Quant Decoded Research·行为偏差·2026-03-08·13 min

因子择时:你能把握因子的时机吗?

关于因子择时的证据令人警醒。虽然价值利差、动量信号和宏观指标在理论上显示出一定的预测能力,但大多数战术性因子择时尝试在扣除交易成本后都会损毁价值。AQR和学术研究表明,纪律严明、多元化且基本静态的因子配置优于大多数择时策略。

来源: AQR Capital Management

核心要点

因子择时——基于信号动态调整价值、动量、质量等因子敞口的尝试——是量化投资中最具争议的话题之一。证据很明确:虽然某些择时信号在长期研究中显示出边际预测能力,但大多数战术性因子择时在实践中会摧毁价值。复杂性、交易成本和行为陷阱会压倒微小的理论优势。对于大多数投资者而言,纪律严明、多元分散且基本保持静态的因子配置才是更优的方法。

因子择时的诱惑

因子投资已成为主流。数千亿美元的资金流入了追求价值、动量、质量、低波动率和规模溢价的策略中。但与所有投资一样,因子也会经历长时间的表现不佳。价值因子在2017年至2020年期间遭遇了历史性回撤。动量因子在2009年崩溃。低波动率因子在新冠疫情后的反弹中严重滞后。

这些痛苦的时期产生了一种难以抗拒的诱惑:我们能否预测哪些因子将表现良好,并据此调整投资组合?如果价值利差处于历史高位,我们是否应该超配价值因子?如果宏观指标暗示经济衰退即将来临,我们是否应该转向质量因子和低波动率因子?

其智识上的吸引力十分强大。即使我们只能适度地把握因子择时,风险调整后收益的提升也可能是巨大的。但理论与实施之间的差距很大,学术界和实务界的证据都在呼吁审慎。

基于利差的择时:阿斯尼斯方法

因子择时最严格的框架来自克利福德·阿斯尼斯(Clifford Asness)及其AQR的同事们。他们的核心洞察是:因子的估值利差——多头方相对于空头方的廉价程度——包含了关于未来收益的信息。

当价值股相对于成长股极度便宜时(宽价值利差),随后的价值因子收益往往更高。当利差较窄时,预期收益较低。Asness、Moskowitz和Pedersen在多个因子和地区记录了这一关系。

这一逻辑令人信服,也映射了投资的更广泛教训:低价买入往往会随着时间的推移获得回报。当因子的估值利差处于历史极端水平时,均值回归暗示着未来将迎来一段强劲回报期。

然而,其实际含义远比表面看起来要微妙得多。

信号微弱且变化缓慢。 估值利差在回归之前可能在极端水平维持数年。价值利差在2019年处于历史高位,但价值因子在反转最终到来之前又持续低迷了18个月。仅根据利差超配价值因子的投资者,在获得回报之前会遭受显著的额外回撤。

所需的投资期限非常长。 基于利差的择时在5到10年的期限内效果最佳。对于季度或年度再平衡决策而言,预测能力充其量只是温和的。大多数机构委托和个人投资者的耐心无法容纳如此长的期限。

这种关系并不稳定。 利差与随后收益之间的映射关系随时间发生了变化,这可能源于市场的结构性变化、因子投资本身的增长以及宏观经济体制的变化。

基于宏观经济的择时

第二种方法试图利用宏观经济指标来择时因子。其直觉是,不同因子在不同的经济周期阶段表现各异。

经济周期阶段通常表现强劲的因子通常表现疲弱的因子
早期扩张价值、小盘股低波动率、质量
晚期扩张动量、质量价值
衰退质量、低波动率价值、小盘股
复苏价值、小盘股、动量低波动率

来自MSCI、景顺(Invesco)和多位学者的研究记录了这些周期性模式。该框架在直觉上是合理的:价值股(通常是周期性、高杠杆公司)受益于经济复苏,而质量股(盈利稳定的公司)在经济下行期表现优异。

但实施挑战十分严峻。

实时识别经济周期阶段是出了名的困难。 NBER衰退日期的公布存在显著滞后。等你确认身处衰退时,大部分因子轮动已经发生了。

因子-宏观关系不稳定。 2020-2021年期间,质量因子和动量因子的表现相对于历史模式出现了意想不到的变化。新冠疫情创造了一个独特的宏观环境,打破了标准的投资剧本。

交易成本侵蚀了优势。 基于宏观的择时要求在市场波动最剧烈、交易成本最高的时刻进行投资组合周转。当应用现实的摩擦成本后,理论优势大幅缩水。

为什么大多数择时会摧毁价值

Research Affiliates的Arnott、Beck和Kalesnik在2016年发表了有影响力的研究,表明大多数因子择时策略的表现不及静态分散化因子配置。他们的分析考察了数十种择时方法——基于利差的、基于宏观的、基于动量的,以及各种组合。

核心发现令人警醒。

交易成本至关重要。 因子择时比静态方法需要更频繁、更激进的再平衡。每笔交易都会产生价差成本、市场冲击成本,以及潜在的税务后果。对于预期溢价适中(每年2-5%)的因子而言,这些摩擦成本可能消耗掉全部的择时收益。

