM_1M；另一個是以标的過去1年排除最近一個月的區間内收益率計算的“一年動量”因子，公式為： P_T-1/ P_T-12- 1，我們不妨将其記為MOM_1Y。

實際上，一個月動量因子MOM_1M，在股票市場中，尤其是A股市場中，往往是以“反轉因子”的身份被投資者們運用。也就是說，上個月收益率相對較高的股票，往往在次月表現更為糟糕。從字面含義上，“反轉”與“動量”是相反的意思，動量表達趨勢延續、強者恒強；而反轉意味着趨勢颠倒、強弱易位。然而，我們認為動量與反轉從本質上表達的底層邏輯是同一個維度的，僅在不同情況下以不同的方向體現在市場中。本篇報告中，我們将“反轉”因子與“動量”因子均歸為動量類型因子一并讨論，并針對其底層邏輯展開辯證，分析動量類型因子的形成原因與收益來源。在此基礎上，進一步給出動量類型因子的開發範式。

構造方式簡單的1個月動量因子（負向）在A股有較為明顯的alpha收益，1年動量因子在海外成熟市場也長期有效。海内外投資者都很關心的一個問題是：為什麼這麼簡單的因子能夠長期有效，或者說它的收益來源是哪裡？

針對這個問題，學界與業界的研究者已經有很多深入研究，給出的解釋基本可以分為兩個方向：行為金融學解釋，與風險補償解釋。

圖表1：解釋動量類型因子收益來源的各類研究方向

資料來源：中金公司研究部

總的來說，行為金融學解釋強調非理性投資者的行為偏差，造成股價的錯誤定價，從而使得動量類型因子具有alpha收益；風險補償解釋則強調動量特征實際表征了某種或多種風險特征，投資者承擔該類風險因此而獲得的風險溢價補償。為了更進一步探究動量類型因子的真實收益來源，我們不妨先對這兩類收益來源的特征做一個剖析。

理論上，如果某些收益是由于行為偏差造成的錯誤定價造成的。那麼當越來越多的投資者意識到該行為偏差會産生這樣的超額收益，整個市場會從兩個方面對該類alpha收益造成損傷：一是投資者自身避免或減少自己的該類非理性投資行為對自己投資造成的損失。這樣的行為會導緻市場整體的錯誤定價程度減小；二是會有越來越多的投資者從該類錯誤定價中捕捉套利機會，從而造成該類alpha收益的衰減越來越快。因此除非有明顯的阻止套利行為的機制，對于行為金融學解釋中行為偏差造成的alpha收益，我們應該能觀察到該類alpha，會随着越來越廣為人知與市場制度的成熟，其收益或預測能力逐漸削弱。

而對于風險補償造成的alpha收益，隻要該類風險本身邏輯沒有出現本質變化，那麼這類alpha并不會像行為偏差類alpha那樣，随着市場成熟與廣為人知而逐漸弱化。但随着該風險溢價水平的高低波動，其alpha收益也會在不同時期呈現出周期性波動的特征。

因此，在後續的研究中，我們可以觀察動量類型因子的預測能力及收益水平在時間序列上的變化特征，來推測驗證其收益來源。但首先，我們不妨先講一個動量的“故事”。

► 為什麼會有“動量”與“反轉”，它們是怎麼出現的？

價格，是反映市場（所有投資者）對标的物的價值預期博弈的結果。任何新信息的産生，都會改變投資者對标的物的價值預期，從而在價格改變中得到體現。舉一個簡單的例子：

“在一個理想的完美市場裡，有一個公司的股票價格為100。這時候有關該公司的一個新信息進入市場，這個新信息表明該公司最近由于成功改進生産線，從而提高了盈利與成長水平，該利好信息價值當前價格下10%的股票漲幅。因此市場迅速消化該信息，并将其通過交易反應到股票價格上，該公司的股票價格漲為110。”

這個理想化的例子是“有效市場假說”的一個典型案例。但在現實世界裡，上述例子中有太多隐含的強假設無法成立，最重要的兩條包括：

1. 市場上的投資者并不會同時得到這個消息并做出反應，甚至可能有些投資者完全不知道該消息，而以其它理由在進行交易；

2. 對該消息的解讀與消息價值的判斷因人而異，并沒有一個上帝視角給出所謂“該消息價值對應當前股票價格10%的漲幅”這樣的标準答案。

由于上述兩個現實約束的存在，更可能發生的情景是：當一個消息進入市場後，

· 第一個階段，市場上有大量未接受到該信息的投資者時，标的買賣雙方造成的買賣供需關系并不會顯著到立即把價格推向其應當達到的位置，故價格不會迅速變化到其應該到達的 納入信息後合理價格（reasonable priced-in price），也就是産生了所謂的“反應不足”。

· 第二個階段，市場上越來越多的投資者接觸到了該信息并做出反應，價格逐漸被推至合理價格附近。但由于後入市場的投資者中有一部分因為各種各樣的原因（後文我們将針對這些原因讨論），錯誤或過分估計了該信息價值，從而将該股票價格再進一步推離了合理價格，也就是産生了所謂的“反應過度”。

· 第三個階段，市場的投資者捕捉到第二階段後半階段産生的過度反應帶來的盈利空間，通過交易獲取超額收益的同時，将股票價格再度往合理價格處推動。

上述情景中第二階段與第三階段實際中可能來回多次發生，而整個流程本質上就是市場價格發現的過程。在這個過程中，第一階段的價格發現與第二階段的泡沫産生都給“動量”提供了發生的土壤，而第三階段的價格發現受益于第二階段的泡沫，又給“反轉”收益提供了來源。

圖表2：價格發現過程中産生“動量”與“反轉”的情景土壤

資料來源：中金公司研究部

從單個個股的價格發現流過程中，我們探讨了“動量”與“反轉”的收益情景，第一階段、第二階段提供“動量”，第三階段提供“反轉”。但站在截面因子的角度，并沒有給出清晰的解釋，來解決為什麼有些動量類型因子是“反轉”特征，例如A股中的1個月動量；而有的因子卻是“動量”特征，例如美股中的1年動量。接下來，我們繼續這個動量的“故事”，嘗試給上述問題一個答案。

