• 因子动量表现稳健，时间序列动量策略(TS)和横截面动量策略(XS)均显著优于被动等权基准，其中TS策略自1963至2015年达到22.52倍总收益，XS策略达到35.13倍，远超基准7.35倍 [page::3][page::6][page::8]

• 多项混合回归和Fama-MacBeth横截面回归验证了因子收益滞后一期至十二期均存在正相关，支持因子回报的时间序列和横截面可预测性；绝大多数异象因子过去12个月平均回报与未来回报正相关[page::4][page::5][page::6]
• 因子动量收益主要由因子收益的正自协方差驱动，自协方差贡献率远大于交叉协方差以及因子平均收益的横截面方差，且因子动量的本金部分主要源自空头组合的持续高估现象，与卖空限制理论一致[page::8][page::9][page::10]

• 因子动量策略收益的时间序列特征分解显示，多头组合自相关表现较为复杂但整体贡献有限，空头组合自相关持续为正，是推动因子动量收益产生的关键因素；过去空头收益与未来多头收益存在负相关贡献超13个基点[page::9][page::10]
• 因子自协方差与Carhart(1997)的动量因子(UMD)收益时间序列显著相关，且自协方差条件收益与UMD收益的相关度远高于原始因子收益与UMD的相关度，表明因子收益的自协方差是股票动量收益的重要来源[page::11][page::12]
• 因子自协方差指数的时变性显著影响UMD收益分布，正自相关时期收益分布偏正，风险较低；负自相关时期伴随动量收益的极端波动和动量崩溃风险，体现出非对称尾部风险特征[page::13]

• 复合时间序列因子策略对股票动量排序组合的解释力优于传统UMD因子，CAPM及四因子模型均显示该复合因子能显著降低截距，且该复合因子包含了绝大部分UMD因子不可解释的溢价，结构更加完备[page::14][page::15]
• 结论强调因子收益的正自协方差及空头组合的高估是驱动因子动量和股票动量的核心机制，因子自协方差的时序波动对动量崩溃具有解释力，提出未来研究应关注因子收益正自协方差的深层次驱动因素。此外，因子动量策略在短期（1个月持有期）表现最优，为动量策略设计提供理论及应用指引[page::15]

因子动量与动量因子“学海拾珠”系列之一百 — 深度分析报告

---

一、元数据与报告概览

• 报告标题： 因子动量与动量因子“学海拾珠”系列之一百

- 作者及机构： 华安证券研究所，分析师：严炜（执业证书号：S0010520070001）；联系人：钱静闲（执业证书号：S0010120080059）

• 发布日期： 2022年7月13日

- 研究主题： 以“因子动量策略”及“动量因子”为核心，深入探讨两者之间的关系、收益来源及其对股票动量效应的解释能力，重点分析时间序列与横截面的动量效应，以及对A股市场的启示。

核心论点：
报告指出股票动量效应违背有效市场假说，但其在因子层面同样显著存在；因子动量策略（包括时间序列动量TS与横截面动量XS）可以产生超额收益，且因子收益的正向自协方差是动量收益的关键。报告进一步揭示因子收益的时间序列自相关是股票横截面动量的根源，并用国内外文献和历史数据支撑观点，提示对A股市场异象因子的研究意义。[page::0,3]

---

二、逐章节深度解读

1. 简介

动量效应长期以来被认定为市场有效性的一大难题，过去的回报能够预测未来回报。传统定价模型不能充分解释动量策略的超额收益，风险、行为偏差等被提出作为部分解释。报告强调两类动量因子策略：时间序列动量（TS）和横截面动量（XS），前者基于单因子过去回报正负构建，后者基于因子相对表现的排行确定多空头。1963-2015年，TS组合年化回报22.52%，XS更优35.13%，远高于简单等权基准的7.35%。此外，动量溢价主要源自因子收益的正自协方差，且空头组的收益自相关尤为显著，表明空头组存在持续的估值偏离，暗示卖空限制对价格扭曲的重要性。[page::3]

---

2. 数据说明

研究涉及22种定价异象，包括美国市场17个以及全球市场5个异象因子，数据截取自Kenneth French、AQR等权威数据库，时长涵盖1963年至2015年底。表1展示各因子的年均月收益率与波动性，收益均为正。代表性因子如全球BAB平均月回报最高达0.84%，波动率多集中于1.40%至4.24%之间，体现异象收益的稳定特征和风险情况。[page::4]

