李興有 朱淑慧 柴植曉 王冠棣

（浙江外國語學院，浙江 杭州 310023）

一、引言和文獻回顧

20 世紀70 年代以來，有效市場假說在金融領(lǐng)域一直占據(jù)著重要的地位，該假說提出股票的收益率具備隨機游走和不可預測的特點。但是，之后大量的實證研究證明，金融市場中觀察到的股票收益率并不完全遵循隨機游走，其走勢反而存在一定規(guī)律可循。

動量效應（Momentum Effect）是股票市場中典型的違背有效市場假說的現(xiàn)象之一。該效應又稱“慣性效應”，是指股票的收益率具有類似物理學中慣性的特點，未來一段時間收益率的走勢將延續(xù)原有的走勢，過去一段時間收益率較高（低）的股票在未來仍會維持較高（低）的收益率。Jegadeesh & Titman（1993）研究中就提出，在3～12 個月的周期內(nèi)收益率表現(xiàn)良好的股票有可能在今后3～12個月延續(xù)這種表現(xiàn)。這一現(xiàn)象自提出以來，便一直被學者和業(yè)界廣泛關(guān)注，對它的解釋則涉及金融學、心理學、社會學等多個學科和領(lǐng)域，對于動量效應的研究無論在投資領(lǐng)域還是學術(shù)界都始終是關(guān)注的焦點。Carhart（1997）提出美國股票市場中的基金收益會延續(xù)該基金過去12個月內(nèi)的表現(xiàn)，由此可以根據(jù)股票過去12 個月的收益率構(gòu)建“一年動量因子”。Naughton et al.（2008）根據(jù)1995—2005年期間上交所上市股票數(shù)據(jù)研究動量投資策略的盈利能力，結(jié)論表明該策略利潤可觀并且動量效應對于當時市場中的股票回報率而言是普遍存在的特征。還有很多研究表明動量效應是金融資產(chǎn)收益率中普遍存在的情況，例如Chui et al.（2010）以及As?ness et al.（2013）的研究都表明在多個品種的金融資產(chǎn)收益率中普遍存在動量效應現(xiàn)象。

對于動量效應也有很多研究提出相反的意見，如Barroso & Santa（2015）以及Daniel & Moskowitz（2016）等學者的研究成果就對股票收益率存在動量效應提出了不同的意見。他們認為市場中存在與動量效應相反的現(xiàn)象，即收益率會因反轉(zhuǎn)效應而不能維持前期的走勢，該現(xiàn)象會導致“動量崩潰”。通常在市場行情多變的情況下更容易發(fā)生反轉(zhuǎn)而不是維持動量，此時動量策略投資組合會產(chǎn)生大幅虧損。目前關(guān)于動量效應的有效性研究并沒有形成統(tǒng)一的觀點，因此國內(nèi)外學術(shù)界與投資界針對這一現(xiàn)象還在不斷地推進更深入的探索。

國內(nèi)學者對于動量效應也進行了很多深入的研究。周琳杰（2002）基于1995—2000年滬深兩地的股票交易數(shù)據(jù)研究發(fā)現(xiàn)，當市場中存在做空操作時，動量策略投資組合的收益率與組合的持有期限呈現(xiàn)負相關(guān)，相關(guān)操作中持有期為一個月的動量策略超額收益效果最好。沈可挺和劉煜輝（2006）提出股票市場的狀況以及個股的特征是決定動量策略有效性的關(guān)鍵，并且動量效應是否有效還和持有期相關(guān)，在不超過6 個月的時段內(nèi)動量效應維持顯著有效。國內(nèi)很多研究也同國外一樣對于動量效應在中國股票市場中的有效性提出了諸多不同觀點。魯臻和鄒恒甫（2007）的研究認為中國股市中股票收益率的反轉(zhuǎn)效應較動量效應更明顯，并且針對持有期限不同、公司規(guī)模不同，動量效應的顯著程度也不同。游家興（2008）以中國A 股上市公司2000—2007 年數(shù)據(jù)為研究樣本，將動量效應的成因解釋為投資者對于市場的反應，研究認為市場中同時存在動量效應和反轉(zhuǎn)效應的原因在于機構(gòu)投資者和個人投資者的理性不足。潘莉和徐建國（2011）在研究中將動量效應的國內(nèi)外區(qū)別歸因于投資者結(jié)構(gòu)和行為習慣的不同，A股動量效應不明顯的原因在于個人投資者占比低但是交易量大，并且在選股中更傾向于彩票型股票也影響了動量效應的作用。高秋明等（2014）的研究認為A 股市場中動量效應的顯著程度與持有期密切相關(guān)。此外，對于成因的解釋，研究提出規(guī)模、賬面市值比和行業(yè)等因素可以解釋約50%的動量收益，并提出行為金融理論不能完全解釋中國股票市場的動量效應。白顥睿等（2020）認為中國股市存在“T+1”制度下隔夜折價現(xiàn)象，這導致中國股票收益率的日內(nèi)收益動量、隔夜收益動量的相反作用抵消了總體收益的動量效應，因此對于中國股市而言，只存在日內(nèi)動量、隔夜動量以及由“T+1”制度導致的日內(nèi)與隔夜動量的強反轉(zhuǎn)關(guān)系，而不存在月度動量效應。

