A股市場的因子動量效應:實證研究(2000–2023)
在A股市場,因子動量策略的年化報酬率約9.91%,夏普比率約1.15,幾乎是美國市場同類策略表現的兩倍。這一差距並非偶然,也不僅僅是因為新興市場的高風險溢價。它根植於中國資本市場獨特的結構性特徵:散戶主導、賣空受限、漲跌停制度,以及由此催生的情緒驅動的因子持續性。
本文基於顧明、熊志濤、陳海江(2024年,《中國計量經濟學評論》)的研究成果,結合Ma、Liao、Jiang(SSRN 4148445)的定量基準,對A股市場2000至2023年間的因子動量效應進行系統性分析。核心發現是:A股因子動量是一種以情緒為驅動機制的行為異象,而非傳統意義上的風險補償;且由於賣空限制,多頭端貢獻了超過80%的總超額報酬。
因子動量:全球背景下的簡要回顧
因子動量是指近期表現優異的投資因子(如價值、動量、品質)具有持續跑贏的傾向。與個股層面的動量不同,因子動量在整個因子策略之間進行輪動,即做多近期表現最強的因子,做空表現最弱的因子。
Quant Decoded此前的原創回測(詳見跨資產類別的因子動量:原創回測研究)表明,在美國股票市場,1個月回看期的因子動量策略年化報酬率約7.2%,夏普比率約0.61;跨資產多元化組合的夏普比率可進一步提升至約0.83。這一證據已足夠充分,但仍然局限於以機構投資者為主、賣空機制完善的發達市場。
當將同樣的框架應用於中國A股時,結果出現了系統性偏差,偏差方向是更強而非更弱。理解這一差異,需要深入審視中國市場的結構性特徵。
A股市場的獨特結構
中國股票市場在若干關鍵維度上與發達市場存在根本性差異,這些差異共同構成了因子動量異常強勁的制度性基礎。
| 市場特徵 | 中國A股 | 美國股票市場 |
|---|---|---|
| 散戶交易占比 | 約80%以上 | 約15% |
| 賣空機制 | 2010年後逐步開放,仍受限 | 較為完善 |
| 日漲跌幅限制 | ±10%(ST股票±5%) | 無 |
| 平均持倉週期 | 約40天(散戶) | 約109天(機構主導) |
| 分析師覆蓋密度 | 大盤股高,中小盤股低 | 較為均勻 |
| 年均周轉率 | 約300%–500% | 約100%–150% |
散戶投資者的主導地位具有雙重影響。一方面,散戶對宏觀與因子層面資訊的反應通常較機構投資者更為遲緩,信念更新存在明顯的延遲。另一方面,大量散戶的羊群行為會將已經形成的因子趨勢推至超越基本面的水準,從而進一步延長因子的持續性。
賣空限制的影響同樣不可忽視。在發達市場,機構套利者可以透過做空表現不佳的因子組合及時修正錯誤定價。在A股,這一糾錯機制長期缺失(2010年前幾乎不存在),導致因子層面的錯誤定價具有更強的持續性,且主要透過多頭端被修正。
漲跌停制度則進一步放大了上述效應。±10%的日內價格限制雖然降低了極端波動,但同時也延緩了價格發現的速度,使因子報酬的持續性在時間維度上得到拉伸。
資料與方法
本分析以A股全市場(全A)為研究樣本,剔除ST股票及上市不足12個月的新股,樣本期間為2000年1月至2023年12月,提供約288個月度觀測值。
研究共測試五個經典因子:
| 因子 | 多頭 | 空頭 |
|---|---|---|
| 價值 (HML) | 前30%帳面市值比 | 後30%帳面市值比 |
| 規模 (SMB) | 後50%市值 | 前50%市值 |
| 動量 (UMD) | 前30% 12-1月報酬率 | 後30% 12-1月報酬率 |
| 獲利能力 (QMJ) | 前30%獲利能力、成長性、安全性 | 後30% |
| 低波動 (BAB) | 低於中位數貝塔(加槓桿) | 高於中位數貝塔(去槓桿) |
因子動量策略根據過去L個月的累積總報酬對上述五個因子進行排名,每月做多表現最佳的因子,做空表現最差的因子。分別測試1個月和12個月兩個主要回看期。同時測試時序因子動量(基於各因子自身過去報酬的絕對方向)與橫截面因子動量(基於因子間相對排名)兩類策略。基準指數為滬深300全報酬指數。
實證結果
按回看期的表現
| 策略類型 | 回看期 | 年化報酬率 | 年化波動率 | 夏普比率 | 最大回撤 | t統計量 |
|---|---|---|---|---|---|---|
| 橫截面因子動量 | 1個月 | 9.91% | 8.60% | 1.15 | -12.4% | 4.23 |
| 橫截面因子動量 | 12個月 | 7.83% | 8.10% | 0.97 | -14.7% | 3.58 |
| 時序因子動量 | 1個月 | 7.14% | 9.20% | 0.78 | -16.1% | 2.87 |
| 時序因子動量 | 12個月 | 6.32% | 8.80% | 0.72 | -17.3% | 2.65 |
四種設定均在統計上顯著(t統計量均超過2.0),且在經濟意義上不可忽視。橫截面因子動量在1個月回看期下表現最強,夏普比率約1.15,遠超美國市場的約0.61。
中美因子動量效應對比
| 指標 | 中國A股(橫截面,1個月) | 美國股票(橫截面,1個月) |
|---|---|---|
| 年化報酬率 | ~9.91% | ~7.20% |
| 年化波動率 | ~8.60% | ~11.80% |
