动量效应与资产定价：基于序列变点的改进研究
１朱玉杰，清华大学经济管理学院金融系教授，Ｅ－ｍａｉｌ：ｚｈｕｙｊ＠ｓｅｍ．ｔｓｉｎｇｈｕａ．ｅｄｕ．ｃｎ。
２王铁琪，清华大学经济管理学院金融系博士研究生，Ｅ－ｍａｉｌ：ｔｉｅｑｉｗ＠ｈｏｔｍａｉｌ．ｃｏｍ。
３王浩，清华大学经济管理学院金融系副教授，Ｅ－ｍａｉｌ：ｗａｎｇｈａｏ＠ｓｅｍ．ｔｓｉｎｇｈｕａ．ｅｄｕ．ｃｎ。
本文发表于《经济学报》2017年第4卷第3期，页码：65-83
摘 要
本文通过梳理动量效应研究的相关建议，以排序方法、可变窗宽和操作频率三个方向为出发点，在策略构建中引入序列变点技术，验证中国Ａ股市场存在动量效应，为Ｃａｒｈａｒｔ四因素模型改进提供支持。本文指出Ａ股市场个股做空机制缺失导致自融资策略难以实现，给出做空部分单独处理的实证研究改进。本文通过Ｆｌｅｍｉｎｇ ｅｔ ａｌ．（２００１）的相应研究框架，给出序列变点策略的经济价值。
关键词
资产定价；动量效应；Ｆａｍａ－Ｆｒｅｎｃｈ三因素模型
0 引 言
Ｆａｍａ（１９９１）阐述的联合假设问题（ｊｏｉｎｔ ｈｙｐｏｔｈｅｓｉｓ ｐｒｏｂｌｅｍ）表明，任何超额收益率（ａｂｎｏｒｍａｌ ｒｅｔｕｒｎ）的计算都需要依托定价模型给出预期收益率，市场效率的检验需要以资产定价模型为前提。这使资产定价模型在学术研究、资产配置与组合业绩评定等应用层面都具有指导意义。在Ｆａｍａ－Ｆｒｅｎｃｈ三因素模型的改进问题上，学术界存在两个重要分支：确认动量效应的Ｃａｒｈａｒｔ四因素模型和持续忽略动量效应的Ｆａｍａ－Ｆｒｅｎｃｈ五因素模型。动量效应基于历史信息，依据Ｍａｌｋｉｅｌ ａｎｄ Ｆａｍａ（１９７０）的划分属于弱有效市场假说范畴，且Ｆａｍａ ａｎｄ Ｆｒｅｎｃｈ（１９９６）阐述了三因素模型无法解释动量效应，由此给效率市场理论带来的挑战促使其成为实证资产定价研究的热点。采用Ｊｅｇａｄｅｅｓｈ ａｎｄ Ｔｉｔｍａｎ（１９９３）方法验证Ａ股市场是否存在动量效应的文献结果不统一。本文通过融合该领域近期研究、针对Ａ股市场交易制度特征作出策略构建调整后发现Ａ股存在动量效应，为Ｃａｒｈａｒｔ四因素模型改进提供支持。
ＤｅＬｏｎｇ ｅｔ ａｌ．（１９９０）提供了一个正反馈交易产生价格压力促使股票收益率短期表现出动量、长期表现出反转的理论框架。Ｊｅｇａｄｅｅｓｈ ａｎｄ Ｔｉｔｍａｎ（１９９３）发现动量效应的存在以后，一系列其他国家股票市场的相关研究也相继被覆盖。其中基于中国股票市场传统动量策略的大量研究表明，Ａ股市场动量效应并不明显。从Ａ股市场交易制度特征来说，１９９５年的“Ｔ＋１”交易制度，１９９６年的涨跌停板制度，１９９９年的《证券法》颁布及其随后几年对庄股操纵行为的打击都在一定程度上对股市运行有直接影响，历史数据在统计特征和背后的运行机理上存在明显的差异。再加上融资融券制度实质是从２０１０年３月之后才开始出现，以及融券范围、投资者资质和交易指令限制等相关法规要求，个股层面做空机制并不通畅。这一制度缺陷直接导致经典动量效应的检验方案——构建自融资策略——在Ａ股市场现实中不可操作且没有逻辑支撑。此外，“板块轮动”这一现象则在侧面对“排序期和持有期窗宽对所有标的相同”这一处理原则的合理性带来了质疑，但后续研究并没有针对这些问题作出处理。
本文在历史交易数据选择层面考虑了交易制度稳定性，在构建动量策略时依据Ａ股所体现出的特征作出相应调整后发现Ａ股市场动量效应明显，Ｃａｒｈａｒｔ四因素模型更应被Ａ股资产定价模型所采纳。
