因子动量在A股
1.前言
自然界中存在弱肉强食，适者生存；人类社会优胜劣汰，成王败寇。越强的东西会越来越厉害，越弱的东西只能在角落哭泣，这在投资领域也十分常见。收益具有具有惯性，常被称为动量效应。过去表现较好的标的，未来依然会星光闪闪；过去表现较差的标的，未来会继续让人失望。动量效应像幽灵一样无处不在，广泛存在于个股、行业、大类资产和风格因子中。
A股中没有动量效应，已经是公认的事实，但因子中是否存在呢？本文将探索这个问题，并尝试探索其在多头组合中是否具有应用价值。接下来的内容分为4个部分，第2部分进行文献回顾，捋清楚动量因子和因子动量的差别；第3部分在14个因子中，检验是否存在横截面因子动量和时序因子动量；第4部分聚焦在多头组合，讨论因子动量是否能用来指导因子动态配置；最后一部分总结。
2.动量因子和因子动量
2.1 无处不在
横截面动量的开山之作，要属Jegadeesh和Titman (1993)，发现在美国股市中，过去收益高的股票会持续走强，过去收益差的股票会持续萎靡。鉴于此，构造了动量组合，在某一个时刻t，比较所有股票过去一段时间的表现，做多表现最好的一篮子股票（winner），做空表现最差的一篮子股票（loser）。结果发现，无论是只做多头，还是多空都做，均能实现较高的异常收益[1]，并且不能被已有的风险因子解释。例如用6个月收益构造动量因子，并持有6个月，动量最强组能获得0.7%的月均异常收益，多空组合能获得1%的月均异常收益，均显著大于0。
Asness、Moskowitz和Pedersen(2013)将样本进行了拓展，包括美国、英国、日本、欧洲等成熟股票市场，以及全球股票指数、债券、商品期货和外汇，发现动量效应广泛存在于这些市场中。
Moskowitz和Grinblatt(1999)将眼光转移到行业层面，发现行业也存在持续显著的动量效应，并且几乎包含了个股动量的信息。在每月，按照20个行业过去6个月收益进行排序，做多动量最强的3个行业，做空动量最弱的3个行业，持有6个月，该策略能产生0.43%的月均收益率；在控制市值、BM和个股动量等因素后，行业动量依然存在较高的阿尔法；使用行业调整后的收益率计算个股动量，发现个股动量效应会变弱很多甚至不再显著；除此之外，和个股在短期（1个月内）呈现反转效应不同，行业层面看不到这一规律，在短期也呈现出明显的动量规律。
除了个券和行业，大类资产中也存在较强的动量效应。在之前的文章中，刀疤连（2019a）回顾了9个经典的战术资产配置模型，这些模型往往采用双动量模型，利用横截面动量筛选资产和时间序列动量做回撤保护，能实现更好的风险收益结果。选择了9个国内投资者可以直接接触的资产类型，研究双动量模型效果如何。横截面上，无论是短期还是中期，买入动量最强的k个资产，均能战胜等权重组合，说明强者恒强的规律在资产层面依然存在；时间序列上，利用时序动量进行择时，能明显降低风险和最大回撤；同时结合两个动量，不仅能增厚收益，还能减少回撤风险。
横看成岭侧成峰，这里就带出了另外一个概念：时间序列动量。横截面动量是一个相对概念，在同一时刻进行横向比较；时间序列动量是一个绝对概念，在某一时刻只和自己的历史相比。
时序动量的经典研究，当属Moskowitz、Ooi 和 Pedersen (2012)。Moskowitz et al(2012) 利用商品期货、国债期货、汇率期货和股指期货等58个资产，构建了一个时间序列动量组合。结果发现，在1~12个月内，收益率具有持续性，即过去上涨的资产未来上涨的概率较大，过去下跌的资产未来下跌的可能性较大；从1985年到2009年，时间序列动量组合表现优秀，阿尔法收益率显著大于0。关于时间序列动量的详细研究，可以参考刀疤连（2019b）。
2.2 因子动量
一个因子描述了众多资产共同暴露于的的某种系统性风险，因子的风险是资产收益率背后的驱动力；因子收益率则代表了这些资产的某种共性收益（即系统性风险溢价）。和股票、债券和商品一样，可以将因子当成独立的资产类型。已有的研究均表明，因子也存在动量，无论是时序上还是横截面上。
