跨资产信号与时间序列动量.docxVIP

正文目录 一、引言 4 二、样本数据 6 国际样本 6 控制变量 7 美国样本 7 波动率调整 8 三、时间序列可预测性 8 单资产时间序列预测性 8 跨资产时间序列可预测性 9 不同动量阶段资产回报 10 四、跨资产时间序列动量 10 单资产策略 10 跨资产策略 11 回溯期和持有期分析 11 策略收益分析 12 张成检验（Spanning tests） 14 XTSMOM 微笑 14 投机者净头寸 15 五、时间序列动量的成因 15 收益率和资金流 16 需求的其他代理变量 18 六、跨资产时间序列动量的成因 18 机制 1：共同基金资金流 18 机制 2：信贷渠道 21 机制 3：货币政策渠道 22 七、时间序列动量与实体经济 23 八、结论 24 图表目录 图 1：股票正/负动量阶段持有 CRSP 市值加权指数累计超额收益 5 图 2：债券正/负动量阶段持有 CRSP 市值加权指数累计超额收益 5 图 3：单资产时间序列可预测性 8 图 4：跨资产时间序列可预测性 9 图 5：组合累计超额收益 12 图 6：不同国家组合年化夏普比率 13 图 7：XTSMOM 微笑曲线 15 图 8：股票收益和股票型基金资金流 16 图 9：债券收益和债券型基金资金流 17 图 10：单资产收益率和未来资金流相关性 17 图 11：股票回报与未来股票需求变化的相关性 18 图 12：跨资产收益率和未来资金流相关性 19 图 13：变量对股票收益的累积脉冲响应图 20 图 14：变量对债券收益的累积脉冲响应图 21 图 15：不同债券动量阶段保证金借款的异常变动 22 图 16：股票收益和未来联邦基金利率变化的相关系数 22 图 17：不同债券和股票收益率情况下未来经济变量的变化 24 表 1：不同动量阶段下的资产回报 10 表 2：跨资产时间序列动量策略 Alpha 的 t 检验统计量 12 表 3：跨资产时间序列动量风险调整表现 13 表 4：组合的张成检验 14 表 5：基金资金的流向量自回归模型 20 表 6：不同动量阶段下经济变量的变化情况 23 本文选取 Aleksi Pitk?j?rvi、Matti Suominen 和 Lauri Vaittinend 三位学者在 2019 年发表于 Journal of Financial Economics 的文章 Cross-Asset Signals and Time Series Momentum，对文章的研究思路和成果进行总结，为投资者进行本土化实证研究提供参考。 文章发现了债券和股票市场中的一种新现象，即跨资产的时间序列动量。研究采用 20个国家的数据，发现债券市场的历史收益可以正向预测股票市场的未来收益，股票市场的历史收益可以负向预测债券市场的未来收益。利用这种可预测性构建分散化的跨资产时间序列动量组合，其夏普比率比传统的时间序列动量组合高 45%。本文的研究结果表明，时间序列动量和跨资产时间序列动量是由债券和股票市场中资本的缓慢流动所造成的。 一、引言 Moskowitz 等（2012）发现，很多资产类别过去 1-12 个月的历史收益能够正向预测其未来收益，称为时间序列动量。本文在此基础上研究了债券和股票市场之间存在的跨资产的类似现象，并称之为跨资产时间序列动量。研究采用 20 个发达国家的债券和股票市场指数收益样本，证实了债券市场历史收益正向预测股票市场未来收益，而股票市场 历史收益负向预测债券市场未来收益。 进一步地，文章利用这种跨资产收益可预测性，构建了跨资产时间序列动量策略，在控制了具有相同回溯期和持有期的时间序列动量策略、债市和股市的被动风险暴露以及标准资产定价因子之后，策略仍能取得显著为正的月度 Alpha。跨资产时间序列动量组合的夏普比率比标准的时间序列动量组合高 45%，比买入-持有策略高 70%。1另外，在控制了跨资产时间序列动量组合的收益之后，时间序列动量组合的 Alpha 不再显著。 图 1 和图 2 显示了美国权益市场的时间序列动量和跨资产时间序列动量的现象。将过去 12 个月股票历史收益为正（负）的月份定义为股票处于正（负）动量阶段，图 1 表示 在股票正（负）动量阶段买入证券价格研究中心（Center for Research in Security Prices， CRSP）市值加权指数（其他时期持有无风险资产）的累计超额收益。类似地，将过去 12 个月长期国债利率变化为正（负）的月份定义为股票处于负（正）动量阶段，图