【022】低波动异象下被忽视的金矿:高波动股票与技术分析的价值

【022】低波动异象下被忽视的金矿:高波动股票与技术分析的价值

本文为我们的公众号【因子动物园】的第 022 篇独立原创文章,也是技术因子专题的第 001 篇文章。原文请戳

【022】低波动异象下被忽视的金矿:高波动股票与技术分析的价值mp.weixin.qq.com图标

欢迎关注我们的公众号,获取更多关于因子投资文献和本土化实证研究。


30 秒速览】传统上,学界对技术分析并不太友好,但近年的诸多研究表明,技术分析可能是有价值的。Han, Yang, and Zhou (2013) 则基于波动率分层组合构建了一个简单的均线择时策略,并表明该择时策略可以获得高度显著的、稳健的 alpha 。这表明,技术分析可能是有价值的,尤其是当基本面信息的不确定性较高时。在此情况下,投资者可能对于新信息反应不足,从而使得趋势跟踪等技术交易方法有利可图。此外,在低波动异象大行其道的今天,这一研究还有着更为深远的价值。它对我们也许是一个警告,更是一个启示:在进行因子研究时,要保持开发、辩证的态度,认为某个指标越高就一定越好(差)的看法,并不一定是最好的,至少无助于开发新的策略和因子。


1. 技术分析与波动率

基本面分析和技术分析是投资实务中的两大主流派别,基本面投资的价值无需多言,但关于技术分析的价值则有颇多争议。与业界不同,以 Fama 的有效市场理论为基础,学界总体上对技术分析持质疑态度。毕竟,即便是弱有效市场假说,也认为一切历史价格信息都无助于获取超额收益。

但以 Lo, Mamaysky, and Wang (2000) 等研究为标志,近二十年来,学界重新开始思考技术分析的价值。周国富教授(Guofu Zhou)等人对此贡献颇多。

从学术视角看,一种投资方法(一个指标)是否有用,就看其对股票的未来收益是否有预测价值。一系列研究指出,技术分析是有用的,尤其是当基本面信息的不确定性很高时。而波动率正是表征信息不确定性最常用的变量。


2. 基于均线的择时策略

基于这些认知,Han, Yang, and Zhou (2013) 进行了一项非常有趣的研究。

不同于已有研究,他们首先按照波动率将股票分为 10 组,然后以每一组股票构建一个等权组合。在此基础上,他们将一个基于均线的择时策略应用于每一个分层组合,并观察该策略是否可以获得超额收益,以观察技术分析的价值及波动率对技术分析效果的影响。

具体而言,他们按照下述步骤构建交易策略:

  • 在每年末,利用每支股票当年的日收益率数据,估计其波动率。
  • 按照波动率将全部股票分为 10 组,并为每一组构建一个等权组合。在接下来的一年,以该等权组合作为交易标的。
  • 对每一分层组合,分别构造均线择时策略。若前一日组合价格高于 L 日均价,则策略持有组合,反之则持有无风险资产。该策略的日收益率为:

其中, P_{j,t-1}MA_{j,t-1,L} 分别为第 j 个分层组合第 t - 1 日的价格和均价,R_{j,t} 为第 j 个分层组合在 t 日的收益率, R^{f}_{t} 为 t 日的无风险收益率(文中取 30 日国库券的利率)。

在此基础上,作者们还计算了均线择时策略与底层分层组合的表现差异(MAP):

MAP_{jt,L}=\tilde{R}_{j,t} - R_{j,t},j=1,2,...,10


3. 策略表现分析

我们来看一下该均线择时策略的表现。表 1 给出了当 L = 10 时,分层组合、均线择时策略及相应的 MAP 组合的表现。


表 1 :分层组合、均线择时策略及相应的 MAP 组合的表现.数据来源:Han, Yang, and Zhou (2013).


表 1 显示,均线择时策略的表现显著优于底层的波动率分层组合,简单收益率大幅提升,而波动率也有一定下降,使得从风险调整后收益的角度看,表现提升幅度非常夸张,Sharpe ratio 大都从 0.5 - 0.7 之间,大幅上升至 2 以上。

MAP 组合的表现则给出了更直观的结果。对于每一个分层组合,MAP 组合都有高度显著的收益,Sharpe ratio 在基本都在 0.6 左右。

此外,无论对于底层分层组合、均线择时策略,还是 MAP 组合,高低波动组合收益率差都高度显著。均线择时策略下的表现最为夸张,简单收益高达年化 41.28%,比高低波动率分层组合的收益率差高出 7.30%,t 统计量更是令人咂舌的 21.09 ,Sharpe ratio 也是令人垂涎的 3.33 。

特别地,表 1 的 Panel A 并没有显示出常见的低波动异象。这可能有以下几点原因。

  • 首先,本文中分层组合是按照年度再平衡的,而非标准的月度再平衡如同我们在【020】讨论 HML 因子构造时论及的,降低再平衡频率,可能会显著稀释因子的表现。
  • 其次,本文的股票池为 NYSE/AMEX 股票,剔除了 Nasdaq 股票,这可能缓解了流动性问题。
  • 再者,等权加权可能会放大少部分强势股对组合表现的影响。
  • 最后,本文研究的是总波动率,而低波动异象虽然对总波动率也成立,但在特质波动率和 beta 上更显著,以 A 股主板市场为例,2006 年至今,基于总波动率和特质波动率的 decile spread portfolio,月度收益分别为 0.83% 和 1.08%,后者明显高出很多。

当然,基于分析技术分析是否有用的目的,最受关注的还是 MAP 组合。

表 2 进一步展示了 MAP 组合相对于 CAPM 和 Fama-French 三因子的 alpha 。


表 2 :MAP 组合相对 CAPM 和 FF 三因子的 alpha.数据来源:Han, Yang, and Zhou (2013).


