周亮

（湖南財政經(jīng)濟(jì)學(xué)院，湖南 長沙410205）

一、引言

動量效應(yīng)由Jegadeesh & Titman（1993）[1]提出，指通過買入贏家組合同時賣出輸家組合，可以獲得顯著的超額收益，是金融市場上廣泛存在著的一種異象。無論是三因子模型（Fama & French，1993）[2]還是五因子模型（Fama&French，1995）[3]，均無法解釋動量效應(yīng)（Blitz et al.，2018）[4]，因此Eugene Fama也不得不承認(rèn)它是最顯著的異象。但是動量效應(yīng)卻會遭遇不多但持續(xù)時間長、幅度大的下跌，俗稱動量崩潰（Daniel & Moskowitz，2016）[5]，學(xué)術(shù)界的研究認(rèn)為這和組合的動態(tài)風(fēng)險敞口有關(guān)。為了改善動量效應(yīng)的極端表現(xiàn)，Blitz et al.（2011）[6]等學(xué)者提出了殘差動量（residual momentum），使用CAPM或Fama三因子模型的殘差收益率計算動量（因此也叫異質(zhì)動量，idiosyncratic momentum），該效應(yīng)可以比傳統(tǒng)動量效應(yīng)獲得更高的風(fēng)險收益比。除了通過殘差收益率可以降低動量崩潰外，采用其他指標(biāo)也可以降低動量效應(yīng)的風(fēng)險，如Daniel & Moskowitz（2016）[5]發(fā)現(xiàn)動量崩潰往往發(fā)生在市場恐慌時，此時資產(chǎn)價格大跌而波動率大幅上升，因此可以通過牛熊市劃分來降低動量崩潰發(fā)生的可能性。

行為金融學(xué)的研究成果也為動量效應(yīng)的改進(jìn)提供了大量經(jīng)驗證據(jù)，如Kim&Sub（2018）[7]研究發(fā)現(xiàn)投資者情緒可以對動量收益進(jìn)行預(yù)測，經(jīng)情緒改進(jìn)的動量效應(yīng)顯著優(yōu)于傳統(tǒng)動量效應(yīng)。目前大多數(shù)對投資者情緒的研究均是借鑒或采用Baker&Wurgler（2006）[8]主成分分析方法構(gòu)造的情緒指標(biāo)，而Huang et al.（2015）[9]指出，基于主成分分析的投資者情緒指標(biāo)仍然包含較多的噪聲成分，因此其采用偏最小二乘法（PLS）構(gòu)造了投資者情緒指標(biāo)，發(fā)現(xiàn)該指標(biāo)無論是樣本內(nèi)還是樣本外均具有更優(yōu)的預(yù)測能力。但是采用PLS方法構(gòu)造中國市場投資者情緒的研究仍然較少，僅有劉司航等（2017）[10]少量學(xué)者采用PLS方法構(gòu)造了投資者情緒，并研究了其對中國股市風(fēng)險收益關(guān)系的影響?；诖?，本文擬采用PLS方法構(gòu)造投資者情緒指數(shù)，并研究其對傳統(tǒng)動量及殘差動量的影響；同時，為了研究動量效應(yīng)的收益來源進(jìn)而構(gòu)造更有效的動量效應(yīng)，考察了投資者情緒對動量效應(yīng)多頭端和空頭端績效的影響，并設(shè)計了基于投資者情緒的動量效應(yīng)，為動量理論及投資實踐提供了有效的經(jīng)驗支持。相對于其他行為金融或?qū)恿啃?yīng)的研究，本文的創(chuàng)新之處在于：一方面，根據(jù)CAPM模型構(gòu)造了殘差動量，在與傳統(tǒng)動量進(jìn)行比較的基礎(chǔ)上，分析了PLS情緒對動量效應(yīng)的影響；另一方面，通過研究PLS情緒在多、空頭端對動量效應(yīng)收益的影響，確定了動量收益的來源，并構(gòu)造了基于PLS情緒的動量效應(yīng)，可以為投資實踐提供更有益的借鑒。

二、文獻(xiàn)綜述

（一）動量效應(yīng)

自Jegadeesh&Titman（1993）[1]提出動量效應(yīng)以來，學(xué)者們對其進(jìn)行了廣泛而深入的研究。比較具有代表性的是Carhart（1997）[11]構(gòu)造了動量因子，并將其加入Fama & French（1993）[2]的三因子組合，發(fā)現(xiàn)加入動量因子的四因子模型可以對股票橫截面收益進(jìn)行很好的解釋。Asness et al.（2013）[12]回測了美國1927—2013年的股票歷史數(shù)據(jù)，指出動量效應(yīng)在扣除交易費用后可以獲得超額收益，且動量效應(yīng)廣泛存在于全球市場（股票、外匯、固定收益、商品期貨等）。國內(nèi)學(xué)者研究了我國股市（宋光輝等，2017；王德宏和宋建波，2017；李富軍等，2019）[13-15]或其他資本市場（李良新，2016；周亮和李紅權(quán)，2019）[16-17]的動量效應(yīng)，普遍發(fā)現(xiàn)存在中長期的動量效應(yīng)和短期的反轉(zhuǎn)效應(yīng)。投資者的行為偏差可能是動量效應(yīng)收益的重要原因，主要體現(xiàn)在投資者對掌握的信息過于自信，從而導(dǎo)致資產(chǎn)價格對于新信息反應(yīng)不足（Daniel et al.，2001）[18]。除 此 以 外，交 易 成 本（Frazzini et al.，2014）[19]、知情交易（Hameed et al.，2008）[20]、市場情緒（Kim&Sub，2018）[7]、宏觀風(fēng)險溢價（Liu & Zhang，2008）[21]等都可能是導(dǎo)致動量效應(yīng)的原因所在。

