Momentum

作者：BetaPlus 小組

摘要：本文從因子起源、因子成因、因子實證以及因子投資實務四方面詳解（截面）動量因子。

寫在前面：本文的(de)寫作動機已在《Value》一文中解釋過。本文在《因子投資：方法與實踐》第 3.5 節動量因子的(de)基礎上（有删改），補充了(le)從動量因子投資實務角度的(de)闡述。此外，和(hé)書(shū)中相比，本文第三節中針對(duì) A 股的(de)實證數據已更新至 2021 年 12 月(yuè) 31 日。

1 動量因子起源

截面動量因子（後文簡稱動量因子）是一個(gè)頗受争議(yì)的(de)因子。實證資産定價領域的(de)代表人(rén)物(wù) Eugene Fama 一貫旗幟鮮明(míng)地反對(duì)将動量視作一個(gè)系統性因子。但另一方面，該因子又實實在在地存在于不同國家及不同大(dà)類資産中。其受關注的(de)程度大(dà)概隻有前面介紹的(de)規模和(hé)價值因子能與之相提并論。動量因子背後反映的(de)是股票(piào)間的(de)相對(duì)強弱趨勢會延續，“強者恒強，弱者恒弱”；通(tōng)常通(tōng)過做(zuò)多(duō)過去一段時(shí)間表現最好的(de)股票(piào)（稱爲赢家組合）、同時(shí)做(zuò)空這(zhè)段時(shí)間表現最差的(de)股票(piào)（稱爲輸家組合）來(lái)構建動量因子。

動量因子源自 Jegadeesh and Titman (1993) 提出的(de)動量效應。在每月(yuè)月(yuè)末，依據過去 J 個(gè)月(yuè)的(de)股票(piào)總收益率排序，将股票(piào)分(fēn)爲 10 組，按照(zhào)等權重方式做(zuò)多(duō)收益率最高(gāo)的(de)一組股票(piào)，同時(shí)做(zuò)空收益率最低的(de)一組股票(piào)，并持有 K 個(gè)月(yuè)。爲了(le)規避路徑依賴對(duì)結果的(de)影(yǐng)響，該文構建了(le) K 個(gè)子策略，每個(gè)子策略的(de)起點相隔一月(yuè)，最後再取 K 個(gè)組合的(de)收益均值代表動量效應。實證結果顯示，無論是多(duō)空組合還(hái)是純多(duō)頭組合，都可(kě)以獲取顯著且穩健的(de)超額收益。受該文啓發，Carhart (1997) 在 Fama and French (1993) 三因子模型的(de)基礎上加入了(le)動量因子，該模型後來(lái)被稱爲 Carhart 四因子模型。

Jegadeesh and Titman (2001) 利用(yòng)樣本外數據進一步檢驗了(le)動量效應，以此回應了(le)那些認爲 Jegadeesh and Titman (1993) 是數據挖掘結果的(de)批判。Rouwenhorst (1998, 1999) 在12 個(gè)歐洲國家市場(chǎng)和(hé) 20 個(gè)新興市場(chǎng)發現了(le)顯著的(de)動量效應，上述發現爲支持動量存在于其他(tā)市場(chǎng)中提供了(le)有力的(de)證據。De Groot et al. (2012) 指出在新興市場(chǎng)同樣有著(zhe)顯著的(de)動量效應，而 Asness, Moskowitz and Pedersen (2013) 更是提供了(le)動量效應在全球多(duō)個(gè)市場(chǎng)廣泛存在的(de)證據。與上述研究成鮮明(míng)對(duì)比的(de)是，在日本和(hé)中國 A 股市場(chǎng)中，動量效應的(de)表現慘不忍睹。

除了(le)個(gè)股動量，行業動量也(yě)非常顯著（Moskowitz and Grinblatt 1999）。此外，在債券、大(dà)宗商品和(hé)外彙等資産中也(yě)存在動量效應。舉例來(lái)說，Jostova et al. (2013) 研究了(le)公司債市場(chǎng)的(de)動量效應，Narayan, Ahmed and Narayan (2015) 討(tǎo)論了(le)商品期貨市場(chǎng)的(de)動量效應，而 Menkhoff et al. (2012) 和(hé) Orlov (2016) 表明(míng)外彙市場(chǎng)同樣存在顯著的(de)動量效應。