1 文献综述
依据股票历史交易数据设定规则，通过买强卖弱的交易策略获得超额收益是动量策略的核心所在。实证层面上收益率延续之前趋势的现象对效率市场产生了挑战。由于前文所述的联合假设问题的存在，动量效应在资产定价模型完善层面上充当着重要的角色。
动量效应研究领域存在两个发展脉络：各国动量效应是否存在的实证检验与动量策略框架的持续改进。国内基于经典策略框架并指出Ａ股“板块轮动”、融券受限等现象的文章较多，但针对所述问题作出策略框架改进的研究极少。正是在这样的背景下，本文试图为填补这一空白作出贡献。
动量效应验证层面，Ｊｅｇａｄｅｅｓｈ ａｎｄ Ｔｉｔｍａｎ（１９９３）将中期期限（３～１２个月）买强卖弱的动量效应展示出来并得以较为广泛的被学术和实务接受后，以单纯验证各个国家(地区)是否存在动量效应为目的的一批学术论文得以发表。例如：Ｒｏｕｗｅｎｈｏｒｓｔ（１９９８）针对１２个欧洲国家１９７８—１９９５年的２１９０家公司进行了分析，发现中期（３～１２个月的追溯期与持有期）的动量现象无论公司大小在欧洲国家表现皆普遍显著，进而得出欧洲市场表现出的实证结果与美国一样的结论。Ｉｉｈａｒａ ｅｔ ａｌ．（２００４）对东京股票交易所１９７５—１９９７年的数据进行赢者输者效应（ｗｉｎｎｅｒ－ｌｏｓｅｒ ｅｆｆｅｃｔ）分析发现，日本股票市场收益率１个月这样的短期反转效应更明显，而且日本的股票市场没有体现出动量效应。Ｌｉ ｅｔ ａｌ．（２０１４）对２００１—２０１０年的澳大利亚股票市场进行分析，得出动量现象显著的结论。Ｈｕｎｇ ａｎｄ Ｂａｎｅｒｊｅｅ（２０１４）通过对个人投资者比重较大的中国台湾地区、中国香港地区和韩国市场进行研究发现，在蒙特卡罗模拟的随机持仓评分体系下，动量策略无法将自己与随机持仓的策略进行有效区分，即便市场中存在显著的动量效应也是如此①(①该文的另一个结论值得监管关注。台湾市场开放前，其市场结构以个人投资者为主，动量效应不明显。而开放后境外机构投资者的增加使得动量效应更加显著。)。关于中国股票市场的结论则存在较大差异。Ｋａｎｇ ｅｔ ａｌ．（２００２）对中国股票市场１９９３—２０００年的数据进行动量反转研究。在其构建的等权重分支内６４组不同追溯期和持有期策略中，显著水平在１０％及以下的动量策略占１４个，反转策略占１０个。其中反转策略主要体现在追溯期较长（大于３个月），持有期较长（大于３个月）的时间段。动量策略主要体现在追溯期较短（小于３个月）、持有期较短（小于４个月）的时间段。市值权重分支有类似结论。Ｗａｎｇ（２００４）对中国股票市场１９９４—２０００年的数据进行中期（３个月）至长期（２年）的动量研究发现，中国股票市场在中长期体现出的是反转效应而非动量效应。另一方面，Ｎａｕｇｈｔｏｎ ｅｔ ａｌ．（２００８）对１９９５—２００５年上海交易所的股票动量效应进行了月度级别的研究。结果表明，上交所在常见的中期定义下动量效应明显，绝大部分可以达到１％的显著水平。Ｐａｎ ｅｔ ａｌ．（２０１３）使用收益率区间排序（ｒｅｔｕｒｎ ｉｎｔｅｒｖａｌ ｒａｎｋｉｎｇ）而非传统的分位制排序，对中国Ａ股市场进行了月、周频率下的动量效应研究。其结果再次表明，传统的动量现象在中国乃至部分亚洲国家都不显著，但是通过更改排序规则，显著性可以有效提升。田利辉等（２０１４）则是直接指出我国股票回报率存在超短期的反转效应。