雖然動量效應(yīng)能夠帶來超額回報，但是也要承擔(dān)風(fēng)險，有時候這種風(fēng)險還是巨大的，從而導(dǎo)致動量崩潰。Geczy & Samonov（2016）[22]基于美股數(shù)據(jù)發(fā)現(xiàn)，動量效應(yīng)對于市場組合有著動態(tài)的暴露，具體敞口則取決于市場狀態(tài)，當(dāng)市場從一種狀態(tài)轉(zhuǎn)換到另一種狀態(tài)的初期，動量組合對于最新市場狀態(tài)有著負(fù)的暴露，從而導(dǎo)致市場轉(zhuǎn)換期的大幅損失。Daniel&Moskowitz（2016）[5]發(fā)現(xiàn)動量崩潰與該策略的尾部風(fēng)險有關(guān)，崩潰往往發(fā)生在市場恐慌時，此時資產(chǎn)價格大跌而波動率大幅上升，這與Geczy&Samonov（2016）[22]的發(fā)現(xiàn)一致。學(xué)者們對動量崩潰有不同的解釋，有的認(rèn)為是擁擠交易（Crowded Trades）造成的（Yan，2014）[23]，還有的認(rèn)為是由動量因子本身的性質(zhì)所決定的（Barroso & Santa-Clara，2015）[24]。為了改善動量效應(yīng)的極端表現(xiàn)，Blitz et al.（2011）[6]使用股票相對于Fama三因子模型的殘差收益率計算了殘差動量，實證發(fā)現(xiàn)該策略可以比傳統(tǒng)動量效應(yīng)獲得更高的風(fēng)險收益比。Chang et al.（2018）[25]對日本股市的研究及Lin（2019）[26]對中國股市的研究均發(fā)現(xiàn)，雖然亞洲股票市場的傳統(tǒng)動量效應(yīng)較弱，但是殘差動量卻非常明顯，且殘差動量能夠部分規(guī)避動量崩潰。

（二）投資者情緒

行為金融學(xué)認(rèn)為投資者并不是完全理性的，情緒會導(dǎo)致其決策時產(chǎn)生行為偏差，進(jìn)而導(dǎo)致資產(chǎn)價格偏離其基本面。對投資者情緒研究最具代表性的是Baker&Wurgler（2006）[8]，他們采用主成分分析法綜合了封閉式基金折溢價、消費者信心指數(shù)、IPO數(shù)量及首日收益率、股利溢價等指標(biāo)，構(gòu)造了綜合性的投資者情緒指數(shù)。隨后大量學(xué)者借鑒或直接采用BW情緒指數(shù)研究了其對金融市場的影響，絕大部分研究結(jié)論均認(rèn)為投資者情緒對股票橫截面收益有顯 著 影 響（Hao et al.，2018；Tsukioka et al.，2018；Chen et al.，2019；文鳳華等，2014；高大良等，2015；周亮，2017）[27-32]。隨著計算機(jī)及互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，很多學(xué)者采用網(wǎng)絡(luò)搜索指數(shù)（Da et al.，2015）[33]或文本挖掘技術(shù)（Jiang et al.，2019）[34]構(gòu)造出網(wǎng)絡(luò)投資者情緒指數(shù)，同樣發(fā)現(xiàn)情緒能夠顯著影響到金融資產(chǎn)的收益。除此以外，Huang et al.（2015）[9]基于偏最小二乘法（PLS）構(gòu)造了投資者情緒指標(biāo)，發(fā)現(xiàn)PLS情緒相對于BW的主成分分析情緒，無論是樣本內(nèi)還是樣本外，均具有更優(yōu)的預(yù)測能力。Gao& Suss（2015）[35]對期貨市場的研究證實了偏最小二乘法相對于主成分分析法，在解釋期貨市場收益時更具有效性。劉司航等（2017）[10]基于中國市場的數(shù)據(jù)也發(fā)現(xiàn)，PLS情緒能夠?qū)鹑谑袌鍪找孢M(jìn)行更好的預(yù)測。

大部分研究均驗證了投資者情緒能夠顯著影響資產(chǎn)收益，但是投資者情緒對資產(chǎn)收益的影響并不是線性的。很多學(xué)者對這個問題進(jìn)行了相關(guān)研究，Stambaugh et al.（2012）[36]的研究發(fā)現(xiàn)，在投資者情緒高昂時情緒對股票收益率的影響，要比情緒低落時的影響更為顯著。Bathia & Bredin（2013）[37]通過對G7國家投資者情緒與股票收益率間關(guān)系的研究，發(fā)現(xiàn)了與Stambaugh et al.（2012）[36]相似的結(jié)論。Ni et al.（2015）[38]等學(xué)者的研究結(jié)果表明，投資者情緒對于股市收益率有著非對稱的杠桿效應(yīng)，且投資者情緒對小市值股票的影響更大。Frugier（2016）[39]通過討論投資者情緒、股市收益率和收益率波動三者間的關(guān)系，發(fā)現(xiàn)了相似的結(jié)論。Kim&Sub（2018）[7]的研究發(fā)現(xiàn)，投資者情緒可以對動量收益進(jìn)行預(yù)測，且基于情緒的動量效應(yīng)相對于傳統(tǒng)動量效應(yīng)可以獲得更高的投資績效。史永東和王鎮(zhèn)（2015）[40]基于A股的研究發(fā)現(xiàn)，發(fā)現(xiàn)了與Kim&Sub（2018）[7]相類似的結(jié)論，即動量效應(yīng)更易在情緒樂觀期出現(xiàn)，在控制住風(fēng)險、股票特征、市場狀態(tài)等因素后仍然成立?；诖?，本文提出如下研究假設(shè)：