为了研究因子动量，Arnott、Clements、Kalesnik和Linnainmaa(2019)使用1963年到2016年美国股市数据，计算了51个因子收益率序列。接着构造横截面因子动量组合，每月月末，计算所有因子过去L个月的收益率，做多最高的8个，做空最低的8个，持有H个月。结果表明，因子动量能获得显著大于0的收益率，以1个月动量和1个月持有期为例，原始因子动量能获得10.49%的年化收益率，行业中性化因子动量组合能获得6.41%的年化收益率；因子动量能完全解释行业动量，但不能解释个股动量，也不能解释个股反转；因子动量并没有crash，在2000后表现依然很好，而个股动量和行业动量会经历crash，2000年后就表现很一般了。
Ehsani和Linnainmaa(2019)的研究更进了一步，使用公开可得的22个因子数据[2]，除了研究因子横截面动量，还将因子时序动量考虑了进来，得到的结论也更加深入。
首先，对每个因子，以t+1月收益率为因变量，过去12个月因子收益率符号为自变量（大于0为1，小于等于0）进行回归。回归结果表明，除了动量因子，回归系数均为正，15个美国因子中有9个显著大于0；从截距项来看，有8个截距项为负。平均来看，当因子过去12个月收益为正，下个月能获得0.52%的收益；当过去12个月收益为负，下个月能获得0.01%的收益。初步来看，因子收益具有惯性。
然后，用20个因子（剔除美国和全球的动量因子），构造因子时序动量组合和横截面动量组合。20个因子等权重收益率为4.2%；因子时序动量多头组合年化收益率为6.26%，空头为0.28%；因子横截面动量多头组合年化收益率为6.94%，空头为1.42%。以因子时序动量为因变量，横截面动量为自变量进行回归，回归阿尔法为1.4%，显著大于0；调换位置，以横截面动量为因变量，时序动量为自变量，阿尔法为-0.2%，表明因子时序动量包含了横截面动量的信息。
接着，研究了个股动量和因子动量的关系。将因子时序动量加入到Fama-French五因子模型，用来解释个股动量和行业动量。回归结果表明，六因子模型能完全解释这些动量多空收益，反过来却不行。因此可以这么说，因子时序动量已经包含了个股横截面动量的信息，个股横截面动量是因子时序动量的表征。
最后，个股动量并不是一个特别的因子，它暗含了其他因子序列的自相关性。当其他因子收益率自相关性为正时，个股动量表现较好；当其他因子收益率自相关小于0时，个股动量表现较差，出现crash的概率也大增。因此，交易个股动量本质上就是在交易其他因子的自相关性，收益取决于其他因子自相关性的变化。
Gupta和Kelly(2019)使用更多的因子数量（65个）和更大的数据样本（美国、欧洲和亚太市场），得到了和Ehsani和Linnainmaa(2019)相似的结论。
首先，因子收益率序列相关性是动量策略的底层特征。单个因子展现出时间序列动量，65个因子中有59个一阶自相关系数为正，其中49个显著大于0；构造因子的趋势跟踪策略，65个因子有61个能获得正的阿尔法收益，其中47个显著为正；用所有因子构造时间序列动量组合，年化收益率为12%，夏普比率为0.84，超过任何单一因子TSMOM表现。
其次，探讨了因子时序动量和横截面动量的关系。无论什么窗口长度，因子时序动量和横截面动量高度相关；在控制因子横截面动量后，因子时序动量依然能获得显著为正的阿尔法；在控制因子时序动量后，因子横截面动量阿尔法变为了负值。因此，因子横截面动量和因子时序动量可能受共同的因素驱动，且后者信息含量更高。
然后，比较了因子动量、个股动量反转和行业动量之间的关系。当因子动量和个股动量（行业动量）回看窗口相近时，他们的相关性最高，可达到0.75左右；当回看窗口为一个月时，因子动量和个股短期反转相关性为-0.8。已有的个股动量、行业动量和个股反转，均不能完全解释因子动量；相反，中期因子时序动量能解释个股和行业动量的大部分收益；无论是时序因子动量还是横截面因子动量，均不能解释短期反转。
最后，讨论了换手率和交易成本对因子动量的影响。短期因子动量换手率确实比较大，当回看窗口和个股动量相同时，因子动量换手率其实要低于个股动量；即使考虑了交易成本，因子动量的夏普还是高于其他动量和FF5因子；而个股短期反转换手率太高了，考虑成本后已经没啥收益。
3.因子动量在A股
3.1 The playing field
