行业动量策略的改进与ETF组合落地

在此前经济周期系列报告《宏、中观复合周期驱动下的行业择时与配置策略》中，我们发现将“宏观周期”与“动量”二者结合构建行业轮动策略时，“动量”几乎解释了所有收益来源。基于上述背景，本着希望提升行业动量因子表现的目的，本文先探索了行业动量的成因与风险点，然后基于该分析对行业动量进行了改造，最后将行业轮动策略落地至ETF组合。

为什么行业呈长期动量效应？——不同样本的动量效应差异。 由于龙头股的信息透明度高、具有流动性和成本优势、更容易被大资金追随，所以其龙头股样本空间内动量效应较为明显。而行业指数通常由市值加权所得，因此行业指数就可以看作为一个龙头股样本，故有较强动量效应 。

什么时候行业动量会阶段性失效？——三类环 境。 1）在熊市容易失效；2）在高波动率或牛熊快速切换的环境下容易失效；3）在行业拥挤度过高时容易失效。

如何改进行业动量效果？——动量择时+拥挤度惩罚。具体来讲，有四个步骤： 1）将行业动量拆解为两个部分，一部分是由龙头股代表的动量效应，另一部分是由非龙头股代表的反转效应；2）根据A股PE、PB中位数和短期市场波动率定义牛市、熊市、震荡市环境；3）在牛市环境下观察龙头股动量，在熊市和高波环境下观察非龙头股反转，在震荡市环境下同时考虑龙头股动量和非龙头股反转；4）叠加行业内Beta拥挤度因子，降低截面高拥挤度行业整体动量因子值 。

按上述方法构建月度调仓的行业轮动策略，Rank IC均值达到9.67%，多头组合（TOP5行业）2010年底以来年化收益为16.20%，年化超额收益约为11.08%。

如何构建ETF行业轮动策略以及中证800指数增强策略？ 本文以全市场股票型ETF（除规模指数型ETF）为样本池，在对市值和发行时间进行限制后，按修正动量策略所推荐的行业构建ETF组合。具体来讲，有等权和不等权两类策 略 。

1）等权ETF行业轮动策略，即每月末所选ETF组合的行业分布与等权推荐行业分布的差异最小。 该策略2018年底以来扣费后的年化收益率为18.46%，年化超额收益率为12.03%，夏普比率约为0.90。

2）基于中证800行业权重的不等权ETF行业轮动策略，即每月末所选ETF组合的行业分布与中证800推荐行业权重倒数占比的差异最小。 该策略2018年底以来扣费后的年化收益率为25.23%，年化超额收益率为18.80%，夏普比率约为1.14。 若考虑指数增强策略，“60%中证800指数+40%基于中证800的不等权ETF行业轮动策略” 2018年底以来年化收益率为14.08%，年化超额收益率为7.64%，年化跟踪误差为7.54%，信息比率为1.01。

风险提示： 本报告结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。

在此前经济周期系列报告 《宏、中观复合周期驱动下的行业择时与配置策略》 中，我们通过选择不同宏观状态下表现较好的行业，构建了一个宏观周期驱动的行业轮动策略。然而其本质上是一类动量策略，考虑到宏观中周期的跨度较长，周期条件下的行业动量策略实际上并没有很有效地提升策略表现。 将“宏观周期”与“动量”二者结合构建20个工业企业行业的轮动策略时，“动量”几乎解释了所有收益来源。

1）大市值或龙头股样本内动量效应强，而小市值或非龙头股样本内反转效应强，行业指数使用市值加权，故可视为大市值样本池，进而展现出动量效应；

2）行业动量在熊市、高波环境、行业拥挤度偏高的情况下容易失效，这一现象在海内外市场均有发生；

3）计算每个行业内龙头股动量和非龙头股反转因子，通过对牛熊市、高波市的判断，对动量因子进行择时，并叠加行业拥挤度惩罚，得到拥挤度惩罚后的复合修正行业动量。2010年底以来多头组合年化收益为16.20%；