通過先前的諸多研究可以看到，股票市場中的收益率走勢在一定程度上具有動量效應是可普遍觀察到的現(xiàn)象，但是在不同的金融市場、金融產(chǎn)品、持有期限等多種因素作用下，動量效應的顯著程度呈現(xiàn)出巨大的差異。因此關(guān)于動量效應的具體成因和影響，以及對于投資組合收益率是否具有正向影響，其研究結(jié)論仍莫衷一是。本文在現(xiàn)有研究基礎(chǔ)上試圖探討動量效應在中國股票市場中的表現(xiàn)，并分析市場指數(shù)的風險因子對動量效應的有效性具有較好的指示作用。

二、數(shù)據(jù)、模型構(gòu)建與研究設(shè)計

動量效應的有效性檢測主要方法為篩選出收益率良好的投資組合，并檢測投資組合的收益率在未來一段時間是否會維持良好表現(xiàn)。本文實驗具體步驟借鑒已有研究中關(guān)于動量效應研究方法，在其基礎(chǔ)之上根據(jù)中國投資實踐進行一定改進。

首先，根據(jù)股票收益率進行排序，其中確定收益率需要限定計算的時間區(qū)間，該時間區(qū)間稱為排序期。完成排序后將所得股票收益率序列等分為一定個數(shù)的投資組合。其次，構(gòu)建動量效應多空對沖投資組合，即做多排名靠前的頭部股票組合與做空排名靠后的尾部股票組合。最后，持有該多空對沖投資組合一定時間段，結(jié)算獲得動量多空對沖組合收益序列。序列的顯著性以收益率是否顯著大于零的t 檢驗確定。在一些研究中還考慮通過Newey-West方法處理收益率的異方差和自相關(guān)。

本文在上述研究基礎(chǔ)上提出兩點更為貼近中國股票市場投資實踐的改進：首先，雖然Daniel & Mos?kowitz（2016）研究提出空頭組合貢獻了動量多空對沖組合超過50%的收益，但是在中國股票市場中做空存在相當難度，除相關(guān)專業(yè)知識和操作經(jīng)驗門檻以外，股指期貨要求個人投資者連續(xù)五個交易日保證金賬戶不低于50萬。中國股市非機構(gòu)投資者2020年股票賬戶平均資產(chǎn)約為59 萬，這說明對于非機構(gòu)投資者而言，難以通過股指期貨做空市場。同樣，如果以融券作為做空個股的渠道，則除了資金限制以外，融券自身成本以及出借方不足也使得該渠道缺乏長期穩(wěn)定操作的可行性。因此，在本文的實驗中去除做空操作，即動量效應所有收益來源于做多投資組合的收益。其次，部分研究在統(tǒng)計動量效應有效性時以投資組合收益率序列異于0 的t 檢驗為標準，當收益率顯著異于0時則認為動量效應成立。但是，該收益測算方式有悖于實際投資情景，絕大部分投資者對于有效投資策略的判定是該策略至少取得不低于市場整體表現(xiàn)的收益率。例如，近年全球金融市場被動式指數(shù)基金ETF 總規(guī)模、增長均創(chuàng)歷史記錄，這說明投資者至少會認可不低于指數(shù)本身走勢的收益。簡單地考察收益率序列是否顯著異于0，則忽略了其有可能低于指數(shù)平均收益的情況，在該情況下投資策略幾乎不具有實踐價值。因此，本文將動量效應的效果檢測定為觀測當期的多頭投資組合收益率是否高于相關(guān)指數(shù)的收益。

本文實驗具體數(shù)據(jù)選擇上證180 指數(shù)及其成分股。所有指數(shù)和成分股相關(guān)數(shù)據(jù)來源于東方財富Choice金融終端。具體研究設(shè)計框架和步驟如下：