---

3. 因子动量分析

3.1 时间序列与横截面预测

基于Moskowitz等（2012）方法，将因子月度收益与滞后因子收益做混合回归。结果显示因子收益显著存在一阶正向自相关（滞后1期系数约为11.82基点，t统计显著），滞后11-12个月出现部分波动反转。Fama-MacBeth跨期回归亦显示，横截面因子收益的滞后预测力显著，滞后12个月内多个系数显著为正，说明过去表现较好的因子未来仍有较好表现，为因子动量策略奠定理论基础。[page::4,5]

3.2 动量策略构建与表现分析

构建时间序列动量（TS）策略：做多过去12个月收益率为正的因子（赢家），做空收益率为负因子（输家）。横截面动量（XS）策略基于因子相对于平均收益的表现排名。同一策略下，TS赢家组合（TSW）年化夏普比1.33，收益显著超出被动基准17基点。横截面赢家策略表现更佳，收益与夏普比多高于TS策略，输家组合（TSL和XSL）表现差，但波动较大。动态持有期与回顾期测试显示，短期动量效果更显著，持有1个月回报最高，超过长期持有期，表明因子动量收益在短期内最为集中。[page::6,7]

3.3 因子动量收益分解（因子层面）

采用Lo和MacKinlay分解方法，从自协方差、交叉协方差以及因子平均收益的横截面差异三方面研究动量收益来源。发现XS策略收益主要由自协方差贡献（0.24%月收益），交叉协方差贡献呈负，平均收益横截面差异贡献较小。TS策略依赖绝对收益的自相关性，导致收益更高（0.41%），且不受负交叉协方差限制。因子自相关性是因子动量收益的核心驱动力，解释了TS策略优于XS的原因。[page::8,9]

3.4 因子动量收益分解（投资组合层面）

进一步细化收益构成，分别分析因子多头与空头组合收益的正自协方差、负领先滞后关系和平均回报差异对TS策略的贡献。空头组合自相关正且显著（0.35贡献值），多头组合自相关波动不一。多头-空头之间存在负的领先滞后效应（-0.13贡献），显著提升策略超额收益。总体来看，TS策略的因子动量回报主要源于空头组合的持续高估，呼应卖空限制对市场价格扭曲的影响机制。[page::9,10]

---

4. 因子动量与动量因子关系研究

4.1 多因子模型框架与动量预期收益分解

基于Apt套利定价理论，构建股票收益的因子模型。将股票横截面动量策略收益拆解为四部分：因子自协方差、因子间交叉协方差与贝塔协方差、资产残差收益的自相关、以及残差收益的横截面差异。文献表明，因子自协方差占主导，因此该部分被重点测试。报告使用因子收益的自协方差条件收益（剔除近期一个月）与股票动量因子UMD的收益时间序列相关性测试，发现因子自协方差与UMD呈现显著正相关，而单纯因子收益与UMD相关性无规律，说明股票动量效应显著包含因子层面的自相关成分。[page::10,11,12]

4.2 动量崩溃及其成因

报告揭示股票动量收益存在负偏度和尖峰（尖峰峰度），即极端亏损风险，称之为动量崩溃。动量崩溃与因子自协方差指数波动密切相关；在因子收益负自相关激增期间，UMD表现不佳甚至大幅下跌。图表9展示自相关指数与UMD收益的高度相关性（0.68），图表10比较正负自相关月份UMD收益分布，正自相关月收益分布集中且偏正，表现较理想；负自相关则带来更长的左尾风险与负收益，显著影响动量策略回报稳定性。[page::12,13]

4.3 复合因子对动量投资组合的解释力

利用多因子模型检验不同因子组合在解释按动量排序股票投资组合回报上的表现。单因素CAPM模型显示动量效应显著（十分位截距由-0.95提升至0.52），四因子模型加入Carhart动量因子后大幅降低截距，说明部分动量被解释。用报告构造的复合时间序列因子（TS）替代UMD因子后，更好解释动量投资组合，截距更低且显著性下降，表明TS因子包含并超越了UMD因子信息。此外，TS因子对UMD的解释能力远强于UMD对TS的解释，说明构造因子动量策略更具预测和解释力。[page::14,15]

---

三、图表深度解读

图表1 描述性统计分析（第4页）

• 内容： 汇总15个美国和7个全球异象因子的平均月收益率、波动率及数据起始时间。

- 解读： 美国市场的动量因子(UMD)收益率为0.71%，波动最大（4.24%），反映动量因子预期收益高但伴随较大波动。全球因子收益较美国略低但依然表现正收益，波动较为平稳。多因子的平均收益明显为正，收益波动差异较大，表明因子之间风险特征不同。