接下来，仿照Arnott et al(2019)、Ehsani和Linnainmaa(2019)以及Gupta和Kelly(2019)的研究，讨论因子动量在A股中是否也存在。这里用14个异象开启探索，全部来源于Liu、Stambaugh和Yuan(2019)，见表1。所有原始数据均来自tushare，数据起始日为1997年1月1日，数据结束日为2019年9月30日；由于需要滚动计算动量，因此研究起始日为1998年9月30日，刚好20年；为了避免未来函数和信息偏差，财务数据参照刀疤连（2019c）的方法，进行了PIT处理。
需要提一句，Arnott et al(2019)以及Ehsani和Linnainmaa(2019)均发现，因子动量和选择哪些因子关系不大，因此本文的结论不存在选择性偏差。后面搞事情小组会拓展因子范围，研究上百个A股异象的因子动量，这里先立一个flag。
表1 14个因子列表
指标方向表示其与未来收益的关系，如果为1表示指标值与未来收益正相关，为-1表示和未来收益负相关。为了便于测试和理解，将方向为-1的指标全部乘以-1，这样所有指标方向一致，指标值越大，未来收益越高。
除总市值外，按照如下流程计算每个指标的因子收益率。
在每月月末，指标i剔除ST、待退市、上市不足1年和净资产为负的股票，然后按照缩尾法剔除掉小于1%和大于99%的股票，然后剔除掉停牌股和一字涨停股； 以主板股票市值中位数作为分界点，将股票分为大市值Big和小市值Small组；同样以主板股票30%和70%分位数为分界点，将股票分为低值指标Low组、中值指标Middle组和高值指标High组； 将2个市值组合和3个指标组合进行交叉，就得到6个组合：BigHigh、BigMiddle、BigLow、SmallHigh、SmallMiddle和SmallLow，每个组合按照市值进行加权； 定义因子收益率为：0.5*(BigHigh + SmallHigh) - 0.5*(BigLow - SmallLow)
总市值因子收益率算起来要简单一些，剔除黑名单、异常值和不可交易股票后，按照主板市值中位数将股票分为Big组和Small组，市值加权且月度调仓。那么，市值因子收益率就定义为Small-Big。
3.2 因子收益率
表2展示了14个因子月收益率的各个统计指标。除了ROE之外，所有因子都是从1998年9月30日开始有数据；ROE由于是单季度数据，更早时间并不披露一季报和三季报，因此其数据起始日为2001年11月30日。
表2 14个因子月收益率描述统计
数据来源：tushare，CQR
表3计算了14个因子月收益率之间的相关系数。可以看到，由于涉及到估值、盈利、投资、波动、反转和流动性等，不同类型因子之间相关性并不高，普遍低于0.3；同种类型的因子，如BM、EP和CFP，相关性略高，但也没有高到完全一致的地步。较低的相关性，能保证后面在构造因子横截面动量时，因子不会集中在少数类型中。
表3 14个因子月收益率相关系数
数据来源：tushare，CQR
进一步统计每个因子的风险收益指标，见表4，图1展示了14个因子的累计净值曲线。所有因子中，流动性因子ILL表现最好，年化收益率高达16.99%；除了ILL，异常换手率ABTO、最大收益率MAX和反转因子STR收益率均超过10%；投资因子INV表现最差，表明资产增长越多预期股票收益率越低在A股并不存在；另外，应计量ACC也表现较差，这可能和A股上市公司利润调节有关，该指标存在优化空间[3]。
表4 14个因子月收益率风险收益指标
数据来源：tushare，CQR
图1 14个因子累计收益曲线
数据来源：tushare，CQR
3.3 横截面动量
横截面因子动量（XSFM）反映相对强弱水平，构造过程如下：在每月月末，计算所有因子过去L个月的累计收益率，选择收益率最大的3个因子进入Winner组合，选择收益率最小的3个因子进入Loser组合，等权重持有1个月；因子横截面动量定义为Winner组合收益减去Loser组合收益。
表5展示了不同周期L（1~24个月）下因子横截面动量的表现，结论很有意思。当L为1个月时，XSFM年化收益率为5.50%，夏普有0.41；当L为2个月到6个月时，看不到明显的因子动量特征；当L大于6个月时，尤其是大于18个月时，XSFM较强。
表5 不同周期因子横截面动量表现
数据来源：tushare，CQR
图2展示了1个月下Winner组合和Loser组合表现，比较基准为所有因子等权配置，阴影部分（右轴）为因子动量累计表现；相似的，图3展示了12个月窗口下XSFM的表现。可以看到，Winner组合持续跑赢基准组合，Loser组合持续跑输基准组合；XSFM虽然长期收益为正，但过程并不平顺，期间可能经历较大的波动。