2 動量因子成因

2.1 風險解釋

關于動量的(de)成因，一部分(fēn)學者将其歸因于系統性風險敞口。具體來(lái)說，動态風險敞口假說認爲赢家組合和(hé)輸家組合有著(zhe)不同的(de)、時(shí)變的(de)系統性風險暴露。因此，多(duō)空對(duì)沖構建的(de)動量因子組合有著(zhe)時(shí)變的(de)系統性風險敞口，需要獲得(de)風險溢價補償。Geczy and Samonov (2016) 利用(yòng)長(cháng)達近 200 年的(de)美(měi)股數據研究發現，在一個(gè)市場(chǎng)狀态的(de)初期，動量組合對(duì)于當前的(de)市場(chǎng)狀态有著(zhe)負的(de)暴露，從而導緻該時(shí)期的(de)大(dà)幅損失，這(zhè)意味著(zhe)動量組合需要獲得(de)更高(gāo)的(de)收益來(lái)彌補相關的(de)風險。Daniel and Moskowitz (2016) 将此形象地描述爲“動量崩潰”（momentum crashes），并指出這(zhè)一尾部風險正是動量的(de)風險溢價來(lái)源。Liu and Zhang (2008) 指出赢家組合對(duì)産出增長(cháng)率因子有著(zhe)更高(gāo)的(de)短期暴露，這(zhè)可(kě)以較好地解釋動量效應。他(tā)們發現額外的(de)因子暴露主要來(lái)自赢家組合，而輸家組合的(de)因子暴露則在不同時(shí)期保持穩定。Chordia and Shivakumar (2002) 和(hé) Antoniou, Lam and Paudyal (2007) 則認爲經濟周期有助于解釋動量效應。Yin and Wei (2020) 基于中國市場(chǎng)數據發現，總體盈利的(de)不穩定性有助于解釋動量因子的(de)表現。但也(yě)有學者并不認可(kě)這(zhè)類解釋。Griffin, Ji and Martin (2003) 和(hé) Ji, Martin and Yao (2017) 反對(duì)使用(yòng)宏觀經濟變量解釋動量效應。

2.2 行爲金融學解釋

除風險補償外，更多(duō)的(de)學者認爲投資者行爲偏差能更好地解釋動量效應。Daniel, Hirshleifer, and Subrahmanyam (1998) 的(de)經典研究認爲，投資者對(duì)其私有信息的(de)過度自信及有偏的(de)業績自我歸因會造成動量效應。Hur and Singh (2016) 進一步指出反應不足是主要原因。其次，Grinblatt and Han (2005) 認爲投資者心理(lǐ)賬戶的(de)存在導緻了(le)處置效應，拉大(dà)了(le)股票(piào)價格與其基本面價值之間的(de)差異，進而導緻了(le)動量效應。他(tā)們發現，在控制了(le)未實現盈利值（capital gain overhang）後，動量效應不再顯著。第三類解釋是推定預期偏差，即投資者通(tōng)過将當前數據外推來(lái)得(de)到對(duì)未來(lái)表現的(de)預期，而這(zhè)一樸素估計是有偏的(de)。Barberis et al. (2015) 構建了(le)部分(fēn)投資者有推定預期的(de) X-CAPM 模型，用(yòng)以解釋資産預期收益的(de)截面差異。知情交易也(yě)是一種有趣的(de)解釋。Chen and Zhao (2012) 發現，在知情交易概率較大(dà)的(de)股票(piào)中，動量表現優異；反之，在知情交易概率較小的(de)股票(piào)中，股價則沒有明(míng)顯的(de)持續性。最後，市場(chǎng)情緒也(yě)是另一類重要的(de)解釋（Stambaugh, Yu and Yuan 2012）。Li and Yeh (2011) 基于中國 A 股市場(chǎng)的(de)數據，指出空頭組合蘊含的(de)市場(chǎng)情緒越強烈，動量效應就越顯著。Antoniou, Doukas and Subrahmanyam (2013) 等也(yě)提供了(le)市場(chǎng)情緒對(duì)動量效應有顯著影(yǐng)響的(de)證據。

