基于显著性理论的动量策略改进

来源：量化投资与机器学习

根据显著性理论（SalienceTheory），投资者会被具有显著收益的股票所吸引，导致它们被错误定价。Cosemans和Frehen(2021)最近的一项研究提出了一种显著性理论（ST）测量方法，可以捕捉过去收益分布的显著性。ST的核心含义是，具有显著上升空间的股票被高估，随后的回报较低；相反，有明显缺点的股票被低估，未来回报高。传统的动量策略包括买入过去的赢家和卖出过去的输家，这在美国和国际股市中被广泛验证。然而，动量投资组合中极其突出的股票更有可能出现后续的反转，从而降低了动量策略的盈利能力。

图1描述了按过去12个月收益排序的动量百分比投资组合的下一个月的收益分布。颜色的梯度表示前一个月的ST百分位。与之前的研究一致，我们发现过去和后续收益（即收益动量）之间存在正线性关系。此外，ST最高的股票（深绿色）往往会获得较低的后续回报，而ST最低的股票（暗红色）往往会获得较高的后续回报。更重要的是，过去ST高的赢家和ST低的输家更有可能出现后续的收益逆转，从而削弱了动量策略的盈利能力。因此，我们通过消除ST最高和最低的股票来增强动量策略，比如我们可以采用一种策略，购买过去ST低的高动量股票，卖空过去ST高的低动量股票，这可以产生更高的回报。

本研究通过提出一种新的和简单的策略来提高动力盈利能力。我们根据从t-12到t-2的累计收益构建十分位数投资组合，并按顺序排除具有显著收益的股票。例如，在预先的基础上，当我们从前十分位数（赢家）投资组合中去除5%的最高ST股，从后十分位数（输家）投资组合中去除5%的最低ST股时，多空(WML)投资组合的五因子alpha每月从1.641%增加到1.749%，夏普比率从0.852增加到0.927。我们发现，排除具有极端ST的股票的方法更好地捕捉了内在动量效应，特别是对于亏损投资组合。

股票收益显著性度量（ST）

我们首先计算第d天股票收益和市场收益之间的距离，如下所示：

其中是股票的d日的日度收益，是d日截面上所有股票的平均收益。为了防止分母为0的情况没，设置为0.1。

然后将每个股票根据过去一个月每天的进行排序，该股票每日的排序为。根据排序值计算SalienceWeights ：

其中（默认0.7）是一个参数，用于控制Salience扭曲的程度；。计算每个月内日度的与收益率的协方差就是该股票当月的ST值。

排除具有极端显著价值的股票，增强了动量策略的收益。如下图所示：

A股实证研究

国内方正证券金工团队在《显著效应、极端收益扭曲决策权重和“草木皆兵〞因子》也使用了显著性理论构建相关因子：

显著理论（saliencetheory）的出现解决了截面上做比较的问题。Cosemans和Frehen(2021)使用显著理论构造了因子，他们认为那些收益率过分高于市场收益的股票，会吸引投资者的注意力，并引起投资者的过度买入，进而股价在未来会发生回落。我们将这种心理称为“守株待兔”心理，投资者认为这种极端偏离市场的高收益会再次出现,因此纷纷买入这些股票开始等待。

相反，那些收益率过分低于市场收益率的股票，会对投资者产生恐慌心理，并引起投资者的过度卖出，进而股价在未来发生补涨。我们将这种心理称为“草木皆兵”心理，投资者认为这种极端偏离市场的低收益（或称为严重亏损）会再次出现,因此纷纷卖出这些股票，小心远离它们。

报告提出了将显著理论与反转因子相结合的新构造方法。即将股票每日的收益率，视作投资者做出决策权重的依据，将每天收益率偏离市场的程度（我们取多头端的逻辑，将其简称为“惊恐度”）作为极端收益对投资者决策权重的扭曲程度，使用“惊恐度”直接加权每日收益率，来模拟投资者决策过程，构造了“原始惊恐”因子。

具体计算逻辑如下，首先是定义惊恐度：

接下来构建惊恐度因子：

因子测试结果：

总结

量价因子的研究一定是发现现象、提出假设、定义代理变量，最后验证假设的过程。市场定价的非有效性大部分源于是行为学上的偏差，量化的过程一定程度上就是对偏差建模的过程。

参考文献

1、Sim,Myounghwa&Kim,Hee-Eun,2022."Saliencetheoryandenhancingmomentumprofits,"FinanceResearchLetters,Elsevier,vol.50(C).

2、M.Cosemansetal.Saliencetheoryandstockprices:empiricalevidenceJ.Financ.Econ.(2021)

3、方正证券金工团队《显著效应、极端收益扭曲决策权重和“草木皆兵〞因子》