我们先对短期动量和长期动量进行了定义。动量因子的构建方式众多，总体上可以分为传统动量、增强动量、风险调整动量三大类。其中，传统动量因子主要以价格涨跌幅构建动量因子，增强动量则包含如日内动量、隔夜动量、龙头股动量等构建方式，风险调整动量则包含如夏普动量、信息比率动量等构建方式。国内市场机构对上述不同类型动量因子在A股行业层面的效果有过一定测试，结果表明A股行业层面上残差动量因子和夏普动量因子均有较好的效果。

考虑到本文重点并不在于如何从公式层面计算动量因子，我们希望选择一个相对具有普遍意义的动量构造方式作为研究的基础，并尽量能与 《宏、中观复合周期驱动下的行业择时与配置策略》中的动量构建方式保持一致 。 因此，结合因子效果以及构建方式的难易程度，本文选择夏普动量的方式对动量因子进行构造。具体来讲，定义滚动20个交易日的夏普动量为短期动量，滚动242个交易日但不包括近20个交易日的夏普动量为长期动量。 最终推荐策略我们还会按最简单的动量构建方式进行补充测算，在此先按下不表。

在定义完动量因子的构建方法后，我们分别在沪深股票池和中信一级行业指数池中进行短期和长期动量因子的回测，调仓频率设置为月度。 从结果上看，的确呈现出行业动量（长期动量）但个股反转（短期反转）的规律。

为什么行业相较于个股会呈现长期动量效应？有以下三种潜在的原因： 1）定性角度来看，行业走强较个股更受基本面驱动，在例如技术创新、政策变化、经济周期等长期因素的影响下，行业整体表现往往会延续一段时间（Hou and Moskowitz, 2005）；2）行业信息扩散的时滞性，即行业之间的信息扩散速度的差异，会导致一些行业在特定信息基础上的动量效应更为明显（Hong, Torous, and Valkanov, 2007）；3）龙头股效应，龙头企业通常占据行业内显著的市场份额，其表现对行业整体动量效应影响显著。表现良好的龙头股可能会带动整个行业上涨，反之亦然（Chui, Titman, and Wei, 2010）。

本文我们主要考察在A股中是否是龙头股内的动量效应比较强。 具体来看，我们将沪深两市的股票按不同特征划分为5组，并在每组内部考察动量因子的效果，即观察不同样本组下累计Rank IC的走势。其中，不同市值、成交量、估值水平的样本股之间的长期动量效应差异较为明显。 以总市值为特征的不同分组累计Rank IC结果为例 ，可以看到最大市值组长期动量的Rank IC整体为正向，而小市值组长期动量的Rank IC整体却为负向。 换而言之，对于大市值股票，如果其过去1年的风险调整后收益较高，那么其较其他大市值股票在未来可能获得更多超额收益；而对于小市值股票，如果其过去1年的风险调整后收益较高，那么其较其他小市值股票的未来表现会更差。 因此，对于使用市值加权法构建的行业指数来讲，每一个指数都可以看成一个大市值股票，而正如上述测算结果所示，大市值股票样本内的动量效应强于反转效应，故而在行业层面形成相对明显的动量效应而非反转效应。

当然，除了大市值样本的动量效应强于小市值样本外，高成交额、低估值、低换手率样本也在不同程度上有类似的现象（高-低成交额、低-高估值、低-高换手的Rank IC均值差异）。但需要注意的是，以成交额、估值、换手率划分样本空间后，不同特征的样本集大多仍呈现反转效应，只是高成交额、低估值、低换手率样本的反转/动量效应很弱，进而导致Rank IC均值差异相对较大。