3 動量因子實證

熟悉 A 股市場(chǎng)的(de)朋友可(kě)能有這(zhè)樣的(de)體會，無論使用(yòng)哪個(gè)時(shí)間周期計算(suàn)動量都無法發現顯著的(de)動量效應，更多(duō)時(shí)候表現出的(de)是反轉效應。本節依照(zhào)學術界的(de)常規做(zuò)法定義變量、檢驗動量因子。變量定義方法爲：在 t 月(yuè)末使用(yòng) t – 12 到 t – 1 月(yuè)之間 11 個(gè)月(yuè)的(de)累計收益率作爲動量指标。這(zhè)麽做(zuò)的(de)目的(de)是排除短期反轉對(duì)動量造成的(de)影(yǐng)響。舉例來(lái)說，假如現在是 2019 年 1 月(yuè)末，依照(zhào)上述方法将使用(yòng) 2018 年 1 月(yuè)末到 2018 年 12 月(yuè)末（即 2018 年 2月(yuè)到 12 月(yuè)）這(zhè) 11 個(gè)月(yuè)内的(de)累計收益率計算(suàn)動量。爲了(le)研究動量因子，本文使用(yòng)的(de)實證區(qū)間爲 2000 年 1 月(yuè)至 2021 年 12 月(yuè)。

每月(yuè)末将股票(piào)按照(zhào)動量變量的(de)取值從低到高(gāo)分(fēn)成 10 組，表 1 彙報了(le)描述性統計。不難發現，前 8 組的(de)總市值差異并不大(dà)，但第 9 組和(hé) High 組的(de)總市值顯著增加。和(hé)書(shū)中結果（書(shū)中的(de)實證區(qū)間終點爲 2019 年 12 月(yuè) 31 日）相比，在加入了(le) 2020 和(hé) 2021 兩年的(de)數據後，High 組的(de)平均市值進一步增大(dà)，從書(shū)中的(de) 169.1 億元上升至 190.9 億元，這(zhè)和(hé)過去兩年的(de)抱團不無關系。除此之外很有意思的(de)是，10 組的(de) ROA 呈現出單調遞增，且 High 組的(de) P/B 也(yě)要高(gāo)于其他(tā)組。

表 1 描述性統計

表 2 總結了(le)單變量排序和(hé)雙重排序的(de)檢驗結果。首先來(lái)看單變量排序，無論采用(yòng)等權重（Panel A），還(hái)是采用(yòng)市場(chǎng)加權（Panel B）構建這(zhè)些投資組合，它們的(de)收益率幾乎毫無單調性可(kě)言。當采用(yòng)等權重時(shí)，10 個(gè)投資組合的(de)月(yuè)均收益率呈現出倒 U 字形；當采用(yòng)市值加權時(shí)，二者之間則更加無序。無論等權重還(hái)是市值加權，由做(zuò)多(duō)赢家組合（High 組）和(hé)做(zuò)空輸家組合（Low 組）構成的(de)動量因子的(de)月(yuè)均收益率都不顯著。

表 2 單變量 Portfolio Sort 檢驗結果

接下(xià)來(lái)，關注動量和(hé)市值進行雙重排序的(de)檢驗結果。表 3 和(hé)表 4 分(fēn)别給出了(le)等權和(hé)市值加權的(de)結果。無論采用(yòng)等權重還(hái)是市值加權，在按市值分(fēn)組得(de)到的(de) Small 和(hé) 2 這(zhè)兩組中，赢家組的(de)收益率低于輸家組的(de)收益率；而在 3 到 Large 三組中，赢家組合的(de)收益率高(gāo)于輸家組合的(de)收益率。綜合這(zhè)兩點可(kě)以看出，動量效應僅微弱地存在于 A 股的(de)大(dà)市值股票(piào)中，而對(duì)于小市值的(de)股票(piào)則更多(duō)地表現出反轉。

表 3 動量和(hé)市值雙重排序檢驗結果（等權重）

表 4 動量和(hé)市值雙重排序檢驗結果（市值加權）

将五組平均後得(de)到動量因子。當采用(yòng)等權重時(shí)，動量因子的(de)月(yuè)均收益率爲 0.13%（t-statistic = 0.61）；當采用(yòng)市值加權時(shí)，動量因子的(de)月(yuè)均收益率爲 0.14%（t-statistic = 0.67）。這(zhè)兩個(gè)結果均非常不顯著，說明(míng)以學術界中的(de)常見方法構建的(de)動量效應并不存在于 A 股市場(chǎng)中。