研究假設(shè)：投資者情緒會對動量效應(yīng)產(chǎn)生顯著影響，且在高情緒期時影響更大。

三、研究設(shè)計

（一）PLS情緒構(gòu)造

PLS方法與主成分分析（PCA）最大的區(qū)別在于，PLS在自變量的基礎(chǔ)上增加了響應(yīng)變量，而主成分分析僅是自變量間方差變異系數(shù)的最小化，因此理論上PLS方法能夠提取出與響應(yīng)變量更相關(guān)的共同成分，而主成分分析得到的第一主成分卻可能包含其他的噪聲。假設(shè)當(dāng)期投資者情緒能夠?qū)ο乱黄诘氖袌鲱A(yù)期超額收益率產(chǎn)生顯著影響，即：

其中，E(Rt+1)是下一期的市場預(yù)期超額收益，St是不可直接觀測的當(dāng)期投資者情緒。下一期的實際市場超額收益則等于預(yù)期收益加上不可預(yù)測沖擊，即：

其中，εt+1是無法預(yù)測的外部沖擊，且與St無關(guān)。

設(shè)xt=(x1，t，x2，t，…，xN，t)′是t時刻下N個投資者情緒代理變量，假設(shè)xi，t(i=1，…，N)滿足以下因子結(jié)構(gòu)：

其中Et是代理變量中與投資者情緒無關(guān)的其他共同因素，ei，t則是第i個代理變量的特質(zhì)噪聲。BW情緒采用的主成分分析無法將Et和St區(qū)分開來，如果Et在主成分分析中所占的方差成分較大，則St的估計錯誤就會很大。Huang et al.（2015）[9]構(gòu)造的PLS情緒就可以較好地避免該問題，采用兩步OLS回歸可以得到最終的投資者情緒。第一步，對每個代理變量進(jìn)行如下時間序列回歸：

由于Rt受St-1的影響，因此πi為xi，t-1在Rt的工具變量作用下對St-1的敏感性。

第二步，運行T個橫截面回歸，即在時間t時，將xi，t對式（4）中的回歸系數(shù)進(jìn)行回歸：

式（5）中的回歸系數(shù)SPLSt即為投資者情緒。PLS方法采用t+1期的市場超額收益作為第t期投資者情緒的工具變量，可以有效去除其他共同因子Et以及特質(zhì)因子ei，t的影響，可以得到較為純凈的投資者情緒。

（二）動量效應(yīng)

傳統(tǒng)的動量因子是采用過去12個月的累計收益率作為動量大小的判斷標(biāo)準(zhǔn)，為了避免近月的反轉(zhuǎn)效應(yīng)，一般會跳過最近的一個月，即用t-12月至t-2月的累計收益率來形成動量。但是鑒于我國資本市場投機(jī)氛圍相對較重，12個月動量相對期限較長，因此除了考慮傳統(tǒng)的12個月動量外，我們還考慮了6個月的中期動量和3個月的短期動量。與12個月動量一樣，均跳過了最近一個月，即6個月動量為t-6月至t-2月的累計收益率，3個月動量為t-3至t-2月的累計收益率。

除了傳統(tǒng)動量外，借鑒Blitz et al.（2011）[6]等學(xué)者的研究思路，本文還計算了殘差動量。由于本文研究對象為包括股票指數(shù)、商品指數(shù)和債券指數(shù)在內(nèi)的12種大類資產(chǎn)，采用這12種資產(chǎn)的等權(quán)收益率作為市場收益率，再利用CAPM模型計算出每種資產(chǎn)的殘差收益率：

其中，ri，t為每種資產(chǎn)的收益率，Rt為12種資產(chǎn)等權(quán)計算的市場指數(shù)收益率，εi,t為每種資產(chǎn)的殘差收益率。再采用類似傳統(tǒng)動量因子的計算方法，利用每個月的εi,t分別算出12個月、6個月和3個月殘差動量，即12個月殘差動量為其他以此類推。

本文動量效應(yīng)的持有期統(tǒng)一設(shè)定為一個月，在分析投資者情緒對動量效應(yīng)的影響時，按照持有期的情緒大小劃分高情緒期和低情緒期，即如果t期的投資者情緒高于設(shè)定閾值時，則將第t期劃分為高情緒期，低情緒期的處理方式相似。

（三）描述性統(tǒng)計

為了檢驗投資者情緒對動量效應(yīng)的影響，本文選擇了12種大類資產(chǎn)構(gòu)造動量效應(yīng)。其中股票利用規(guī)模和成長性按照Wind的分類，選擇了Wind大盤成長、大盤價值、中盤成長、中盤價值、小盤成長和小盤價值6個指數(shù)；債券選擇了中證國債指數(shù)和企債指數(shù)2個指數(shù)；商品則按照南華期貨的劃分方法，選擇了能化、金屬、農(nóng)產(chǎn)品和黃金4個指數(shù)。樣本區(qū)間選擇2010年1月至2019年12月的所有月度數(shù)據(jù)，由于計算動量需要用到12個月的收益率數(shù)據(jù)，因此實際動量效應(yīng)和投資者情緒的開始時間為2011年1月。所有數(shù)據(jù)來自Wind金融數(shù)據(jù)庫。