动量研究对于排序方法、产生机理等方面的改进也在持续更新，例如Ｗａｎｇ ａｎｄ Ｃｈｉｎ（２００４）从动量和交易量两个层面对股票市场在原有框架下进行双排序研究，并明确指出交易量应该作为衡量交易者情绪的重要因素。Ｒａｃｈｅｖ ｅｔ ａｌ．（２００７）使用夏普比率（Ｓｈａｒｐｅ Ｒａｔｉｏ），预计亏损（ｅｘｐｅｃｔｅｄ ｓｈｏｒｔｆａｌｌ）等收益－风险指标作为排序标准，对原本的动量策略进行改进。Ｍｏｓｋｏｗｉｔｚ ａｎｄ Ｇｒｉｎｂｌａｔｔ（１９９９）通过在行业级别进行赢者输者效应的研究发现，个股的动量效应可以大部分被行业的动量所解释，而一旦控制了行业因素，个股的动量效应显著性会大幅度下降；但即便控制个股动量、规模等因素，行业动量收益率却依然表现良好。Ｌｅｗｅｌｌｅｎ（２００２）指出，动量极有可能是收益率普遍存在的一个特性，因为通过所谓的投资风格指标构建的组合也体现出明显的动量效应。Ｇｒｉｎｂｌａｔｔ ａｎｄ Ｍｏｓｋｏｗｉｔｚ（２００４）发现，受税收效应驱使而卖出亏损股票在１２月会产生负收益，而且能解释相当部分的动量收益率。Ｇｒｉｎｂｌａｔｔ ａｎｄ Ｈａｎ（２００５）强调，处置效应（卖出盈利、持有亏损倾向）可以部分解释动量策略。在特殊时间点问题上，Ｈｅｓｔｏｎ ａｎｄ Ｓａｄｋａ（２００８）发现了收益率的季节性问题。Ｎｏｖｙ－Ｍａｒｘ（２０１２）则指出通过前１２月～前７月的中期期限的信息要比近期表现的收益率预测效果更好。另一系列基于过去５２周高点价格的动量研究也随之出现①(①可以参考Ｇｕｐｔａ ｅｔ ａｌ．（２０１０），Ｍａｒｓｈａｌｌ ａｎｄ Ｃａｈａｎ（２００５），Ｍａｌｉｎ ａｎｄ Ｂｏｒｎｈｏｌｔ（２０１０），Ｄｕ（２００８），Ｇｅｏｒｇｅ ａｎｄ Ｈｗａｎｇ（２００４），Ｌｉｕ ｅｔ ａｌ．（２０１１）与Ｂｈｏｏｔｒａ ａｎｄ Ｈｕｒ（２０１３）。)。其中以Ｇｅｏｒｇｅ ａｎｄ Ｈｗａｎｇ（２００４）发表在Ｊｏｕｒｎａｌ ｏｆ Ｆｉｎａｎｃｅ的开创性研究最为突出。其通过引入最高价这一变量，将动量原有的分析信息所基于的固定窗宽实质上放松为对每一标的都可以不相同的弹性窗宽。
通过汇总分析发现，动量效应检验改进方式可从三个角度出发：排序方法、弹性可变窗宽和提升操作频率。前者是将Ａ股市场特点予以确认的渠道，后两者则是机制上封闭所有基于固定窗宽或特定时点而衍生出的批评的最佳方式。本文具有如下贡献：首先，通过抽象模型，将动量效应的验证问题以通用的架构予以展示。在实证层面，通过引入变点实现可变窗宽的统计量排序使得本文的研究结果更贴近Ａ股市场特征，且相应结论符合逻辑；其次，本文指出Ａ股市场个股做空机制缺失导致自融资策略难以实现，并给出做空部分单独处理的实证研究改进；最后，Ｆｌｅｍｉｎｇ框架的引入为非自融资策略的效果评估带来了便利。
本文后续内容安排如下：第２部分将介绍基于序列变点技术的研究方法；第３部分将策略的结果予以展示并依托三因素模型进行验证，结果发现正向组合日线级的投资收益率序列普遍拒绝数值为零的原假设，但反向组合则不能拒绝。与此同时，在考虑剔除停牌效应的前提下，正向组合无一例外的显著性有提升。这说明“买强卖弱”的操作手段在做空限制下仅有正向部分体现价值；第４部分引入Ｆｌｅｍｉｎｇ ｅｔ ａｌ．（２００１）的分析框架对其经济价值进行评估；第５部分对全文进行总结。
2 研究方法