4 動量因子投資實務

4.1 改進

雖然有如此多(duō)的(de)理(lǐ)論和(hé)實證支持動量效應，但仍有不少學者提出了(le)質疑和(hé)批判。其一，有研究認爲動量的(de)收益其實來(lái)自對(duì)其他(tā)經典風險因子的(de)暴露。例如，Novy-Marx (2015) 認爲價格動量效應來(lái)自盈餘動量，一旦控制盈餘動量，價格動量便不再顯著。其二，空頭端對(duì)動量收益的(de)貢獻較大(dà)，但由于在實踐中賣空并不容易，因此動量因子對(duì)實際因子投資的(de)作用(yòng)有限。其三，動量因子往往伴随很高(gāo)的(de)換手率，因此其紙面收益難以很好地轉化(huà)爲實際交易盈利。針對(duì)批判，一些改進的(de)動量因子也(yě)陸續被“挖掘”了(le)出來(lái)，并且或多(duō)或少占了(le)下(xià)面幾個(gè)理(lǐ)由中的(de)一個(gè)或多(duō)個(gè)：要麽比原始動量因子風險收益特征更優，要麽組合收益更加亮眼，要麽能避免動量崩潰，要麽故事更加動人(rén)。本節介紹其中的(de)一些。

4.1.1 價格高(gāo)點距離

Jegadeesh and Titman (1993) 在定義動量指标時(shí)，用(yòng)的(de)過去 J 個(gè)月(yuè)（如 12 個(gè)月(yuè)）的(de)累計收益，即錨點是 J 個(gè)月(yuè)前的(de)價格。George and Hwang (2004) 将錨點替換爲過去 52 周最高(gāo)價，即當前最新價與最高(gāo)點的(de)距離作爲新的(de)動量因子。該文的(de)實證結果表明(míng)，價格高(gāo)點距離指标包含了(le)傳統動量指标的(de)信息，是一個(gè)更可(kě)靠更有效的(de)動量指标。

4.1.2 殘差動量

殘差動量由個(gè)股的(de)殘差收益率計算(suàn)，定義爲個(gè)股收益率中無法被給定多(duō)因子模型解釋的(de)部分(fēn)。Blitz, Huij and Martens (2011) 的(de)研究發現殘差動量可(kě)獲得(de)非常顯著的(de)收益，且不再有動量崩潰的(de)煩惱。其背後的(de)原因在于求解殘差的(de)過程剝離了(le)傳統動量因子對(duì)系統性風險因子的(de)敞口，從而可(kě)以獲得(de)更加穩健的(de)收益。Lin (2020) 發現殘差動量在 A 股市場(chǎng)同樣有效。雖然實證結果看似支持殘差動量存在于 A 股市場(chǎng)這(zhè)一結論，但其背後的(de)原因需要進一步探索。與之類似的(de)還(hái)有阿爾法動量，感興趣的(de)讀者請參考 Hühn and Scholz (2018)。

4.1.3 加速度動量

對(duì)于一支股票(piào)來(lái)說，在所有的(de)信息裏面，價格是投資者最容易獲取的(de)，這(zhè)也(yě)是技術分(fēn)析盛行的(de)一個(gè)重要原因。對(duì)于處于上漲（下(xià)跌）趨勢的(de)股票(piào)，如果價格走勢加速上漲（下(xià)跌），則更容易吸引投資者的(de)注意。鑒于此，Chen and Yu (2014) 設計了(le)一個(gè)加速動量指标，用(yòng)來(lái)衡量價格上漲（下(xià)跌）的(de)速度。在構造因子時(shí)，該文用(yòng)價格對(duì)時(shí)序的(de)期數以及期數的(de)平方項回歸，并取平方項的(de)系數爲加速度動量指标。實證結果顯示，加速度動量能在原始動量和(hé) 52 周最高(gāo)價點距離指标的(de)基礎上帶來(lái)增量。

4.1.4 左尾動量

從收益率的(de)分(fēn)布來(lái)看，左側代表損失和(hé)風險，也(yě)存在動量效應，即左側收益率越大(dà)的(de)公司未來(lái)表現越好，左側收益率越小的(de)公司未來(lái)表現越差。Atilgan et al. (2020) 認爲，投資者對(duì)尾部風險或者壞消息往往反應不足，導緻尾部動量得(de)以持續，尤其是散戶占比較大(dà)大(dà)公司，這(zhè)一效應更加明(míng)顯。從該文實證結果上來(lái)看，左尾動量非常顯著，其市值加權組合能在控制了(le) Carhart 四因子後依然獲得(de)顯著的(de)超額收益。從計算(suàn)上來(lái)看，尾部動量指标既像是風險指标，也(yě)像是收益率指标，但剔除常見的(de)風險異象影(yǐng)響後，左尾動量依然顯著，表明(míng)左尾動量含有獨特的(de)信息。