表1 報告了12種大類資產(chǎn)月收益的描述性統(tǒng)計情況，其中第一列和第二列為年化后的收益率和標(biāo)準(zhǔn)差數(shù)據(jù)。從表中可以看到，大盤價值在樣本區(qū)間的收益率最高，其年化收益率達(dá)到了8.44%，年化收益率最低的是農(nóng)產(chǎn)品，為-3.09%。從標(biāo)準(zhǔn)差來看，債券的風(fēng)險最低，國債指數(shù)的年化標(biāo)準(zhǔn)差僅為0.74%，而股票指數(shù)的標(biāo)準(zhǔn)差相對較大，最高的小盤成長達(dá)到了29.01%。從尾部風(fēng)險來看（用MDD和CVaR來衡量），債券的風(fēng)險也是最低的，股票最高，如小盤成長指數(shù)最大回撤達(dá)到了70.67%，小盤價值指數(shù)的CVaR高達(dá)19.71%。從夏普比率來看，債券指數(shù)由于風(fēng)險很低，因此兩個指數(shù)的夏普比率均超過了2，但是股票指數(shù)和商品指數(shù)的夏普比率普遍不高。從偏度和峰度來看，股票和債券大部分是尖峰左偏的，而商品指數(shù)大部分是尖峰右偏的，符合金融時間序列的一般特征。最后一行報告了等權(quán)重指數(shù)的風(fēng)險收益情況，可以看到其年化收益率僅為1.65%，夏普比率為-0.0273，說明等權(quán)分配投資績效并不好。

表1 資產(chǎn)收益率描述性統(tǒng)計

表2 源指標(biāo)描述性統(tǒng)計及相關(guān)性分析結(jié)果

四、實證結(jié)果

（一）投資者情緒指標(biāo)

借鑒Baker & Wurgler（2006）[8]和周亮（2017）[32]等學(xué)者的研究，選擇投資者信心指數(shù)（Conf）、新增投資者開戶數(shù)（Open）、指數(shù)波動率（Vol）、換手率（Turn）、資金凈流入量（Flow）及融資余額（Margin）6個指標(biāo)作為投資者情緒的源指標(biāo)，所選時間區(qū)間為2011年1月至2019年12月，數(shù)據(jù)來源于Wind金融數(shù)據(jù)庫。表2報告了6個源指標(biāo)的描述性統(tǒng)計及相關(guān)性分析結(jié)果，從Panel A可以看到，指標(biāo)間的差異較大，如換手率均值僅為0.14，但是融資余額均值達(dá)到了6485；除資金凈流入量的均值和中位值為負(fù)之外，其他5個源指標(biāo)均是正值，這從Panel B中資金凈流入量和其他5個指標(biāo)相關(guān)系數(shù)均顯著為負(fù)也可以看出。從Panel B可以看出，絕大部分源指標(biāo)間均具有顯著的相關(guān)關(guān)系，其中資金凈流入與換手率及融資余額的相關(guān)系數(shù)均高達(dá)到-0.83，說明所選源指標(biāo)間具有較強的相似性，情緒作為源指標(biāo)間的共同驅(qū)動因素得到了較強的理論和數(shù)據(jù)支撐，通過PLS或PCA方法提取出的源指標(biāo)間共同因子可以較好地對投資者情緒進(jìn)行反映。

考慮到源指標(biāo)間差異較大，因此在提取共同因子之前，首先對源指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，利用yi=將所有源指標(biāo)標(biāo)準(zhǔn)化到[0，1]之間，其中ymax和ymin分別表示數(shù)據(jù)序列的最大值和最小值；同時考慮到源指標(biāo)除了受情緒影響之外，還受到宏觀經(jīng)濟(jì)的影響，因此借鑒Baker&Wurgler（2006）[8]等學(xué)者的方法，采用工業(yè)增加值、CPI和PPI的數(shù)據(jù)序列對源指標(biāo)進(jìn)行回歸，并利用殘差項構(gòu)造最終的投資者情緒指標(biāo)。分別利用式（4）和式（5）的PLS方法及主成分分析方法（PCA）構(gòu)造投資者情緒指標(biāo)，結(jié)果分別為式（7）和式（8）所示?？梢钥吹剑粗笜?biāo)在SentPLS和SentPCA中的系數(shù)方向是一致的，只有資金凈流入量為負(fù)值，其他5個源指標(biāo)均是正值；源指標(biāo)的系數(shù)大小存在著較為明顯的差異，如在SentPLS中，系數(shù)最大的為新增投資者開戶數(shù)的0.56，在SentPCA中，系數(shù)最大的為融資余額的0.53，而新增投資者開戶數(shù)僅為0.25，說明兩種方法在提取出源指標(biāo)的共同因子時存在著明顯的差異。從圖1兩種綜合情緒的走勢圖來看，兩者間的走勢卻基本類似，只是在2015年前SentPLS比SentPCA略 高，2016年 后SentPCA比SentPLS略高，兩者的相關(guān)系數(shù)高達(dá)0.93，說明源指標(biāo)間的關(guān)聯(lián)性非常強，使得系數(shù)雖然有較大差異，但是得到的綜合指標(biāo)間差異很小，且所選源指標(biāo)能夠較好地反映出投資者情緒，其他共同成分如Et所占比例較小。

圖1 投資者情緒走勢圖

考慮到SentPLS和SentPCA間相關(guān)性很強，因此在接下來的研究中采用SentPLS作為投資者情緒的代理變量進(jìn)行分析。在穩(wěn)健性檢驗中，采用在SentPLS中占比最高的新增投資者數(shù)量作為情緒代理變量進(jìn)行分析。這和周亮（2017）[32]的分析也一致，即由于我國資本市場發(fā)展還未成熟，新增投資者開戶數(shù)能夠最直接地反映出投資者情緒的變化。

（二）動量效應(yīng)

