【038】不止于价格动量：基本面动量也很酷
目录
01. 背景
02. 基本面动量
03. 双重动量
04. 其他有趣特征
05. 结语作为决定股票长期表现的核心因素，基本面自然也是因子研究的重要主题。但已有研究却显示，各种基本面因子却常常跑不过最经典而基础的技术因子——价格动量，这让基本面量化的拥趸倍感迷惑。
例如，近年因提出 q-factor model 而大火的 Hou Kewei、Xue Chen 和 Zhang Lu 三位教授，在他们 2018 年发表于 RFS 的新作《Replicating Anomalies》（HXZ (2018)）中，比较了 452 个投资异象，并发现在所有因子中，价格动量的年化收益最高。
因此，传统基本面因子为何会有如此不佳的表现，就是一个非常有趣且极富价值的问题。
周国富教授等人的新作《Twin Momentum: Fundamental Trends Matter》（Huang, Zhang, Zhou, and Zhu (2019)）正是想对此进行探讨。
Huang et al. (2019) 指出，传统的基本面因子表现不及价格动量等技术因子，主要是因为它们没有充分利用已知的全部基本面信息。一方面，已有因子往往集中于单个基本面指标（例如 BM）或者最多一类指标（例如 value）。另一方面，这些因子往往也只利用了最近的信息，并未考虑基本面数据的变化趋势。
因此，他们针对性地构建了基本面动量因子。他们指出，通过综合多个维度的基本面指标以及将基本面趋势纳入考量，基本面动量因子可以获得相当不错的表现。
考量基本面趋势的动机其实很清楚。经典的均衡资产定价理论认为，股价由公司预期未来现金流折现而得，而公司未来现金流同未来基本面高度相关，因此，为了对公司估值，需要对其基本面进行预测。
由于预测未来基本面有不少技术性的困难，因此，传统上往往直接利用最新数据来作为预测值。当公司基本面服从随机游走或 AR(1) 过程时，这种做法效果尚可。但现实往往没有这么简单，因而这种简单的外推方法常常表现不佳。
因此，借鉴已有研究（例如，Akbas, Jiang, and Kock (2017) 关于毛利率趋势的研究），Huang et al. (2019) 利用基本面变量的趋势来预测公司未来基本面。特别地， 他们利用基本面变量的移动平均来代表基本面趋势。
据此，他们利用一组基本面变量的多期移动平均来预测股票收益。
具体而言，用 t 期股票收益对 t-1 期基本面变量不同期限的 MA作截面回归，然后用拟合的系数和 t 期基本面数据 MA，预测 t+1 期的股票收益。该预期收益称作基本面隐含收益（fundamental implied return，FIR）。
事实上，这不是周国富教授他们第一次用类似的建模方法。在他们 2016 年发表于 JFE 的经典文章《A Trend Factor》（参见美股上一个跨越时间尺度的趋势因子）中，他们便利用了一组移动平均价格来预测股票收益。更一般地讲，这是经典的一般化的因子构建方法的应用（参见【027】追寻因子的足迹：分类、构造与检验第 7 小节）。
可以看到，他们在具体研究中，并不直接考察基本面因子的变化趋势。因此，某种程度上，将此称作“基本面动量”有误导之嫌。但实质重于形式，接下来我们还是来继续关注研究内容本身。
具体而言，他们选择了 7 个基本面指标：
ROE（净资产收益率）；
ROA（总资产收益率）；
Earnings per share（每股盈利）；
APE（基于应计项目的经营性利润比净资产）；
CPA（基于现金流的经营性利润比总资产）；
GPA（毛利润比总资产）；
Net payout ratio（净派息率）。
这 7 个指标主要都同盈利和收益能力有关，对公司估值非常关键。
表 1 展示了他们的核心实证结果。
Panel A 展示了 7 个基本面因子的单因子表现。每个因子都能获取显著的正收益和 alpha，但表现最好的 ROE 因子，平均收益也只有每月 0.51%。特别地，若按照 Harvey, Liu, and Zhu (2016) 建议的 |t| > 3 作为因子显著性的检验标准，则没有一个因子是显著的。
Panel B 展示了加入基本面趋势后 7 个因子的表现。相比原始因子，这 7 个因子的表现都得到了提升，且不少因子变得显著。其中，提升最大的是净派息率（NPR），月均收益从 0.25% 大涨至 0.61%。
Panel C 则展示了 Huang et al. (2019) 提出的基本面动量的表现。通过综合上述 7 个因子及其趋势，基本面动量的表现得以大幅提升，月均收益和 CAPM alpha 分别为 0.88% 和 0.95，t 值也超过了 4，非常显著。总体表现已非常接近价格动量。
由于上述基本面动量因子完全是基于基本面数据构建的。因此，可以猜想它同价格动量因子的相关性很可能并不高。那么，自然而然地，可以考虑将它们结合起来，也许能进一步提升因子表现。
不管实务还是学术研究中，这都是很常用的方法。Huang et al. (2019) 自然也考虑到了这一点。
他们按照价格动量和基本面动量做双重排序（double sorting），得到 25 个股票组合，并做多价格动量和基本面动量都排名靠前的组合，做空二者排名都靠后的组合，据此构建双重动量因子（twin momentum）。这同搞事情小组的研究加强版反转的处理是类似的。
表 2 展示了双重动量因子与价格动量和基本面动量的表现对比。
