证券研究报告正文目录
证券研究报告
引言 4
数据和变量 6
来自横截面回归的证据 7
动量效应分解 7
FAMA-MACBETH回归 9
时间序列分析 10
多空收益 10
动量崩溃的驱动影响 12
动量成分在崩溃特性差异上的原因 15
收益可预测性的来源 19
市场状态和情绪依赖 19
对持续性信息的反应不足 21
策略实用性探讨 22
交易成本 22
收益预测能力的市值依赖性 23
7结论 24
风险提示： 25
证券研究报告图表目录
证券研究报告
图表1文章框架 4
图表2描述性统计 7
图表3动量效应分解 9
图表4动量成分的FAMA-MACBETH回归 10
图表5月度动量因子多空收益 11
图表6多空累计收益 12
图表7动量因子多头和空头中的赢家和输家股票 13
图表8最极端动量崩溃的月份 14
图表9主要动量崩溃时期的累计多空收益 15
图表10动量策略多头和空头中的赢家和输家股票 16
图表11动量因子和其成分的相关系数 17
图表12动量因子时变的市场BETA 19
图表13动量因子多空收益的子样本期分析 20
图表14动量因子的信息离散度和收益预测能力 22
图表15动量因子收益预测能力的市值依赖性 24
引言
图表1文章框架
华安证券研究所整理
华安证券研究所整理
资料来源：前一年的赢家股票往往会在随后表现出优于前一年的输家股票（Jegadeesh和
资料来源：
Titman，1993）。在1927年至2020年的美国股票样本中，在形成期月（???12至
???2）具有高动量回报的股票，在月??平均比低动量股票高出1.18%。这种动量效应是股票横截面回报中最普遍的异常现象之一。在本研究中，将形成期回报分解为两个组成部分：高价-价格比（??????）和价格-高价比（??????），并考察这两个组成部分如何对整体动量现象做出贡献。特别地，分解方法依赖于月份???12至???2期间的最高股票价格????????。??????是这个高价与初始股票价格的对数比，而??????是最终股票价格与高价的对数比。因此，对数动量回报??????可以表示如下：
其中，???和???分别表示动量形成期开始和结束时的股票价格。
动量成分??????大致反映了一只股票接近其52周高点的程度。在此背景下，George和Hwang（2004）表明，它解释了动量收益中的很大一部分。基于这些开创性发现，近年来，52周高点和??????对股票市场的影响已得到了广泛研究。据我们所知，剩余成分??????尚未得到研究。因此，鉴于关于??????的大量文献，本文的主要目
的是为被遗忘的成分??????提供开创性证据——特别是因为它对整体动量现象的贡献
远大于??????。
为了检验??????和??????对动量效应的相对重要性，作者采用了传统的（Fama和
证券研究报告MacBeth，1973）横截面回归框架（Guo等，2022）。基于这些回归分析，动量回
证券研究报告
报（??????）每高出1%，平均而言，次月的回报就会高出1.31个基点。作者发现，这一总效应幅度中有84%可以归因于??????，而只有16%可以归因于??????。因此，我们确定被遗忘的动量成分??????，而非被广泛研究的动量成分??????，是动量收益的关键驱动因素。
除了这种基于回归的分解外，作者还进行了十分位投资组合排序，以分别考察与??????和??????相关的横截面回报差异。图表3绘制了一个做多高??????股票、做空低
??????股票的策略的累积回报：1927年1月投资1美元于这样一个假设的??????策略，
到2020年底将变为118,115.03美元，而相应的??????策略则仅获得0.53美元。基于这一证据，作者研究了为什么??????策略相比??????策略能够积累更高的回报。研究发现，??????策略遭受了严重的崩盘，即多空回报呈现出强烈的左偏。如图表3所示，这些偶尔的崩盘对??????策略的糟糕表现起到了显著作用。与已有充分记录的动量崩盘（Barroso和Santa-Clara，2015；Daniel和Moskowitz，2016）类似，??????策略的表现就像市场上卖出的看涨期权，在市场从熊市反弹时会崩盘。相反，与??????相关的多空回报略呈正偏，并且避免了动量崩盘。
鉴于??????策略在2009年金融危机和COVID-19疫情之后避免了动量崩盘，即使在样本期内的最近一个季度，它也产生了显著的回报溢价。