4.1.5 其他(tā)考量

除了(le)上述幾種計算(suàn)方法之外，爲了(le)降低傳統動量的(de)尾部風險，還(hái)有幾篇文獻值得(de)一提。首先，Daniel and Moskowitz (2016) 指出基于對(duì)動量策略均值和(hé)波動率預測的(de)動态動量策略，可(kě)以将靜态動量策略的(de)夏普比率提升一倍。類似地，Barroso and Santa-Clara (2015) 發現，通(tōng)過引入目标波動率進行倉位管理(lǐ)也(yě)可(kě)以顯著提升動量組合的(de)表現。另外一個(gè)思路是從買方投資者視角。特别地，投資者的(de)偏好對(duì)于股票(piào)的(de)表現既有好處、也(yě)有弊端。好處在于，當關注的(de)投資者不是那麽多(duō)時(shí)，機構投資者的(de)抱團可(kě)以帶動趨勢，觸發大(dà)行情；但反過來(lái)，當越來(lái)越多(duō)的(de)機構都持有一支股票(piào)，機構間的(de)競争将加劇，股票(piào)的(de)趨勢便随時(shí)可(kě)能逆轉。直觀上看，此時(shí)動量便可(kě)能變得(de)危險。依照(zhào)上述猜測，Hoberg, Kumar and Prabhala (2020) 爲每支股票(piào)構建了(le)其買方競争度指标。無論是從截面還(hái)是時(shí)序角度來(lái)看，買方競争度都對(duì)動量的(de)表現有顯著爲負的(de)預測能力。

4.2 企業間關聯

4.2.1 領先滞後關系

上一節提到的(de)改造都是每支股票(piào)自身的(de)收益率或價格出發。還(hái)有另一種獲得(de)動量溢價的(de)思路是通(tōng)過不同公司之間收益率的(de)領先滞後關系（也(yě)稱作企業間關聯）。作爲準另類數據的(de)代表，它可(kě)以被視爲對(duì)傳統動量的(de)延伸。表 5 展示了(le)最爲典型和(hé)廣爲人(rén)知的(de)領先滞後關系。

表 5 典型公司間領先滞後關系

上述文章(zhāng)從不同角度揭示了(le)不同公司的(de)收益率間存在的(de)關聯。這(zhè)些企業間關聯造成的(de)超額收益的(de)來(lái)源是投資者對(duì)關聯信息的(de)有限注意力所導緻的(de)反應不足。企業間關聯效應也(yě)對(duì)公司未來(lái)基本面的(de)變化(huà)有預測能力。這(zhè)類數據大(dà)多(duō)公開可(kě)得(de)，因此具備進一步系統研究的(de)基礎，且實證結果表明(míng)在 A 股上具備應用(yòng)前景。有意思的(de)是，Ali and Hirshleifer (2020) 發現，一旦控制了(le)分(fēn)析師共同覆蓋，其他(tā)關系便無法獲得(de)顯著超額收益了(le)；而反過來(lái)，其他(tā)關系無法解釋分(fēn)析師共同覆蓋的(de)超額收益。除此之外，Huang et al. (2021) 研究表明(míng)各種企業間關聯的(de)收益率均和(hé)信息離散度有關。當領先企業的(de)信息是小量、多(duō)次出現時(shí)，投資者的(de)有限注意力問題更嚴重，因此通(tōng)過領先滞後關系獲得(de)的(de)超額收益更高(gāo)；當領先企業的(de)信息十分(fēn)顯著且離散時(shí)，市場(chǎng)對(duì)領先企業的(de)關聯影(yǐng)響反應更充分(fēn)，因而無法通(tōng)過領先滞後關系獲得(de)超額收益。該文使用(yòng)信息離散度和(hé)領先滞後關系雙重排序，發現在信息最連續的(de)組内觀察到最顯著的(de)超額收益。

