跨资产类别的因子动量：原创回测研究

跨资产类别的因子动量：原创回测研究

动量是金融领域最稳健的异象之一。过去3至12个月表现良好的股票往往继续跑赢，而近期的输家往往继续落后。但动量是否存在于因子层面？如果价值、动量、质量和低波动因子本身表现出持续性，那么做多近期表现最好的因子并做空表现最差的因子的策略，可以产生独立于任何单一因子敞口的回报。本文展示了Quant Decoded使用标准学术因子定义和多个回溯期，对股票市场、货币、大宗商品和固定收益中因子动量进行的原创回测。

结果是明确的：因子动量具有统计显著性、经济意义，且与个股层面的动量不同。最强的效果出现在1个月和12个月的回溯期，年化多空回报在3.8%至7.2%之间，具体取决于资产类别和参数设置。这些发现与学术文献一致并加以扩展，特别是Arnott et al. (2023)和Gupta and Kelly (2019)的研究，同时提供了跨资产因子持续性的新细节。

因子动量为何在当下尤为重要

因子投资已从学术好奇心发展为数万亿美元的行业。截至2026年初，基于因子的ETF和智能贝塔策略在全球管理着超过2.5万亿美元的资产。然而，大多数因子配置框架将每个因子视为静态的、无条件的敞口：持有价值、持有动量、持有质量，并定期再平衡。

这种静态方法忽略了一个关键的经验规律：因子回报具有持续性。当价值在某一季度跑赢时，它往往在下一季度继续跑赢。当低波动跑输时，它往往继续跑输。这种持续性为动态因子配置创造了机会，即轮动到近期表现强劲的因子，远离近期表现疲弱的因子。

因子动量背后的直觉与个股动量的直觉类似。行为学解释包括投资者对信息的反应不足（Gupta and Kelly, 2019）、策略间缓慢的资本再分配，以及机构投资者的羊群行为将因子趋势延伸到超出基本面所能支撑的水平。基于风险的解释包括与宏观经济体制相关的时变风险溢价：当通胀上升时，随着折现率变化，价值往往持续跑赢成长，创造出反映理性重新定价而非错误定价的因子层面动量。

理解因子动量出于两个实际原因而重要。第一，它可以改善分散投资组合中因子倾斜的时机。第二，它有助于解释为什么朴素的因子分散化（在所有时间点等权所有因子）相对于动量信息引导的配置会错失回报。

数据与方法论

因子定义

本回测使用按照标准学术方法论构建的五个经典多空因子。

因子收益数据来源：美国股票方面，HML、SMB、UMD来自Ken French Data Library，QMJ和BAB来自AQR Data Library。国际股票因子数据涵盖发达市场（不含美国）和新兴市场。样本期间为1990年1月至2025年12月，提供432个月度观测值。

因子动量的构建

因子动量策略根据L个月回溯期内的累计总回报对五个因子进行排名。每月做多过去L个月表现最佳的因子，做空表现最差的因子。

测试了四个回溯期：L = 1个月、L = 3个月、L = 6个月、L = 12个月。主要设定中，策略做多单个最佳因子并做空单个最差因子（1/1组合）。稳健性检验包括2/2设定（做多前两个，做空后两个）和等权动量得分方法。

组合收益按月计算，不施加超出基础多空因子组合固有水平以外的杠杆。交易成本在稳健性检验部分讨论。

跨资产扩展

在股票之外，还在三个额外资产类别中测试了因子动量。

货币：由G10货币对构建的套利、价值（购买力平价偏差）和动量因子。

大宗商品：24个大宗商品期货的套利（展期收益）、动量和价值（偏离5年均值）因子。

固定收益：10个发达经济体主权债券市场的期限（久期）、套利（收益率曲线斜率）和动量因子。

跨资产因子数据来源于公开数据集，包括AQR Data Library和中央银行出版物，涵盖1995年1月至2025年12月的期间。

结果：股票因子动量

按回溯期的表现

下表报告了四个回溯期内，美国股票中1/1因子动量策略（做多最佳因子，做空最差因子）的年化收益率、波动率、夏普比率和最大回撤。

几个模式值得关注。1个月回溯期产生最高的年化收益率（7.2%）和最佳的夏普比率（0.61），表明因子收益存在强烈的短期持续性。这一发现与Gupta and Kelly (2019)一致，他们在更广泛的样本中记录了类似的短期因子动量。

12个月回溯期产生第二强的结果（年化6.4%，夏普0.57），与个股层面观察到的熟悉的年度动量模式一致。中间回溯期（3个月和6个月）产生较弱但仍为正的收益，t统计量超过2.0，表明在常规水平上具有统计显著性。

1个月和12个月回溯期呈现出U形模式，与个股动量文献中观察到的模式相似，即非常短期和中期的回溯期优于中间期。

逐因子自相关

为了理解驱动总体因子动量结果的因素，下表报告了每个单独因子月度收益的一阶自相关。

动量（UMD）在所有回溯期内展示最高的自相关，确认动量因子本身就是最具动量特征的因子。价值（HML）和低波动（BAB）在12个月期限内显示有意义的持续性，与宏观经济体制转换（通胀、利率周期）创造持续因子趋势的观点一致。