规模对不少因子有重要影响，已有研究发现，不少看似表现优异的因子，其实主要来自微型股（micro-cap stocks）的贡献。但 Huang et al. (2019) 通过 double sorting 研究指出，基本面动量和双重动量在各类市值的股票中均显著存在。
事实上，不仅规模不能完全解释基本面动量，其他常见公司特征也不能。Fama-MacBeth 回归显示，在控制了常见的公司特征后，基本面动量和价格动量都高度显著。
再者，传统上，价格动量及其他技术因子常因较高的换手率而遭诟病。作者们也对此进行了检验。他们指出，基本面动量和双重动量确实有着较高的换手率（月均分别为 63.50% 和 87.89%），但考虑到它们的强劲表现，只要交易费率低于 0.72%（基本面动量）和 1.62%（双重动量），它们便仍能在 5% 的显著性水平下获得显著的收益。
此外，传统上对不少因子有影响的投资者情绪对双重动量也没有显著影响，甚至在情绪高涨时期，双重动量的表现还略好。而基本面动量虽然在情绪高涨时期表现弱于情绪低迷时期，但仍可获得显著的回报。
最后，Stambaugh, Yu, and Yuan (2012, 2014) 发现，相当多因子的主要收益来自空头端，这大大降低了因子投资对于以多头组合为主的实践的价值。但 Huang et al. (2019) 指出，双重动量的多头端可获取显著的正收益，对因子有重要贡献。这使得双重动量因子非常得独特。
传统的基本面因子表现普遍不及简单的价格动量。Huang et al. (2019) 指出，这是因为传统因子没有充分利用已有信息。
他们针对性地构建了基本面动量因子，获得了稳健的优异表现。进一步，基于基本面动量和价格动量的低相关性，他们组合二者构建了双重动量，获得了超越价格动量/基本面动量及一众传统因子的极佳表现。
此外，他们发现，基本面动量和双重动量不仅稳健，更为重要的是，多头端对因子组合的超额收益有着显著贡献，这使得双重动量对于实践而言非常特别，毕竟，在投资实践中，往往还是以纯多头组合为主。
最后，未来我们也会进行 A 股的相关实证研究。敬请期待！
历史推荐
文章索引：因子投资小册子
因子体系：FF 和 Barra 体系，谁是你的菜？
实践方法论：【037】资产配置与因子配置：可以团圆吗？
研究方法论：【027】追寻因子的足迹：分类、构造与检验
搞事情小组：搞事情深度研究| 异质波动率之谜
实证研究：【026】低 Beta 在 A 股：证券市场线是平坦的吗？
技术因子：【023】止损的价值：对冲动量崩溃
低风险因子：【018】低风险异象靠谱吗？解释与批判
动量因子：【010】横截面动量那些事
Akbas, Ferhat, Chao Jiang, and Paul D. Koch. "The Trend in Firm Profitability and the Cross-section of Stock Returns." Accounting Review 92.5 (2017): 1-32.
Bali, Turan G., Robert F. Engle, and Scott Murray. "Empirical Asset Pricing: The Cross Section of Stock Returns." John Wiley & Sons, 2016.
Hou, Kewei, Chen Xue, and Lu Zhang. "Replicating Anomalies." Review of Financial Studies, 2018, forthcoming.
Huang, Dashan Huacheng Zhang, Guofu Zhou, and Yingzi, Zhu. "Twin Momentum: Fundamental Trends Matter ." 2019. Available at SSRN: https://ssrn.com/abstract=2894068 or http://dx.doi.org/10.2139/ssrn.2894068
Han, Yufeng, Guofu Zhou, and Yingzi Zhu. "A Trend Factor: Any Economic Gains from Using Information Over Investment Horizons?." Journal of Financial Economics 122.2 (2016): 352-375.
Harvey, Campbell R., Yan Liu, and Heqing Zhu. "… and the Cross-section of Expected Returns." Review of Financial Studies 29.1 (2016): 5-68.
Stambaugh, Robert F., Jianfeng Yu, and Yu Yuan. "The Short of It: Investor Sentiment and Anomalies." Journal of Financial Economics 104.2 (2012): 288-302.
Stambaugh, Robert F., Jianfeng Yu, and Yu Yuan. "The Long of It: Odds that Investor Sentiment Spuriously Predicts Anomaly Returns." Journal of Financial Economics 114.3 (2014): 613-619.