1.風(fēng)險收益統(tǒng)計

分別以12個月、6個月和3個月為形成期構(gòu)造長期、中期和短期動量效應(yīng)，為了避免1個月的反轉(zhuǎn)效應(yīng)，借鑒其他學(xué)者的研究方法，跳過了最近的一個月，即12個月動量為t-12月至t-2月間的收益率，6個月和3個月動量做了同樣的處理。同時借鑒Blitz et al.（2011）[6]等學(xué)者的研究，利用式（6）的計算方法得到了每個月的殘差收益率，采用類似價格動量的方法構(gòu)造了12個月、6個月和3個月殘差動量。所有的動量效應(yīng)均為等權(quán)重買入形成期內(nèi)收益率或殘差收益率最高的4種資產(chǎn)，同時等權(quán)重賣出形成期內(nèi)收益率或殘差收益率最低的4種資產(chǎn)，在穩(wěn)健性檢驗中，將改變做多和做空的資產(chǎn)數(shù)量。由于調(diào)倉頻率很低，因此不考慮交易費用對策略績效的影響。

表3 報告了三種收益動量和殘差動量風(fēng)險收益的描述性統(tǒng)計情況，其中Panel A為收益動量的績效統(tǒng)計結(jié)果，Panel B為殘差動量的績效統(tǒng)計結(jié)果。除第一列和第二列收益率和標(biāo)準(zhǔn)差為年化后的數(shù)據(jù)，其他均為月度數(shù)據(jù)統(tǒng)計結(jié)果?？梢钥吹剑?個月殘差動量rMOM3外，其他5種動量在樣本區(qū)間內(nèi)均能獲得顯著的正收益，但是在剔除了無風(fēng)險收益后，只有三種收益動量和12個月殘差動量rMOM12能獲得正的夏普比率。從不同形成期動量效應(yīng)的績效來看，無論是收益動量還是殘差動量，長期動量的績效要遠(yuǎn)高于短期績效，如MOM12年化收益率和夏普比率分別為5.42%和0.29，遠(yuǎn)高于MOM3的2.13%和0.01；rMOM12年化收益率為4.14%，但是rMOM3卻為-3.23%。從風(fēng)險來看，長期、中期和短期動量的年化標(biāo)準(zhǔn)差均相差不大，殘差動量略低于收益動量的風(fēng)險。但是如果從尾部風(fēng)險（通過MDD和CVaR）來看，不同動量間差距較大，對于收益動量而言，MOM6的 最 大回 撤（MDD）僅為13.49%，遠(yuǎn) 優(yōu)于MOM12（27.68%）和MOM3（21.97%），其CVaR也只有7.04%，低于MOM12和MOM3。對于殘差動量而言，rMOM12表現(xiàn)最優(yōu)，其最大回撤和CVaR均只有16.69%和7.13%，要優(yōu)于rMOM6和rMOM3。偏度上看，只有MOM6為右偏，其他5種動量均為左偏，這也再次反映了MOM6較低的尾部風(fēng)險。

綜合來看，收益動量要優(yōu)于殘差動量，長期動量要優(yōu)于短期動量。圖2報告了MOM12和rMOM12的凈值曲線走勢圖，其中實線代表MOM12的凈值曲線，虛線代表rMOM12的凈值曲線。可以看到，兩者的走勢相關(guān)性較強，但是除了開始的幾個月，rMOM12的凈值曲線始終在MOM12以下，最終MOM12的凈值為1.48，高于rMOM12的1.33；而整個樣本區(qū)間內(nèi)，MOM12最低值為0.84，要優(yōu)于rMOM12的0.75。

表3 動量效應(yīng)的績效表現(xiàn)

表4 動量效應(yīng)的收益分解

圖2 MOM12和rMOM12凈值曲線

2.收益分解

大量學(xué)者的實證檢驗均發(fā)現(xiàn)，動量收益的來源并不是對稱的，即多頭端的收益往往與空頭端的收益不對等。因此本部分關(guān)注于資產(chǎn)動量的收益分解，檢驗多頭端和空頭端對資產(chǎn)動量的貢獻(xiàn)。表4報告了6種動量效應(yīng)多頭端和空頭端的績效表現(xiàn)，其中多頭端指將資金平均買入形成期內(nèi)收益率或殘差收益率最高的4種資產(chǎn)，而空頭端則是將資金平均賣出形成期內(nèi)收益率或殘差收益率最低的4種資產(chǎn)，因此表4中的動量收益即為多頭端和空頭端的收益平均值。Panel A為多頭端績效統(tǒng)計結(jié)果，Panel B為空頭端績效統(tǒng)計結(jié)果?？梢钥闯觯薓OM12之外，其他5種動量效應(yīng)的多頭端收益均要高于空頭端。從風(fēng)險來看，絕大部分空頭端的標(biāo)準(zhǔn)差均要低于多頭端；MDD和CVaR代表的極端風(fēng)險同樣可以看出，空頭端的極端風(fēng)險要比多頭端更??；偏度也顯示出同樣的特征，即空頭端的偏度要比多頭端更大，說明空頭端左偏程度更小，尾部風(fēng)險更低。因此綜合來看，動量效應(yīng)的收益主要來自其多頭端，但是空頭端可以更有效地分散和降低投資風(fēng)險。這從表4和表3中風(fēng)險的對比也可以看到，表3中動量效應(yīng)的標(biāo)準(zhǔn)差、MDD、CVaR均要低于表4中多頭或空頭的對應(yīng)值，從而也導(dǎo)致動量效應(yīng)的夏普比率大部分高于表4中的多頭或空頭。限于篇幅，圖3僅展示了MOM12多、空頭端的凈值走勢圖，可以看到其多頭端波動更為劇烈，與市場整體走勢相關(guān)性極強，但是空頭端的波動更低，且與市場整體走勢相關(guān)性較低。

