来源：海通量化团队

重要提示：《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号发布的观点和信息仅供海通证券的专业投资者参考，完整的投资观点应以海通证券研究所发布的完整报告为准。若您并非海通证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号中的任何信息。本订阅号难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本订阅号推送内容而视相关人员为客户；市场有风险，投资需谨慎。

参考文献：

1. 20 For Twenty: Selected Papers from AQR Capital Management on Its 20th Anniversary.

1另一种未来（An Alternative Future）过去的3-5年，金融市场上最大的一道风景便是对冲基金的爆发式增长。有人说，对冲基金是未来的潮流。也有人说，对冲基金只是昙花一现。这两种论调都有根据，但不管结果如何，对冲基金的出现至少使人们认识到，一个投资组合可以被分解为，以获取beta（市场暴露）为目标的传统指数基金和以获取alpha为目标的对冲基金。

对冲基金可以被简单地定义为：通过交易流动性相对较好的资产（和其他另类投资，如，私募股权和房地产相区别），寻求长期的正平均回报，并且为传统股票和债券市场提供分散化的一类策略。

为了说明如何构建这类资产，我们可以从一个传统的主动管理股票组合出发。它由指数成分股的一个子集构成，被认为可以战胜其余股票。记这个组合的权重为A，指数的权重为I，各自的和均为100%。显然有，

A = I + (A -I)

上式将主动基金经理的持仓分成了两个部分：（1）指数；（2）代表他观点的多空组合。在传统的只有多头的投资中，A – I通常被认为是基金经理的alpha，而A – I的波动率则是他的跟踪误差。

由此，我们便可以通过做空股指期货得到一个非常简单的对冲基金。这等价于在上述组合中减去一个指数相对于现金的超额收益。记这个新的组合权重为H，于是，

H = I + (A -I) – (I - CASH)

H = CASH + (A- I)

H和指数I的相关系数为0。如果主动基金经理有高超的选股能力（alpha），H也将有正的预期收益。

在传统的主动管理中，H和I是在一起的。选择组合A，等价于同时暴露在H和I之下。但当H作为一类新的资产出现时，我们就有了选择暴露对象和比例的权利。假如我们对基金经理的能力深信不疑，但又担心系统性风险，那么完全可以只投资资产H。并通过加杠杆的方式，来获得对H更高的暴露。

在实际投资中，对冲基金的形式更加多样和复杂，但它们的目标和上述案例一样，都是赚取和传统市场相关性较低的回报。在这个过程中，做空、杠杆和衍生品都是必不可少的。

常见的对冲基金策略包括：市场中性、股票多空、并购套利、统计套利、固定收益套利、可转债套利、宏观和CTA。

然而，这些原先以分离并获取alpha为目标的策略也正逐渐系统化，由此便产生了对冲基金beta的概念。以并购套利为例，相应的系统化策略（beta）可被定义为：做多目标公司的同时，做空受让公司。它代表了一类已知且可实现的策略，例如，参与每一个公告的并购交易机会。因而，并不涉及在其中选择预期盈利空间最大的，或者合理运用杠杆等主动管理技能。从这个意义上说，对冲基金的beta本质上和传统beta并无二致，都对应着一种潜在的系统性风险来源。而在这两类暴露以外的，才可以说是基金经理真正的能力（alpha）。

对冲基金并不能解决股票风险溢价下行或债券低利率的问题，其结构决定了它不能凭空创造出投资能力。但对冲基金的好处也是实实在在的。首先，它提供了一类能够独立代表基金经理管理能力的资产，并对这种能力进行合理的定价。其次，通过一系列合理明确的系统性策略（对冲基金beta），对冲基金实现了流动性和风险的转移，从而使整个金融市场变得更加有效。

2企业债收益中的常见因子（Common Factors in Corporate Bond Returns）研究发现，有四个众所周知的因子（利差、防御、动量和价值）可以解释大部分企业债的超额收益。它们都具有正的风险调整后收益，且结果显著。

在全球范围内，企业债是公司最大且不断增长的融资渠道。截止2016年一季度，尚有8.36万亿美元的美国企业未偿还债务。自1996年至2015年，企业债的发行量由3340亿美元增长至1.49万亿美元。然而出乎意料的是，很少有对企业债券收益决定性因素的研究。

我们研究了企业债收益的几个代表性驱动因素，分别是利差、质量、动量和价值。这几个因子已被证明可以预测其他市场的收益特征，但对企业债的影响尚未被研究。我们的研究贡献包括：（i）将这些概念运用到信用市场；（ii）发现了这些因子的联合相关性；(iii) 分别通过检验忽视交易成本的多空组合以及关注交易成本的多头组合，来评估因子的经济意义；（iv）通过分析风险和定价错误来寻找溢价的来源。

通过传统的多空组合以及回归分析，我们发现，除利差外，其他因子都具有非常重要的正向风险溢价。利差、防御、价值、动量和未来信用市场超额收益之间的强相关，为广泛应用这几个因子提供了充分的证据。并且，可以把这种证据视为样本外的结论。