在之前分析“動量”與“反轉”是怎麼出現的過程中，我們是站在市場整體的角度，考慮它面臨的實際約束與随之而來産生的價格發現過程。但要分析為什麼某個動量類型因子的特征是其中一個而不是另一個，則需要我們先站在投資者的視角，去重新再審視這個價格發現的過程。

作為一個投資者，在其視角裡，面前的這個過程更為複雜，面對的約束也更多，包括但不限于：

1. 該投資者很難知道或者幹脆不知道這個新信息是什麼時候首次進入市場的。換句話說，當其獲得這個信息時，此時股票價格是100，但他并不知道這個信息是在股價95的時候首次進入市場的，還是當股價還在90的時候就已經進入市場了。

2. 該投資者很難确定或者幹脆無法确定其是第幾個知道這個信息的。換句話說，當他獲得這個信息時，可能隻有20%的投資者在這之前了解該信息并進行相應交易，也有可能已經有80%的投資者早就了解該信息并進行相應交易了。

3. 該投資者能不能較好的估計出該信息的實際價值。換句話說，這個信息到底是值50%的漲幅，還是隻值5%的漲幅。

4. 該投資者能不能較好的估計市場其它投資者對該信息的價值預期。換句話說，這個信息在整個市場看來可能值多少。

以上4點對于投資者而言是非常關鍵的投資決策依據，本質上第1個與第2個約束，約束的都是投資者對自身在該信息上“時間定位”的認知；而第3個與第4個約束，約束的都是投資者對自身在該信息上“預期價值定位”的認知。它們可以獨自或共同決定投資者眼中的“預期差”的方向與大小。

假設某個投資者可以站在上帝視角，完美地克服上述4個約束。那麼他的投資邏輯将非常清晰：

·在“時間定位”上，如果該投資者知道自己的排序位置靠前，那麼他可以判斷目前是屬于價格發現的第一階段，從而會選擇追動量。而如果該投資者得知自己的排序位置靠中間，那麼他可以基于自身風險偏好水平與其它信息決定，是否參與第二階段過度交易帶來的動量交易機會。而如果該投資者發現自己的排序位置已經很靠後，那麼他應當選擇參與捕捉價格發現過程中第三階段帶來的反轉收益。

·在“預期價格定位”上，即使投資者不考慮“時間定位”的因素，他也可以基于自己對該信息的價值估計，與市場一緻預期的價值估計的大小對比來選擇投資行為方式。如果該投資者了解到他自己對該信息的估價低于市場一緻預期所給出的信息價值，那麼則應該選擇以“動量”的方式進入市場；反之則應該做“反轉”。

回到現實中，沒有投資者可以擁有上帝視角，因此所有投資者都必須處理上述約束帶來的投資困境。然而不同投資者在應對上述約束時的處理方式與處理能力卻是有着巨大的差異。

按照處理方式的維度，我們可以将投資者區分為“理性投資者”與“非理性投資者”。按照處理能力的維度，我們可以将投資者區分為“信息優勢投資者”與“信息劣勢投資者”。

我們先闡述理性投資者的處理路徑，無論這個理性投資者是否具有信息優勢，即具有獲取大量一手信息并具有紮實的信息處理與解讀能力。他都會審慎地考慮自己面臨的約束處境。評估自己在“時間定位”與“預期價值定位”上的優劣勢與确定性程度。

在此基礎上，如果這個理性投資者恰好也具有信息優勢，那麼他将能更準确地評估他的約束處境與對應的位置，同時有更大概率能在較早的時間點領先市場其它投資者獲取新信息并展開相應交易。這些将帶來兩個明顯的投資優勢：一個是更高的确定性，一個是更多的投資機會。這兩個優勢會使得投資者傾向于采用一種更穩健的投資方式：“我僅在我認為相對足夠安全的時候才下注”。所以該類投資者往往更多地交易一些在他們視角裡，價值很高，确定性很強，且自己能較早入場的信息。這意味着他們交易的股票此時大概率正處于消化該信息的第一階段，且這個階段持續時間會比較久。不難看出，機構權益基金經理，尤其是其中的“價值投資”踐行者，往往是該類投資者的主要組成部分。

而如果這個理性投資者并不具有信息優勢，他不像上述具有信息優勢的投資者那樣具備高确定性的個股投資機會。那麼該類投資者往往會采用提高獨立投資次數的方式來彌補确定性低（勝率不夠高）的劣勢。通過對其它信息的挖掘與解讀，嘗試捕捉動量或反轉機會的特征，從而通過構建因子組合來獲取收益。沒錯，實施因子投資的量化交易者正是該類型投資者的重要成員。而本篇報告也正是從方方面面來對動量與反轉特征進行研究。

最後對于非理性投資者，他們的投資方式某種意義上來說更偏“激進”，是産生大量行為偏差的群體。在獲得新信息後，很多非理性投資者并不會考慮該信息在他獲知時是否已經早在價格中price-in了，而是憑着對該信息的直觀理解與感覺直接進入市場交易。這些“過度自信”的行為偏差交易，往往成為造就價格發現過程中第二階段後期泡沫的資金來源。同時，該類投資者往往也是“處置效應”的主要群體，過早地抛售浮盈的股票将紙面盈利落袋為安，同時不願意賣出紙面虧損的股票止損。整體上，大量的個人散戶投資者是組成該類投資者的主要成員。

圖表3：不同類型投資者及對應交易行為特征的各類研究方向

資料來源：中金公司研究部

在分析完上述不同投資者的行為模式，我們總結不同投資者的投資行為會如何對動量與反轉産生影響：

第一類投資者，理性且具有信息優勢的投資者群體，他們的交易行為往往創造出适合動量投資的場景。且該交易行為本質是基于投資者對信息的理性判斷而做出，那麼實際上該動量場景的産生是依賴于該類投資者做出投資判斷背後所對應的風險暴露。

