|
研究內容：本文將研究重點集中于動量策略風格在資產配置中的應用，主要包括：首先，分析了時間序列動量和橫截面動量策略在大類資產配置中的有效性，并且提出了相應的改進增強方案；第二，提出了兩種結合動量因素的組合配置模型，包括等風險貢獻模型和重抽樣的均值方差模型，形成系統性的資產配置策略。
應用實踐：針對全球40種大類資產進行回測分析，純多頭策略表現良好，長期年化收益為12.62%，夏普比率達到1.48；針對國內10類典型大類資產品種進行回測分析，且針對低、中、高風險偏好投資者給予不同配置建議，過去12年投資組合的年化收益分別是6.76%、8.04%和9.16%，年勝率100%！
動量策略在大類資產配置中的應用
本文的研究重點是動量策略在大類資產配置中的應用，主要分為兩個維度包括時間序列動量和橫截面動量。我們將逐步分析各類策略的實現方法、回測結果、策略原理和改進提升，為了探索策略的普遍有效性，針對全球大類資產我們采用波動率加權的多空回測方式，回看過去三十年策略的表現情況。
1.1 時間序列動量
所謂時間序列動量是指過去具有上漲趨勢的資產延續上漲概率更大，而下跌的資產延續下行的動力更強，在回測分析階段我們使用過去12個月資產的漲跌作為趨勢的判斷依據，使用波動率加權的方式進行配置。
從回測結果可以看到，針對股票、債券、匯率和商品這四大類資產，策略從長期看可以獲得顯著的正向收益，并且通過分散化投資的方式綜合配置在各類資產后收益更高回撤更低。
當然，之所以時間序列動量策略長期有效，我們實際上可以從兩個維度進行解釋：
從行為金融學的角度，通過堅持時間序列動量/趨勢交易的方法，往往可以獲取趨勢形成和持續階段的收益，但也要承擔趨勢逆轉的風險，因此需要通過分散投資或者適當風險控制的方法來降低策略回撤；
從統計特征角度，一方面不同周期、不同類別的資產中其價格序列往往呈現尖峰厚尾的特征；另一方面資產的時間序列在中短期呈現正的時間序列相關性，因此通過觀察近期資產漲跌方向能夠達到對未來資產短期收益率進行有效預測的能力。
除此之外，我們從四個維度來探討了相關方法參數對動量策略的影響：
1. 從回測結果可以看到，往往設置6-12個月的回看窗口動量策略的表現越好，主要原因是中短期時間序列相關性都較強，但過短的回看期限容易帶來更高的換手從而降低組合投資收益；
2. 在交易費率較低時，調倉頻率越高策略的收益風險比越高，不過即使是交易頻率較低，例如月頻調倉，策略的風險收益比依然良好；
3. 針對不同類型資產，動量風格策略在多空與純多頭投資上的表現會有所差異，對于股票、債券類資產，基于動量風格的多空策略收益風險比明顯低于多頭策略，對于匯率、商品類資產多空策略表現是優于多頭；
4. 不同的趨勢指標下動量策略的表現相差不大，因為趨勢指標的構造不同只是來源于對過去資產收益率的加權方式不同，所以不同的構造方法對系統性的配置策略而言影響較小。
1.2 橫截面動量
所謂橫截面動量與時間序列動量的觀察角度略有不同，時間序列動量策略只關注資產價格在過去歷史上的漲跌，而橫截面動量則是基于對資產漲跌幅度的排序，即做多趨勢最好的資產做空趨勢表現最弱的資產。
對于橫截面動量策略在大類資產中的表現，主要如下：第一，橫截面動量效應相對于時間序列而言明顯較弱，并且橫截面動量策略的換手相對時間序列而言更高；第二，商品類資產有一定的橫截面動量效應，而股票、債券類資產的橫截面動量效應較弱，關鍵原因在于股票、債券類資產長期上行的趨勢導致基于動量方法做空資產的風險較高。
我們提出可以從兩個維度出發來改進橫截面動量策略：
1. 改進策略信號：只有資產在橫截面和時間序列同時確認處于弱勢時才進行做空，用以降低動量策略在做空資產時的風險；
2. 更換排序指標：在上文的回測中我們使用的是收益率指標進行排序，但不同類別的資產收益率差異很大，所以我們建議可以使用夏普比率的方式進行排序，當然也可以使用其他收益風險比的指標，主要差異只是在于對于風險的衡量方法上。
1.3 不同維度動量策略的結合