第一，禁止做空?？紤]中國股票市場做空股票難度大，對于大多數(shù)投資者來說缺乏實操可能，因此在本文的研究中提出不考慮做空操作的限制。

第二，建立動量因子投資組合。上證指數(shù)以周收益率為數(shù)據(jù)考察頻度，將所有股票按周收益率排序，取排名最高的10只股票作為投資組合。由于本文實驗設(shè)計不考慮做空，故只保留多頭策略作為投資組合全部收益，即動量效應產(chǎn)生的收益。

第三，投資組合更迭。本文研究重點聚焦于指數(shù)的風險因子是否對于動量效應的有效性具有影響，因此不對動量效應本身做過多復雜假設(shè)和檢驗。前期動量效應排序期取1 周，即以1 周的收益率決定成分股排序。持有期取1 周，即每個投資組合持有1 周。投資組合的收益率即為本周的周收益。同時做理想假設(shè)，每周的新建投資組合和結(jié)算本周收益發(fā)生在本周交易日最后時刻點，因此投資組合間不存在持有期重疊，每周只持有一個投資組合。

第四，動量效應策略投資組合有效性評判。上周選取的動量投資組合在本周獲得超過上證180 指數(shù)的平均收益率的收益即認為動量效應策略有效。其中如果二者皆為負，但動量投資組合虧損較少則依然認為策略有效。

第五，研究風險因子是否能夠影響動量效應。根據(jù)步驟1 至4 獲得的投資組合收益率結(jié)果，統(tǒng)計動量效應策略是否有效。本文提出的假設(shè)依據(jù)上證180指數(shù)相關(guān)風險因子對于市場進行分類，篩選出動量效應保持有效和失效的時間。分類策略選擇非線性的最小二乘支持向量機（LSSVM）方法。

LIU Wenli, SUN Wei, XIONG Hui, et al. The curing effect of goethite on heavy metal ions in fly ash from waste incineration and mechanism analysis[J]. Conservation and utilization of mineral resources, 2018(6):87-93.

三、實驗與結(jié)果分析

（一）動量效應檢測結(jié)果

本文數(shù)據(jù)時間跨度為2018 年1 月5 日—2021 年11 月30 日的周數(shù)據(jù)，指數(shù)為上證180 指數(shù)及其成分股，指數(shù)的成分股原始數(shù)據(jù)如表1所示。

表1 成分股數(shù)據(jù)

根據(jù)每周收益率排序，選取收益率最高的10 只成分股作為當期的動量策略投資組合，結(jié)果如表2所示。當期投資組合的下期收益率如表3所示。

表2 投資組合當期收益數(shù)據(jù)

表3 投資組合下期收益數(shù)據(jù)

最終針對本文選取的全部201 組數(shù)據(jù)實施本操作以后，動量效應策略投資組合收益率超過當期上證180 指數(shù)收益平均收益率的總數(shù)為98 組。即在本文設(shè)定的不存在做空且收益率至少超過指數(shù)平均收益率的限制條件下，動量策略投資組合保持有效的時間段只占48.8%（98/201）。但是，以收益率角度考慮，2018—2021年上證180指數(shù)從8872.13上漲至9949.76，漲幅為12.15%。統(tǒng)計同區(qū)間內(nèi)動量投資組合的收益率為58.84%。以上結(jié)果表明以動量策略維持有效的頻度為衡量標準，則只有約50%的情況下動量策略保持其有效性，但是以投資組合的收益率考量，則動量效應的效果大幅超過上證180 指數(shù)被動投資的效果。這說明動量策略雖然難以維持其在市場中出現(xiàn)的頻度，但是可以帶來更多的收益。有鑒于此，本文提出研究動量效應的成因以及作用機理不但具有理論價值而且還具有很強的實踐意義，一方面可以幫助深入理解市場的特征與收益率之間的關(guān)系，另一方面借助相關(guān)理論預測動量效應的有效性，可以進一步提高策略的收益率?？紤]到數(shù)據(jù)之間的復雜關(guān)系，本文選取常用的非線性分類模型最小二乘支持向量機（LSSVM）作為相關(guān)研究的工具。

（二）LSSVM訓練結(jié)果

選取2018 年第一周到2020 年12 月31 日最后一周共154組投資組合數(shù)據(jù)用于訓練LSSVM，剩余數(shù)據(jù)共47 組用于檢驗訓練結(jié)果，LSSVM 基于Matlab 的SVM 工具箱完成?；谏献C180 指數(shù)的特點和現(xiàn)有研究成果，用于判別市場中動量效應有效性的指標選取了三大類風險因子，分別是：作為交易指標的周漲跌幅、周振幅、換手率和成交量；作為超額收益指標的180 指數(shù)阿爾法和180 指數(shù)貝塔；作為財務(wù)指標的市盈率、市現(xiàn)率和市凈率。全部數(shù)據(jù)來源于Choice金融數(shù)據(jù)庫。將以上指標作為輸入指標，訓練目標為當期動量投資組合是否在下期獲得超過180 指數(shù)平均收益的超額收益，獲得為1，否則為-1。LSSVM 模型的基本參數(shù)設(shè)置為徑向基核（RBF 內(nèi)核）、交叉驗證、梯度下降方法搜索。