与简单收益的结果类似,无论是每一分层组合,还是高低波动率分层组合收益率之差,相对于 CAPM 和 Fama-French 三因子模型,都有着高度显著的 alpha 。特别地,由于 MAP 组合对于规模(SMB)和价值(HML)因子都有着一定的负暴露,MAP 组合相对于 Fama-French 三因子模型的 alpha 反而更高。


4. 稳健性分析

为了排除参数选择等偶然性因素的影响,作者们还进行了一系列稳健性分析。

首先,他们尝试了一系列更大的 L 值,以确保不仅仅是短期均线对于择时有用。他们指出,当 L = 10, 20, 50, 100, 200 时,该均线择时策略和对应的 MAP 组合也都有不错的表现。虽然随着 L 变大,MAP 组合收益不断下降且简单收益不再显著,但 alpha 仍是显著的。即便对于 L = 200 的情形,年化 alpha 也高于 5%。

其次,在前述构建分层组合时,作者们使用了等权加权方式,这可能导致人们担心均线策略的表现是由于对小市值的暴露所致。为了排除这一影响,作者们构建了基于市值分层组合的均线择时策略,并得到了类似的表现。

再者,择时策略可能频繁交易,从而使得交易成本对业绩产生显著影响。作者们分析表明,当考虑千分之 2.5 一个来回的交易费率后,不同参数下的 MAP 组合仍能获得显著的超额收益。

与此同时,他们还指出,在考虑了投资者情绪、违约价差和流动性等因素后,MAP 组合仍能获取稳健的 alpha 。此外,经济周期、择时能力等等,也都不能完全解释 MAP 组合的表现。

最后,均线择时策略看起来与动量交易颇有类似之处,作者们也对此进行了检验。他们指出,MAP 组合与动量因子的相关性几乎为 0。但略微出人意料的是,MAP 组合对动量因子有统计上显著的暴露。但该敞口非常小,使得加入动量因子后,仍然不能解释 MAP 组合的表现。

综合来看,MAP 组合的表现是非常稳健的。


5. 解读

Han, Yang, and Zhou (2013) 的上述分析表明,均线择时策略确实是有价值的,且对于高波动股票而言,其作用更大。我们该如何理解这一观察呢?

一个自然的解释是,技术分析的价值,主要体现在基本面信息存在高度不确定性时

换言之,若基本面信息非常明朗,投资者作为一个整体,将有效地分析、处理信息,并据此进行投资决策,此时,基本面分析是有效的,但技术分析的作用就非常有限。

反之,当基本面信息存在高度不确定性时,投资者将更依赖技术分析。特别地,投资者在不完全信息下,往往会对新信息反应不足,此时,依据技术分析进行趋势跟踪就变得有利可图。

特别地,波动率正是表征基本面信息不确定性最常用也最直观的变量。Han, Yang, and Zhou (2013) 也考察了用其他表征信息不确定性的变量,例如违约距离、分析师预期的差异和盈利增长的波动率,取代波动率来构建分层组合,并得到了类似的结果。


6. 结语

传统上,学界对技术分析并不太友好,但近年的诸多研究表明,技术分析可能是有价值的。Han, Yang, and Zhou (2013) 则基于波动率分层组合构建了一个简单的均线择时策略,并表明该择时策略可以获得高度显著的、稳健的 alpha 。

他们的研究支持这一判断,即技术分析可能是有价值的,尤其是当基本面信息的不确定性较高时。在此情况下,投资者可能对于新信息反应不足,从而使得趋势跟踪等技术交易方法有利可图。

在低波动异象大行其道的今天,这一研究除了给出了支持技术分析的翔实严谨的证据,还有着更为深远的价值。

回想因子研究的典型套路,按照某一指标排序,以排序最高和最低的组合收益之差代表因子。换言之,该基础指标的高低,一定是有好坏之分的(例如,波动率越低越好,越高则越差)。

但本文给了我们不同的启示。虽然对于不同的分层组合,均线择时策略都可以显著提升其表现,但择时策略对于高波动股票的影响要显著得多。这对我们也许是一个警告,更是一个启示:在进行因子研究时,要保持开发、辩证的态度,认为某个指标越高就一定越好(差)的看法,并不一定是最好的,至少无助于开发新的策略和因子。

事实上,如果您做过 CTA 交易(趋势交易),自然就会想到,趋势交易本就是做多波动率的,波动越大才能有越好的表现。


若您也对因子研究感兴趣,不妨关注我们哦!

【因子动物园】公众号二维码

参考文献:

  • Han, Yufeng, Guofu Zhou, and Yingzi Zhu. "A Trend Factor: Any Economic Gains from Using Information over Investment Horizons?" Journal of Financial Economics 122.2 (2016): 352-375.
  • Han, Yufeng, Ke Yang, and Guofu Zhou. "A New Anomaly: The Cross-sectional Profitability of Technical Analysis." Journal of Financial and Quantitative Analysis 48.5 (2013): 1433-1461.
  • Lo, Andrew W., Harry Mamaysky, and Jiang Wang. "Foundations of Technical Analysis: Computational Algorithms, Statistical Inference, and Empirical Implementation." Journal of Finance 55.4 (2000): 1705-1765.
  • Neely, Christopher J., David E. Rapach, Jun Tu, and Guofu Zhou. "Forecasting the Equity Risk Premium: The Role of Technical Indicators." Management science 60.7 (2014): 1772-1791.
  • Rapach, David E., Jack K. Strauss, and Guofu Zhou. "Out-of-sample Equity Premium Prediction: Combination Forecasts and Links to the Real Economy." Review of Financial Studies 23.2 (2010): 821-862.
编辑于 2019-07-06

文章被以下专栏收录