过拟合无处不在。 许多择时模型建立在样本内数据之上,在纸面上看起来令人印象深刻。但在样本外,其表现急剧下降。潜在择时信号的数量非常庞大(利差、宏观变量、情绪指标、跨因子动量),造成了多重检验问题,夸大了表面上的能力。

行为陷阱放大了损失。 即使拥有合理的择时模型,实施也需要在最不舒适的时期逆势而行。在成长股主导的泡沫期间超配价值因子需要非凡的信念。大多数投资者——无论是机构还是个人——在其择时模型表现不佳时都缺乏坚持到底的纪律。

模型风险是巨大的。 因子择时在本已不确定的因子溢价之上又增加了一层模型风险。你需要同时对因子溢价的存在和择时信号做出正确判断。任何一个判断错误,都可能将正的预期收益转变为实际损失。

静态因子配置的理由

AQR的Ilmanen、Israel和Moskowitz在2021年的研究中有力地论证了:采用静态权重的多元化多因子投资组合能够捕获约90%的可实现因子溢价,而其复杂性和风险远低于择时方法。

这一论点建立在以下几个支柱之上。

跨因子分散化本身就是一种择时形式。 由于因子之间的相关性较低,同时持有多个因子可以减少回撤并平滑收益。价值和动量呈负相关;质量因子在危机期间提供稳定性。静态多因子投资组合已经通过因子领导地位的自然轮动适应了不同的市场环境。

简洁性降低了实施成本。 静态配置要求更低的周转率、更少的监控、更少的交易决策和更简单的治理。对于采用委员会决策的机构投资者而言,这是一个重大优势。

长期纪律更容易维持。 静态配置消除了在回撤期间放弃因子的诱惑。因子投资中最大的风险不是因子选择,而是因子放弃——在因子表现不佳后卖出,从而错过随后的复苏。

判断失误的机会成本很高。 如果你的择时模型建议低配动量因子,而动量因子随后交出了20%的年回报,那么相对于静态配置的业绩差距是痛苦且显而易见的。许多投资委员会无法容忍这种跟踪误差。

择时可能增加价值的情况

证据并非完全一面倒。在一些狭窄的情况下,因子择时可能增加适度的价值。

极端利差信号。 当价值利差达到历史极端水平(高于历史观察的第90百分位或低于第10百分位)时,预测能力显著增强。这些是罕见事件——大约每十年发生一次——并且需要以年而非月来衡量的耐心。阿斯尼斯曾论证,新冠疫情后的价值利差就是这样一个时刻,随后价值因子的复苏部分验证了这一观点。

风险管理覆盖。 利用因子特征在高压力时期降低投资组合风险——例如,当动量波动率飙升时减少动量敞口——比追求收益的择时具有更多的实证支持。这是防御性择时(减少敞口以避免崩溃)而非进攻性择时(增加敞口以捕获溢价)。

非常长的投资期限。 对于主权财富基金、捐赠基金和其他真正的长期投资者而言,基于利差的择时在10年期限内历史上曾增加适度的价值。关键约束是这些投资者必须具有真正承受多年表现不佳的能力,而不会被迫改弦更张。

实践建议

对于大多数投资者而言,证据支持以下因子敞口方法。

从多元化多因子配置开始。 将价值、动量、质量和低波动率以大致等风险权重的比例进行组合。这提供了对多个收益来源的广泛敞口,同时具有自然的分散化收益。

保持配置基本静态。 定期(季度或半年度)再平衡至目标权重,但不要基于择时信号进行大幅战术性倾斜。再平衡本身通过买入已变便宜的因子和卖出已升值的因子,提供了适度的逆向投资收益。

仅在极端情况下考虑适度倾斜。 如果你有耐心、专业知识和治理结构来实施择时,请将其限制在极端利差环境下,并保持倾斜幅度较小(相对于中性不超过20-30%的超配或低配)。偏离中性的门槛应该非常高。

专注于实施质量。 实施良好的静态因子投资组合与实施不佳的静态因子投资组合之间的差异,通常大于任何择时阿尔法。耐心执行、税务管理和成本控制才是真正可实施优势的来源。

在回撤期间保持纪律。 因子投资中最重要的决策是在表现不佳期间坚持投资。因子溢价在完整周期中奖励了耐心,而在回撤后放弃因子是摧毁价值的最可靠方式。

局限性

反对因子择时的证据虽然有力,但并非绝对。未来的市场环境可能与历史样本不同。市场的结构性变化(被动投资增长、算法交易、相关性变化)可能改变因子动态。新的择时信号可能出现并真正增加价值。研究本身在定义什么构成极端利差时可能存在前瞻偏差。最后,跨因子的战略配置与战术择时之间的界限有些模糊——任何定期再平衡都包含隐含的择时因素。

参考文献

  1. Asness, C. S., Moskowitz, T. J., & Pedersen, L. H. (2013). "Value and Momentum Everywhere." The Journal of Finance, 68(3), 929-985. https://doi.org/10.1111/jofi.12021
  2. Arnott, R. D., Beck, N., Kalesnik, V., & West, J. (2016). "How Can 'Smart Beta' Go Horribly Wrong?" Research Affiliates Working Paper. https://www.researchaffiliates.com/publications/articles/442-how-can-smart-beta-go-horribly-wrong

仅供教育。