通過上文的回測分析可以看到，無論是時間序列還是橫截面維度在大類資產層面都有明顯的增強能力，所以在進行資產配置時這兩維度的動量信息都值得使用。
通過回測結果可以看到通過結合兩個維度的動量信息進行配置的策略表現要優于單維度配置的策略表現。
2
組合管理與構建
2.1 大類資產相關性的變動
現實中即使是大類資產，各資產間的相關性也呈現明顯的波動，尤其是2005年之后，大類資產的相關性出現了明顯的提升，原來相關性較低的股、債、商品都出現了一定的聯動效應。此時，我們認為簡單依據各資產的波動率來配置風險是不足夠的，而應該充分考慮資產間的相關性，因此我們有必要考慮使用完善的組合配置模型來達到風險充分分散的目標。
2.2 等風險貢獻模型
直觀上的一個改進是將波動率加權模型轉換成等風險貢獻模型，其核心思想是使得投資組合中單類資產的組合風險貢獻相等。因此，我們得出了與動量策略相結合的等風險貢獻投資策略，完整的策略分為如下。
從回測結果可以看到，使用等風險加權方法能夠有效提升收益，并且從風險管理的角度來看，等風險加權方法配置的策略結果能夠更好的與目標波動率相匹配使得風險管理的有效性提升。
2.3 重抽樣的均值方差模型
等風險貢獻模型主要基于風險的視角進行資產配置，在資產組合有杠桿限制的情形下，策略收益有較大的限制。因此，當對策略收益有一定要求且同時又存在杠桿約束時，難以使用該模型獲取較高的目標預期收益。
此時，我們想再次回歸到均值方差模型框架下，通過有效前沿的設定針對不同風險偏好的投資者給予不同的投資推薦。但原始的均值方差模型存在兩方面的缺陷：一是配置策略結果的不穩定性；二是容易配置出極端結果，即出現部分品種零倉位的情形。針對上述問題，我們提出可以使用重抽樣的均值方差模型來進行改進。
由此，我們提出了與動量策略相結合的重抽樣均值方差策略，完整的策略實施方法如下。
3
配置策略的應用實踐
3.1 全球大類資產配置實踐
在本案例中，我們針對全球股債匯商40種大類資產進行資產配置測試。我們使用動量因素結合等風險貢獻模型構建配置策略，下圖展示了策略在全球大類資產配置中的表現�？梢钥吹郊兌囝^策略表現良好，策略的實際波動率為8.53%符合目標波動率要求，長期年化收益為12.62%，夏普比率達到1.48。
3.2 中國大類資產配置實踐
由于國內資產進行杠桿投資的限制相對較大，所以本案例中基于結合動量因素的重抽樣均值方差模型進行配置投資。我們選取了十種典型的國內資產進行配置回測，包括股票（A股、美股、港股），債券（利率債、信用債），商品（大宗商品、黃金），流動性（貨幣基金）。
從回測結果可以看到，相對于等權基準，模型得到的投資組合都有更高的風險收益比，低、中、高風險偏好投資者投資組合的年化收益分別是6.76%、8.04%和9.16%，且各組合在過去12年的年勝率均達到100%，而夏普比率分別為1.96、1.59和1.29，最大回撤分別是4.89%、7.72%和13.48%。其中中等風險偏好投資策略的收益與基準組合類似，但是風險降低了50%，策略有效提升了投資組合的風險收益比。
3.3 動量風格在A股風格/行業輪動中的應用
另外，大類資產配置中的策略風格往往也同樣適用于單類資產的投資實踐中，比如我們可以嘗試用類似的方法進行大小盤輪動或行業指數的輪動。
我們針對上證50，滬深300和中證500進行了輪動回測，并且針對不同風險偏好投資者確定了相應目標波動率，策略凈值曲線及表現如下圖表所示。
類似的，我們針對中信一級行業指數進行了輪動配置，同樣設定了15%和25%兩個不同的目標波動率水平，相應的配置結果如下圖表所示，可以看到策略的風險收益比相對等權基準有明顯提升。
結束語
至此，本文完成了對動量這一策略風格在大類資產配置中的應用研究。對于下一階段的研究我們將著手于兩個方向：一個方向是探討動量策略在不同的經濟環境下策略的表現，即對策略風格在不同風險因子上的暴露進行分析；另一個方向是探討價值策略在大類資產配置中的應用。(來源：搜狐財經） |