本文选择在统计过程控制（ｓｔａｔｉｓｔｉｃａｌ ｐｒｏｃｅｓｓ ｃｏｎｔｒｏｌ：ＳＰＣ）领域中常用的序列变点（ＰｈａｓｅⅡ）方法对数据进行处理。序列变点直接将“固定窗宽”问题在方法层级进行了解决，有效地规避了原始动量策略中人为指定排序所需历史数据段长度的问题。排序方法和提升频率将交由策略构建部分予以处理。本文数据来自于名策数据库。数据选取时间段为２００３年１月至２０１４年６月全部沪深Ａ股共２６１９个标的的日线级数据，所有数据均进行了复权调整。其中，包括例如深交所代码０００００３金田实业（集团）股份有限公司这样已经退市或例如上交所代码６０３３６９江苏今世缘酒业股份有限公司这样刚挂牌上市的个股共３４家。程序会自动对空数据做出处理。在选取的时间段内，上证指数从１３２０．６３点上涨至２０３６．５１点，涨幅５４．２０％，平均年化收益率为３．９６％，平均日收益率为０．０１５６％。
整个数据区间大体可以分为３个波动周期。第一波动周期从２００３年１月上证指数１３２０．６３点开始，到２００５年１２月１１６１．０５７点为止，最高达到２００４年４月６日的１７７７．５１６点，最低达到２００５年７月１１日的１０１１．４９９点。时长大约横跨３６个月。此周期中，指数总体处于下降的趋势，年波动率在２０％～３５％左右的水平。第二波动周期从２００６年１月４日上证指数从最低点１１８０．９６３点开始上涨，到２００９年１２月３２７７．１３９点为止，最高达到２００７年１０月１６日的６０９２．０５７点，时长大约横跨３６个月。整个运行期间波动幅度极大，市场呈现长期单边上涨和下跌的走势。此周期中，指数年波动率在６０％～１０５％左右的水平。第三波动周期从２０１０年１月上证指数３２４３．７６点开始，到２０１４年６月２０３６．５１点为止，最高达到２０１０年１月４日的３２８２．１７９点，最低达到２０１３年６月２７日的１９５０．０１３点。时长大约横跨４２个月。此周期中，指数总体处于下降的趋势，年波动率在２２％～３３％左右的水平。
本节剩余部分将针对序列变点方法、策略实现和其他问题予以阐述。
2.1 序列变点方法
Ｈａｗｋｉｎｓ ｅｔ ａｌ．（２００３）将变点问题划归为两种类型：处理固定长度静态数据的Ｐｈａｓｅ Ｉ类型和处理可变长度动态数据的ＰｈａｓｅⅡ。当变点在ＰｈａｓｅⅡ类型的序列中被发现，变点检测将仅基于该变点之后的序列数据。
Ｐｅｔｔｉｔｔ（１９７９）与Ｈａｗｋｉｎｓ ａｎｄ Ｚａｍｂａ（２００５）建议对１＜ｋ＜ｔ的全部数值进行计算，并选择其中的最大值作为统计变量：
原假设检验问题则变为：对于一个筛选阈值ｈｔ，如果Ｎｍａｘ，ｔ＞ｈｔ，则一个变点在ｔ时刻被侦测。如此一来，变点模型应用需要一系列的阈值｛ｈｔ｝，用以比较待检验的统计量Ｎｍａｘ，ｔ．Ｈａｗｋｉｎｓ ａｎｄ Ｚａｍｂａ（２００５）建议，阈值的挑选应保证每一时点的犯错率相等：
引入Ａｖｅｒａｇｅ Ｒｕｎ Ｌｅｎｇｔｈ（ＡＲＬ０）概念用来衡量第一类错误（ｔｙｐｅ Ｉ ｅｒｒｏｒ）之间的平均时间：
至此，序列变点的理论框架部分完成。但实际应用中不难发现，Ｎｋ，ｔ的分布虽然相对容易获得，但Ｎｍａｘ，ｔ的分布却极端复杂。而且获得条件概率
在绝大部分场景不可能。实际应用时是通过蒙特卡罗的方式，预先产生阈值表格，进而节省序列变点判断的耗时。ＡＲＬ０阈值表格生成①（①蒙特卡罗法生成的具体操作：对于每一个确定的α数值，产生１百万个序列，每个序列包含５０００个数据点。数据点中不包含变点。且由于此处使用的方法不依赖分布，所以，可以使用标准正态分布来作为随机数生成器。对于每一个序列，依次对每一个时间点ｔ进行Ｎｍａｘ，ｔ的计算。进而得到基于１百万个序列所产生的Ｎｍａｘ，ｔ分布，于是获取ｈｔ。）规则符合：