企业债的波动和相对市场的beta与信用利差和久期密切相关。因此，如果只是通过对波动和beta分类来构建多空组合，那么各组合间的风险将大为不同，这会使得预期收益难以比较。此外，信用利差本身还是一个收益预测变量。所以，在考察其他备选变量时，必须要考虑新变量是否能真正解释收益，还是由于和信用利差有相关性，才看起来有解释能力。为了解决这些问题，我们通过久期、利差进行双变量排序。

与股票市场相比，信用市场的交易成本和流动性大不相同。企业债的交易较为困难，预期交易成本相对较高。因此，在研究信用组合时，需要明确说明交易成本和其他潜在的交易限制。

为了实现更真实的回报，我们研究了流动性较高的企业债多头组合，包括利差、防御性、动量和价值，这四个因子。结果发现，这些投资组合在扣除交易成本后，依然具有较高的风险调整后收益。相对于企业债的市值加权基准，多头组合费后的年化收益为2.20%，信息比率0.86。虽然这个数字是大约20年样本中的一个点估计值，但是它却远远高于0。

我们进一步探讨了收益的两个来源。从风险暴露的角度，这些组合经常会使投资者暴露在一些极端风险中。从定价错误的理论解释，由于套利交易的各种限制、投资者自身的错误、中介的失误，都会使投资行为偏离理性，形成对债券的错误定价，从而产生超额收益。

我们通过测试因子相对于各种变量的暴露，从风险维度解释收益。首先，测试每个因子以及多因子组合相对于宏观经济变量的暴露，并发现相关系数都显著。当增长预期较低、市场波动加剧且通胀预期上升时，多因子组合的收益较高。其次，将宏观经济的变量替换为经纪人-经销商杠杆的变化。在过去，这个杠杆常被用来解释权益和国债的超额收益。我们发现，该变量对企业债没有很好的解释能力。虽然系数为正，但并不显著。

定价错误的驱动要素有两个：（1）噪声交易者在该证券交易中的影响; （2）套利交易的限制。考察噪声交易者的影响，又可分为两个因素：债券持有人中的机构占比、公司财务的透明程度（可以用分析师的覆盖度代表）。

从套利限制的角度，我们考察了，（1）那些对于套利交易者或做空交易者最具吸引力的证券，是否真的难以套利或做空，但并没找到相关证据。（2）根据套利交易的受限程度（由此可以预测证券未来可能产生的错误定价）将证券分为若干组，考察不同分组中因子的多空组合的收益。最终发现，在难以套利的分组中，这几个因子的多空收益确实更高，且结果显著。其中，尤以动量因子最为突出。

此外，我们还针对投资者的预测错误进行了检验。由于预测错误难以获取，我们使用分析师的预测进行替代。假定分析师的预测是理性的，那么当预测被修正时，这个信息应该没有被提前获取。所以，正向或者负向的修正，都会带来价格的变动。结果表明，分析师的修正，只对动量因子的多空收益有解释能力，无法解释其他几个因子的收益。

综上所述，价值、动量、防御和利差，这四个因子皆具有超额收益，其来源可以通过风险暴露以及定价错误解释。在风险层面，因子暴露于宏观经济指标，从而获得溢价。而从定价错误的角度来看，动量因子最为敏感。主要表现在，动量策略在那些财务较为不透明的公司发行的、流动性较低的，且由不太成熟的投资者持有的债券中表现较好。分析师过去的定价错误被修正，可以解释动量策略的超额收益。然而，定价错误对其他因子收益的解释力度不足。

3控制质量因素后的规模溢价（Size Matters if You Control Your Junk）规模溢价的有效性受到质疑。质疑者认为，规模溢价在文献发表后持续走弱；集中于微小市值股票（micro-cap stock）；时间分布不均匀（集中在1月）；在海外市场的显著性较弱等。然而，我们发现，在控制了质量因素后，上述质疑都将烟消云散——在30个行业、24个国家的股票市场中，都存在长期稳定且显著的规模效应。

首先，我们计算了SMB组合、市值多空组合（分10组）的历史表现（1926.7-2012.12）。SMB组合的月均收益为23bps，T统计量为2.27。市值多空组合的月均收益为55bps，T统计量为2.32。这表明，规模溢价在美股市场是显著存在的。不过，市值组合的显著性要明显低于根据类似方法构建的价值与动量组合（T统计量分别为3.7、4.6）。但是，如果将样本按月份分为两部分，1月份市值组合的平均收益显著大于零，而2-12月份则接近于零。因此，规模溢价的统计显著性可能只是源于1月份小盘股的优异表现。而针对不同的时间窗口，SMB组合与市值多空组合的月均收益表现也大相径庭。例如，在1980至1999年间，就出现了长时间的负收益。如果把检验范围扩大到23个海外市场，SMB组合的月均收益仅为13bps，且在统计上并不显著。

我们发现，规模效应的不稳定可能与股票的质量因素相关。如果使用QMJ（高质量股票收益减垃圾股收益）组合收益对SMB组合收益进行时间序列回归，会发现SMB组合的alpha会由14bps上升至49bps，并且QMJ组合收益前的系数显著小于零。这表明，SMB组合的收益会受到质量因素的影响。为了控制质量因素对市值组合的影响，我们按照质量因子与市值因子将股票各自分为5组，并计算25个交叉分组内股票市值加权收益相对短期国债的超额收益。结果显示，除Junk组外，其他各质量分组下，小市值股票相对大市值股票都具有正超额收益，且其显著性水平都高于简单的市值多空组合。