第二類投資者，理性但不具有信息優勢的投資者群體，他們的交易行為在價格發現的第一階段與第三階段均隻有加速該階段的價格發現作用，但并不會額外産生動量或者反轉的場景。但在價格發現的第二階段中，該類投資者會嘗試從泡沫擴大的過程中獲取動量收益，一定程度上可能會擴大後續反轉的場景空間。

第三類投資者，非理性投資者群體，他們的交易行為既會因為“過度自信”與“羊群效應”等行為偏差提供反轉投資的場景，也會因為“處置效應”等行為偏差提供動量交易的場景。同時容易看出，該類投資者産生動量類型因子收益空間的原因基本是基于行為金融學上的原因。

綜上，我們可以做出如下幾個推斷：

1. 交易的投資者結構會影響股票的動量類型特征。理性投資者交易占比越高，該股票未來“動量”特征越顯著，反之“反轉”特征越顯著。

2. 理性投資者交易帶來的“動量”特征更偏風險補償解釋，而非理性投資者帶來的“動量”與“反轉”特征收益均主要來自行為偏差。這意味着，負向動量類型因子（“反轉”類）更容易出現因子信息衰減的現象，而正向動量類型因子（“動量”類）由于其收益來源有很一部分來自風險補償，未來該類因子将有相對更穩定的收益。

“故事”講到這裡，我們需要用實際數據去驗證“故事”是否符合實際情況，能否對市場上的一些問題給出合理的解答。

► 同樣的因子，為什麼在美股是動量，在A股是反轉？

海外成熟市場，尤其是美國股票市場，一年動量（MOM_1Y）是一個顯著正向的因子，但同樣的因子在A股卻是以負向的反轉呈現出來。我們以2005年到2022年4月的數據測試一年動量因子分别在美股、港股與A股上的效果，其IC均值分别為4.2%，4.0%與-1.6%。實際上，不僅僅是一年動量，一個月動量（MOM_1M）也是在A股市場有更濃重的反轉特征，一個月動量因子在美股、港股與A股上的IC均值分别為-1.1%，-1.8%與-6.3%。

圖表4：一個月動量（MOM_1M）在不同市場股票上的累計IC對比

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

圖表5：一年動量（MOM_1Y）在不同市場股票上的累計IC對比

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

圖表6：主流動量因子在不同市場股票上的IC統計

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

會出現這樣的差異，一個很重要的原因正是我們在上一節闡述的投資者結構的差異。相比美股與港股，A股市場中代表第一類投資者群體的機構交易者的交易占比更少，而代表第三類投資者群體的個人散戶交易者的交易占比更高。在2007年到2017年期間，A股市場中每年都有超過8成的交易金額是由個人散戶投資者完成，機構投資者成交額占比不到20%（上交所從2018年起不再公布該數據），而港股在2015年至2020年期間，每年個人散戶投資者交易占比不超過3成。

即使在A股内部，如果我們觀察每年機構投資者交易占比與當年一年動量因子的IC均值，可以發現他們之間的高度正相關性，以2007年-2017年的數據，一年動量因子的IC年度均值與機構投資者交易占比的相關系數高達0.86。

圖表7：A股内不同投資者交易占比

資料來源：上交所，中金公司研究部

圖表8：A股一年動量因子預測能力與市場内機構投資者交易占比高度正相關

資料來源：萬得資訊，上交所，中金公司研究部

► 同樣的投資者結構，為什麼1年動量方向與1個月動量方向不一樣？

如果說上述通過對同一種因子構造下不同市場或不同時期因子效果的比較，印證了動量類型因子最終呈現的方向與程度受參與交易的投資者結構影響。那麼在同一個市場裡，投資者結構基本不變的情況，為什麼1年動量的效果與1個月動量的效果差異如此巨大？這個效果差異說明光憑投資者結構還無法完全解釋不同時間段下收益率構造的動量因子間的收益來源差異。我們繼續嘗試從其它角度進行補充。

在之前探讨不同類型投資者的投資行為及對動量類型特征的影響的過程中，我們提到了動量類因子的收益來源既有是風險補償的部分，也有來自行為金融學的部分。不同構造下的動量類型因子很可能其收益來源并不一緻。

從之前不同市場的動量類因子統計特征容易看出，無論是美股、港股、還是A股，一年動量比一個月動量都體現出更偏“動量”的特征，而一個月動量即使在機構交易占比很高的美股與港股，仍然以負向的“反轉”為主。因此我們不妨先猜測，一年動量因子有更大一部分收益來自于第一類投資者交易帶來的風險補償，而一個月動量因子更大一部分收益來自行為偏差。要驗證這個猜測，我們需要找到一年動量因子對應的風險補償是什麼？以及一個月動量因子所應當帶有的行為偏差收益特征。

► 一年動量因子對應的風險補償是業績基本面風險

一般我們說動量因子，這裡的動量是默認為“價格”動量，即以過去的價格變動程度來體現的動量特征。沿循“過去的數據變化會延續到未來表現”的動量内核，除了用資産價格這個維度來表征動量以外，從基本面維度與分析師維度也可以相應刻畫“基本面動量”與發“分析師動量”。我們分别确定兩個因子來表征上述兩個維度的動量。

一個經典主流的“基本面動量”因子是基于盈餘公告後價格漂移效應（PEAD）邏輯的SUE（Standard Unexpected Earning）因子，其構建方式為：

其中，Earning_T表示第T期的實際淨利潤，E(Earning_T) 表示第T期的預期淨利潤， σ 表示過去8期的盈利預期差标準差。

同樣，對于“分析師動量”，我們用經典的一緻預期淨利潤調整因子來表征，其構建方式為：

其中，EarningForecast_T表示第T期的分析師一緻預期淨利潤。

計算基本面動量與一年動量在每個截面的因子相關性，其相關系數在2005年-2022年之間大部分分布在0.1到0.3之間，平均相關系數為0.18。說明一年動量與基本面動量涵蓋了很多共同信息。而通過比較上期基本面動量、當期基本面動量、下期基本面動量分别與一年動量的因子截面相關系數，結合基本面動量與價格動量不同的底層數據來源，可以進一步推測是一年動量捕捉到了基本面動量裡的信息，而不是反過來基本面動量反映一年動量。