4.2.2 相似動量

除了(le)上述所列的(de)動量效應溢出的(de)渠道之外，He, Wang and Yu (2021) 一文爲公司間的(de)關聯提供了(le)另外一個(gè)思路，即從相似股票(piào)的(de)角度定義動量。相似股票(piào)能影(yǐng)響股票(piào)未來(lái)的(de)表現背後主要基于三個(gè)邏輯：（1）投資者認爲相似的(de)股票(piào)會有相似的(de)表現，所以投資者會用(yòng)與某支股票(piào)相似的(de)股票(piào)過去的(de)收益來(lái)推斷其未來(lái)表現；（2）如果一支股票(piào)過去表現好，但是投資者錯過了(le)這(zhè)支股票(piào)，那麽投資者會找相似的(de)但還(hái)沒有較大(dà)漲幅的(de)股票(piào)，也(yě)就是說，和(hé)表現優秀的(de)股票(piào)相似的(de)股票(piào)需求會增加；（3）如果投資者在某一類股票(piào)中賺到了(le)錢，思維會有路徑依賴，之後的(de)投資依然會尋找相似的(de)股票(piào)進行投資。構造相似動量因子的(de)核心是定義相似的(de)股票(piào)。爲此，我們可(kě)以爲每支股票(piào)計算(suàn)其與其他(tā)股票(piào)的(de)距離，該距離定義爲 5 個(gè)特征（價格、市值、賬面價值比、營業利潤率和(hé)總資産增長(cháng)率）的(de)歐式距離。然後，對(duì)于每支股票(piào)，距離最小的(de) 50 支股票(piào)即爲相似股票(piào)，相似動量即爲這(zhè) 50 支股票(piào)過去一個(gè)月(yuè)的(de)市值加權平均收益率。實證結果表明(míng)，相似動量多(duō)空組合在控制了(le) Fama-French 六因子之後依然能夠獲得(de)顯著的(de)超額收益。由于六因子中包含動量因子，因此相似動量提供了(le)原始截面動量因子沒有的(de)增量信息。

4.3 改進動量的(de)簡單實證

針對(duì) 4.1 節提到的(de)改進方法以及相似動量，連長(cháng)的(de)文章(zhāng)《動量 Plus（上）》給出了(le)相應的(de)實證。本節節選其中一些（并将實證區(qū)間延長(cháng)至 2021/12/31），感興趣的(de)小夥伴請參考連長(cháng)的(de)雄文。數據處理(lǐ)方式參見《因子投資：方法與實踐》的(de) 3.1 節。表 6 展示了(le)不同定義下(xià)改進動量因子的(de)月(yuè)均收益率（%），其中 Panel A 爲等權重的(de)情況，Panel B 爲市值加權的(de)情況。等權重下(xià)，絕大(dà)多(duō)數針對(duì)美(měi)股市場(chǎng)提出的(de)改進動量因子（High – Low）依然在 A 股水(shuǐ)土不服，其中隻有特質動量和(hé)左尾動量因子獲得(de)正收益，但統計上均不顯著。當采用(yòng)市值加權時(shí)，情況較等權時(shí)進一步“惡化(huà)”。

表 6 改進動量月(yuè)均收益率（2005/1/1 至 2021/12/31）

從上述檢驗結果可(kě)以看到，無論怎麽改進，動量類因子在 A 股市場(chǎng)效果都難有作爲，這(zhè)符合人(rén)們的(de)認知。不過我們也(yě)注意到，自 2017 年以來(lái)，動量類因子似乎有“擡頭”之勢，尤其是在大(dà)市值的(de)股票(piào)中。這(zhè)個(gè)現象可(kě)能和(hé)投資者結構有關。由于 A 股長(cháng)期以來(lái)散戶占據主導，散戶更容易追漲殺跌，對(duì)各種信息反應過度，這(zhè)直接導緻了(le)反轉效應。随著(zhe)外資不斷流入，公募基金規模不斷壯大(dà)，社保和(hé)養老基金等也(yě)不斷湧入，機構投資者的(de)占比越來(lái)越高(gāo)，散戶投資者占比相應越來(lái)越少，反應過度逐漸得(de)到修正，甚至出現反應不足，進而出現動量效應。表 7 展示了(le)改進後的(de)動量因子在 2017 年之後的(de)月(yuè)均收益率（%）。較更長(cháng)實證區(qū)間而言，2017 之後确實出現無論是等權還(hái)是市值加權，大(dà)部分(fēn)因子獲得(de)了(le)正收益，但依然并不顯著。（如果進一步按市值分(fēn)層，在大(dà)市值上做(zuò)實證分(fēn)析也(yě)許會有不同的(de)結果。）