关于规模溢价仅源于微小市值股票的质疑，我们对比了加入QMJ组合前后（原模型包含RMRF、HML、UMD），对分10组的市值组合收益进行时间序列回归的结果，发现市值组合alpha的显著性大幅提升，并且按照市值由小到大呈现出良好的线性单调关系。因此，在控制质量因素后，规模溢价在各市值分组间都是显著存在的，并非仅来源于微小市值股票。此外，在加入QMJ组合进行归因后，SMB在1月的alpha由2.09%降低至1.57%，而2-12月的alpha由-0.04%上升至0.38%（T统计量为3.62）。因此，可以认为，规模溢价的1月效应受到了垃圾股优异表现的影响。质量因素可以部分解释规模溢价的季节效应。最后，我们将上述研究拓展到海外股票市场，在控制质量因素后，SMB组合的alpha由11bps（T统计量0.99）上升至28bps（T统计量2.38）。因此，我们认为，在考虑质量因素后，规模溢价其实在海外市场也是广泛存在的。

综上所述，市值效应在历史上的不稳定性与质量因素息息相关。在考虑质量因素的影响后，市值效应的幅度与显著性大幅提高。因此，在投资决策与资产定价中，市值效应是投资者不可忽视的异象。

4估值因子迷思（The Devil in HML's Detail）估值比率是最受关注的风格因子之一。无论是基本面研究还是量化投资，都需要用到股票的估值。最常用的估值指标是账面市值比（Book-to-Price Ratio，B/P），也就是市净率（PB）的倒数。

然而，众所周知，由于公司财报的公布具有滞后性，每股净资产（B）只能采用之前财报公布的数据。因此，B/P也存在一定的滞后性。随之而来的另一个问题就是，股价（P）的时效是否应该与每股净资产（B）保持一致。一般而言，在计算B/P时，B的选择是固定的，都为最新年报的数据，但价格（P）的选择却没有定论。下面介绍三种不同的估值因子算法。

理论上，最真实的B/P值应该采用最新的每股净资产和最新的股价。但由于财报公布的滞后性，实际上永远无法计算最真实的B/P值。以上3种算法的结果亦是如此。因此，要分析估值因子，首先需要评估哪一种计算方法所得的B/P最接近真实值。

假设当前是2018年12月31日，且公司的财年结束于每年12月31日，并且依旧在每年6月30日更新股票的B/P值。理论上，公司的真实估值为：

下表展示了相关的回归结果，括号内为系数的t统计量。

另一个比较不同B/P算法优劣的方法是，计算根据相应B/P值构建的HML因子组合的收益表现。下表统计了不同算法下，估值因子组合收益的FF5因子模型的回归结果。FF5因子包括市场（MKT）、市值（SMD）、短期反转（STR）、动量（UMD）和其他算法的估值（HML）因子。

此外，从上表还可发现，采用不同时效股价的HML因子组合，动量因子系数的符号恰好相反。这是因为在一般情况下，股价的下跌会提高估值因子值（B/P），降低动量因子值。所以，这两个因子内在存在一定的负相关性。采用过时的股价计算估值因子时，并没有考虑后续股价的变化，就会削弱估值与动量因子间固有的负相关性。例如，若从上一财年末到组合调仓这段时间内，股价大跌，公司估值会变得更便宜，但采用过时价格计算的估值指标却不会发生变化。

综上所述，采用更新价格计算的B/P值，不仅更接近公司的真实估值，并且在多因子模型中表现更好。

5与风格组合构建技术相关的alpha（Craftsmanship Alpha）近年来，许多投资者都在寻找与传统资产低相关的收益源，风格溢价即为其中一种。在风格投资的过程中，投资者面临许多选择，不仅仅包括选择何种风格，更重要的是选择构建风格组合的方式。例如，对于价值风格，可以是多头倾斜组合，也可以是多空策略的纯风格组合；可以基于单一指标构建，也可以基于多个指标构建。

我们主要研究在构建有效风格组合过程中可能涉及到的技术，也就是在确定选择何种风格后，组合构建过程中面临的各种选择：从如何将信号转换为组合权重，到风险控制、优化和交易。这些设计选择可能会增加组合的收益，或降低组合的风险，或同时增加收益、降低风险，我们将涉及风格组合实现过程中的alpha称之为“Craftsmanship alpha”。

何种风格组合

通常而言，最被广泛接受和应用的风格溢价主要有价值、动量、防御（defensive）和股息率因子。此外还存在其他风格，如，规模和流动性。

对于同一种风格溢价，有多种形式的风格组合。以价值风格为例，最常见的获取方式是构建多头组合（即Smart Beta）。即，偏离市值权重，向价值风格倾斜。相比于其他方法，构建多头组合更容易实现，有更大的容量，并且不需要利用杠杆、做空或衍生品。但是，对于希望增加低相关收益源的投资者而言，构建多空组合是更为合适的方式。并且，这种方式下得到的收益是完整的风格溢价。构建多头组合和构建多空组合各有优点，选择何种风格组合需基于投资者自身情况确定。