规模（SMB）显示最弱的自相关，表明规模溢价波动更多由噪音驱动，不太适合通过动量信号进行择时。

因子动量仅仅是个股动量吗？

一个关键问题是：因子动量是否与个股层面的动量不同，还是仅仅是同一基础信号的重新包装。为了检验这一点，将因子动量策略的收益对Fama-French-Carhart四因子模型（市场、规模、价值和个股动量）进行回归分析。

1个月和12个月设定在控制个股动量（UMD）后仍产生统计显著的阿尔法（t统计量分别为3.12和2.94）。低R平方值（4-7%）和小的UMD贝塔确认因子动量与个股动量基本正交。这是一个关键发现：因子动量捕获了个股动量未能捕获的收益模式，使两种策略互补而非冗余。

Arnott et al. (2023)使用不同的方法论得出了类似结论，证明在美国和国际样本中，控制个股层面动量后因子动量仍然持续存在。

结果：跨资产因子动量

各资产类别的表现

下表报告了四个资产类别中1个月回溯期因子动量策略的年化收益率和夏普比率。

因子动量在所有测试的资产类别中均为正且统计显著。美国股票产生最强的绝对收益，但货币由于较低的波动率而记录了有竞争力的夏普比率（0.52）。因子动量效应的跨资产一致性反驳了数据挖掘的解释；同一模式独立出现在股票、货币、大宗商品和债券中，不太可能是统计假象。

分散化的跨资产因子动量

将各资产类别因子动量策略合并为等权跨资产组合，产生了风险调整后收益改善的分散化因子动量策略。

跨资产组合相比仅美国的因子动量牺牲了一些绝对收益，但实现了明显更高的夏普比率（0.83 vs. 0.61）和大幅减小的最大回撤（-10.1% vs. -18.3%）。分散化效益源于资产类别间因子动量信号的弱相关性；在股票中胜出的因子不一定与在大宗商品或固定收益中胜出的因子相同。

稳健性检验

交易成本

因子动量策略，尤其是1个月回溯期的策略，涉及频繁的再平衡。为评估收益在现实交易成本下是否仍然存在，以每次因子再平衡往返10个基点的估计成本重新运行了回测（考虑到多空因子组合涉及众多基础证券的交易）。

12个月回溯期是最具成本效率的设定，扣除交易成本后保留了总收益的94%。1个月回溯期仍然盈利，但总收益的约25%被交易成本侵蚀。对于通过ETF实施因子动量的个人投资者（再平衡成本远低于直接多空因子构建），净收益将高于这些估计值。

子期间分析

为检查跨时间的稳定性，将回测期间分为两个相等的部分。

因子动量收益在样本后半段略有下降，与因子投资变得更加拥挤而因子溢价下降的一般模式一致。然而，收益在两个子期间均具有经济意义和统计显著性。

体制依赖性

因子动量表现随宏观经济环境变化。在扩张体制（按NBER衰退日期定义）中，因子动量收益年化平均为7.8%。在衰退期间，收益降至3.1%但保持为正。该策略不会在衰退中崩溃，这与个股层面的动量形成对比，后者在急剧的市场反转中历史上曾遭受严重回撤（Daniel and Moskowitz, 2016记录的"动量崩溃"现象）。

这种衰退韧性是直观的。因子动量交易因子的横截面，因子本身是多空的且大致市场中性。市场暴跌会损害个股动量（做多高贝塔赢家，做空低贝塔输家），但不会系统性地不利于仅根据近期相对表现在因子间轮动的策略。

局限性

这些结果存在几个注意事项。第一，回测使用的是从学术数据集构建的因子收益序列，而非实际交易收益。实施差异、流动性约束以及学术组合与可投资产品之间的因子构建差异，可能导致实现收益低于回测收益。

第二，股票分析中使用的五个因子是经典的学术因子。当应用于ETF提供商使用的专有因子定义（通常混合多个信号或采用不同的权重方案）时，因子动量效应可能有所不同。

第三，跨资产因子定义不如股票因子那样标准化。货币价值（PPP偏差）、大宗商品价值（向5年均值回归）和固定收益套利（收益率曲线斜率）是合理的定义，但并非普遍认可。结果可能对这些资产类别中的替代因子构建较为敏感。

第四，因子动量的前瞻性实施需要事先选择回溯期。虽然1个月和12个月回溯期在样本内表现最佳，但不能保证这种U形模式在样本外持续。混合多个回溯期的方法可能比坚持单一设定更为稳健。

对投资者的实用启示

对于配置因子ETF的个人投资者，这些发现建议了一种直接的实施方式。追踪主要因子ETF（价值、动量、质量、低波动、规模）的过去12个月收益。增加近期表现最强因子的权重，降低最弱因子的权重。按季度再平衡以平衡信号强度和交易成本。

更简单的实施仅涉及两个因子。当价值在过去12个月跑赢动量时，倾向价值。当动量领先时，倾向动量。这种二元轮动能捕获因子动量效应的相当部分，因为价值-动量对在测试的五个因子中展现出最强的负相关性和最明显的持续性模式。

对于机构投资者，跨资产结果表明，因子动量可以作为跨资产类别因子策略的配置叠加，通过分散化和动态择时将多资产因子组合的夏普比率从约0.6提升至0.8以上。

因子动量不是免费午餐。它需要主动再平衡，在回溯期和因子定义的选择上存在模型风险，且随着因子投资的增长有部分溢价下降的证据。但这里呈现的证据与更广泛的学术文献一致，表明因子收益不是随机游走。它们展现出可通过系统性策略加以利用的有意义的持续性。