圖3 MOM12多、空頭收益曲線

圖4 多頭端資產(chǎn)權(quán)重（左為MOM12，右為rMOM12）

圖5 空頭端資產(chǎn)權(quán)重（左為MOM12，右為rMOM12）

圖4 和圖5分別報告了MOM12和rMOM12多頭端和空頭端的資產(chǎn)權(quán)重，6個月動量和3個月動量的結(jié)果較為類似，限于篇幅，未列出。這里分別將6種股票類、2種債券類和4種商品類資產(chǎn)的權(quán)重進(jìn)行加總，僅展示出股票類、債券類和商品類資產(chǎn)的總權(quán)重?？梢钥吹?，無論是多頭端還是空頭端，無論是總的資產(chǎn)權(quán)重還是時變的資產(chǎn)權(quán)重，MOM12和rMOM12的資產(chǎn)權(quán)重均較為相似。如在多頭端，MOM12股票、債券和商品的平均權(quán)重分別為45.64%、20.18%和34.17%，rMOM12三者平均權(quán)重分別為57.11%、4.13%和38.76%；在空頭端，MOM12三者平均權(quán)重分別為51.15%、7.57%和41.28%，rMOM12三者平均權(quán)重分別為49.77%、2.75%和47.48%?？傮w來看，收益動量中包含了更多的債券，而殘差動量中商品權(quán)重更大。債券資產(chǎn)相對穩(wěn)健的收益率以及商品資產(chǎn)更低的收益率可能是導(dǎo)致殘差動量要低于收益動量的原因所在。

（三）投資者情緒對動量收益的影響分析

1.回歸分析

前文的分析表明，通過資產(chǎn)動量可以獲得一定的正向收益，且收益主要來源于多頭端。本部分主要分析投資者情緒是否對動量收益有顯著影響。表5報告了回歸結(jié)果，其中設(shè)置了兩個虛擬變量High和Low，按照SentPLS的高低，取較高的1/3為高情緒組，此時High為1，其他為0；較低的1/3為低情緒組，此時Low為1，其他時間為0；剩下的1/3為中情緒組。由于將High和Low直接作為自變量進(jìn)行回歸時均不顯著（限于篇幅，未列出回歸結(jié)果），因此表5中設(shè)置了投資者情緒與指數(shù)收益的交叉項進(jìn)行回歸?？梢钥吹剑瑹o論是收益動量還是殘差動量，High*Index的系數(shù)均顯著大于0，3個收益動量的Low*Index系數(shù)均顯著小于0，3個殘差動量的Low*Index系數(shù)均不顯著。由此可見，投資者情緒對動量收益有顯著影響，且高情緒能夠顯著正向影響動量收益，而低情緒在收益動量組有顯著的負(fù)向調(diào)節(jié)作用，但是對殘差動量卻沒有顯著作用。

表5 動量收益的回歸分析

2.分樣本檢驗

表5 從數(shù)理基礎(chǔ)上驗證了投資者情緒對動量收益的調(diào)節(jié)作用，本部分采用分樣本的方法更深入地研究投資者情緒對資產(chǎn)動量的影響。按照高、低情緒組的劃分標(biāo)準(zhǔn)，統(tǒng)計相應(yīng)分組下動量收益的風(fēng)險及收益情況，結(jié)果如表6所示。其中Panel A為高情緒期的動量效應(yīng)績效統(tǒng)計結(jié)果，Panel B為低情緒期動量效應(yīng)收益的統(tǒng)計結(jié)果?？梢钥吹?，除了MOM6外，高情緒組的動量收益要遠(yuǎn)高于殘差動量，如rMOM6在高情緒期的年化收益高達(dá)10.37%，但是在低情緒期卻為-2.28%。從風(fēng)險的角度來看，低情緒期的標(biāo)準(zhǔn)差更低，MDD在MOM12和MOM6上有所降低，CVaR在MOM12、MOM3和rMOM12上有所降低，但是低情緒期的偏度均要小于高情緒期。因此綜合來看，低情緒期的風(fēng)險雖然有所下降，但是尾部風(fēng)險卻有一定的上升趨勢。從夏普比率可以看到，高情緒期時資產(chǎn)動量的夏普比率均提高了很多（MOM6除外），如rMOM12的夏普比率更是高達(dá)1.05?？傮w而言，動量效應(yīng)的收益主要來自高情緒期，低情緒期動量效應(yīng)的收益顯著降低，rMOM6和rMOM3甚至表現(xiàn)為負(fù)，驗證了前文提出的研究假設(shè)。

表6 不同情緒期下動量效應(yīng)績效統(tǒng)計

表7 高情緒期時的動量收益分解

3.收益分解

同樣將動量收益分解為多頭端和空頭端，考察不同情緒期下動量收益的來源情況，結(jié)果分別如表7和表8所示。其中Panel A均為多頭端績效統(tǒng)計結(jié)果，Panel B均為空頭端績效統(tǒng)計結(jié)果。從中可以得到非常有意思的結(jié)論：在高情緒期，動量效應(yīng)的收益主要來自多頭端；而在低情緒期，動量效應(yīng)的收益主要來自空頭端。如在高情緒期，MOM12多頭端可以獲得26.01%的年化收益率，但是空頭端的年化收益率卻為-2.46%；在低情緒期，MOM12多頭端的年化收益率為-4.43%，但是其空頭端的年化收益率高達(dá)18.08%。從風(fēng)險角度來看，高情緒期時，其多頭端的標(biāo)準(zhǔn)差要高于空頭端，但是綜合MDD、CVaR和偏度來看，其尾部風(fēng)險卻要略低于空頭端；低情緒期時則恰好相反，空頭端的標(biāo)準(zhǔn)差高于多頭端，但是綜合來看，尾部風(fēng)險卻要低于多頭端。與表6的結(jié)果相比可以看到，無論是多頭端還是空頭端，其風(fēng)險均要高于兩者結(jié)合的動量效應(yīng)，說明通過多、空頭對沖的方式可以有效降低投資風(fēng)險?？傮w而言，投資者情緒對資產(chǎn)動量有極其顯著的影響，而且其影響具有極為明顯的非對稱性，表現(xiàn)為高情緒主要作用于多頭，而低情緒主要作用于空頭，情緒雖然會增加相應(yīng)多、空頭的波動率，但是卻能夠降低以最大回撤為代表的尾部風(fēng)險。