如何构建风格组合

下面，我们着重考察在构建风格组合过程中，可能面临的设计决策和选择。这些选择虽然不会像分散化一样非常明显地改善夏普比，但也会在一定程度上影响组合的风格暴露和表现。

（1）更有效的风格度量指标

采用更有效的度量指标可以增强风格组合的收益表现。价值组合主要基于估值指标排序获得。其中，估值指标是公司价值除以价格。例如，净资产除以价格或盈利除以价格。这些概念看起来简单，但实际构建过程中却有很多细微的差异。例如，净资产是否包含无形资产或非营运性资产，盈利指标是否包含非经常性损益等。

对于价格指标，可采用最新值也可采用滞后值。按照标准的学术方法，由于财务报告存在一定的滞后期，HML应采用与净资产同期的价格。但是，倘若一家公司基于净资产和同期价格计算时，处于昂贵状态。而近期股价下跌，从估值角度来看公司状态变好，标准的算法就无法反映出这种变化。因此，采用最新价格计算的估值组合能更好地反映真实的“价值”因子，是度量价值风格更好的一种方式。

（2）多个度量指标

使用多个度量指标可减少与任何一个度量指标相关的测量噪声，有助于将它们的共同部分分离出来，反映真实风格。例如，对于价值指标而言，投资者可以将价格与多种合理的基本面相关联，包括但不限于收益、现金流和销售收入。对于动量指标，可以将盈利动量和价格动量结合。需要注意的是，使用多个度量指标并不是因子增强、数据挖掘。而是使因子背后的逻辑思想更加强大，因为每一种风格都没有完美的定义。

（3）股票选择和加权方式

学术界普遍采用的方法是设置一个分位点来选股，并采用市值加权构建组合。例如，Fama-French的HML构建方法即为，基于B/P对股票进行排序，选择B/P最高的1/3股票，按照市值加权构建多头组合，B/P最低的1/3按照市值加权构建空头组合。然而，33%分位点和市值加权都只是一种选择而已。通过选择不同的分位点和加权方式，可以改变组合的风格暴露程度，从而影响组合的收益表现。

在选择股票时设定的分位点越小，组合在风格上的暴露越集中。若对比50%分位点组合和33%分位点组合，后者在因子上的暴露更为集中，因此收益更高，但同时风险也更大，夏普比无明显差异。

另外一种增加风格暴露的方式是对得分高的股票设置更高的权重。通常而言，相比市值加权，这种基于风格得分的加权方式收益更高，夏普比也更高。但是，这种方式倾向于对市值小、流动性低的股票赋予更高的权重，因而会对组合流动性产生不利影响。一种平衡流动性和高收益的方案是，在加权方式中同时融入市值和风格暴露。

（4）计划外的风险

虽然构建风格组合的目的是获取纯风险溢价，但在这过程中的一些选择可能导致产生其他嵌入式风险。这些风险可能是计划外的，甚至只是风险，并未有相应的收益补偿。以Fama-French的HML组合为例，该组合存在行业风险和市场风险。在科技股泡沫期间，科技类股票的B/P较低，处于HML的空头部分，HML组合相当于净卖空科技板块。同时，由于科技类股票的风险较大、beta较高，HML组合还相当于做空市场。由此引发了一个关键问题，即，在HML组合的构建过程中，并没有计划对市场和科技板块择时。所以，它们是计划外的风险，应当予以剔除。

那么，怎么应对这些计划外的风险呢？一种可能的方式是对冲。对于市场风险，可构建零beta组合，即，多头组合的beta和空头组合的beta相同。对于行业风险，可以构建行业中性组合。但这并不意味着一定要对冲上述风险，投资者也可以选择对市场或行业风险进行暴露，关键是需要意识到这些风险的存在，并做出自己的选择。

（5）目标波动率

目标波动率（或风险）是一种基于波动率变化动态调整名义头寸，以寻求不同时期风险一致的方法。这种方法下的组合在时间序列上更为稳定、风险更为分散。当然，目标波动率方法有效的前提是，投资者认为波动率可预测，且交易成本不会抵消收益。

（6）多风格组合

多种风格的结合主要有两种方法：组合复合和信号整合。前者是指将单一风格的组合复合；后者是指直接在组合构建过程中将多个风格结合为一个信号，然后基于综合信号构建组合。这两种方法得到的组合，收益表现可能存在明显差异。以价值和动量这两种相关性较低的风格为例，信号整合方式的收益表现优于组合复合。此外，信号整合方式可以对冲头寸，降低交易成本。

（7）战略还是战术

关于风格投资一个更大的问题是，实行战术性的择时还是维持战略配置。战术择时是指当预期未来某种风格收益高于历史均值时，赋予这种风格更高的权重。投资者通常使用一系列的指标来确定某种风格是否更具吸引力，例如，估值差、风格动量、宏观条件等。虽然一些战术择时在学术文献中被证明是有效的，但实践起来却非常困难。在决定是否择时以及权重偏离时，需要考虑投资者的择时能力以及组合中已有的风格。例如，在众多择时指标中，估值差通常被认为效果较好。但当战略配置组合中已有估值风格时，基于估值差的择时边际效果很弱。

