浅析动量效应的收益来源.docx

1、浅析动量效应的收益来源摘 要 继 Jegadeesh 和 Titman（1993）发现美国市场存在动量效应之后，全球多个市场都发现了动量现象存在的证据。尽管动量策略已经被证实无论从统计上还是经济上来讲都是有利可图的，但目前仍然没有一种理论可以完全解释它。本文总结了当前学术界对动量收益来源问题的解释，并将其分为 3 类：数据挖掘、基于风险的解释以及行为模型。 下载 关键词 动量效应；数据挖掘；风险定价；行为模型 doi：10.3969 / j.i 中图分类号 F830.91 文献标识码 A 文章编号1673 - 0194（2015）07- 0132- 05 0 引 言 Jegadeesh 和 T

2、itman（1993）对美国市场的研究结果显示，过去 3 至 12个月表现好或差的股票（赢者或输者）在接下来的 3 至 12 个月继续表现好或差，利用这一现象所构建的动量组合（即买入赢者、卖空输者）会有持续的异常收益（称为动量收益）。随后，一些研究者也在除美国市场之外的其他国家或地区的证券市场中发现了动量现象存在的证据。例如，Rouwenhorst（1998）将 Jegadeesh 和 Titman（1993）的方法用于欧洲 12国的股票市场，发现存在与美国市场基本一致的动量效应。事实上，在成熟市场中，日本是唯一一个没有发现动量效应的市场（Haugen 和Baker，1996）。对于新兴股票市

3、场而言，尽管在个别国家中动量交易策略基本无利可图，但是经验证据显示存在动量效应。 尽管动量策略已经被证实无论从统计上还是经济上来讲都是有利可图的，但目前仍然没有一种理论可以完全解释它，这种无法解释的中期动量收益持续性已经成为传统资产定价理论所面临的最严重的挑战之一。本文的目的就在于总结当前学术界对动量收益来源问题的解释，并对其进行归纳分类，梳理出一个清晰的脉络，以便未来进一步的分析。 1 动量效应的收益来源 动量效应的收益纷争由来已久，大量的理论及实证文献都对其进行了研究，并给出了各种可能的解释，大致可以分为 3 类：数据挖掘、基于风险的解释、行为模型。 1.1 数据挖掘 在足够多的维度内，反

4、复用计算机运行历史收益率的数据库，最终会找到某些标准可以用于预测未来的收益率，但这一切仅仅是出于偶然。而解决这一问题最有效的方法就是进行样本外检验，用一组还未被检验过的新数据来进行验证。已有的证据表明，作为动量收益的来源，数据挖掘是最不可能的一种解释。因为自从 Jegadeesh 和 Titman（1993）对美国股票市场做了研究之后，无论是地域上还是时间上，学术界都涌现出了大量的“样本外”证据。 从地域上看，Rouwenhorst（1998），Chui 等（2000）的研究结果表明，动量效应在许多欧洲市场上都很显著，在新兴市场上也能取得小但是正的收益，而且至少能在 5 个亚洲市场上检测到。

5、从时间上看，Jegadeesh 和 Titman（2001）发现美国市场上的动量收益在 90 年代依然显著。在 1993 年的研究结果中，他们发现（6，6）动量策略是最有利可图的，在 1965-1989 年内能够取得 1%的月超额收益率，t 统计量的值为 3.07。于是他们仍然用这一策略对 1990-1998 这 9 年的数据进行了样本外检验，结果发现原来的动量策略依然有效，而且收益的规模也类似。这个结果让我们有信心去相信动量收益并不完全源于数据挖掘。 1.2 基于风险的解释 Jegadeesh 和 Titman（1993）首先认为市场风险不可能是导致动量风险的原因。Fama 和 French

6、（1996）也表明他们的非条件三因素模型可以解释许多金融市场当中的异象，甚至是反转效应，却唯独对动量效应束手无策。那么，到底什么样的风险可能会导致动量效应呢？ 我们可以通过考虑一个特殊的加权相对强弱策略（WRSS）组合来解释动量收益的来源。在这个 WRSS 组合中，每只股票的权重等于该股票上期收益与上期平均横截面收益之差除以股票总数，因此该组合的收益可以表示如下： 公式中右边第一项表明 WRSS 组合的预期收益有一部分来源于股票预期收益的横截面分散性；公式中右边第二项表明 WRSS 组合的预期收益有一部分来源于因素序列相关性，如果因素组合具有正的序列相关性，即因素组合收益具有动量，那么 WRS