图2 1个月横截面动量
数据来源：tushare，CQR
图3 12个月横截面动量
数据来源：tushare，CQR
3.4 时间序列动量
时间序列因子动量（TSFM）从自身历史收益角度，决定做多还是做空。对于标的i，如果其过去L个月收益率大于0，则做多，反之做空。
首先，我们用Moskowitz et al.(2012)的方法构造标准的因子时间序列动量，具体流程见刀疤连（2019b）。在构造MOP时序动量时，单个因子目标波动率设定为10%，这样整个组合实现波动率和因子等权重组合相近；因子波动率用12个月因子收益率计算。
表6展示了1个月、3个月和12个月下MOP方法计算的TSFM，图4展示了累计收益表现。可以看到，3个周期下的TSFM均大于0，表明因子时序动量确实存在，其中12个月下的动量最明显，年化收益率接近5%，夏普为1.02；3个周期下的TSFM均没有跑赢等权重组合，并且回撤还增大了1倍，这并不奇怪。刀疤连（2019b）详细讨论过这个问题，对于那些长期上涨的资产，做空可能并不划算，千万不要与市场贝塔为敌。
表6 MOP方法下的因子时间序列动量
数据来源：tushare，CQR
图4 MOP方法下的因子时间序列动量累计表现
数据来源：tushare，CQR
Ehsani和Linnainmaa(2019)在构造因子时序动量时，和Moskowitz et al.(2012)略微不同，后续比较主要采用EL方法。EL的方法构造流程如下，在每个月月末，计算每个资产过去L个月的累计收益率，如果收益率为正就进入Up组合，如果收益率为负就进入Down组合，组合内部等权重持有1个月。TSFM定义为Up组合收益率减去Down组合收益率。
EL方法要比MOP简单一些，除了不用调整至目标波动率，最大的不同体现在上涨因子和下跌因子的权重上。例如，14个因子里有10个收益率为正，在不考虑波动率调整时，MOP无论是上涨还是下跌，每个因子权重均为1/14，上涨因子总权重为5/7，下跌因子总权重为2/7；而EP方法将上涨和下跌等同，总权重均为1/2，那么上涨因子单个权重为1/20，下跌因子单个权重为1/8。不过，这些差异并不影响结论。
表7列示了EL方法下不同周期（1~24个月）TSFM的风险收益指标。当L为1个月时，TSFM年化收益率为4.06%，夏普为0.43；当L介于2个月和9个月时，没有发现TSFM存在的踪迹；当L为10个月及以上时，存在明显的TSFM，年化收益率大多大于2%小于4%。
表7 不同周期因子时序动量表现（EL方法）
数据来源：tushare，CQR
为了更加直观了解因子时序动量，图5展示了1个月TSFM的各个组成，其中Up表示上涨因子组合，Down表示下跌因子组合，比较基准为因子等权重组合，阴影面积（右轴）表示Up组合减去Down组合累计收益（即TSFM）；图6表示12个月TSFM的表现。很明显，Up组合持续优于基准，Down组合持续跑输基准，这符合因子时序动量一般特征；和XSFM一样，TSFM波动也较大，整体收益要小于XSFM。
图5 1个月因子时序动量（EL方法）
数据来源：tushare，CQR
图6 12个月因子时序动量（EL方法）
数据来源：tushare，CQR
3.5 行业动量、因子动量和个股动量反转
已有的研究都喜欢把因子动量与个股动量、个股反转和行业动量进行比较，清一色都能得到以下结论：因子时序动量和因子横截面动量高度相关，并且前者完全包含后者的信息，反过来却不行；因子时序动量能解释个股动量，个股动量只是因子动量的傀儡；因子时序动量也能解释行业动量，控制因子动量后行业动量不再具有显著的阿尔法；个股短期反转比较奇葩，和因子动量明显不是一路人，互相不能解释。
接下来对这些动量（反转）做一些简单比较。
个股反转即上面14个因子中的STR，做多过去1个月收益率最低的一篮子股票，做空过去1个月收益率最高的一篮子股票，和散户“追涨杀跌”反着来；个股动量构造过程和个股反转一模一样，用过去12个月（剔除最近1个月）收益率排序股票，做多上涨幅度最高的一篮子股票，做空上涨幅度最低的股票。