表8 低情緒期時的動量收益分解

表9 情緒輪動動量效應(yīng)績效統(tǒng)計

4.情緒輪動動量效應(yīng)

圖6 基于情緒輪動的MOM12和rMOM12凈值曲線

從表7和表8中可以看到，投資者情緒可以顯著影響到動量效應(yīng)收益。因此我們可以設(shè)計一個基于投資者情緒的動量效應(yīng)，如在高情緒期時僅持有多頭頭寸，而在低情緒期時僅持有空頭頭寸。表9報告了該情緒輪動動量效應(yīng)的績效表現(xiàn)。其中Panel A是收益動量的績效統(tǒng)計結(jié)果，Panel B是殘差動量的績效統(tǒng)計結(jié)果。相對于表3的初始動量效應(yīng)，情緒輪動動量效應(yīng)在收益率上獲得了顯著提升，無論是標(biāo)準(zhǔn)差衡量的波動率風(fēng)險還是MDD和CVaR衡量的尾部風(fēng)險，情緒輪動動量效應(yīng)都有了一定上升，但是從偏度上看，情緒輪動動量效應(yīng)數(shù)值更大，左偏現(xiàn)象有所改善。從夏普比率來看，情緒輪動策略的風(fēng)險調(diào)整后收益得到了顯著提升，說明依據(jù)投資者情緒設(shè)計動量效應(yīng)可以獲得顯著的超額收益。圖6報告了基于情緒輪動的MOM12和rMOM12的凈值曲線圖，可以看到，兩者的走勢極為接近，rMOM12的最終凈值略低于MOM12。但是與圖2相比可以看到，情緒輪動動量效應(yīng)可以獲得更高的投資收益，尤其是在2015年股災(zāi)發(fā)生后，初始動量效應(yīng)再也沒能回到2015年的高點，但是情緒輪動動量效應(yīng)均在2018年再次創(chuàng)造出新的高點。因此綜合來看，根據(jù)投資者情緒設(shè)計的輪動動量效應(yīng)可以顯著提升動量效應(yīng)的投資績效，并且由于策略設(shè)計過程中并沒有使用到任何未來數(shù)據(jù)，且調(diào)倉頻率很低導(dǎo)致交易成本很低，因此在投資實踐中也存在著一定的可應(yīng)用性。

（四）穩(wěn)健性檢驗

1.分時間段檢驗

為了驗證結(jié)果的穩(wěn)健性，本部分做了三個穩(wěn)健性檢驗，分別是采用不同的時間段、采用不同的情緒代理變量以及變更多、空頭的資產(chǎn)數(shù)量。首先我們按照2015年股災(zāi)（即2015年6月）將樣本窗口分為股災(zāi)前（2011年1月—2015年6月）及股災(zāi)后（2015年7月—2019年12月）兩個時間段，并分別統(tǒng)計在兩個時間段下投資者情緒對動量效應(yīng)的影響，表10報告了研究結(jié)果。限于篇幅，表10僅報告了收益動量的檢驗結(jié)果，殘差動量的結(jié)果相似。Panel A報告了股災(zāi)前高情緒時期的收益動量效應(yīng)，Panel B報告了股災(zāi)前低情緒時期的動量效應(yīng)，Panel C和Panel D分別報告了股災(zāi)后高情緒時期和低情緒時期的動量效應(yīng)?？梢钥吹?，無論是股災(zāi)前還是股災(zāi)后，高情緒期的動量效應(yīng)均要顯著優(yōu)于低情緒時期的動量效應(yīng)，只是在股災(zāi)前動量效應(yīng)的收益更高，股災(zāi)后動量效應(yīng)發(fā)生了顯著下降。這與之前的研究結(jié)論是相似的。

表10 基于不同時間段的穩(wěn)健性檢驗

2.更換情緒代理變量

由于情緒是實證中最關(guān)鍵的變量，因此本部分對情緒進(jìn)行穩(wěn)健性分析。從圖1可以看到，PLS和PCA構(gòu)造的投資者情緒間相關(guān)性太強，如果采用SentPCA進(jìn)行分析意義不大，因此這里采用新增投資者開戶數(shù)作為投資者情緒的代理變量進(jìn)行分析，一方面是因為新增投資者開戶數(shù)在SentPLS中的系數(shù)最大，另一方面是周亮（2017）[32]等學(xué)者的研究表明，新增投資者開戶數(shù)在代理投資者情緒時效果最好。表11報告了采用新增投資者情緒作為投資者情緒代理變量時的穩(wěn)健性檢驗結(jié)果（篇幅所限，僅列出了高低情緒分組時動量效應(yīng)的績效表現(xiàn)，整體績效水平以及更進(jìn)一步的收益分解結(jié)果未列出），其中Panel A是高情緒組中動量效應(yīng)的績效表現(xiàn)，Panel B是低情緒組中動量效應(yīng)的績效表現(xiàn)。與表6的結(jié)果一致，除了MOM6之外，其他5個動量效應(yīng)均在高情緒期表現(xiàn)出更高的收益率，低情緒期的標(biāo)準(zhǔn)差雖然與高情緒期相差不大，但是低情緒期的尾部風(fēng)險（包括MDD、CVaR和偏度）均要高于高情緒期。因此總體而言，無論是采用綜合性的投資者情緒指數(shù)，還是采用新增投資者開戶數(shù)單一代理變量，均驗證了動量效應(yīng)在不同情緒期績效的非對稱性，研究結(jié)論是穩(wěn)健的。