如何实现风格组合

尽管在组合构建过程中，可以通过信号增强或更好的加权方式来有效获取潜在的风险溢价，但确保交易和风险管理不会侵蚀收益也很重要。

（1）组合实施

有效的组合实施是指扣除交易成本后仍能获得较高的收益。从交易频率来看，日度换仓组合的收益高于年度换仓，但前者的执行成本也更高。在确定换仓频率时，应对比扣费后的收益。另外一种减少交易成本的方法是允许偏离，即，投资者想要日度换仓，应当允许组合与理想状态存在一定的偏离，以此降低成本。

（2）经济有效的执行

在确定换仓频率后，投资者可采用有效的交易技术，最大限度地降低交易成本。这部分成本很大比例源于价格的影响，也就是执行成本和投资者进入市场时的成本差异。减少价格影响的一种方法是耐心，如，分多个交易日完成组合构建；若是日内交易，则分多个时段完成。

（3）风险管理

风险管理也是风格投资中的一个重要问题。我们之前已经探讨过计划外风险的对冲和目标波动率方法。除此之外，投资者还需注意其他风险，如杠杆、流动性、偿付能力（即足够的现金流）、左尾风险、相关性风险等。对于多空组合而言，杠杆风险非常重要，应对方式有：基于波动率调整风险暴露、限制杠杆水平、保持足够的现金等。

但即便有风险管理，风格组合也有可能遭遇持续回撤的困难时期。因此，提前有一个系统性的风险应对方案非常重要。例如，当组合的回撤到达某个程度或是短期尾部风险上升时，快速减少组合的风险暴露，直到收益改善或左尾风险消退时，再把风险暴露调整至原来的水平。这种计划在恐慌时期尤为重要，它可以使投资者保持分散化，并在困难时期生存下来。

6无处不在的价值和动量（Value and Momentum Everywhere）价值效应和动量效应是资本市场中关注度最高的两个现象，也是市场有效性争论和资产定价研究的焦点。前者是指资产收益与其“长期价值与市值之比”之间的关系，后者是指资产收益与其历史表现之间的关系。我们通过检验八种不同市场和资产类别间的价值和动量的联合效应，为上述两种市场异象提供一种新的视角。我们发现，价值和动量因子在各类资产中均有显著溢价，复合因子的表现十分出色。

我们使用的标的如下所示：

四类股票资产：美国、英国、欧盟（不包括英国）和日本（1972-2011）。

四类非股票资产：美国、英国、日本等18个发达国家主要市场的股指期货（1978-2011）；美国、英国、日本等10个国家的外汇期货（1979-2011）；美国、英国、日本等10个国家的国债期货（1982-2011）；原油、铜、黄金、玉米等27种商品期货（1972-2011）。

我们使用资产过去12个月的收益率（剔除最近一个月）作为动量指标。对于股票和股指，使用账面市值比作为价值指标；对于其他资产，使用该资产过去五年累计收益率的相反数作为价值指标。分别将八类资产的动量和价值指标按大小分为高、中、低三组，构建了48个投资组合。在每类资产中，按指标相对排序加权构建了零成本的多空组合作为动量和价值因子，并将两因子等权合成得到复合因子。

回测结果显示，在绝大多数资产内部，动量与价值因子的收益都是显著的，且因子间负相关。虽然债券市场的价值因子收益在统计上不显著，但如果改变价值指标的计算方法，例如，采用实际债券收益率（10年期国债利率-5年通胀预期）或期限利差（10年期国债利率-短期利率）等，因子收益便能通过统计检验。我们将每类资产内部价值因子多空组合与动量因子多空组合等权重合并，再把不同资产按照波动率倒数加权构建组合，夏普比率高达1.45。

通过研究全球性动量和价值因子的驱动因素发现，经济增长、消费、期限结构、违约风险等宏观经济指标和市场流动性对因子影响较弱。而融资流动性对因子有显著影响，和动量效应正相关，和价值效应负相关。

为什么融资流动性对动量和价值因子的影响截然不同？一个直观的解释是，动量策略做多过去涨幅较大的资产，代表热门的交易；而价值策略则相反，代表冷门的交易。当融资流动性出现负向冲击时，投资者在同一时间变现，给拥挤的高动量资产带来更大的压力，而冷门的高价值资产受到的影响则相对较小。价值和动量等权重组合在对融资流动性风险免疫的同时，可以获得较高的收益。因此，融资流动性仅能为动量溢价提供部分解释，但不能解释价值溢价或价值动量复合因子的溢价。

任意资产的动量因子和其他资产的动量因子都是正相关的，和其他资产的价值因子都是负相关的，价值因子同样如此。我们使用其他资产的动量和价值因子来解释48个组合的收益，发现实际收益与预测收益的截面回归R方达到55%。更一般地，若使用MSCI全球市场指数、多资产动量因子和价值因子构建全球市场三因子模型，截面回归R方提高到71%，解释能力高于全球CAPM、Fama-French三因子和六因子（在三因子基础上加入动量、债券期限结构和违约因子）等对比模型。进一步选取13只对冲基金指数作为研究对象，发现全球三因子模型对指数收益的解释能力同样高于其他模型。

最后，我们对比了动量和价值因子在1972-1991和1992-2011这两个时段的表现，发现随着时间的推移，因子的夏普比率出现小幅下降。与此同时，不同市场中的因子相关性却有所提升。动量因子的平均相关系数从0.46提升至0.77，价值因子的平均相关系数从0.31提升至0.71。然而，两个因子之间的相关系数却从-0.44下降至-0.63。因此，复合因子在这两个时期的夏普比率基本持平。