在应用中，本文采用Ｒｏｓｓ ａｎｄ Ａｄａｍｓ（２０１２）的分析框架，将落入到ＰｈａｓｅＩＩ领域的变点应用问题按照三种类型进行检测，其分别为：（１）位置迁移的Ｍａｎｎ－Ｗｈｉｔｎｅｙ检验方法；（２）幅度迁移的Ｍｏｏｄ检验方法；（３）位置和幅度同时迁移的Ｌｅｐａｇｅ检验方法。
2.2 交易策略
构建金额为ｉｎｉｔｉａｌ＿ａｍｏｕｎｔ的资产组合，并确定组合持有标的数量ｈｏｌｄ＿ｎｕｍ和每只标的的买卖操作金额ｂｅｔ＿ａｍｏｕｎｔ。序列变点对时序数据的每一点进行判断。如果该点信息足以判断时序数据出现变点，则对该点进行标记ＤＴ（ｄｅｔｅｃｔｔｉｍｅ），并同时输出该点对应的变点位置ＣＰ（ｃｈａｎｇｅｐｏｉｎｔ）。获取变点ＣＰ与ＤＴ之间的标的的统计信息ｓｔａｔｉｓｔｉｃ，此处选择交易日前提下的几何平均收益率。如果资产组合没有标的，则变点所确定的标的添入资产组合。如果资产组合含有标的，则变点所确定的标的需与资产组合内标的的ｓｔａｔｉｓｔｉｃ进行比较排序，正（反）向则保留ｈｏｌｄ＿ｎｕｍ数量ｓｔａｔｉｓｔｉｃ最优（差）的标的。假定操作即时完成。如遇持有标的停牌，则不能卖出。
2.3 其他问题
为了可以将变点策略的实证结果与动量策略的相应结果进行比较，本文需要针对以下三个问题做出适当调整。
首先，回测方面存在两种不同的解决方案。一般的学术论文以所含标的的收益率序列为计算依托。直接对收益率进行权重配置得出组合的收益率。其假定，策略每次都用全部资金按照权重配比对待操作标的进行交易。不考虑由资金过大给市场带来的冲击问题，或由于资金过小带来的交易可行性问题。其优势在于收益率序列不受初始资金影响。不存在组合价值为０乃至负值不易计算收益率的问题。但其没有考虑资金使用问题，且存在每一次交易触发带动资金数额可能不等的情况。行业内对于回测的处理思路则更为接近现实。其以模拟真实资金账户为前提，存在资金管理，现金分配的实际问题。初始资金可作为软硬约束①（①软约束假定，该策略管理账户市值可以为负，由此更关注策略本身操作所带来的收益情况。现实中，策略账户仅为管理层级较低的子账户符合此类应用场景。硬约束假定，该策略管理账户市值不能为负，由此会同时考虑账户所剩金额对策略本身造成的影响。现实中，单一个人账户更符合此类应用场景。）。本文策略回测验证将使用第三方平台ｚｉｐｌｉｎｅ实现。它是美国Ｑｕａｎｔｏｐｉａｎ公司产品的回测内核，基于ｐｙｔｈｏｎ语言环境，任何人都可以免费获得。在完成具体回测任务之前，需要对ｚｉｐｌｉｎｅ中交易环境和控制模块做出基于Ａ股市场的相关设定。其回测类型属于行业类解决方案的软约束类别。为了与以往动量研究结果比较，本文同时要求回测过程中提供学术类的收益率计算结果。
其次，数据清洗层面，部分研究会在策略验证前，将验证数据段发生停盘的股票事先予以剔除。这一处理存在粉饰结果嫌疑。现实操作中，并无法预先知道某一股票是否会临时停盘。而且停盘这一问题并未在策略判断中要求予以考虑。一旦停盘，组合内个股将不能卖出，且收益率为０，拉低策略组合表现。故本文将完全按照实际情况，停盘则不能卖出的处理方法进行收益率计算。本文同时提供进行停盘剔除操作的调整收益率数据，以达到与过往文献的结果可对比。