表 7 改進動量月(yuè)均收益率（2017/1/1 至 2021/12/31）

作爲量價因子的(de)代表，動量因子在美(měi)股有多(duō)“給力”，在 A 股就有多(duō)“憋屈”。這(zhè)背後的(de)原因著(zhe)實值得(de)深挖。從前文對(duì)動量因子背後成因來(lái)看，行爲金融學給出了(le)諸多(duō)方面的(de)解釋，因此動量一定和(hé)投資人(rén)的(de)行爲偏差、交易行爲以及市場(chǎng)整體的(de)投資者結構有著(zhe)千絲萬縷的(de)聯系。順著(zhe)這(zhè)個(gè)邏輯，我們就不難理(lǐ)解爲什(shén)麽同一個(gè)因子（或異象）會在不同市場(chǎng)中表現出截然不同的(de)實證結果。當出現這(zhè)種情況時(shí)，探尋背後内在原因，而非照(zhào)搬不同的(de)改進就顯得(de)格外重要。這(zhè)也(yě)是我們對(duì)特質動量在 A 股一直持懷疑态度的(de)原因。各種方式計算(suàn)的(de)動量因子之間相似或相左的(de)實證結果也(yě)爲 A 股中的(de)動量效應增添了(le)諸多(duō)不确定性。這(zhè)些問題将促使人(rén)們持續研究動量，而厘清一個(gè)因子背後有效或無效的(de)根源正是實證研究的(de)樂(yuè)趣所在。

參考文獻

Ali, U. and D. Hirshleifer (2020). Shared analyst coverage: Unifying momentum spillover effects. Journal of Financial Economics 136(3), 649 – 675.

Antoniou, A., H. Y. T. Lam, and K. Paudyal (2007). Profitability of momentum strategies in international markets: The role of business cycle variables and behavioural biases. Journal of Banking & Finance 31(3), 955 – 972.

Antoniou, C., J. A. Doukas, and A. Subrahmanyam (2013). Cognitive dissonance, sentiment, and momentum. Journal of Financial and Quantitative Analysis 48(1), 245 – 275.

Asness, C. S., T. J. Moskowitz, and L. H. Pedersen (2013). Value and momentum everywhere. Journal of Finance 68(3), 929 – 985.

Atilgan, Y., T. G. Bali, K. O. Demirtas, and A. D. Gunaydin (2020). Left-tail momentum: Underreaction to bad news, costly arbitrage and equity returns. Journal of Financial Economics 135(3), 725 – 753.

Bali, T. G., Cakici, N., & Whitelaw, R. F. (2011). Maxing out: Stocks as lotteries and the cross-section of expected returns. Journal of Financial Economics 99(2), 427 – 446.

Barberis, N., R. Greenwood, L. Jin, and A. Shleifer (2015). X-CAPM: An extrapolative capital asset pricing model. Journal of Financial Economics 115(1), 1 - 24.

Barroso, P. and P. Santa-Clara (2015). Momentum has its moments. Journal of Financial Economics 116(1), 111 – 120.

Blitz, D., J. Huij, and M. Martens (2011). Residual momentum. Journal of Empirical Finance 18(3), 506 – 521.

Carhart, M. M. (1997). On persistence in mutual fund performance. Journal of Finance 52(1), 57 – 82.

Chen, L.-W. and H.-Y. Yu (2014). Investor Attention, Visual Price Pattern, and Momentum Investing. Working paper.

Chen, Y. and H. Zhao (2012). Informed trading, information uncertainty, and price momentum. Journal of Banking & Finance 36(7), 2095 – 2109.

Chordia, T. and L. Shivakumar (2002). Momentum, business cycle, and time-varying expected returns. Journal of Finance 57(2), 985 – 1019.

Cohen, L. and A. Frazzini (2008). Economic links and predictable returns. Journal of Finance 63(4), 1977 – 2011.

Cohen, L. and D. Lou (2012). Complicated firms. Journal of Financial Economics 104(2), 383 – 400.

Daniel, K. D., D. A. Hirshleifer, and A. Subrahmanyam (1998). Investor psychology and security market under- and overreactions. Journal of Finance 53(6), 1839 – 1885.

Daniel, K. D. and T. J. Moskowitz (2016). Momentum crashes. Journal of Financial Economics 122(2), 221 – 247.

De Groot, W., J. Pang, and L. Swinkels (2012). The cross-section of stock returns in frontier emerging markets. Journal of Empirical Finance 19(5), 796 – 818.

Fama, E. F. and K. R. French (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics 33(1), 3 – 56.

Geczy, C. C. and M. Samonov (2016). Two centuries of price-return momentum. Financial Analysts Journal 72(5), 32 – 56.

George, T. J. and C. Y. Hwang (2004). The 52‐week high and momentum investing. Journal of Finance 59(5), 2145 – 2176.

Griffin, J. M., X. Ji, and J. S. Martin (2003). Momentum investing and business cycle risk: Evidence from pole to pole. Journal of Finance 58(6), 2515 – 2547.

Grinblatt, M. and B. Han (2005). Prospect theory, mental accounting, and momentum. Journal of Financial Economics 78(2), 311 – 339.