行业动量构造过程和XSFM相似。首先，由于中信一级行业指数基期为2004年12月31日，为了让数据样本更长，我们自行构造行业指数[4]。具体步骤为，在每月月末提取中信一级行业分类，每个行业成分股市值加权持有1个月。其次，在每月月末计算行业指数过去L个月的累计收益率，收益率最高的4个行业进入Winner组合，收益率最低的4个行业进入Lower组合，组合内行业等权重持有1个月。最后，行业动量定义为Winner组合收益减去Loser组合收益。
表8统计了几个策略的风险收益指标，图7展示了累计收益率，结论没啥超预期的。个股反转太强大，表现一骑绝尘；个股动量在A股就像恐龙一样，早就灭绝了，或者压根儿就没存在过，也许以后会突然冒出来；行业动量倒是存在，比XSFM和TSFM年化收益率略高。
表8 个股动量、个股反转、行业动量和因子动量风险收益指标
数据来源：tushare，CQR
图7 个股动量、个股反转、行业动量和因子动量累计表现
数据来源：tushare，CQR
图8展示了相关系数情况。初步来看，XSFM和TSFM相关性高达0.9，和已有的研究一致；个股反转是一个另类，和其他动量总是唱反调。为了节约体力回家过年，这些动量之间的信息重叠情况本文不做更深入的探讨。但有一个问题需要先抛出来：同样是1个月的窗口，为什么个股层面看到了反转效应，而行业和因子层面看到了动量效应；为什么在12个月看到了行业和因子动量，但在个股层面没有看到。这是个有趣的问题，后面搞事情小组会尝试回答这个问题。
图8 个股动量、个股反转、行业动量和因子动量相关系数
数据来源：tushare，CQR
4.实际应用
事实上，因子收益率是一个多空组合，收益来自多头和空头两端，大多数因子空头部分要贡献得更多。在实际产品设计和策略应用时，卖空要么受到限制难以执行，要么成本较高侵蚀掉收益，做多才是主旋律。目前最流行的因子投资方式为smart beta，也是普通老百姓能直接够得着的产品形式，其主要原理是在市场大盘组合上叠加长期有效的因子，以期获得更高的收益。鉴于此，本节将重点讨论因子动量在多头组合中的应用。
常见的因子类smart beta包括股利、质量、低波、盈利、价值、成长、市值、动量反转和盈利质量等，因此我们从上面14个因子中选择ROE、MV、BM、VOL、ACC和STR，分别代表盈利、市值、价值、波动、盈利质量和反转。
4.1 超额收益
由于只关注多头组合，并且更加接近实际应用，指标的处理上会和构造因子收益率时存在不同。首先，每个指标在每月月末，剔除黑名单股票（ST、待退市、上市不足1年和净资产为负），剔除异常值（小于1%和大于99%分位数的值），剔除不可交易股票（停牌股和一字涨停股）。然后，进行行业和市值中性化处理，以指标值为因变量，市值对数和行业哑变量为自变量进行回归，残差结果即为中性化因子[5]。接着，将中性化因子进行标准化，即减去均值再除以标准差。最后，按照标准得分进行排序，选择排名最高的20%进入多头组合[6]，市值加权持有1个月。
这里需要说明一点，在利用因子动量进行轮动时，到底是基于多头超额收益还是因子多空收益率呢？这个其实取决于交易对象，用广东人的口味来做重庆菜肯定不合时宜，信号序列和交易标的最好要匹配，比如我们只关注多头组合，那么用超额收益率来决定谁强谁弱貌似更加驴头对驴嘴。业界喜欢用ICIR来对因子进行加权，就会存在这个问题，IC高和多头组合表现好并不完全等价，更多讨论可以看石川（2018）的讨论。
因此，本节利用因子动量进行加权或轮动时，均基于单个因子超额收益率，其计算方式为单个因子多头组合月收益减去市场组合月收益率。
表9计算了6个因子多头超额收益率的风险收益指标，图9展示了其累计走势。可以看到，所有因子均具有正的超额收益，短期反转和ROE表现最好，应计量表现最差。
表9 6个因子超额收益率表现
数据来源：tushare，CQR
图9 6个因子超额累计收益率
数据来源：tushare，CQR
4.2 Mix
不要把鸡蛋放在一个篮子里，也适合因子。如果要想收益来源更加多样化，持有多个因子肯定要比单一因子更加靠谱。将多个单一因子进行结合，有两种方法：Mix和Integrate。Mix把每个因子视为独立个体，每个因子独立选股互不影响，可以将每个因子理解为一个子基金或子账户；Integrate是在选股时，将多个指标进行加权汇总得到一个综合指标，再按照综合指标进行股票选择。由于构造流程不同，在利用因子动量进行加权或轮动时，这两种方法要分别讨论。
