作者： QIML编辑部

题图：量化投资与机器学习 微信公众号

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、金融科技、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40W+关注者，曾荣获AMMA优秀品牌力、优秀洞察力大奖，连续4年被腾讯云+社区评选为“年度最佳作者”。

作者：Quantpedia

动量是市场上研究最多的异常现象之一，其概念非常简单：当资产价格上涨时买入，下跌时卖出。目标是利用这些趋势来实现比简单的买入持有策略更好的回报。

不幸的是，在过去的几十年里，我们观察到所有资产类别中动量策略的回报逐渐减少。在本文中，首先，我们测试了一个基本的动量策略，该策略没有产生显著的Alpha。接下来，我们提出了一种基于这种市场内相关性过滤器，该过滤器通过使用短期与长期平均相关性的比率作为信号来改进基本策略，它可以帮助显著提高商品动量的表现。

为了便于测试，本文选择了商品ETF，因为它们易于使用、数据时间长、易于获取，并且不需要复杂的合约切换。该策略专注于四个特定行业的商品ETF：DBA（农产品）、DBB（基础金属）、DBE（能源）、DBP（贵金属）。与个别商品ETF相比，这些ETF提供了更长的回测期，从2007年开始。

为了验证动量策略在商品ETF上的应用，我们首先复制了一个简单的动量策略，涉及四种ETF：DBA（农产品）、DBB（基础金属）、DBE（能源）、DBP（贵金属）。以下是实施步骤：

计算动量：每个月，我们计算每种ETF的1至12个月的动量，并根据它们的表现进行排名。动量是通过比较不同时间窗口内的价格变化来计算的，以确定每个ETF的过往表现。

排名和信号：排名结果提供了买卖信号，即哪些ETF应该做多（long），哪些应该做空（short）。具体来说，我们选择做多表现最好的两个ETF，做空表现最差的两个ETF。这遵循了动量策略的基本假设：表现好的资产将继续超越，而表现差的资产将继续低于平均水平。

投资组合构建：投资组合对这两个多头和两个空头的ETF进行等权重配置。

调仓：每个月对投资组合进行调仓。

正如预期的那样，商品的动量策略表现不佳。上表显示，尽管它略微跑赢了基准回报，但这是在更高波动性的代价下实现的。这一结果与先前的研究一致。在像商品这样的同质市场中，资产之间的相关性很高，动量策略难以有效地区分赢家和输家，导致表现令人失望。

我们的目标是找到一个可靠的预测指标，它可以在何时有利于应用动量策略以及何时不宜应用时发出信号。我们很快发现，短期与长期相关性的比率可以作为这样一个预测指标。

我们计算四种ETF每日收益的平均短期（20天测量）和平均长期（250天测量）相关性。如果ETF之间的平均短期相关性超过平均长期相关性，这表明商品正朝一个方向趋同，使动量策略能更有效地区分赢家和输家。因此，在这些条件下部署动量策略可能会更有盈利性。总之，相关性过滤器使我们能够选择性地应用动量策略，仅在市场条件有利时使用它。

如下表所示，与基本动量策略相比，相关性预测器带来了更加令人满意的结果。它在所有性能指标上都优于动量策略，包括年回报率、波动性、最大回撤、夏普比率和卡尔马比率。相关性过滤器看起来相当稳健。无论动量排名期是1至12个月中的哪一个，该过滤器都能可靠地识别出何时适合交易动量策略，以及何时更适合交易反转效应。

动量策略表现（短期相关性大于长期相关性）

反转策略表现（短期相关性小于长期相关性）

基于这些发现和现有文献，我们提出以下使用相关性过滤器的策略：如果短期相关性高于长期相关性，就应用动量策略，做多表现最好的2个和做空表现最差的2个特定行业商品ETF，基于12个月的排名，并持有头寸1个月。如果短期相关性低于长期相关性，则应用反转策略，做多表现最差的2个和做空表现最好的2个特定行业商品ETF（基于12个月的排名），并持有头寸1个月。如下图所示，并得到表4中结果的支持，这种结合的策略（动量+反转）的回报几乎翻了一倍。

参考文献1、Du, Jiang and Vojtko, Radovan, Robustness Testing of Country and Asset ETF Momentum Strategies (March 25, 2023).

2、Cisár, Dominik and Vojtko, Radovan, How to Use Exotic Assets for Trading Strategy Improvement (September 3, 2021).

版权声明：文章版权归原作者所有，部分文章由作者授权本平台发布，若有其他不妥之处的可与小编联系。