同樣，我們可以将上述操作在基本面動量與一個月動量之間進行研究。結果顯示，一個月動量與基本面動量之間的相關性遠遠低于一年動量與基本面動量之間的關系。而雖然一年動量與分析師動量的相關性也高于一個月動量與分析師動量的相關性，但它們的顯著程度均較低。

因此，我們可以說一年動量中有一部分來自業績基本面帶來的動量收益，這部分動量收益很大概率是源自業績風險補償。而一個月動量在這個維度上的動量收益則較少。

圖表9：價格動量與其它維度動量的因子截面相關系數均值

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

圖表10：一個月動量（MOM_1M）與其它維度動量的截面因子相關系數

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

圖表11：一年動量（MOM_1Y）與其它維度動量的截面因子相關系數

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

► 一個月動量因子有明顯行為偏差收益特征——“有效性衰減”

為了驗證一個月動量因子的收益來源是否很大程度上來自行為偏差，我們以近1年、近3年、近5年、近10年、以及自2005年至今的全樣本數據分别測試不同市場一年動量因子與一個月動量因子的預測能力。

港股的一個月動量并未觀察到單調的“有效性衰減”特征，但在A股與美股，一個月動量的IC均值體現出明顯的“反轉”衰減的現象。作為對比，一年動量因子無論在哪個市場裡IC均值均沒有往某個方向單邊變化的趨勢。

由此可知，A股市場的一個月動量在曆史上具有大量由行為偏差帶來的“反轉”收益。

圖表12：一個月動量（MOM_1M）在不同市場裡IC均值的變化趨勢

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

圖表13：一年動量（MOM_1Y）在不同市場裡IC均值的變化趨勢

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

至此，我們似乎已經解釋了為什麼一個月動量與一年動量的方向或程度有這麼大的差别：因子收益來源差異。一年動量有更多的業績風險補償收益，而一個月動量有更多的行為偏差收益。

分析過動量類因子的收益來源與邏輯後，以此為切入點，我們繼續讨論在什麼場景下動量因子會更偏正向，或者說會有更明顯的“動量”特征；在什麼時候動量因子會偏負向，也就是有更明顯的“反轉”特征。

截面分域視角

按照我們在前面小節的推論：機構投資者交易占比更高的場景“動量”特征更強，散戶投資者交易占比更高的時候“反轉”特征更強。我們先尋找有哪些股票特征，它們一定程度上與投資者結構有一定相關性。

在A股市場中，可以較簡單找到的符合上述條件的股票特征包括：

1. 研究報告覆蓋度：覆蓋度更高的股票，機構投資者參與交易的占比更高；而對于覆蓋度低甚至完全沒有覆蓋的公司，這些股票的交易者散戶交易占比更高。

2. 市值大小：由于資金容量與流動性限制，機構投資者不太會參與很小市值公司的交易。而龍頭公司的股票交易往往有更多機構投資者參與。

3. 波動大小：短期劇烈波動的股票往往表明該股票近期有較高的交易熱度，同時帶有一定程度的低流動性，該類股票往往機構投資者參與程度比較低。

4. 流動性大小：流動性過低的股票，機構投資者往往難以參與，該類股票的交易者大部分由散戶交易者構成。

5. 價值程度：價值風格的股票更受價值投資者關注與偏好，該類股票噪音交易者占比相對其它股票大概率會更低。

針對上述每一個股票特征，我們将全市場股票按該特征分成高、中、低三個股票池，分别測試動量類因子在其中的有效性。具體的股票池切分方式如下：

· 對于研究報告覆蓋度特征，我們根據最近3個月的賣方報告覆蓋數量，将完全無覆蓋的公司劃為一檔，記為低覆蓋池，在有覆蓋的公司中，按照覆蓋數量的中位數，将低于中位數的所有公司劃為中覆蓋池，将高于中位數的所有公司劃為高覆蓋池。

· 對于市值、波動、流動性、價值特征，均按照最近一期的該特征因子，将所有公司進行分位數排序，将分位數在[0, 30%]範圍的股票劃為低特征池，分位數在[30%, 70%]範圍的股票劃為中特征池，分位數在[70%, 100%]範圍的股票劃為高特征池。

測試結果基本也驗證了上述邏輯。除了流動性特征分域下沒有顯示出很好的單調性以外，其它特征分域下，一個月動量于一年動量都展現出了與邏輯預期相符的預測能力變化。其中一年動量在高覆蓋、大市值、低波動、高價值的股票池能均顯示出了正向動量預測能力。相對的，一個月動量的反轉效果在低覆蓋、小市值、高波動、低流動性、低價值的股票池能均更為顯著。

圖表14：不同程度賣方報告覆蓋股票池内，動量因子的IC均值表現

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

圖表15：不同程度市值的股票池内，動量因子的IC均值表現對比

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

圖表16：不同程度波動的股票池内，動量因子的IC均值表現對比

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

圖表17：不同程度流動性的股票池内，動量因子的IC均值表現對比

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

圖表18：不同程度價值的股票池内，動量因子的IC均值表現對比

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

在驗證了動量類因子在上述不同特征域下的表現邏輯與效果後，我們可以進一步解答下面這個問題。

► 為什麼A股市場裡，行業呈現動量現象而股票呈現反轉現象？

在A股市場中，同樣的動量因子在行業體系裡多以正向動量呈現，而在股票體系下以負向反轉著稱。統計一個月動量因子，其在中信一級行業、中信二級行業、中信三級行業、股票上的IC均值單調地以4.0%、1.8%、-0.6%、-6.3%依次遞減。同樣，一年動量因子也有類似的方向變化。

造成這個現象的其中一個原因，是行業指數的構建基本上都是按市值加權的方式編制。例如中信行業體系的指數以自由流通市值加權的方式編制。這就造成每個行業指數的價格變動均更多地取決于該行業内的大市值龍頭股。某種意義上，可以把中信行業一級行業體系當成30個大股票構成的股票池，因此相比于整個A股股票池，行業間的“動量”特征會更顯著。