最后，分组数量选择上，策略对变点发生时间不做限制，可产生在月内的任何一个交易日，组合实际上每个交易日都在面临动态的调整。将原本动量策略月频率的组合调整分散到２０个交易日，且考虑到市场样本数据段内股票早期总量约１０００只，后期达到２６００多只的数量，ｈｏｌｄ＿ｎｕｍ的数值选取应当相应降低在１０左右。
3 实证结果与时间序列回归分析
通过设定ｉｎｉｔｉａｌ＿ａｍｏｕｎｔ＝２０００００，ｈｏｌｄ＿ｎｕｍ＝１０，ｂｅｔ＿ａｍｏｕｎｔ＝１００００，ｓｔａｔｉｓｔｉｃ选取平均收益率，获得一般收益率和调整收益率①（①调整收益率仅依据组合内未停盘的个股统计收益率序列。）两个序列。针对个股的ＲＷ时序数据，采用位置、幅度、位置和幅度同时迁移的三种方法，在ＡＲＬ０取１００、５００和１０００这三个不同等级上进行回测验证。
Ｍａｎｎ－Ｗｈｉｔｎｅｙ方法构建的变点策略结果通过表２展示，正向组合日线级的投资收益率序列ｔ值分布在３．４７０至７．２０４之间，在０．００１的置信度下全部拒绝数值为零的原假设，但反向组合ｔ值分布在－０．００１至－１．０１５之间，全部不能拒绝原假设。由ＡＲＬ０数值提升，提高变点判断的阈值水平导致侦测到的序列变点数量下降，收益率和显著水平的下降十分明显。在剔除停牌效应的情况下，正向组合的显著性有提升。数据转换为月度级别，显著性有下降。当ＡＲＬ０上升至１０００，数据转化为月度频率时，检验的显著性水平不再能达到０．００１的标准。
Ｌｅｐａｇｅ方法构建的变点策略结果通过表４展示，正向组合日线级的投资收益率ｔ值分布在６．５９１至８．５７０之间，在０．００１的置信度下全部拒绝数值为零的原假设，但反向组合除ＡＲＬ０取值为１００时ｔ值达到－３．４３７，可以在０．００１的水平上表现显著，其余则不能拒绝原假设。剔除停牌效应的情况下，正向组合ｔ值分布在７．３６１至９．７１７之间，显著度全部得到提升。与Ｍａｎｎ－Ｗｈｉｔｎｅｙ和Ｍｏｏｄ方法类似，数据转换为月度级别，显著性有下降。当ＡＲＬ０数值提升，导致的收益率和显著水平的下降十分明显。
综上所述，三个类别的序列变点策略构建都表现出类似的特性。首先，正向组合收益率表现全部可以拒绝数值为零的原假设，而反向组合则普遍较难拒绝。这佐证了本文提及的两个观点：Ａ股市场因个股做空机制不顺畅所导致的投资人倾向于通过做多赚钱的行业现实以及无法建立的空头策略让传统动量的自融资策略无的放矢。剔除停牌效应时，策略组合显著度全部提升表明过往研究在数据清理阶段的这一操作会造成实证结果偏向于更有利于拒绝原假设的方向。考虑Ａ股现实因素调整过后，市场投资者所表现出的正反馈交易倾向仍然很强。降低ＡＲＬ０阈值，序列变点判断标准放松会更有益于组合的收益率表现。鉴于Ａ股市场不高于万分之六的佣金费率水平，策略组合的相应收益率均值能承担相关手续费扣除。
以上检验结果表明国内Ａ股市场动量效应明显。尽管在自融资策略构建等关键问题上有着制度因素带来的本质差异，本文仍然希望在Ｆａｍａ－Ｆｒｅｎｃｈ三因素的框架下对正向策略组合的超常收益做出验证。本文采用以下时间序列回归模型来对收益率组合进行检验：
其中，αｉ为组合ｉ的超常收益，ＲＭｋｔ，ｔ－Ｒｆ，ｔ为市场超额回报率，ＲＳＭＢ，ｔ为市值因子，ＲＨＭＬ，ｔ为账面市值比因子。