7、S 组合就可以通过选择具有高因素敏感性的股票来实现超额收益。公式中右边第三项表明 WRSS 组合的预期收益有一部分来源于非因素（股票特有的）序列相关性。 识别这 3 种收益来源对于判断动量效应是否存在、市场是否有效十分重要。如果 WRSS 组合收益来源于前两项，则我们可以认为 WRSS 组合收益是对其所承担系统风险的补偿，不能说明市场是无效的；如果 WRSS 组合的异常收益是来源于最后一项，则说明动量效应存在，市场是无效的。 1.2.1 横截面分散性。 Conrad 和 Kaul（1998）发现动量收益完全可以由预期收益的横截面分散性来解释，而不归结于股票收益的任何时间序列相关性。他在假设个股

8、收益率均值具有稳定性的前提下，将基于收益率的交易策略的预期收益进行分解： 随后，他们还提供了 Bootstrap 和 Monte Carlo 的模拟结果。结果表明，两种模拟的平均收益都高于真实数据的平均收益，再一次验证了他们先前的结论：动量收益完全可以由预期收益的横截面分散性来解释，而不归结于股票收益的任何时间序列相关性。 Conrad 和 Kaul（1998）的文章一经发表就引起了学术界的强烈关注。Jegadeesh 和 Titman（2001）发现美国的动量收益在持有期后（排序期后的 1360 个月）会迅速消失，这与 Conrad 和 Kaul（1998）的假设相悖。因为他们认为股票的已实

9、现收益率就代表了它们的非条件预期收益率，并且假设预期收益率是不随时间变化的，因此预测动量组合的收益在排序期后的任何时期来说都是正的。不仅如此，Jegadeesh 和 Titman（2002）还指出 Conrad 和 Kaul（1998）的实证检验和模拟中存在着同样的小样本偏差。尽管样本均值是无条件预期收益的一个无偏估计，但是样本均值的横截面方差却不是真实预期收益的无偏估计。由于样本均值包含预期收益和未预期收益两部分，因此样本方差是这两部分方差之和，结果造成样本均值方差高估了实际预期收益的分散性。而 Jegadeesh 和 Titman（2002）在对这种偏差进行了修正后发现，非条件预期收益的横

10、截面差异几乎不能解释动量收益。 与 Conrad 和 Kaul（1998）的研究结果相一致， Bulkley 和Nawosah（2009）运用每只股票的收益率均值作为其非条件预期收益率的衡量指标，他们发现如果从每只股票经过市场调整的已实现月收益率中减去其经过市场调整的收益率均值，那么动量收益就会消失。该结果证实了预期收益的横截面变化就是动量效应的收益来源。Bhootra（2011）对这一结果表示了质疑并且进行了稳定性检验。他采用了两种过滤程序（filters），这是动量文献中普遍使用的用以减轻微观结构偏差的方法。他首先从样本中排除了在持有期初定价低于 5 美元的公司股票，其次考虑了在排序期与持

11、有期之间跳过一个月（skip-a-month）的情形。结果发现，动量收益从不显著（t=-1.33）变为了显著（t=5.40）。因此，Bhootra（2011）认为“预期收益的横截面分散性是潜在的动量收益来源”，这一结论仍需要进一步的检验。 1.2.2 因素序列相关性 （1）行业效应 Grinblatt 和 Moscowitz（1999）认为行业动量策略，即买入赢者行业中的股票并且卖出输者行业中的股票能够取得高收益，是动量交易中的主要收益来源。他将个股的动量收益分解为 4 项：非条件收益率均值的横截面方差、非条件有效投资组合的序列相关性、来源于行业回报率因素中的序列相关性以及公司特有因素中的序列

12、协相关。他们的实证结果表明，起码对于（6，6）动量策略而言，大部分的收益都源于第三项。Grinblatt 和 Moscowitz（1999）还构建了一个行业动量投资组合，即根据过去 6 个月的收益率对行业组合进行排序，同时等权重地买入排在前 3 位的行业股票并卖出排在后 3 位的行业股票。结果发现，这一策略能够产生 0.43%的月平均收益率，不仅在 1%的检验水平下显著，并且与从个股动量策略中所获得的收益具有相同的规模。进一步的研究发现，如果将每只股票的收益率减去同期的行业收益率，那么这种经过行业调整的个股动量收益将会大大降低，只表现出边际显著（t=2.04）。因此，他们得出结论，动量收益来源