除了上述原因，其它諸如行業内部更多細分産業鍊拉長了信息傳導長度，更多地股票選擇加劇了反應不足的程度等等，都對一定程度上擴大了行業間的動量特征。在這些因素共同影響下，形成了我們現在觀察到的行業動量現狀。

圖表19：一個月動量（MOM_1M）在不同行業級别與股票上的累計IC對比

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

圖表20：一年動量（MOM_1Y）在不同行業級别與股票上的累計IC對比

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

圖表21：一個月動量（MOM_1M）在不同行業級别與股票上的IC統計

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

圖表22：一年動量（MOM_1Y）在不同行業級别與股票上的IC統計

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

時序分域視角

除了截面維度的分域，站在時序角度我們也關心在什麼時候動量特征會更明顯一些，而又在什麼時候反轉特征會更為顯著。

對于市場狀态，我們嘗試以市場牛熊與市場波動兩個維度分别嘗試進行分域，其中：

· 市場漲跌将按照2005年至2022年4月期間的中證全指指數月度漲跌幅符号，将每個月份劃為市場上漲或者市場下跌狀态。同時根據當月與上月的市場漲跌狀态确定當月屬于漲轉跌、漲跌不變、還是跌轉漲的狀态。

· 市場波動将按照2005年至2022年4月期間的中證全指指數每個月内日度漲跌幅計算标準差作為當月波動率大小，并根據所有月份的波動率大小的中位數為界線，将所有月份劃分為低波動狀态或高波動狀态。同時根據當月與上月的市場波動狀态确定當月屬于波動降級、波動不變、還是波動升級的狀态。

對于風格狀态，我們嘗試以大小盤風格與成長/價值風格兩個維度分别嘗試進行分域，其中：

· 大小盤風格中，我們以滬深300指數月度收益率作為大盤收益率，以中證1000指數月度收益率作為小盤收益率。通過比較大盤收益與小盤收益的大小，确定每個月份是屬于大盤風格還是小盤風格。同時根據當月與上月的大小盤風格狀态确定當月屬于風格從大盤切向小盤、風格不變、還是風格從小盤切向大盤的狀态。

· 成長/價值風格中，我們以成長因子多頭組合的月度收益率作為成長風格收益率，以價值因子多頭組合的月度收益率作為價值風格收益率。通過比較成長風格收益與價值風格收益的大小，确定每個月份是屬于成長風格還是價值風格。同時根據當月與上月的成長/價值風格狀态确定當月屬于風格從成長切向價值、風格不變、還是風格從價值切向成長的狀态。

測試結果顯示，市場處于下跌、低波動時期；風格處于大盤占優、成長占優的時期時，動量類因子傾向釋放更多的“動量”特征；而當市場與上漲、高波動時期；風格處于小盤占優、價值占優的時期時，動量類因子傾向釋放更多的“反轉”特征。

同時可以發現一些有趣的現象是，當風格發生切換時，動量類因子往往會表現出明顯的“反轉”特征，而在風格延續時，動量類因子往往會比平常體現出更多“動量”特征。

因此站在因子擇時的角度，我們應該在高波動的牛市，及小盤價值風格的市場下，提高反轉邏輯的動量因子權重；而在波動小的熊市，及大盤成長風格的市場下，提高動量邏輯的動量因子權重。

圖表23：一個月動量（MOM_1M）在不同時序分域上的IC統計

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

圖表24：一年動量（MOM_1Y）在不同時序分域上的IC統計

資料來源：萬得資訊，中金公司研究部（樣本期：2005-01-04至2022-04-30）

加深對動量收益來源、預測能力、及底層邏輯的理解，有助于我們對該類因子的開發與改進。該章節我們将針對動量類因子構建的方式進行剖析，并給出一種動量因子挖掘範式。

動量類因子的構建本質上是“嘗試從曆史上的資産價格變化中，找到具有對資産未來收益預測能力的部分”。因此自然地，大部分我們熟知的動量類因子的計算公式中都能看到各式各樣的資産收益率數據。不同的因子公式大部分的差異源自具體使用的是哪部分收益率數據。例如一個月動量使用的是T-20日至T日間的收益率，而一年動量使用的是T-240日至T-20日間的收益率。

我們可以把上述動量類因子算式結構歸納成，某一股票i在某一時點T的動量因子值計算公式為股票i一種曆史收益率序列向量與一種權重序列向量的内積（點乘）：

其中：

· momentum_Tⁱ表示股票i在時刻T的動量因子值；

· return_series_Tⁱ表示股票i在時刻T可見的曆史日度收益率序列；

· weight_mask_series_Tⁱ表示股票i在時刻T的針對return_series_Tⁱ的權重序列，長度return_series_Tⁱ與一緻。

即動量類因子的公式可以拆解為兩項序列的内積：收益率項return_series_Tⁱ與權重項weight_mask_series_Tⁱ。

分别以一個月動量與一年動量舉例，

一個月動量（MOM_1M）的收益率項為[ r_T-240^c , r_T-239^c , ... , r_T-21^c,r_T-20^c , ... ,r_T-1^c ]，這裡 r_T^c表示按收盤價對前收盤價的方式計算的日度收益率；而一個月動量的權重序列為長度為240的序列 [0, 0, ... , 0, 1, ... , 1]，其中前220個元素均為0，後20個元素均為1。

一年動量（MOM_1Y）的收益率項同樣為[ r_T-240^c , r_T-239^c , ... , r_T-21^c,r_T-20^c , ... ,r_T-1^c ]，與一個月動量的收益率項一緻；但一年動量的權重序列為長度為240的序列[1, 1, ... , 1, 0, ... , 0]，其中前220個元素均為1，後20個元素均為0。