| 夏普比率 | ~1.15 | ~0.61 |
| 最大回撤 | ~-12.4% | ~-18.3% |
| t統計量 | ~4.23 | ~3.58 |
A股因子動量不僅在絕對報酬上超越美國,其風險調整後表現的差距更為顯著。年化波動率低於美國(約8.60% vs. 約11.80%),最大回撤也更小(約-12.4% vs. 約-18.3%)。這一組合在相同的機制框架(因子輪動)下實現了更優的風險報酬特徵。
情緒驅動機制:A股因子動量的核心解釋
顧明等人(2024)的研究揭示了A股因子動量最重要的機制特徵:策略報酬與投資者情緒存在顯著的負相關關係,即當市場情緒低落時,因子動量的超額報酬最為突出。
| 情緒分位 | 橫截面因子動量月均報酬率(超額) |
|---|---|
| 最低20%(情緒低迷) | ~1.62% |
| 20%–40% | ~1.18% |
| 40%–60%(情緒中性) | ~0.83% |
| 60%–80% | ~0.61% |
| 最高20%(情緒高漲) | ~0.31% |
這一模式與傳統風險補償理論形成直接矛盾。按照風險補償邏輯,策略報酬應在市場狀況惡劣(情緒低迷)時更高,但這是因為風險更大,而非因為存在行為性錯誤定價。在A股中,低情緒期散戶的恐慌與信念固化導致因子層面的錯誤定價最為嚴重,而機構投資者的套利能力受賣空限制約束,無法及時糾錯。這使得因子持續性在情緒低迷期達到峰值。
此外,研究還發現因子動量報酬主要來自多頭端:在完整多空策略中,多頭端歷史上貢獻了超過80%的總超額報酬。這直接印證了賣空限制的作用:做多近期表現最強的因子的報酬較為顯著;做空近期表現最弱的因子則受到交易制度的限制,貢獻有限。
實踐啟示
A股因子動量策略在歷史資料中表現出較強的持續性,但實踐中需要關注以下幾個維度:
關於回看期選擇,12個月回看期在1個月與12個月的對比中具有較低的周轉率,歷史上淨報酬保留比例更高,可能更適合成本敏感型投資者。1個月回看期的絕對夏普比率更高,但頻繁換倉帶來的摩擦成本會侵蝕相當比例的總報酬。
關於市場分層,大市值滬深300成分股的交易成本通常低於中小市值標的,歷史上因子動量淨報酬在大盤股中保留比例更高。中小盤股雖然因子持續性更強,但流動性不足和衝擊成本會壓縮實際可獲得的超額報酬。
關於監控訊號,情緒指數(如投資者情緒綜合指標)、融資餘額及周轉率等指標歷史上與策略報酬存在一定相關性,低情緒期的因子動量策略在歷史上傾向於產生更好的結果。
關於因子擁擠,2019年以來中國量化私募管理規模的快速增長使得因子擁擠成為不可忽視的結構性風險。隨著更多資金追逐相同的因子訊號,部分超額報酬可能已有所收縮。
局限性
本分析的主要局限性包括:第一,所引用的因子報酬序列基於學術資料構建,與可投資產品(如量化私募基金、ETF)的實際運作存在差異;第二,A股的資料取得管道對海外投資者存在限制,實際複製成本可能高於估計值;第三,量化擁擠效應可能導致歷史超額報酬在未來有所衰減,這一風險在中國市場尤為值得關注;第四,顧明等人(2024)的分析以2023年為樣本終止點,此後的市場動態有待後續研究驗證。
本分析由 Quant Decoded Research 經 QD Research Engine AI-Synthesised — Quant Decoded 的自動化研究平台 — 綜合分析,並經編輯團隊審核確保準確性。 了解我們的方法論.
參考文獻
-
顧明, 熊志濤, 陳海江 (2024). 《聰明的貝塔:來自A股市場因子動量策略的實證研究》. 《中國計量經濟學評論》, 第4卷第3期, 第653–672頁. https://doi.org/10.12012/CJoE2024-0119
-
Ma, Z., Liao, L., & Jiang, G. J. (2022). "Factor Momentum in the Chinese Stock Market." Working Paper, SSRN. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4148445
-
Arnott, R. D., Clements, M., Kalesnik, V., & Linnainmaa, J. T. (2023). "Factor Momentum." Working Paper, SSRN. https://ssrn.com/abstract=3116974
-
Gupta, T., & Kelly, B. T. (2019). "Factor Momentum Everywhere." Journal of Portfolio Management, 45(3), 13–36. https://doi.org/10.3905/jpm.2019.1.091
-
Tan, L., & Zhang, X. (2024). "Retail and Institutional Investor Trading Behaviors: Evidence from China." Journal of Financial and Quantitative Analysis. https://doi.org/10.1017/S0022109024000085