将6个因子当成独立的子基金，利用超额收益率进行加权，效果会更好吗？在每月月末，计算每个因子过去L月超额收益率，按照该收益率进行排名，收益率最高的排名为6，收益率垫底的排名为1，那么每个因子权重为:
比较基准为等权重，即每个因子权重为1/6。当L为1个月、3个月、6个月和12个月时，加权组合和基准组合超额收益率见表10，累计收益见图10。可以看到，1个月、3个月和6个月动量加权时，没有任何效果，和基准表现没有明显差别；12个月动量能略微跑赢基准，但也并不惊艳。
表10 因子动量加权（Mix）组合超额收益表现
数据来源：tushare，CQR
图10 因子动量加权（Mix）组合累计超额收益
数据来源：tushare，CQR
除了用超额收益率进行动态加权，另外一种思路是，在每个月，选择超额收益率最强的N个因子等权重配置。不同L和N下Mix组合超额收益表现见表11和图11。当L为1个月时，只有持有两个因子才能跑赢基准；当L为12个月时，无论持有几个因子，均能跑赢基准，但幅度也没有特别大的吸引力。
表11 因子动量Top N（Mix）组合超额收益表现
数据来源：tushare，CQR
图11 因子动量Top N（Mix）组合累计超额收益
数据来源：tushare，CQR
4.3 Integrate
先来看看用超额收益率进行指标加权的效果。同Mix一样，在每月月末根据过去L月超额收益率确定每个指标权重，并用该权重计算股票i的综合指标:
选择综合指标最高的20%，市值加权持有1个月；作为比较，基准组合用6个指标等权重选择股票。表12和图12展示了动量加权下Integrate组合的超额收益表现，结果让人悲伤逆流成河，无论L取多少，均没有跑赢等权重基准组合。
表12 因子动量加权（Integrate）组合超额收益表现
数据来源：tushare，CQR
图12 因子动量加权（Integrate）组合累计超额收益
数据来源：tushare，CQR
接下来再来看看Top N指标组合。在每个月，选择过去L月超额收益率最高的N个指标，等权重得到综合指标，选择综合指标最高的20%股票，市值加权持有1个月；比较基准依然是6个指标等权重。结果见表13和图13，没有一个组合超越基准，不说了，说多了都是泪。
表13 因子动量Top N（Integrate）组合超额收益表现
数据来源：tushare，CQR
图13 因子动量Top N（Integrate）组合累计超额收益
数据来源：tushare，CQR
5.总结
作为曝光度较高的因子之一，动量广泛存在于各种资产类型。由于收益更加易于预测并且协方差结构更加稳定，近年来越来越多的研究将因子视为独立的资产类型，从资产配置转向因子配置。一个自然而然的问题就冒了出来：动量效应在因子中是否也存在呢？本文对此问题进行了梳理和回顾，并在A股中做了实证研究。
首先，无论是横截面动量还是时间序列动量，均存在于因子资产中，这已经是已有研究中公认的事实。更加劲爆的是，越来越多的证据表明，个股动量和行业动量都只是皮影，因子动量才是背后的大BOSS。
其次，我们在A股常见的14个因子中也发现了明显的因子时序动量和横截面动量，持有过去收益最强的Winner组合或者收益为正的Up组合，均能跑赢等权重因子组合；相反持有收益率最弱的Loser组合或者收益为负的Down组合，只有跑输等权组合的命。另外，因子时序动量和因子横截面动量高度相关，相关系数高于0.9。
最后，从实际应用的角度出发，利用单因子多头超额收益率作为动量判断依据，构造了因子动量加权组合和因子轮动组合。遗憾的是，只有在因子Mix的时候，才有希望获得更高的收益，如果将换仓成本考虑进来的话，这些收益可能微不足道。
因子收益率（多空组合）上观察到的动量效应，在多头超额收益上（多头相对市场基准）并不明显，这是个有意思的现象。初步原因猜测是，由于因子收益率的收益大多来自空头，空头的动量效应要强于多头。
因子择时和轮动本来就是一件很难的事情，如果没有更好的方法，还是建议遵从AQR的观点：因子投资最好的方式还是选择有效的因子，忽略短期波动坚持长期分散化配置。
参考文献
Arnott, R. D., Clements, M., Kalesnik, V., & Linnainmaa, J. T. (2019). Factor momentum. Available at SSRN 3116974.