表５展示了通过Ｌｅｐａｇｅ方式构建的组合相应的因子承载。通过对比发现，正向组合的调整Ｒ２分布在０．５０１～０．５１９的区间，反向组合的调整Ｒ２分布在０．７２９～０．７５４的区间。这说明正向组合组收益率基于标准三因素模型在解释力度上有提升可能的同时，也说明了做空限制对相关组合构建的影响切实存在，实证研究应当将其分列。所有模型的超常收益均可以在０．００１的显著水平下拒绝数值为零的原假设，不符合Ｆａｍａ ａｎｄ Ｆｒｅｎｃｈ（１９９６）所提出的三因素模型验证标准。三因素模型无论对变点策略的正向组合或反向组合都没有办法予以解释，添加动量因子的必要性得以体现。通过ＡＲＬ０选取１００、５００和１０００三个等级的数据来看，正向组合超常收益会伴随ＡＲＬ的取值增加而显著下降。这表明变点判断标准的严格程度会直接影响组合构建的收益率水平。当标准过份严格时，选入的标的数量会下降，收益率组合的概念越发不明显，导致策略受少量标的走势影响更强。
表７展示了通过Ｍｏｏｄ方式构建的组合相应的因子承载。通过对比发现，正向组合的调整Ｒ２分布在０．５５８～０．６５４的区间，反向组合的调整Ｒ２分布在０．７６７～０．７９１的区间，低于Ｆａｍａ和Ｆｒｅｎｃｈ（１９９６）中０．９０的水平。标准三因素模型在解释力度上未及预期。基于总市值加权的ＡＲＬ０５００和１０００两反向模型的超常收益ｔ值分别为－２．９３５和－２．８２２，在０．０１的显著水平下拒绝数值为零的原假设，其余所有模型的超常收益均可以在０．００１的显著水平下拒绝数值为零的原假设，不符合Ｆａｍａ ａｎｄ Ｆｒｅｎｃｈ（１９９６）所提出的三因素模型验证标准。三因素模型无论对变点策略的正向组合或反向组合都没有办法予以解释，添加动量因子的必要性得以体现。
Ａ股市场风险突出，股票板块轮动效应明显。投资者买卖股票并不仅仅看公司质地与业绩，政策导向、市场热点等择时因素亦在其中产生重要影响。基于市场表现的“买强卖弱”操作风格突出，所谓的“抓龙头板块的龙头股”思路根深蒂固。市场中少数游资竟然通过类似的操作方法成为市场传奇。跟风操作不仅在个人投资者层面表现普遍，“３根Ｋ线改变世界观”的基金经理也大有人在。操作者对信息的态度更加功利，择时择股都是投资者日常操作所看重的因素，市场的普遍高换手率在侧面也佐证了这一现实。利好出现就蜂拥而至，追涨买入。利空出现或走势过于不利，因受限于做空获利渠道的不通畅，投资者往往又会难以接受亏损，面对失败。此时长期持有、价值投资等一系列对心理产生抚慰作用的概念会深入人心。反向策略组合收益率不能显著区别于零的结果在侧面佐证这一点。
出于过往文献可比的目的，本文将反向结果也针对Ｆａｍａ－Ｆｒｅｎｃｈ三因素框架进行对比。结果显示所有组合超常收益均为负值，而且ＭＷ＿１０００＿ｒ、Ｍｏｏｄ＿５００＿ｒ和Ｍｏｏｄ＿１０００＿ｒ的显著程度均难以达到０．００１置信度标准。而仔细对比正向与反向策略的Ａｄｊｕｓｔｅｄ Ｒ２，会发现反向策略的调整Ｒ２普遍在０．７５的水平并明显高于正向策略。这说明了做空限制对相关组合构建的影响切实存在。
本文构建的动量策略模型能够获得高收益，且该收益率并不能被Ｆａｍａ－Ｆｒｅｎｃｈ三因素模型有效解释。本文将Ａ股特有的动量效应以更灵活的建模方式展示出来，并指出了一个四因素模型构建的可能方向。我国股票收益率实际上也没有与西方成熟资本市场存在本质上的不同，仅仅是部分制度规则将其表现形式有所扭曲。
4 序列变点策略的经济价值