13、于行业动量，并不是非条件预期收益的横截面差异或公司特有因素。 然而，Grundy 和 Martin（2001）却否认了这一说法。他们发现，当排序期和持有期不相邻时，个股动量组合的收益会更高，而行业动量组合的收益会完全消失。这说明行业动量收益来源于收益序列的正一阶序列相关性，而个股动量收益仅仅被收益序列的负一阶相关性削弱而已。因此，个股动量和行业动量是两种不同且独立的现象。Chordia 和Shivakumar（2002）也得出了类似的结论。他们认为行业动量不足以完全解释动量策略的盈利性，但两者却都可以被共同因素的预测性所解释。 （2） 市场状态 Cooper 等（2004）认为动量收益取决于市

14、场状态。他们将“牛市”定义为滞后 3 年的市场收益非负；而“熊市”则定义为滞后 3 年的市场收益为负。结果发现，与过度反应理论的预测结果一致，短期的动量收益只有在“牛市”中才出现。检验 1929-1995 年的数据发现，在经历了 3 年的“牛市”后，（6，6）动量策略会产生 0.93%的显著月平均收益；而在经历了 3年的“熊市”后，这一数值竟然为-0.37%，并且是不显著的。统计结果表明，动量收益在这两种市场状态下是显著不同的，而且这一结果对市场状态的定义期长短（1 年或 2 年）以及风险调整（CPAM 调整及 FF 调整）都是相当稳健的。 进一步地，为了判断动量收益是否随着滞后的市场收益而单

15、调增长，Cooper 等（2004）将动量收益对滞后的市场收益及它的平方项进行回归。结果发现，动量收益与前者正相关，而与后者负相关。这意味着，如果滞后的市场收益高（低），那么动量收益也高（低），但二者之间的关系并不是线性的。 （3） 共同因素 Chordia 和 Shivakumar（2002）认为与商业周期有关的宏观经济变量能够解释动量收益。他们用一组滞后的宏观经济变量对收益率进行向前一步（one-period-ahead）预测，结果表明收益率中的预测部分就是所观察到的动量现象的主要成因，动量效益源于较高的条件预期收益。 式中：DIV 是股利收益率，YLD 是 3 个月期的国债收益率，TER

16、M 是期限结构利差，DEF 是违约价差。估计模型中的参数，用于获得每只股票向前 1月（one-month-ahead）的收益率预测值。投资组合之间的预测收益存在显著的不同，这表明与宏观经济变量有关的收益率成分在动量组合之间系统性的变化，是策略收益的来源。总之，Chordia 和 Shivakumar（2002）认为动量收益源于共同结构，是对承担时变风险的补偿，是一种理性的风险解释。 Griffin 等（2003）利用全球市场数据，也对动量收益与宏观经济风险之间的关系进行了探究。首先，他们发现平均而言，动量策略在全球都是有利可图的，但是无论在地区内还是地区间，动量收益的相关性都非常薄弱。这说明如

17、果宏观经济风险能够导致动量收益，那么它很大程度上只能是国家特有的。接下来，为了研究国家特有宏观经济因素是否能够捕捉动量收益的变化，他们分别采用 Chen 等（1986）的条件方法和 Chordia 与Shivakumar（2002）的非条件方法进行了检验。Chen 等（1986）首先提出宏观经济因素可能会影响股票收益，随后他们的模型被 Fama 和French（1993）的三因素模型所取代。实证结果发现，运用 Chen 等（1986）的模型所取得的预期动量收益与所观察到的真实值相差 0.70%，统计上非常显著。至于条件模型，Chordia 和 Shivakumar（2002）认为他们的条件预测模型能够很好地解释美国市场的动量收益，但 Griffin 等（2003）的实证结果却发现，这一结论在全球范围内并不适用。最后他们分别运用经过季节调整的真实 GDP 及总的股票市场运动来划分经济状态，结果表明通常情况下国际动量收益在两种经济状态下都是正的，没有证据可以证明动量策略的盈利性与宏观经济状态的风险有关。综上，Griffin 等（2003）认为宏观经济风险并不能解释动量收益。