文章图片

量化投资与机器学习微信公众号 ， 是业内垂直于量化投资、对冲基金、 Fintech、人工智能、大数据等领域的主流自媒体 。 公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业20W+关注者 ， 连续2年被腾讯云+社区评选为“年度最佳作者” 。
量化投资与机器学习公众号独家解读
量化投资与机器学公众号 QIML Insight——深度研读系列 是公众号今年全力打造的一档 深度、前沿、高水准栏目 。
公众号遴选了各大期刊前沿论文 ， 按照理解和提炼的方式为读者呈现每篇论文最精华的部分 。 QIML希望大家能够读到可以成长的量化文章 ， 愿与你共同进步！

本期遴选论文
来源：The Journal of Portfolio Management December 8,2021
标题：Trending Fast and Slow
作者：Eddie Cheng, Nazar Kostyuchyk, Wai Lee, Pai Liu, Chenfei Ma

前言
时序动量策略的基础是假设过去的收益对未来的收益有一定程度的预测能力 。 通常 ， 一个策略是通过在上涨阶段建立多头头寸 ， 在下跌阶段建立空头头寸来实现的 。 学术文献文献表明 ， 最近过去的资产收益与未来收益正相关 。 时序动量策略的有效性在多个时期、许多市场和许多资产中得到了证明 。 例如 ， Moskowitz, Ooi和Pedersen(2012)发现 ， 在测试了1到12个月的回溯窗口 ， 发现12个月的时序动量策略具有可观的盈利能力 。 其本质上说明基于较慢信号的策略往往比基于较快信号的策略更能捕捉长期趋势 ， 表现出更好的风险收益曲线 。
但是Garg et al.(2021)发现 ， 时序动量策略在市场方向转折时通常会遭受损失 。 这时 ， 信号较慢的策略 ， 如12个月的时序动量 ， 需要更多的时间转向 ， 因此受到这些转折点的影响更大 。 而基于一个月收益等更快信号的策略反应更敏感 ， 受转折点影响也更小 。 然而 ， 也正是因为短周期策略更敏感 ， 信号可能最容易受到错误转折点的影响 ， 因此可能会出现过度的变动而带来较弱的表现 。
在市场动荡期间（通常对应于转折点） ， 基于缓慢信号的策略所承受的损失可能会减少 ， 一种方法是使用波动率管理投资组合（VOM） ， 这一概念得到了学术文献的充分支持 。 例如 ， Moreira和Muir(2017)声称 ， “当波动率高时 ， 承担较小风险的管理投资组合会产生较大的阿尔法值 ， 提高夏普比率 ， 并为均值-方差投资者产生较大的效用收益 。 ”这些策略背后的基本思想是 ， 按照已实现波动率的反比来调整头寸规模 ， 在最近波动较高时减少敞口 ， 反之亦然 。 通过使用VOM策略来提高风险调整收益的潜力是基于以下假设：方差在短期范围内是高度可预测的 ， 而方差预测仅与这些范围内的未来收益有微弱的相关性 。 Harvey等人(2018)和Plessis Hallerbach(2016)提出了类似的方法 ， 帮助在不确定时期降低风险 ， 在平静时期增加头寸 。
时序动量策略面临一个关键的矛盾：长周期的信号对行情的转折反应缓慢 ， 短周期的信号对行情的波动过于敏感 。 两种速度信号的有效组合 ， 可以利用不同的市场周期 ， 减少与转折点相关的下行风险敞口 。 与VOM和中周期的策略相比 ， 在本文的时序动量策略中 ， 我们采用了不同的风险管理方法 。 在我们的方法中 ， 我们不是在高度不确定性时期对冲我们的风险 ， 而是采取积极的头寸 ， 试图从这些时期获取价值 ， 以提高市场择时的效率 。 因此 ， 我们的方法也不同于因子择时 。
基本动量策略
对于给定月份t ， 如果过去N个月的收益率， 则在下一个月买入该资产 ， 如果小于0 ， 则在下一个月卖出该资产 。