在将動量類因子算式拆解成兩項模塊後，對動量因子的開發就轉化為對兩項模塊的挖掘與探索。其中收益率項維度上可供展開的空間不大，一般可供利用的收益率僅有收盤收益率、開盤收益率、均價收益率、日内收益率、隔夜收益率等這幾項。因此，動量因子的探索空間主要集中在權重序列上。

圖表25：不同收益率項中收益率元素的計算方式

權重序列，進一步可以分為兩類：靜态權重序列（static mask）與動态權重序列（dynamic mask）。

靜态權重序列中所有元素都是事先固定好的确定值。像之前我們舉例的一年動量與一個月動量，它們的權重序列中每一個元素的值與時刻T與股票i無關。無論是計算哪個時刻哪個股票的一個月動量因子值，它的權重序列最後20個元素都是确定的1，而其它元素都是确定的0。

靜态權重序列中的元素不僅僅可以是0或1，可以是任何固定的實數值。業界投資者們在早年開發的大部分動量類因子都可以歸在靜态權重序列這一類中。例如：

· 結合一年動量與一個月反轉的因子，其權重序列為[1, 1, ... , 1, -1, ... , -1]，其中前220個元素均為1，後20個元素均為-1；

·使用線性遞減賦權方式計算的一個月反轉的因子，其權重序列為[0, 0, ... , 0, 0.05, ... , 0.95, 1] ，前220個元素為0，從倒數第20個元素0.05起，每次遞增0.05直到最後一個元素為1；

·使用指數遞減賦權方式計算的一個月反轉的因子，其權重序列為[0, 0, ... , 0, α¹⁹, ... , α¹, 1]，前220個元素為0，最後20個元素則從α¹⁹,α¹⁸,一直到α¹,α⁰，這裡α是小于1的參數，根據投資者自行事先确定。

由于大部分靜态序列下的因子效果長期來看相比于主流的一個月動量與一年動量并沒有明顯的差異或改善。因此近幾年業界對動量類因子的挖掘嘗試更偏向于構造不同的動态權重序列。

動态權重序列中的個個元素并非一成不變的固定值，而是取決于股票i在時刻T時的其它數據信息。換句話說，動态權重序列是其它數據信息的函數。這裡其它數據信息可以是各種跟該股票相關的時間序列。例如：

·剔除漲跌停收益的一年動量因子，其權重序列為

[m_T-239, m_T-238, ... , m_T-20, 0, ... , 0]，其中 m_t根據股票在t日的漲跌停狀态取值，若非漲跌停則取值1，否則取值0。

·日内波動調整的一個月反轉因子，其權重序列為[0, 0, ... ,0, m_T-19, ... , m_T]，其中，最後20個因素m_t根據股票在t日的日内波動率大小取值，若t日的股票日内波動率高于 [T-19, T] 區間股票日内波動率樣本的80%分位數則取值1，若低于20%分位數則取值-1，其餘情況取值0。

可以看出，動态權重序列的構建可以利用一切與股票相關的時間序列信息。挖掘動量類因子的空間大多聚集于此。站在因子開發者的角度，開發動量類因子的路徑此時有兩類：

► 一是從邏輯推導入手，嘗試尋找能區分動量強弱的股票特征。例如，按照我們第一章節所闡述的動量邏輯，機構投資者的交易行為更容易産生動量，散戶投資者的交易行為更容易産生反轉，那我們需要做的是判斷每一天的收益率更多是由機構投資者交易主導造成的，還是散戶交易者主導造成的。在無法獲取直接的投資者結構數據的情況，進一步我們需要思考可以通過哪些股票特征變相判斷出某個交易日的投資者交易占比是更偏向機構還是個人呢？如果認為日内波動率越高，散戶投資者交易占比大概率更高，那麼就可以用日内波動率這個數據來構建動态權重序列，進而構建相應的動量類因子。如果認為财報披露日前後，機構投資者交易占比會大概率上升，那麼我們也可以用财報披露日期這個數據來構建動态權重序列，進而構建相應動量類因子。

► 二是從機器暴力挖掘入手。例如在遺傳規劃挖掘因子的算法中，主流通用的做法是直接生成完整的因子算式，并直接計算因子的IC均值或ICIR作為算法中的适應度度量，針對動量類因子的挖掘，可以轉變為遺傳規劃挖掘動态權重序列而不是直接挖掘完整的因子算式，形成的動态權重序列通過内積與收益率項形成完整的因子後，再計算因子的IC均值或其它統計項作為算法中的适應度度量。這樣就可以将遺傳規劃算法聚焦在僅挖掘動量類因子信息上。

圖表26：邏輯推導方式下的動量類因子開發路徑示例

資料來源：中金公司研究部

圖表27：機器暴力挖掘方式下的動量類因子開發路徑示例

資料來源：中金公司研究部

拆解動量類因子的開發路徑，尤其是從邏輯角度入手的方式裡，可以看出動量類因子結構中的核心部件就是反映邏輯核心的權重序列。這一節我們給出一些從邏輯推導得出的動量類因子構造并測試其在A股中的選股效果。

► 普通動量

·一個月普通動量（mmt_normal_M）

邏輯：最近一個月的收益率更多體現了散戶投資者對于近期信息的過度反映。

收益率項：收盤收益率。

權重序列：[0, 0, ... , 0, 1, ... , 1]，其中前220個元素均為0，後20個元素均為1。

·一年普通動量（mmt_normal_A）

邏輯：最近一年除去最近一個月的收益率一定程度從價格信息體現了公司的業績能力。

收益率項：收盤收益率。

權重序列：[1, 1, ... , 1, 0, ... , 0]，其中前220個元素均為1，後20個元素均為0。

► 夏普動量

·一年夏普動量（mmt_sharpe_A）

邏輯：最近一年除去最近一個月的收益率一定程度從價格信息體現了公司的業績能力。而收益率波動越低的股票，說明該股票交易中散戶投資者參與的程度可能越低，動量延續概率越高。

收益率項：收盤收益率。

權重序列：[mⁱ, mⁱ, ... , mⁱ, 0, ... , 0]，其中前220個元素均為 mⁱ，最後20個元素均為0。mⁱ表示股票i在前220交易日的波動率的倒數。