Asness, C. S., Moskowitz, T. J., & Pedersen, L. H. (2013). Value and momentum everywhere. The Journal of Finance, 68(3), 929-985.
Ehsani, S., & Linnainmaa, J. T. (2019). Factor momentum and the momentum factor (No. w25551). National Bureau of Economic Research.
Gupta, T., & Kelly, B. (2019). Factor momentum everywhere. The Journal of Portfolio Management, 45(3), 13-36.
Jegadeesh, N., & Titman, S. (1993). Returns to buying winners and selling losers: Implications for stock market efficiency. The Journal of finance, 48(1), 65-91.
Li, Y., Niu, J., Zhang, R., & Largay III, J. A. (2011). Earnings management and the accrual anomaly: Evidence from China. Journal of International Financial Management & Accounting, 22(3), 205-245.
Liu, J., Stambaugh, R. F., & Yuan, Y. (2019). Size and value in China. Journal of Financial Economics.
Moskowitz, T. J., & Grinblatt, M. (1999). Do industries explain momentum?. The Journal of finance, 54(4), 1249-1290.
Moskowitz, T. J., Ooi, Y. H., & Pedersen, L. H. (2012). Time series momentum. Journal of financial economics, 104(2), 228-250.
刀疤连.(2019a).东边不亮西边亮：双动量在资产配置中的应用.CQR.Available at:https://mp.weixin.qq.com/s/iHB6WX84lcqztbyoDMGSJQ
刀疤连.(2019b).和趋势做纯纯的朋友.CQR.Available at:https://mp.weixin.qq.com/s/zpzCGCZ-MAe4ebIeF1exMg
刀疤连.(2019c).A股财务数据的整理和使用.CQR.Available at:https://mp.weixin.qq.com/s/0zF_0Yka8N7Pei1tLfam5A
石川.(2018).用 IC 评价因子效果靠谱吗？.川总写量化.Available at:https://mp.weixin.qq.com/s/meGaS8cPcvzz08EvK7oTsg
这里的“异常”并不是一个贬义词，它是一个超额收益的概念，表示剔除掉市值和估值等因素后的阿尔法收益； ↩
Ehsani和Linnainmaa(2019)研究了15个美国股市因子和7个全球因子，数据来自于公开的因子数据：French的网站；AQR的网站和Stambaug的网站； ↩
Li、Niu、Zhang和Largay(2011)的研究表明，A股上市公司为了为未来盈利打开空间，在当年存在亏损时会进行“洗大澡”，通过会计手段大幅增加亏损。这样，应计量低的组合中可能包含较多这类公司。 ↩
这里构造的行业指数和中信一级行业指数收益率相关性接近1； ↩
市值指标只进行行业中性化； ↩
这里将MV、VOL、ACC和STR四个指标标准化得分乘以-1，以达到指标值越大，预期收益率越高的效果； ↩
（END）
欢迎提供建议和沟通交流
公众号
Chihiro Quantitative Research
刀疤连个人微信
知乎专栏：跨资产的因子配置
https://zhuanlan.zhihu.com/c_152990241