基于变点技术的动量策略构建仍然与标准的自融资策略有不同之处。单边做多的差异给策略评估带来了合理性层面的忧虑。鉴于此，本文引入另一套策略评估方法作为传统方案的补充。Ｗｅｓｔ ｅｔ ａｌ．（１９９３）首先在外汇市场中引入了一个基于效用的波动率估计评价方法。随后Ｆｌｅｍｉｎｇ ｅｔ ａｌ．（２００１）和Ｆｌｅｍｉｎｇ ｅｔ ａｌ．（２００３）将其明确的作为框架应用在了波动率择时策略的比较问题中，本文在这里将遵循Ｆｌｅｍｉｎｇ ｅｔ ａｌ．（２００１）的框架。
表８为将买入持有策略类型作为基准，分别将上海、深圳指数日线级数据作为代理变量，将三种方法构建的正反组合分别计算所得到结果。对比后不难发现正向组合普遍可以打败指数，而反向组合则普遍被指数打败。考虑到Ａ股交易佣金费率成本普遍在万分之三至万分之六的水平，正向策略经济价值仍然十分明显。由此，侧面佐证Ａ股实际上在更贴合国情的假设下，确实表现出动量效应。
5 结 论
针对我国股票收益率是否存在动量效应这一实证资产定价问题，本文采用２００３年１月至２０１４年６月的全部Ａ股日线级数据，选取交易日前提下的几何平均收益率作为排序指标，在序列变点领域内位置、幅度、位置和幅度同时迁移的三种方法框架来验证模型。鉴于自融资策略在Ａ股市场的不可行，本文采用了同样文献级别的Ｆｌｅｍｉｎｇ ｅｔ ａｌ．（２００１）的评估方法来对策略效果进行考察。本文按照与标准动量策略校验可比的前提进行回测设计，并采用完全开放的回测工具执行代码操作，发现我国股票市场收益率序列存在显著的动量效应；做空受限的交易规则对Ａ股影响显著，且不可以忽略。三种方法构建的策略组合收益率序列在流通市值加权和总市值加权两类方法下，可以证明三因素模型不能解释Ａ股市场存在的动量问题。在资产定价模型改进问题上，应考虑确认动量效应的Ｃａｒｈａｒｔ四因素模型。序列变点构建的动量策略存在正的经济价值。本文的实证结果在排序方法、弹性可变窗宽和提升操作频率三个层面做出了改进，延伸了Ｗａｎｇ ａｎｄ Ｃｈｉｎ（２００４），Ｒａｃｈｅｖ ｅｔ ａｌ．（２００７）和Ｇｅｏｒｇｅ ａｎｄ Ｈｗａｎｇ（２００４）的研究的同时，用Ａ股数据部分回答了Ｈｅｓｔｏｎ ａｎｄ Ｓａｄｋａ（２００８）与Ｎｏｖｙ－Ｍａｒｘ（２０１２）关于特殊时间点和季节性问题。
在融合了国外相关研究的最新成果后，Ａ股市场动量效应并非不突出。本文的研究结果表明，Ａ股并没有与西方国家的股票市场存在本质差异。西方股票市场以机构投资者为主，但这与市场是否表现出动量效应没有本质关联。实际上市场表现出动量效应，也不能说明机构投资者的理性投资起到了任何作用。而且，Ｈｕｎｇ ａｎｄ Ｂａｎｅｒｊｅｅ（２０１４）的研究恰恰指出，动量效应有可能就是由国外机构投资者的增加引发。正如田利辉等（２０１４）指出的一样，Ａ股市场的炒作情绪严重，板块轮动明显。本文通过弹性窗宽的改进将传统动量策略构建能够处理板块轮动效应，实证结果显示Ａ股动量效应表现明显。如果投机炒作情绪、板块轮动等因素如同过往研究指出的一样是Ａ股所面临的特性，那么这种特性本身确实通过本文构建的动量策略体现出了存在的合理性。相应地，本文的实证结果也一定程度上作为投机效应存在的一个佐证为后续研究提供了支持。
参考文献
英文摘要部分
往期推送，点击红色文章题目阅读：
女性退休行为对配偶劳动供给的影响——基于中国强制退休政策的断点回归设计
基于DSGE模型的财政刺激政策效果分析——以“四万亿投资”为例
中国经济增长潜力预测：兼顾跨国生产率收敛与中国劳动力特征的供给侧分析
China Journal of
Economics(CJE)