表11 基于新增投資者開戶數(shù)的穩(wěn)健性檢驗

3.更換多、空頭資產(chǎn)數(shù)量

表12 多、空頭資產(chǎn)數(shù)穩(wěn)健性檢驗

前文在構(gòu)造動量效應(yīng)時多頭和空頭均是采用4種資產(chǎn)，本部分檢驗資產(chǎn)數(shù)量是否會對結(jié)論產(chǎn)生顯著影響，限于篇幅，僅列出多、空頭資產(chǎn)數(shù)量均為5個時的動量效應(yīng)績效表現(xiàn)。未列出的檢驗結(jié)果表明，當(dāng)多、空頭資產(chǎn)數(shù)量為3個或者6個時，研究結(jié)論同樣穩(wěn)健，只是當(dāng)資產(chǎn)數(shù)量更少的時候，收益率相對越高，但是風(fēng)險也越大。表12報告了資產(chǎn)數(shù)為5個時的動量效應(yīng)績效表現(xiàn)，其中Panel A是高情緒期時的績效統(tǒng)計，Panel B是低情緒期時的績效統(tǒng)計?？梢钥吹脚c表6及表11有相類似的結(jié)果。除MOM6之外，其他5種動量效應(yīng)均在高情緒期獲得了更高的收益率，但是低情緒期的標(biāo)準(zhǔn)差要低于高情緒期，從MDD和CVaR來看，兩個樣本區(qū)間各有高低，高情緒期的偏度要大于低情緒期，因此綜合來看，高情緒期的尾部風(fēng)險要略低于低情緒期?？傮w而言，無論是采用4個資產(chǎn)、5個資產(chǎn)，還是未列出結(jié)果的3個資產(chǎn)或6個資產(chǎn)，研究結(jié)論都是穩(wěn)健的。

五、結(jié)論與啟示

采用2010年至2019年12種大類資產(chǎn)的月收益率數(shù)據(jù)，根據(jù)Jegadeesh & Titman（1993）[1]的方法構(gòu)造了傳統(tǒng)的12個月、6個月和3個月動量，并借鑒Blitz et al.（2011）[6]的方法，利用CAPM模型構(gòu)造了殘差動量?？紤]到PLS方法相對PCA方法能夠更好地去除情緒源指標(biāo)的噪聲部分，因此利用PLS方法分析了投資者信心指數(shù)、新增投資者開戶數(shù)、指數(shù)波動率、換手率、資金凈流入量及融資余額等6個指標(biāo)，合成了我國資本市場上的投資者情緒指標(biāo)，并檢驗了其對大類資產(chǎn)動量效應(yīng)的影響。實證結(jié)果發(fā)現(xiàn)：第一，收益動量的收益率要普遍高于殘差動量收益，長期動量要強于短期動量，且動量效應(yīng)的收益主要來自其多頭端，但是空頭端可以更有效地分散和降低投資風(fēng)險；第二，PLS情緒與PCA情緒相關(guān)性很強，所選源指標(biāo)能夠較好地反映出市場情緒的變動，新增投資者開戶數(shù)在綜合情緒中的權(quán)重最大；第三，動量效應(yīng)的收益主要來自高情緒期，低情緒期動量效應(yīng)的收益顯著降低，rMOM6和rMOM3甚至表現(xiàn)為負(fù)；第四，在高情緒期，動量效應(yīng)的收益主要來自多頭端，而在低情緒期，動量效應(yīng)的收益則主要來自空頭端，根據(jù)投資者情緒設(shè)計的輪動動量效應(yīng)可以顯著提升動量效應(yīng)的投資績效。

本文的研究結(jié)論不僅是對資產(chǎn)定價及行為金融理論的有力補充，而且對投資實踐也具有較強的指導(dǎo)價值。第一，對于個人投資者來說，選取合適的源指標(biāo)衡量市場投資者情緒，并將具體的資產(chǎn)買賣策略與投資者情緒相結(jié)合，是提升投資績效的重要舉措。具體而言，由于個人投資者普遍缺乏較強的數(shù)理計量技術(shù)，因此可以采用新增投資者開戶數(shù)或者金融機(jī)構(gòu)開發(fā)的情緒指數(shù)等作為選擇時的關(guān)鍵指標(biāo)。第二，對于共同基金等機(jī)構(gòu)投資者而言，由于其數(shù)理計量技術(shù)較強，可以采用PLS等復(fù)雜技術(shù)開發(fā)特定的投資者情緒指標(biāo)，并且由于機(jī)構(gòu)投資者資金實力較強，所能選擇的金融工具更豐富，面臨的融資約束或做空限制更低，因此可以開發(fā)如本文所構(gòu)造的情緒輪動投資策略等金融產(chǎn)品，既可以增厚自身的投資收益，也可以為市場提供更豐富的金融產(chǎn)品。第三，對于市場監(jiān)管層來說，由于投資者情緒的波動會帶來金融市場的波動，因此為了防止金融市場的巨幅震蕩，避免系統(tǒng)性金融風(fēng)險的爆發(fā)和蔓延，有必要對市場情緒進(jìn)行實時監(jiān)控并在適當(dāng)時間點向投資者告知風(fēng)險。如2015年股災(zāi)爆發(fā)前市場情緒過度狂熱，此時監(jiān)管層如果能夠提前采取降溫措施，至少可以適當(dāng)降低股災(zāi)對市場的沖擊和影響。