7动量投资的10个误区（Fact, Fiction, and Momentum Investing）“动量效应”（Momentum effect）一般又称“惯性效应”，由Jegadeesh和Titman（1993）提出，是指证券的收益率有延续原来运动方向的趋势。即，过去一段时间收益率相对较高的证券在未来获得的收益率，仍会高于过去收益率相对较低的证券。基于动量效应，投资者可以通过买入过去收益率高的证券，卖出过去收益率低的证券获利。这种利用证券价格的动量效应构造的策略，称为动量投资策略。

在过去的212年中（1801-2012），动量效应已在40多个国家的各大类资产中被广为证实。然而，日益兴起的关于动量效应的研究也将投资者引入了诸多误区。例如，动量效应极其微弱且非常短暂、动量效应主要在空头存在、动量效应仅在小盘股中存在、动量效应的收益无法覆盖交易及税收成本等。针对这些质疑，我们挑选了10个有关动量投资的经典误区，为投资者逐一进行解释。

误区一：动量效应的收益极其微小且非常短暂。实证研究证明，动量投资策略的收益显著且稳健，比市值效应和估值效应有更加显著的超额收益。

误区二：持有空头的投资者能从动量效应中获益，多头投资者则不能。部分投资者认为，动量效应仅能给空头投资者带来收益，其实不然。我们分别测算了动量效应的多头和空头经风险调整后的alpha及超额收益，证实了动量效应在多头与空头均适用。

误区三：小盘股的动量效应比大盘股更为显著。实证检验无法证实小盘股比大盘股有更强的动量效应收益。

误区四：动量投资策略的收益难以覆盖交易成本。我们通过大量实际交易数据的检验证明，在考虑交易成本的情况下，动量策略仍能获得显著的超额收益。

误区五：动量投资策略对应税投资者无效。虽然动量策略的换手率很高，可能会带来较高的税收负担。但事实上，“追涨杀跌”的本质使其倾向于避免短期资本利得的频繁兑现，这反而对应税投资者有利。

误区六：动量效应更适合作为股票样本池的筛选指标而非直接选股指标。动量效应的收益显著且持久，在实际交易中可以覆盖交易与税收成本，同时也适用于只能持有多头头寸的投资者。因此，将动量策略仅用于股票样本池的筛选是低效的，我们更推荐将其作为一个直接的选股因子。

误区七：投资者应对动量效应的消失保持高度警惕。部分投资者认为，动量效应是投资者信息反应不充分的结果。随着市场有效性的提高和套利资金的进入，动量效应会逐渐消失。但研究发现，虽然过去20年，交易成本不断下降，对冲基金以及主动共同基金的规模不断扩大，但是没有证据能够表明动量效应正在逐渐消失。

误区八：动量投资策略的波动大，因此可信度低、并不稳健。动量策略有着稳健的收益，但它的优势并不仅仅局限于此。由于与其他常见策略的相关性较低，动量策略还具有良好的风险分散功能，对提高组合的稳定性具有显著的作用。

误区九：动量投资策略对时间窗口的选取敏感性非常高。实证检验证明，用不同方法得到的动量因子，在各个时间窗口下均产生了非常相似的结果。

误区十：动量投资策略的背后没有相应的经济学理论作为支撑。严谨的学术研究证明，动量效应的背后是有行为经济学与风险溢价理论基础的。如果投资者的行为模式和风险偏好不变，可以预期动量效应将会持续。

8与Beta为敌（Betting Against Beta）经典的CAPM模型假设所有的投资者都会选择收益风险比最大的组合，并通过增加或降低杠杆满足其风险偏好。然而，在实际的投资中，许多投资者（例如，个人投资者、养老年金、公募基金）在使用杠杆时，都会或多或少地受到限制。

为了追逐更高的回报，杠杆使用受限的投资者会倾向于买入高beta的资产。这种对高beta资产的追捧，使得它们的alpha往往较低。因为高beta资产提供了杠杆，故投资者对该类资产要求的风险调整后收益会降低。这一观点在美国以及其他20个国家的股票市场都得到了印证，甚至还可进一步延伸至债券以及期货市场。

我们首先在理论上提出了以下5个命题。

命题1：高beta，低alpha。

命题2：BAB因子的正向预期收益。

命题3：融资冲击与BAB因子收益。

命题4：beta压缩。

所有证券的条件期望收益beta会被压缩至1。即使BAB因子组合在构建时相对于所使用的信息集市场中性，BAB组合的条件beta也会趋向于正（或者负）。

命题5：受限制的投资者偏好高beta。

杠杆使用未受限的投资者会持有无风险资产以及由beta低于1的风险资产构成的组合，而杠杆使用受限的投资者会持有那些beta更高的股票。

基于上述理论，我们构建了BAB因子组合，并对组合收益表现进行了回测分析。BAB因子组合的构建主要分为以下3个步骤：

以下三表分别展示了BAB因子在美国、全球以及各国股票市场内的回测结果。不难发现，BAB因子在绝大部分市场中都呈现出较高的超额收益和alpha。

除了股票市场，我们还对BAB因子在债券以及商品市场中的表现进行了实证。结果表明，BAB因子在这些资产中同样具有较好的收益表现。

9浅谈价值投资的一些事实和误区（Fact, Fiction, and Value Investing）“价值”是一种市场异象，即，便宜的资产往往比昂贵的资产有更好的收益。价值溢价可以通过做多前者，同时做空后者得到。价值溢价广泛存在于全球40多个市场和大部分资产类别之中。价值溢价从最初被学术界研究，至今已经有超过30年的样本外验证。若是放松其定义，价值投资甚至可以追溯到英国的维多利亚时期。