完成訓練后將驗證數(shù)據(jù)輸入模型，輸出結(jié)果為動量效應投資組合是否會在下期的數(shù)據(jù)中獲得不低于180 指數(shù)的收益率。初步實證中分四類情況進行訓練，取全部9個風險因子作為輸入和以三類因子分別作為輸入。最終預測的結(jié)果如表4所示。

表4 LSSVM預測結(jié)果

結(jié)果表明，無論是將9個指標全部作為分類訓練的輸入還是將不同類型的指標分別作為訓練的輸入，其預測正確結(jié)果皆在50%左右，除成交量類因子效果稍微顯著以外，整體上該情況下LSSVM 的分類預測效果相對較差。為了進一步驗證各種指標對于動量效應的影響，分別以單獨的指標作為訓練LSSVM 的輸入，分別觀察其結(jié)果如表5所示。

表5 LSSVM預測結(jié)果

在檢測單獨指標的分類效果時可以發(fā)現(xiàn)，有4個指標：周換手率、周成交、阿爾法和市盈率顯示出了一定的效果，其中除阿爾法外的三個指標正確率接近六成，其余指標則對于預測效果較差。

（三）實驗結(jié)果總結(jié)

總結(jié)上述實驗結(jié)果可以得出，在施加一定限定條件下基于動量效應的投資組合收益率依然高于指數(shù)平均收益。依據(jù)指數(shù)平均風險因子對于動量效應有效性的預測研究，從實驗中可以看出第一組試驗中分類預測沒有取得顯著效果，其可能的原因是由于相關(guān)風險因子對于動量效應的影響路徑和作用大小并不相同，不同指標共同作為輸入數(shù)據(jù)反而對分類器形成干擾。故為了進一步檢驗風險因子對于動量效應分類預測的效果，將不同指標分別單獨和成類別輸入，實驗結(jié)果可以看出有4個指標相對預測正確率較高，分別是換手率、周成交量、指數(shù)平均阿爾法和指數(shù)平均市盈率。

進一步驗證多指標是否會加強分類預測效果，選取效果最好的3 個指標——換手率、市盈率和成交量，實驗結(jié)果顯示3 個指標共同作為訓練輸入，其結(jié)果僅有21 個（44.7%）數(shù)據(jù)預測正確。其次以同類型數(shù)據(jù)換手率和成交量作為訓練輸入數(shù)據(jù)，實驗結(jié)果為23個（48.9%）數(shù)據(jù)預測正確，最后以不同類型數(shù)據(jù)換手率和市盈率作為輸入，實驗結(jié)果為24個（51.1%）數(shù)據(jù)預測正確。該結(jié)果表明即使是單獨分類效果較好的指標混合作為分類輸入也不會使得模型得到更好的分類預測結(jié)果，并且即使是相同類型（線性相關(guān)程度較高）的指標作為輸入數(shù)據(jù)也并不具備增強分類結(jié)果的效果。

此外，本文實驗目的為針對動量效應有效性的預測，即檢測投資組合是否會在下一個周期能延續(xù)本周期的走勢，其中幾個指標取得一定程度的效果。但是，在針對收益率的檢測中可以看到實驗效果相對下降，以預測效果最好的4 個指標作為訓練模型的數(shù)據(jù)，可以看到其結(jié)果全部高于指數(shù)平均收益率，但是有2 個指標的預測收益率最終結(jié)果低于直接運用動量策略結(jié)果。針對這一結(jié)果，本文認為文中實驗聚焦于動量效應延續(xù)與否的預測，收益率最終結(jié)果除與動量效應是否延續(xù)之外還與每次收益率具體變動相關(guān)，這一目標不在LSSVM 訓練目的之內(nèi)，故當以收益率為考察目標時，實驗呈現(xiàn)出的結(jié)果有所不足。

總結(jié)以上實驗結(jié)果，本文認為在眾多指標中確實存在一些相關(guān)指標可以預測動量效應的有效性，但是這些指標背后蘊含的對于動量效應的作用機理和影響路徑是各不相同的，因此如果混合各個指標在同一個分類模型中未必可以取得良好的效果。