He, W., Y. Wang, and J. Yu (2021). Similar Stocks. Working paper.

Hoberg, G., N. Kumar, and N. Prabhala (2020). Buy-Side competition and momentum profits. Review of Financial Studies forthcoming.

Hou, K. (2007). Industry information diffusion and the lead-lag effect in stock returns. Review of Financial Studies 20(4), 1113 – 1138.

Huang, S., C. M. C. Lee, Y. Song, and H. Xiang (2021). A frog in every pan: Information discreteness and the lead-lag returns puzzle. Journal of Financial Economics forthcoming.

Hur, J. and V. Singh (2016). Reexamining momentum profits: Underreaction or overreaction to firm-specific information? Review of Quantitative Finance and Accounting 46(2), 261 – 289.

Hühn, H. L. and H. Scholz (2018). Alpha momentum and price momentum. International Journal of Financial Studies 6(2), 49.

Jacobs, H., T. Regele, and M. Weber (2015). Expected skewness and momentum. Working paper.

Jegadeesh, N. and S. Titman (1993). Returns to buying winners and selling losers: Implications for stock market efficiency. Journal of Finance 48(1), 65 – 91.

Jegadeesh, N. and S. Titman (2001). Profitability of momentum strategies: An evaluation of alternative explanations.Journal of Finance 56(2), 699 – 720.

Ji, X., J. S. Martin, and Y. Yao (2017). Macroeconomic risk and seasonality in momentum profits. Journal of Financial Markets 36, 76 – 90.

Jostova, G., S. Nikolova, A. Philipov, and C. W. Stahel (2013). Momentum in corporate bond returns. Review of Financial Studies 26(7), 1649 – 1693.

Kishore, R., M. W. Brandt, P. Santa-Clara, and M. Venkatachalam (2008). Earnings announcements are full of surprises. Working paper.

Lee, C. M. C., S. Teng, R. Wang, and R. Zhang (2019). Technological links and predictable returns. Journal of Financial Economics 132(3), 76 – 96.

Li, C.-A. and C.-C. Yeh (2011). Investor psychological and behavioral bias: Do high sentiment and momentum exist in the China stock market? Review of Pacific Basin Financial Markets and Policies 14(03), 429 – 448.

Lin, Q. (2020). Idiosyncratic momentum and the cross-section of stock returns: Further evidence. European Financial Management 26(3), 579 – 627.

Liu, L. X. and L. Zhang (2008). Momentum profits, factor pricing, and macroeconomic risk. Review of Financial Studies 21(6), 2417 – 2448.

Menkhoff, L., L. Sarno, M. Schmeling, and A. Schrimpf (2012). Currency momentum strategies. Journal of Financial Economics 106(3), 660 – 684.

Narayan, P. K., H. A. Ahmed, and S. Narayan (2015). Do momentum-based trading strategies work in the commodity futures markets? Journal of Futures Markets 35(9), 868 – 891.

Novy-Marx, R. (2015). Fundamentally, momentum is fundamental momentum. NBER Working Paper No. 20984.

Orlov, V. (2016). Currency momentum, carry trade, and market illiquidity. Journal of Banking & Finance 67, 1 – 11.

Parsons, C. A., R. Sabbatucci, and S. Titman (2020). Geographic lead-lag effects. Review of Financial Studies 33(10), 4721 – 4770.

Rouwenhorst, K. G. (1998). International momentum strategies. Journal of Finance 53(1), 267 – 284.

Rouwenhorst, K. G. (1999). Local return factors and turnover in emerging stock markets. Journal of Finance 54(4), 1439 – 1464.

Stambaugh, R. F., J. Yu, and Y. Yuan (2012). The short of it: Investor sentiment and anomalies. Journal of Financial Economics 104(2), 288 – 302.

Yin, L. and Y. Wei (2020). Aggregate profit instability and time variations in momentum returns: Evidence from China. Pacific-Basin Finance Journal 60, 101276.

免責聲明(míng)：入市有風險，投資需謹慎。在任何情況下(xià)，本文的(de)内容、信息及數據或所表述的(de)意見并不構成對(duì)任何人(rén)的(de)投資建議(yì)。在任何情況下(xià)，本文作者及所屬機構不對(duì)任何人(rén)因使用(yòng)本文的(de)任何内容所引緻的(de)任何損失負任何責任。除特别說明(míng)外，文中圖表均直接或間接來(lái)自于相應論文，僅爲介紹之用(yòng)，版權歸原作者和(hé)期刊所有。