我们对学术界以及业界有关价值投资的某些观点进行了梳理，并对价值投资的一些事实和误区予以探讨。

误区1：价值投资意味着需要精心挑选一些便宜的价值股，并构建集中的投资组合。

有些人认为，价值投资是特质性的，必须要像巴菲特那样，深入了解每只股票，然后挑选出几只最有把握的便宜的价值股放入自己的投资组合，等待长期投资带来的回报。

巴菲特的价值投资主张集中持股，股票数量往往不超过10只。但是，巴菲特的导师本杰明·格雷厄姆却主张系统性的分散化投资。美国著名喜剧演员乔治·伯恩斯每天要抽10到15根雪茄，却活了100岁，但这并不意味着我们可以忽视吸烟有害健康的事实。分散化的价值投资亦是如此。大量的学术研究和业界经验都证明，分散化的价值投资组合同样可以带来长期的收益，并不用试图将其中最好的标的挑选出来。

实际上，我们认为，系统性的价值投资和特质性的价值投资并不互相冲突。一个具有特质性价值投资能力的投资者，理所当然会得到相应的回报。但是，其他进行分散化价值投资的投资者同样可以获得长期的收益。我们并不是对巴菲特的投资哲学进行否定，而是认为价值投资并不仅仅是“巴菲特”。

误区2：因为价值投资基于一定的规则且换手率低，所以是被动策略。

我们认为，任何偏离市场组合权重的组合在理论上都是主动型投资，因为只有市场组合才是所有投资者同时持有的组合。对于超配了价值股的价值投资者，总会有对应的超配了成长股的对手方。

有一些人会认为，我们对被动投资的定义过于狭隘，更合适的定义应该是：投资遵循一定的规则，且换手率较低。在这种定义下，巴菲特的投资策略应当是被动策略。因为巴菲特的价值投资策略也基于一定的规则，而且他的投资组合的换手率比市场组合还要低。但是，显然没有人会认为巴菲特是被动投资者。

事实1：基本面指数只是一种系统性的价值投资。

和价值相关的基本面指数，通常基于多个价值指标进行选股后，编制而成。有些人过度营销并夸大了基本面指数，声称它与价值投资相关，但是比传统意义上的价值投资更出色。我们认为，基本面指数的确是一种流动性强且可投资的价值投资产品，它相比宽基指数超配了一些价值指标更高的股票，但它仅仅是一种系统性的价值投资。

事实2：盈利指标可以帮助改善价值投资。

盈利指标可以在投资者挑选价值指标强的公司的过程中，帮助筛选到基本面质量更高的公司。格雷厄姆在《聪明投资者》一书中提到的价值投资选股方法，就对盈利水平有很多的要求。我们参考了Fama-French和Carhart因子模型中价值（HML）、盈利（RMW）和动量（UMD）的定义，计算了美股市场上从1963年到2014年各个因子的夏普比率。如下表所示，价值因子与其他因子结合往往会有更好的效果。若配上盈利和动量因子，夏普比几乎提升了一倍。

误区3：价值因子是多余的。

Fama-French的五因子模型相比于原先的三因子模型增加了盈利因子（RMW）和投资因子（CMA）。从五因子模型的结果可以发现，价值（HML）因子的收益可以被其他4个因子所解释，因此Fama和French认为价值因子是多余的。

我们并不认同这个结论。Fama-French五因子模型的结果实际上存在两个问题：1. 模型中的HML因子使用了非常滞后的价格数据；2. 未包含动量因子。

如上表所示，如果用HML与另外4个因子做回归，截距项并不显著。这意味着在Fama-French五因子模型中，HML因子确实可以被其他4个因子所解释。但是，这个HML因子实际上并没有反映当前的市场情况。因为，因子每年6月份更新的时候，价格和账面价值用的都是上一年12月份的值。为此，我们重新定义了价值因子（即上表的HML-DEV），使用最新的PB数据，并且每个月都更新一次。由上表可见，在加入了动量因子（UMD）之后，以HML-DEV为被解释变量的回归模型的截距显著大于零。

事实3：价值投资不仅仅与股票相关。

对于大部分投资者来说，价值投资是专属于股票投资的一个概念。因为大部分价值投资的研究和实践都是关于股票的，而且最常见的判断价值的方法也是通过股票的财务指标。但是，价值投资的核心只在于挑选出便宜的标的。因此，如果我们可以在其他的资产类别中用某些方法判断标的是否便宜，那么我们就可以构建价值组合。

例如，过去的长期收益率（比如5年）是一种通用的判断资产便宜与否的指标。而每个资产都有收益率数据，因此每个资产都至少有一种价值指标。另外，债券的价值指标有实际债券收益率（收益率减预期通胀率），外汇的价值则可以通过购买力平价（Purchasing power parity ）相对于汇率的偏移来判断。