► 隔夜動量

·一個月隔夜動量（mmt_overnight_M）

邏輯：收益率中隔夜漲跌幅可能蘊含與日度收益率不同的信息特征，業界認為A股中隔夜收益率包含日度收益率中的“動量”成份。

收益率項：隔夜收益率。

權重序列：[0, 0, ... , 0, 1, ... , 1]，其中前220個元素均為0，後20個元素均為1。

· 一年隔夜動量（mmt_ overnight _A）

邏輯：收益率中隔夜漲跌幅可能蘊含與日度收益率不同的信息特征，業界認為A股中隔夜收益率包含日度收益率中的“動量”成份。

收益率項：隔夜收益率。

權重序列：[1, 1, ... , 1, 0, ... , 0]，其中前220個元素均為1，後20個元素均為0。

► 日内動量

·一個月日内動量（mmt_intraday_M）

邏輯：收益率中日内漲跌幅可能蘊含與日度收益率不同的信息特征，業界認為A股中日内收益率包含日度收益率中的“反轉”成份。

收益率項：隔夜收益率。

權重序列：[0, 0, ... , 0, 1, ... , 1]，其中前220個元素均為0，後20個元素均為1。

· 一年日内動量（mmt_ intraday_A）

邏輯：收益率中日内漲跌幅可能蘊含與日度收益率不同的信息特征，業界認為A股中日内收益率包含日度收益率中的“反轉”成份。

收益率項：隔夜收益率。

權重序列：[1, 1, ... , 1, 0, ... , 0]，其中前220個元素均為1，後20個元素均為0。

► 去漲跌停動量

·一年去漲跌停動量（mmt_off_limit_A）

邏輯：漲跌停具有強烈的吸引市場關注的能力，更容易造成“羊群效應”的産生。同時A股打闆策略的流行，也使得漲跌停收益中容納了太多的“泡沫”收益。去掉該部分能提高因子中的“動量”成份。

收益率項：收盤收益率。

權重序列：[m_T-239, m_T-238, ... , m_T-20, 0, ... , 0]，其中 m_t根據股票在t日的漲跌停狀态取值，若非漲跌停則取值1，否則取值0。

► 路徑調整動量

· 一年路徑調整動量（mmt_route_A）

邏輯：漲跌路徑的定義為收益率區間内，每日收益率絕對值的總和。一個股票的漲跌路徑長度越大，表明達到該總收益率的波動越大，噪音交易的占比可能越高，該股票的“動量”特征就越弱。因此該邏輯與夏普動量類似，将漲跌路徑作為分母對動量因子進行調整時，能加強因子的“動量”預測性。

收益率項：收盤收益率。

權重序列：[mⁱ, mⁱ, ... , mⁱ, 0, ... , 0]，其中前220個元素均為 mⁱ，最後20個元素均為0。mⁱ表示股票i在前220交易日中所有日度收益率絕對值的總和的倒數。

► 振幅調整動量

·一個月振幅調整動量（mmt_range_M）

邏輯：對于每一個股票，振幅較大的交易日相比振幅較小的交易日，個人投資者交易占比可能更高，因此振幅越大的交易日收益率可能更偏“反轉”，而振幅越小的交易日收益率可能更偏“動量”。

收益率項：收盤收益率。

權重序列：[0, 0, ... ,0, m_T-19, ... , m_T]，其中，最後20個因素m_t根據股票在t日的日度振幅大小取值，若t日的股票日度振幅高于 [T-19, T] 區間股票日度振幅樣本的80%分位數則取值1，若低于20%分位數則取值-1，其餘情況取值0。

·一年振幅調整動量（mmt_range_A）

邏輯：對于每一個股票，振幅較大的交易日相比振幅較小的交易日，個人投資者交易占比可能更高，因此振幅越大的交易日收益率可能更偏“反轉”，而振幅越小的交易日收益率可能更偏“動量”。

收益率項：收盤收益率。

權重序列：[m_T-239, m_T-238, ... , m_T-20, 0, ... , 0]，其中 m_{t根據股票在t日的日度振幅大小取值，若t日的股票日度振幅高于 [T-239, T] 區間股票日度振幅樣本的80%分位數則取值-1，若低于20%分位數則取值1，其餘情況取值0。}

► 業績公告期動量

·業績公告期動量（mmt_report_period）

邏輯：業績披露日前後，機構投資者交易占比會大概率上升，該段時期的收益率有較強的“動量”特征。

收益率項：收盤超額收益率（股票收盤收益率 – 市場收盤收益率）。

權重序列：[m_T-239, m_T-238, ... , m_T-20, m_T-19, ... , m_T]，其中，假設t日為 [T-239, T-1 ]區間内股票最近一個業績報告日，則權重序列中，m_t-1, m_t, m_t+1取值1，其餘所有元素取值0。

► 業績公告前隔夜動量

·業績公告期動量（mmt_report_overnight_M）

邏輯：業績披露前，部分投資者可能事先獲知業績信息，因此在業績披露前的一段時間，該股票的知情交易占比可能上升。該短時間的收益率中“動量”特征會更顯著。

收益率項：隔夜收益率。

權重序列：[m_T-239, m_T-238, ... , m_T-20, m_T-19, ... , m_T]，其中，假設t日為 [T-220, T ]區間内股票最近一個業績報告日，則權重序列中，m_t-19, m_t-18, ... , m_t這連續20個元素取值1，其餘所有元素取值0。

► 業績跳開動量

·業績公告期動量（mmt_report_jump）

邏輯：業績披露後的第一個交易日的跳開方向與幅度，體現了該股票的業績超預期的方向與幅度，該類有效信息有較強的“動量”特征。

收益率項：隔夜超額收益率（股票隔夜收益率 – 市場隔夜收益率）。

權重序列：[m_T-239, m_T-238, ... , m_T-20, m_T-19, ... , m_T]，其中，假設t日為 [T-239, T-1 ]區間内股票最近一個業績報告日，則權重序列中 m_t+1取值1，其餘所有元素取值0。