因此，为什么行业指数具有动量效应的问题实际上就转变成为什么大市值股票或者龙头股动量效应更强的问题。从海内外研究的结论上来看，有以下三个潜在原因： 1）龙头股的信息透明度较高，因此其长期趋势的形成往往基于市场对其基本面情况的高度共识，故在没有明显基本面逻辑变化的情况下，龙头股的长期趋势性更强（Jegadeesh and Titman, 1993）；2）高流动性与低成本，大市值股票通常具有较高的流动性，交易成本较低，使得投资者更愿意在这些股票上建立和调整头寸，从而强化了动量效应；3）羊群效应，大市值公司在市场中受到更多投资者的关注，当这些公司的股价上涨时，跟随趋势的投资者往往会加大买入力度，进一步推动股价上涨，使动量效应更为明显。

综上所述，由于龙头股的信息透明度高、具有流动性和成本优势、更容易被资金追随，故其也更容易具有动量效应。而行业指数通常由市值加权所得，因此行业指数样本就可以看作为一个大市值或龙头股样本。此外，由于行业趋势通常由长期基本面因素影响，以及行业间的信息传递存在时滞性，最终导致行业的长期动量效应相对较为明显。

在上一部分的内容中，我们展示了行业指数具有长期动量而个股具有短期反转的效应，并就为什么行业指数更容易出现动量效应进行了解释。在认同行业指数具有动量效应的背景下，我们构建了最简单的指数长期夏普动量策略，可以看见高长期动量的行业组合表现也并没有十分突出（图10）， 如果从Rank IC的走势上看，在部分时间段也出现了较为明显的失效情况。因此，在这一部分本文将结合学术上的一些观点，尝试总结导致行业动量因子崩溃的几个主要原因。

第一，动量因子在熊市容易失效。 Andrew（2021）总结了1928年至2019年美股动量因子在牛熊市环境下的表现。在图表11中，最左侧的红色数据代表着市场表现为负时的动量因子收益表现，右侧四组则代表着收益为正时（不同牛市程度）下的动量因子收益表现。可以看到，在过去24个月市场收益为负时，美股动量因子的收益率显著转负，且波动率明显上升。在国内市场，类似的情况也有发生。从图12中可以看到，国内行业动量的Rank IC在2015年、2018年、2022年、2023年的相对熊市区间均转负。那么为什么在熊市环境下动量会失效？库珀等（2004）认为交易行为是导致的这一现象发生的核心原因，理由是投资者在熊市的风险偏好降低，因此其将会倾向于停止追逐股票，即便该股票在过去一段时间跑的还不错，进而导致动量暂时失效。

第二，动量因子在高波动率或牛熊快速切换的环境下容易失效。 定性来看，高波环境不利于动量因子的发挥很好理解，因为动量因子的根源是捕捉价格具有趋势性变化的资产，而一旦市场波动率很高，那么资产价格的趋势就会减弱，导致资产间动量差异减小，进而导致动量因子的失效。定量来看，Stivers和Sun（2010）提出反映市场波动率的RD指标，RD值高意味着市场转变为一个脆弱（高波动率）的市场，此时动量的收益率下降。Andrew（2021）同样在美股中统计了高波环境下动量因子的表现，其根据市场前一个月的波动性（以每日市场回报的标准差衡量），将次月动量因子收益等分为五个组。在波动较小的五个组，动量因子收益显著为正。但对于波动率最高的组，动量因子月收益率为-0.30%，而2000年后这一数值更是下滑到-1.11%。该现象在A股市场同样发生，可以发现行业动量的平均Rank IC随着过去24个月市场波动率水平的升高而降低。

此外，在“熊市迅速切换至牛市”这一特定的高波环境下，行业动量失效地更为明显。 Grundy和Martin（2001）认为在上涨的市场中，动量策略将倾向于市场中正Beta值的股票，即获得显著正向Beta暴露。反之，在市场下跌时，动量策略组合趋向于在Beta上构建负向暴露。然而，在市场长期下行后快速反弹时，Beta收益率迅速上行，从而导致动量策略的Beta收益在短期内大幅下降甚至出现负值，从而导致损失。 该现象在海内外均有发生， 美股在1932年和2009年超跌反弹后，动量因子收益率就出现明显回撤。而A股市场的行业动量因子多空收益率在2014年下半年和2024年9月市场的快速上行中同样出现了较为明显的回撤。