事实4：价值因子有很多种计算方式，但最好是复合多个指标。

理论上来说，每个指标都存在一定的噪音，而多个指标的复合可以弥补这一缺陷。如下表所示，我们使用不同的指标计算HML因子，然后比较不同方法的区别。虽然复合因子的收益率和单个因子相比，在平均意义上相差不大，但波动率却是最低的。

事实5：价值因子在大市值股票中的表现相对更弱。

很多学术研究都发现，在小市值股票中，很多因子预测收益的效果往往会更好，价值因子也是如此。我们分别构建了HML-小市值和HML-大市值两个因子，考察它们在不同时间段内的表现。由下表可见，价值因子在大市值股票中的风险溢价较低，远远不及在小市值以及全市场范围内的表现。

误区4：价值因子是一种风险溢价，而不是市场行为的异象，因此未来不会有衰减的风险。

这一句话有两个部分，第一部分是价值因子是风险溢价，第二部分是价值溢价（或者所有风险溢价）未来都不会消失。

对于第一部分，我们并不完全否认，只是认为过于绝对。学术界对价值因子是否是风险溢价依然存在争议，我们的观点是，风险溢价和市场异象在价值因子上或许同时存在。

对于第二部分，我们认为，即使价值因子是完全的风险溢价，也不意味着它未来不会消失。反过来说，市场行为的异象也不一定就会消失。如果要消除市场行为导致的错误定价，要不投资者的行为偏差被完全修正，要不有大量的资本自愿去对立面进行填补。

有效市场假说的支持者认为，错误定价的修正是自然的。但现实是，套利条件的限制往往会妨碍修正的进行，而且也不能要求所有的投资者都变得足够理性。

10时间序列动量（Time Series Momentum）“时间序列动量”作为一类异象，和常用的横截面动量有所区别。后者通常采用资产在截面上的相对表现作为因子，即，买入过去N期表现相对较好的资产，卖出表现相对较差的资产。前者仅采用资产本身的收益率预测其未来表现，不考虑资产之间的比较。

为验证时间序列动量的效果，我们采用58种资产、25年的数据作为研究对象。具体包括，股指、货币、商品和政府债券的期货和远期合约。我们通过回归分析发现，1-12个月的时间序列动量对资产未来收益具有正向预测效果，且在每个资产类别中均存在。

根据这种预测能力，我们构建了时间序列动量策略。对于每一个资产，过去k个月收益为正则做多，过去k个月收益为负则做空，持有h个月后换仓；在形成组合时，采用事前波动率对每个资产的仓位进行调整。即，事前波动率越大的资产仓位越小，反之亦然。同时，为了避免路径依赖，在持有期的每个月末都运行一次策略，以它们的平均收益作为时间序列动量策略的收益。

如下图所示，时间序列动量策略在每个资产上均优于长期持有策略，相对夏普比显著大于零。

下表展示的是时间序列动量策略的收益剔除常用基准后的alpha。显然，在不同回看期和持有期下，alpha均能保持稳定。

我们进一步研究了时间序列动量策略的收益能否被其他因子所解释。具体包括，传统的Fama French因子、近期文献发现的波动率、流动性和市场极端环境等因子，结果如下表所示。

虽然同属动量效应，但时间序列动量策略的收益却未被横截面动量完全解释。下表展示了两者回归后的结果。

相反，时间序列动量因子却可以解释横截面动量因子、传统风险因子以及部分经典策略的超额收益（见下表）。

时间序列动量因子能够解释横截面动量因子，反之则不能，是因为前者包含了更多的信息。我们将两个动量因子的收益分别拆解为以下形式，验证这一推断。

横截面动量的收益可分解为3个部分：自协方差（下式第一项）、互协方差（下式第二项）和横截面方差（下式第三项）。

时间序列动量的收益等于自协方差与各资产收益率的均方和。

其中，

下表给出了我们设计的时间序列动量和横截面动量策略的收益分解结果。

由上表可见，两个动量因子的大部分收益均由自协方差贡献。因此，它们之间的高相关不足为奇。但是，互协方差在横截面动量因子中贡献了较为显著的负收益，而这种现象在时间序列动量因子中并不存在。因此，时间序列动量策略的收益更高，且不能被横截面动量因子所完全解释。

最后，我们尝试对时间序列动量的收益来源进行解释。行为金融学中，投资者对信息的反应不足能够较好地解释1-12个月动量的延续性，而对信息的反应过度恰好能解释13个月及以上动量的反转性。此外，若对比时间序列动量与期货市场持仓可以发现，时间序列动量策略的超额收益可能来自于套保者。即，通过为套保者提供流动性获得补偿。

11风险提示市场系统性风险、模型失效风险、海外与国内市场结构差异风险。

特别声明：本篇报告的结果均由数量化模型自动计算得到，研究员未进行主观观点调整；数据源均来自于市场公开信息。

联系人：冯佳睿，021-23219732

免责声明：自媒体综合提供的内容均源自自媒体，版权归原作者所有，转载请联系原作者并获许可。文章观点仅代表作者本人，不代表新浪立场。若内容涉及投资建议，仅供参考勿作为投资依据。投资有风险，入市需谨慎。