• 意义： 该统计为后续因子动量收益预测及策略表现分析提供基础数据支持。[page::4]

---

图表2 异象收益时间序列与横截面预测回归结果（第5页）

• 内容： 两组回归展示因子收益对其滞后收益的预测能力，Panel A为时间序列回归，Panel B为Fama-MacBeth横截面回归。

- 解读： 一阶滞后显示强烈正向预测，系数高达11.82（全部因子合并）且t值为2.98，说明短期因子收益存在显著自相关。横截面回归中，1期滞后因子收益对未来因子的横截面收益表现显著，t统计均高于8，突出其预测力。

• 意义： 结果验证因子动量策略基于过去收益预测未来收益的合理性和有效性。[page::5]

---

图表3 异象收益对过去收益的回归（第6页）

• 内容： 单因子层面运用两种模型（简单线性和二元分割）测试过去回报对未来回报的预测能力。

- 解读： 多数因子的beta系数为正并显著，例如BAB、CMA、HML，说明过去收益为高的因子未来更可能继续取得正收益；同时截距普遍接近零或为负，暗示低收益期延续性较弱。

• 意义： 进一歩揭示因子收益的自相关行为，强调因子层面动量效应而非个别偶然性。[page::6]

---

图表4 各种动量策略收益表现总结（第7页）

• 内容： 各类动量策略（时间序列TS和横截面XS及其赢家赢家输家组合）的收益、波动、偏度、峰度及夏普比率统计。

- 解读： TS赢家策略与XS赢家策略表现最好，月均收益分别为0.52%和0.60%，夏普比均超过1.25，明显优于被动基准。输家策略表现差，偏度和峰度相对较高，显示风险特点不同。

• 意义： 图示策略构造的收益优势和风险特征，为量化投资提供实证依据。[page::7]

---

图表5 XS和TS策略累积收益走势图（第8页）

• 解读： XS赢家策略（黑色粗线最高）累积收益最显著，超过TS赢家（蓝色），两者均远超被动等权组合及空头策略。输家策略回报接近零或负。

- 联系文本： 直观展示实际策略的超额回报表现，佐证文字所述动量策略有效性。

• 限制： 图中未标明波动，未来需以风险调整收益做更全面评估。[page::8]

---

图表6 因子动量收益分解（第9页）

• 内容： 横截面(XS)和时间序列(TS)策略收益分解结果。

- 解读： 自协方差贡献（XS=0.24%, TS=0.25%）为主要来源，交叉协方差贡献为负（XS=-0.07），平均收益方差贡献较小（XS=0.05）。TS策略总溢价0.41%明显高于XS的0.21%。

• 意义： 验证因子收益的自相关性驱动因子动量超额收益，TS策略因考虑绝对收益表现更强。

- 限制： 该分解基于历史数据，未来异象显著变化可能影响结论。[page::9]

---

图表7 因子动量投资组合层面分解（第10页）

• 内容： 多头、空头组合均值、标准差，自协方差、交叉协方差及净贡献统计。

- 解读与意义： 空头组合正自协方差贡献最大（0.35），多头自协方差贡献较低（0.08），且多头与空头收益存在负的领先滞后关系（-0.13），增强因子动量收益，表明空头套利限制导致对高价资产长期高估，成为动量收益形成机制关键环节。[page::10]

---

图表8 因子动量（自协方差调整）与UMD股票动量因子相关性（第12页）

• 内容： 对美国和全球异象因子，原始收益与UMD的相关，以及经自协方差调整收益与UMD的相关性，及两者差异的统计显著性。

- 解读： 原始因子与UMD相关性随机且多数为负或接近零，自协方差调整收益与UMD相关显著提高，如美国HML从-0.17升至0.46，且均显著通过统计检验。

• 意义： 证明因子收益的自协方差是解释股票动量因子回报的核心特征，凸显因子层面信息对股票动量产生的重要性。[page::12]

---

图表9 因子自相关指数与UMD收益时间序列对比（第13页）

• 解读： 上图蓝线显示因子自相关指数波动剧烈，底图UMD收益波动与其对应阶段反映高度相关，说明因子自相关指数的波动是UMD因子波动的关键驱动因素。

- 意义： 支持动量崩溃和因子动量之间的联系假设，为动量策略风险管理提供量化指标。[page::13]

---

图表10 因子正负自相关月份UMD收益分布及回归（第13页）

• 解读： 实线显示正自相关月份的UMD收益密度集中于正值且偏度正，虚线则为负自相关月份，收益分布有明显左偏且波动更大。右图回归表明自相关指数每标准差增一，UMD收益正向增加2.87%，显著影响动量收益。