第三，行业动量因子在行业拥挤度过高时容易失效。 如前文所言，行业更容易拥有长期动量的原因之一是行业间的信息传递存在较长时滞性。因此，当行业间的信息处于传导过程中，则行业指数呈现动量效应；然而，一旦市场上多数投资者都获取到了相关信息，也就意味着市场对某些行业未来走势的预期过分一致，则可能先助推价格走势，在行业拥挤度达到顶峰后出现反转。据此，规避相对拥挤的市场环境和行业是动量策略回撤控制的重要方向和手段。我们以行业轮动速度来定义市场整体的行业拥挤环境，即越低的轮动速度代表越高的拥挤环境，并观察在不同拥挤环境程度下，下一个月行业动量因子的平均Rank IC。从结果上来看，当市场整体的行业拥挤度处于中性或中性偏高时，市场仍能维持较好的动量效应。然而，一旦市场整体进入极度拥挤的环境，则行业动量的Rank IC转负。这意味着当市场行业轮动速度过慢，投资者对某些行业达成高度一致的时候，该行业的动量因子反而会趋于失效。

从之前的逻辑上来看，行业指数主要由大市值股票构成，导致龙头股效应比较强，那么应该可以尝试直接用行业内大市值股票动量代表行业动量进行“提纯”，构建行业轮动策略。 具体来讲，首先我们计算沪深两市所有股票的长期动量因子，然后在每个中信一级行业的成分股中选择总市值排名前25%的股票作为龙头股，之后为了避免极值情况，我们选择这25%股票中的长期动量因子中位数作为该行业的长期动量因子，最后在每个月月末的截面上，选择行业动量因子排名前5的行业进行配置， 并 称上述策略为“龙头股行业动量策略” 。

从结果上来看，龙头股行业动量策略的分组收益率单调性有所提升，但多头组的收益率有所下降，且2013-2016年存在显著的失效情况。 具体来看，龙头股行业动量策略2010年底以来多头年化超额收益约为3.74%，Rank IC均值为4.71%，这表明行业龙头股动量策略具有一定行业选择能力，但是从Rank IC的时序变化图上来看，该方式构建的动量策略在2014-2016年的出现明显失效，说明该行业动量因子的构建方法仍有提升的空间。

为什么仅以龙头股为行业动量构建的轮动策略，较前文直接用指数构建的轮动策略并没有明显的提升？我们认为有以下两点潜在原因导致：

1）行业指数虽以龙头股为主，但剩余股票仍对行业指数有影响，且非龙头/小盘股是呈现反转效应，因此行业指数中有龙头股动量和非龙头股反转两个效应。

2）从时序角度上来讲，“龙头股动量->行业指数超额收益率，非龙头股反转 -> 行业指数超额收益率”的传导过程，可能并非对所有行业指数都是通顺的。

为了验证这一想法，我们进行了四组格兰杰因果检验，分别是： 1）行业龙头股相对长期动量与行业龙头股超额收益；2）行业龙头股超额收益与行业指数超额收益；3）行业非龙头股相对长期动量与行业非龙头股超额收益；4）行业非龙头股超额收益与行业指数超额收益。其中，行业龙头股和非龙头股收益率分别由行业内市值排名前25%和后25%个股收益率中位数确定，相对动量则为龙头/非龙头动量减基准指数动量，基准为行业等权配置指数，收益率均取月度收益率。

从结果上看，有以下两点结论值得注意：

1）“龙头股相对动量->龙头股超额收益”这一传导路径是通顺的，但“龙头股超额收益->行业指数超额收益”却并非所有行业都存在。换而言之，若某个行业的龙头股动量较强，则该部分龙头股确实能有相对较强的超额收益，但是这部分超额收益却并不一定能带动行业指数的上行；

2）“非龙头股超额收益->行业指数超额收益”这一传导关系通常是负向的。换而言之，在一个行业内部，非龙头股如果在当月取得了较强的超额收益，其对指数次月的收益率影响却是负向的，这进一步表明非成分股在行业内部通常承担的是反转信号的生成。