圖表28：各類動量因子改進嘗試及對應因子代碼

資料來源：中金公司研究部

針對上述動量類因子，我們以2010年1月至2022年4月的股票數據進行因子有效性測試。因子值計算時默認進行市值與行業中性化。

以一個月基礎動量（mmt_nomral_M）的預測能力作為反轉邏輯因子的表現基準，一年基礎動量（mmt_normal_A）的預測能力作為動量邏輯因子的表現基準。測試結果顯示，反轉邏輯因子中，一個月振幅調整動量與一個月日内動量無論在全市場範圍、中證500成分股、還是滬深300成分股範圍内，均具有不錯且超過一個月基礎動量因子的預測能力。一個月振幅調整動量在全市場的IC均值-6.9%，ICIR絕對值高達1.04。在中證500與滬深300内，其ICIR絕對值亦分别達到0.71與0.48。

而動量邏輯因子中，不同股票池内有效因子略有差異。在全市場及中證500内，業績公告前隔夜動量、業績公告跳空動量、一年振幅調整動量、一年隔夜動量因子具有不錯且遠超一年基礎動量的預測能力；而在滬深300池内，一年基礎動量本身具有一定動量效果，在此基礎上仍有更好效果的因子包括一年隔夜動量、去漲跌停動量、路徑調整動量因子。

不得不指出，即使上述因子中不少改進方式的确增強了動量或反轉因子的整體預測能力，預測能力主要集中在空頭部分的現象仍未得到顯著改善。以反轉較強的一個月振幅調整動量因子與動量效果好的業績公告前隔夜動量因子為例，它們的多空組合均有不錯的收益能力，但多頭的超額收益無論是收益水平還是穩定性都不盡人意。

圖表29：全市場内不同動量因子的預測能力統計

資料來源：萬得資訊，中金公司研究部（樣本期：2010-01-01至2022-04-30）

圖表30：中證500内不同動量因子的預測能力統計

資料來源：萬得資訊，中金公司研究部（樣本期：2010-01-01至2022-04-30）

圖表31：滬深300内不同動量因子的預測能力統計

資料來源：萬得資訊，中金公司研究部（樣本期：2010-01-01至2022-04-30）

圖表32：一個月振幅調整動量因子多空淨值

資料來源：萬得資訊，中金公司研究部（樣本期：2010-01-01至2022-04-30）

圖表33：一個月振幅調整動量因子多頭超額淨值

資料來源：萬得資訊，中金公司研究部（樣本期：2010-01-01至2022-04-30）

圖表34：業績公告前隔夜動量因子多空淨值

資料來源：萬得資訊，中金公司研究部（樣本期：2010-01-01至2022-04-30）

圖表35：業績公告前隔夜動量因子多頭超額淨值

資料來源：萬得資訊，中金公司研究部（樣本期：2010-01-01至2022-04-30）

本篇報告針對截面動量類型因子進行研究。對該類因子為何能夠存在的底層邏輯、其收益來源、影響其效果的關鍵因素一一展開讨論。并分析在何時何地動量因子會更多地體現出“動量”或“反轉”的特征。在此基礎上，進一步給出動量類型因子的開發範式供業界研究者參考。報告整體結論如下：

►市場行使價格發現功能時，市場與投資者面臨的實際約束為動量因子提供了收益空間。動量類因子的收益來源既包含風險溢價補償，也包含行為偏差造成的錯誤定價。

►交易的投資者結構是影響動量因子方向的重要因素。理性投資者的交易行為特征，提供了風險溢價補償的“動量”收益。而非理性投資者的交易行為特征，以不同的行為偏差方式，既提供了“反轉”收益，也為“動量”收益提供來源。因此，當價格的變動主要由機構投資者主導時，動量特征更明顯；而如果價格變動主要由散戶投資者主導時，反轉效應更強烈。

►一年動量的收益部分來源于風險補償，且該風險主要是業績基本面風險；而一個月動量的收益主要來自投資者行為偏差造成的錯誤定價。

►截面分域中，動量特征在高機構覆蓋、大市值、低波動、高價值的股票池中更明顯；而反轉效果在低覆蓋、小市值、高波動、低流動性、低價值的股票池内更為顯著。時序分域中，當市場處于下跌、低波動時期；風格處于大盤占優、成長占優的時期時，動量類因子傾向釋放更多的“動量”特征；而當市場與上漲、高波動時期；風格處于小盤占優、價值占優的時期時，動量類因子傾向釋放更多的“反轉”特征。

►動量因子的構建可以拆解為一種曆史收益率序列向量與一種權重序列向量的内積。從邏輯推導入手的動量因子挖掘，其核心在于給出一種邏輯猜想，通過某些股票特征能判斷出何時何地的股票交易中，其投資者交易占比是更偏向機構還是個人。并把該猜想以權重序列的形式表達出來。從機器暴力挖掘的角度入手，其核心在于利用算法不斷優化尋找更理想的權重序列。

►在A股的動量類型因子中，“反轉”邏輯較為推薦一個月振幅調整動量與一個月日内動量因子。“動量”邏輯較為推薦業績公告前隔夜動量、業績公告跳空動量等因子。

長期來看，随着A股市場越來越規範，機構投資者交易占比逐漸提升。A股的動量特征會越來越明顯，而反轉效果将逐步削弱。

而對近期的觀點，考慮到當下我們對未來市場漲跌的擇時觀點尚顯悲觀，成長/價值風格輪動模型更看好成長風格。我們認為近期“動量”特征會更明顯，而“反轉”效應會比以往更弱。

本文摘自：2022年6月4日已經發布的《量化多因子系列（6）：關于動量，你所希望了解的那些事》

胡骥聰 SAC 執業證書編号：S0080521010007 SFC CE Ref：BRF083

周蕭潇 SAC 執業證書編号：S0080521010006 SFC CE Ref：BRA090

劉均偉 SAC 執業證書編号：S0080520120002 SFC CE Ref：BQR365

王漢鋒 SAC 執業證書編号：S0080513080002 SFC CE Ref：AND454