- 意义： 揭示动量收益的结构性风险，提供动态风险识别框架。[page::13]

---

图表11 动量排序投资组合时间序列回归（第14、15页）

• 内容： 不同模型（CAPM、Carhart四因子、用因子动量TS替代UMD）对动量十分位组合的截距和beta估计。

- 解读： CAPM截距高且显著，说明动量效应无法用市场单因子解释；加入UMD后截距大为减小；用TS因子替换UMD，截距进一步降低、更稳定，表明TS因子解释力更强；TS因子能够解释UMD大部分溢价。

• 意义： 实证验证因子动量复合因子比传统的股票UMD因子具更好的解释力和预测性能，突显因子动量理论的实用价值。[page::14,15]

---

四、估值分析

本报告属于资产因子动量效应研究，无直接公司估值部分，但其对因子收益预测和动量策略构造均具重要影响。报告采用经典统计模型及多因子回归分析帮助解构动量收益来源和预期，为投资组合构建提供动态且有效的因子集选择方法。本质上，通过对因子收益序列的数据驱动分析，实现对动量因子收益的“估值”和风险识别。

---

五、风险因素评估

报告明确指出以下风险：

• 因子动量及动量因子研究基于历史数据及美股市场文献，应用于其他市场（如A股）存在跨市场差异风险。

- 动量策略存在重大负偏度和尾部风险（动量崩溃），投资者需警惕极端行情带来的损失可能性。

• 空头限制和市场结构变化可能影响因子定价和动量效应，导致策略失效。

- 研究结论不可作为直接投资建议，实际投资需结合市场实时行情和风险偏好。

报告未具体提出对应缓解措施，但提示监测因子自相关指数作为风险识别工具。[page::0,12,15]

---

六、批判性视角与细微差别

• 报告主要依赖于美国及全球成熟市场的历史数据推断，是否完全适用于以A股为代表的新兴市场尚有待验证，存在市场环境差异风险。

- 动量策略表现强劲但收益回撤风险（动量崩溃）显著，风险调整收益需进一步深入分析。

• 因子自协方差作为动量收益核心驱动力的假设合理但相对简化，未来研究可考虑更多市场微观结构、行为因素等影响。

- 图表与文本对因子收益数据处理和构造策略的细节未完全披露，可能影响结果解读的透明度和复现性。

• 报告将因子动量优越性强调突出，可能存在“选取性报告”倾向，需结合其他研究进行综合比对。

总体而言，报告分析思路严密，结论基于大量实证数据支撑，具较高学术和现实参考价值。[全篇]

---

七、结论性综合

本篇“学海拾珠”系列之一百篇深入系统地研究了因子动量策略与股票动量因子的内在联系及其收益来源，主要结论包括：

• 因子动量存在显著且普遍的正自协方差特征，这种自相关是因子动量（TS和XS策略）收益的主要来源。

- 空头组合表现出持续的高估价位，空头收益的自协方差贡献最大，反映卖空限制对价格偏离的重要影响机制。

• 股票横截面动量收益实质上来自共同因子的自协方差积累，因子自协方差条件收益与股票动量因子UMD的时间序列相关显著，因子动量复合因子对股票动量组合解释力强。

- 动量崩溃与因子自协方差指数波动紧密相关，负自协方差激增伴随UMD收益剧烈波动，揭示动量策略潜在的极端风险。

• 复合时间序列因子（TS）在描述动量排序组合回报中优于传统UMD因子，且超过经典Carhart四因子模型，证明因子动量策略预测模型的有效性。

图表分析支撑上述结论，展示从因子收益的统计特征、策略收益表现、策略收益分解、相关性分析到动量崩溃的关联均建立严谨的数据链条。
报告不仅补充了动量理论的多层次机制解释，还为因子投资和量化交易提供了策略构建依据和风险监控工具。对今后A股因子动量研究及应用具有重要启示意义。[page::0-15]

---

总结评价：
该研究结合严谨的统计方法与丰富的实证数据，深化了我们对因子动量和动量因子关系的理解，并展示了因子动量在解释和捕捉股票动量收益中的核心地位。报告对动量策略的风险提示充分，分析框架清晰，可为量化投资实践提供高价值的理论和实证支撑。

---

参考来源

摘自本文及引用文献：
Sina Ehsani, Juhani Linnainmaa，《Factor Momentum and the Momentum Factor》，Journal of Finance。
华安证券研究所整理。

---

（全文共计3260字）

报告