通过格兰杰因果检验我们可以看到，在构建动量因子时仅考虑龙头或非龙头成分股，均只考察了行业动量特征的一部分。所以，我们需要寻找一种方法去结合龙头股和非龙头股动量。更进一步来讲，综合本文一开始对不同市值个股样本空间下动量策略的检验结果，我们几乎可以认为非龙头股/小市值股票整体上呈现的是一种反转效应。 因此，综合格兰杰因果检验和前文分样本动量效应检验的结果，我们可以得出一个相对清晰的结论，即若对一个行业的动量进行拆解，可以将其分为“龙头股的动量效应”和“非龙头股的反转效应”两个部分。

基于这一结论，我们自然而然地可以想到一种动量效应的构建方法，即将“龙头股动量”和“非龙头反转”两个部分进行综合，这样不论是动量因子占优，还是反转因子占优，因子值高的行业都至少能捕捉其中一部分收益。 具体来讲，与纯龙头股行业动量的构造方法不同，我们在每月末除了计算行业龙头股动量（行业市值排名前25%个股动量中位数），还会对处于行业成分股内后70%-95%市值分位数的个股计算长期动量，并取中位数的负值作为非龙头股的反转因子，最后计算“龙头股动量+非龙头股反转”作为行业修正动量因子。 需要注意的是，此处为了避免极小市值个股由于其流动性较差所可能导致的异常值问题，并不将行业内市值最低的5%个股纳入统计。此外，目前我们对龙头股和非龙头股的取值范围均为25%，这一数字是最终模型样本内（2010.12.31-2018.12.31）的最优参数，在后续模型部分我们会展示如何解决参数的选择问题。此处主要为了展示模型构建的思路，故均默认使用样本内所得最优参数，不再对参数选择做特殊说明。

从结果上来看，修正行业动量策略的分组收益率的单调性继续提升，且多头组的收益率有明显提升，2013-2016年动量效应失效程度也有所改善。 具体来看，修正行业动量策略2010年底以来多头年化超额收益约为5.45%，Rank IC均值为6.65%，这表明修正行业龙头股动量策略行业选择能力已经较之前的两个模型有了显著提升。但是，从Rank IC的时序变化图上来看，该修正动量策略也没有很好地解决在部分时间段出现动量崩溃的问题。

2.2. 牛熊市、高波市环境下的行业动量择时

回看我们在第一部分所总结的导致动量因子出现崩溃的三大原因，分别是熊市环境、高波环境、高行业拥挤度， 其中熊市和高波环境可以总结为动量因子择时的问题，拥挤度可以总结为多因子合成的问题。 在这一部分，我们主要聚焦如何通过对牛熊市、高波环境的判断，对修正动量因子进行择时。

由于对牛熊市进行准确预判的可实现性较低，我们不妨将这一条件放宽，比如“在什么条件下更容易出现牛市/熊市”？ 要回答这一问题，我们引用在专题报告《多维度择时与风格轮动模型——市场定期跟踪体系介绍》中的做法，根据万得全A的PB和PE估值的分位数水平来对可能的牛熊市环境进行预判。具体来讲，当估值处于极低水平时（低于某个历史分位数），那么市场未来发生牛市的可能性更高；当估值处于极高水平时（高于某个历史分位数），那么市场未来发生熊市的可能性更高；当市场从极低/极高水平回归至中性水平的过程中，市场或保持拉/压估值的趋势，导致牛/熊环境的持续；而当估值水平回归至中性水平，则一定程度上意味着估值修复/回归的过程已经完成，在下一次达到极端估值水平前，市场或主要处于震荡状态。 基于上述由估值水平所给出的牛市、熊市、震荡市预期，结合牛市环境下动量相对有效、熊市环境下反转相对有效、震荡市环境下二者并存的现象，我们对动量/反转指标进行择时， 即“牛市预期->使用龙头股动量”、“熊市预期->使用非龙头股反转”、“震荡市预期->使用龙头股动量+非龙头股反转”。