动量策略详解及其发展史

什么是动量策略？

动量策略（Momentum Strategy）是一种在金融市场上广泛应用的投资策略。其核心思想是基于“强者恒强，弱者恒弱”的假设，即过去表现良好的资产（如股票、期货、货币等）在未来一段时间内仍将继续表现良好，而过去表现较差的资产在未来一段时间内可能继续表现不佳。

简单来说，动量策略就是买入近期价格上涨的资产（“赢家”），并（有时）卖出或做空近期价格下跌的资产（“输家”）。它关注的是价格变化的趋势，而非资产的内在价值（这与价值投资形成对比）。

核心原理与解释

动量现象的存在似乎与有效市场假说（EMH）的某些形式相悖，后者认为资产价格应迅速反映所有可用信息。对动量现象的解释通常涉及以下几个方面：

• 行为金融学偏误： 投资者可能存在认知偏差，如“处置效应”（过早卖出盈利资产，过久持有亏损资产）、“锚定效应”（对初始信息过度依赖）、“羊群效应”（跟随他人行为）以及对新信息的反应不足或过度反应。这些行为模式可能导致价格趋势的形成和持续。
• 机构投资者行为： 大型机构投资者（如基金）的买卖行为可能具有持续性。例如，基金经理为展示业绩可能追逐热门股票，或者由于资金流入/流出而被迫持续买入/卖出某些资产，从而强化了价格趋势。
• 信息传播缓慢： 并非所有信息都能瞬间被市场完全消化。重要信息可能逐步传播，导致价格在一段时间内持续向同一方向调整。
• 风险溢价： 一些研究认为，动量可能代表了一种风险因子。持有动量组合可能承担了更高的“崩盘风险”（Crash Risk），即在市场突然反转时遭受巨大损失的风险，动量收益可能是对这种风险的补偿。

发展历史

动量策略的概念并非现代金融的全新发明，其思想可以追溯到更早的市场观察，但其系统性的学术研究和广泛应用则相对较晚。

• 早期观察与实践： 历史上，许多成功的交易者，如杰西·利弗莫尔，都曾运用过类似“追随趋势”的交易原则，这与动量思想不谋而合。但这些更多是基于经验和直觉，缺乏严格的量化验证。
• 学术奠基 (1990s)：
  • Jegadeesh & Titman (1993)： 这是动量研究领域的里程碑式论文。他们在《Journal of Finance》发表的《Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency》中，首次系统性地证明了在美国股市中，基于过去3到12个月收益率构建的投资组合（买入表现最好的股票，卖出表现最差的股票）能在未来3到12个月产生显著的超额收益。这项研究为动量策略提供了强有力的实证支持。
  • Asness (1994)： Clifford Asness在其博士论文及后续研究中，不仅验证了动量在美国市场的存在，还发现动量现象在国际股票市场、不同资产类别（如货币、商品、债券）中也普遍存在，并探讨了动量与价值策略的关系（它们往往呈负相关）。
• 扩展与深化 (2000s - 至今)：
  • 时间序列动量 (Time-Series Momentum / Trend Following)： Moskowitz, Ooi, & Pedersen (2012) 等研究者提出了时间序列动量的概念，也称为趋势跟踪。它关注单个资产自身过去的表现，如果资产过去收益为正，则买入（做多），如果为负，则卖出（做空或持有现金）。这与横截面动量（比较不同资产的相对表现）有所不同。
  • 因子动量 (Factor Momentum)： 近期研究开始关注不同投资因子（如价值、规模、低波动率等）本身是否存在动量效应。
  • 动量与其他因子的结合： 研究者和实践者开始探索将动量与价值、质量、低波动率等其他因子结合，以期获得更稳健、风险调整后收益更高的投资组合。
  • 风险管理与改进： 鉴于动量策略可能面临的剧烈回撤（“动量崩溃”），研究集中于如何通过波动率控制、与其他策略结合、动态调整参数等方式来管理风险。
• 业界实践： 随着学术研究的深入，动量策略被越来越多的对冲基金、量化基金和资产管理公司采纳。许多ETF和共同基金也开始纳入动量因子。

动量策略的主要类型

• 横截面动量 (Cross-Sectional Momentum)： 这是最经典的动量形式，比较同一时间点上一组资产（如一个股票市场中的所有股票）的过往表现，买入表现最好的（如前10%或前20%），卖出或做空表现最差的。
• 时间序列动量 (Time-Series Momentum / Trend Following)： 对单个资产进行判断，根据其自身过去一段时间（如12个月）的收益率决定头寸方向（多头、空头或中性）。
• 行业/板块动量 (Industry Momentum)： 基于行业的历史表现进行轮动配置，买入近期表现强势的行业，卖出弱势行业。
• 绝对动量 vs. 相对动量： 绝对动量类似于时间序列动量，关注资产自身正收益；相对动量即横截面动量，关注资产间的相对强弱。

策略实施要点

成功实施动量策略需要仔细考虑以下参数：

• 资产池： 确定应用策略的资产范围（如某国股票、全球股票、商品、货币等）。
• 回看期 (Lookback Period)： 计算资产过往表现的时间窗口，通常为3到12个月。Jegadeesh & Titman (1993) 的经典研究常用6个月或12个月。
• 持有期 (Holding Period)： 买入/卖出决策后，持有资产的时间长度，通常与回看期类似或稍短，如3到12个月。
• 跳过期间 (Skip Period)： 有时在回看期结束后和持有期开始前会跳过一个月，以避免短期反转效应（Short-term Reversal）的影响。
• 排名与筛选： 如何定义“赢家”和“输家”（如按收益率排名的前/后百分比）。
• 再平衡频率 (Rebalancing Frequency)：多久重新评估资产表现并调整投资组合，通常与持有期一致（如每月、每季）。
• 风险管理： 包括仓位控制、止损设置、波动率目标、与其他策略（如价值策略）的结合以分散风险等。交易成本也是重要考量，因为动量策略通常换手率较高。

优势与劣势

批评与挑战

• 数据挖掘质疑： 有批评者认为动量效应可能是数据挖掘的结果，即在历史数据中偶然发现的模式，未来不一定持续。
• 与有效市场假说的冲突： 动量的存在对传统金融理论构成挑战。
• 解释的不确定性： 尽管有行为金融和风险溢价等解释，但对动量产生的根本原因尚未有完全统一的定论。
• 策略容量限制： 随着资金规模增大，交易成本和市场冲击成本会显著增加，限制了大型基金有效实施纯粹动量策略的能力。

现代发展与演变

面对挑战和市场变化，动量策略也在不断发展：

• 与其他因子整合： 创建多因子模型，将动量与价值、质量、低波动率等因子结合，追求更平滑的收益曲线。
• 动态风险管理： 采用更复杂的风险模型，如根据市场波动率动态调整头寸规模，或在预测到可能发生“动量崩溃”时降低风险暴露。
• 机器学习应用： 利用机器学习技术识别更复杂的动量模式，或优化策略参数。
• 关注交易成本： 开发更优化的交易执行算法，降低高换手率带来的成本影响。
• 细化动量信号： 例如，区分短期动量和长期动量，或考虑收益的波动性、偏度等特征来构建更稳健的动量信号。