（四）相關(guān)理論與作用路徑分析

本文選擇運用指數(shù)的風險因子預測動量效應的有效性，其原因在于風險因子對于動量效應具有一定的解釋作用。例如陳智穎等（2019）也持有相同觀點，其認為傳統(tǒng)金融學觀點中的有效市場理論是不可動搖的基礎(chǔ)，因此有效市場下動量因子應該并不存在，所以需要對于投資市場中確實存在的動量效應提出合理化解。以Fama和French為代表的研究者認為該現(xiàn)象的原因在于CAPM 模型對于收益率的刻畫存在不足，并在此基礎(chǔ)之上提出三因子模型，其后秉承這一思路的研究者們的核心思想在于尋求盡可能多的可以解釋股票收益率的因素，并將這些因素添加到模型中，以此完善有效市場假說對于收益率解釋的不足，通過細化傳統(tǒng)模型來化解動量效應。秉承這一研究思路，本文選取指數(shù)的風險因子作為動量效應的解釋因素。

本文實驗中，分類預測效果最高的三個指標分別是換手率、成交量和市盈率，其中換手率和成交量相關(guān)度較高并且為同一類風險因子。此類風險因子對于動量效應的影響根源在于交易本身，例如Bernstein（2013）提出的觀點認為股票價格會呈現(xiàn)周期性的動量效應與反轉(zhuǎn)效應，其原因在于投資者周期性的交易熱情導致的對股票的追捧。同時，本文認為實驗中體現(xiàn)出的動量失效也源于交易，其原因在于市場中的交易未必整齊劃一，因此交易行為本身也會成為破壞動量效應的因素。例如魯臻和鄒恒甫（2007）的研究也認為我國股市的噪聲交易太多、過度交易嚴重，反轉(zhuǎn)效應相對于動量效應要更明顯一些。Liu et al.（2011）則在研究中將動量效應不足歸因于換手率，認為如果在月度頻率上不能獲得正反饋交易則會導致動量效應失效，而由于中國股市的投資者持有股票的平均時間只有兩個月，不足以形成正反饋。鄧學斌等（2021）的研究采取分組的方法進行檢驗，高換手率股票與低換手率股票之間表現(xiàn)出不同的特征，動量效應更傾向于表現(xiàn)在低換手率的股票中，而反轉(zhuǎn)效應更多地出現(xiàn)在高換手率的股票中。

上述的一些研究雖然推導出兩種相悖的結(jié)論，但是目前研究認為交易行為本身及其存在的特點會對動量產(chǎn)生影響。結(jié)合本文的實驗結(jié)果可以看到，作為與成交相關(guān)的兩個指標，成交量和換手率對于動量效應具有顯著的分類預測效果，其實驗結(jié)果與先前的研究具有一致性。為了進一步驗證該理論的正確性，可以選取簡單方法檢測動量效應的有效性和成交指標之間的關(guān)系。由于成交量與換手率相關(guān)性較高，因此以成交量為代表將成交量排序，全部數(shù)據(jù)為201 組，由高到低分3 份。統(tǒng)計每一份中動量效應保持有效的數(shù)量，分別為38、29、31。可以看到，以成交量排序的數(shù)據(jù)中，動量效應有效性數(shù)據(jù)呈現(xiàn)出顯著的不同，交易量最高的組動量效應保持有效的數(shù)量也最多。以上檢測結(jié)果也和前文的實驗以及理論假設(shè)形成一致性。

本文的實驗中除成交相關(guān)指標影響顯著外，市盈率同樣是影響顯著的指標，市盈率由股票價格和收益率共同決定，其作用的理論依據(jù)在于價格和收益率對動量效應的影響。如李小勝等（2019）的研究以2008—2018 年A 股的周度交易數(shù)據(jù)和季度財務(wù)數(shù)據(jù)為研究對象，通過因子模型研究表明：我國股票市場存在顯著的個股動量效應和行業(yè)動量效應，股票價格動量與公司未來盈利在短期和長期內(nèi)都存在顯著的正相關(guān)關(guān)系。此外，王志強等（2006）的研究提出大盤（高價和低換手率的股票）相對于小盤（低價和高換手率的股票）具有更高的動量效應收益，為了獲得顯著的動量收益應該選擇大盤，即高價和低換手率特征構(gòu)建的套利組合。

市盈率的決定因素是價格和盈利狀況，盈利狀況以季度（季報）為頻率發(fā)布，變化頻率慢。本文認為周市盈率的變化更多地體現(xiàn)了相同盈利狀況下價格的變化，因此短期內(nèi)二者之間的關(guān)系更多反映的是價格對于動量效應的影響。秉承上述研究結(jié)論和思路，相同收益下價格變化表明市場對于股票的認可，因此高市盈率將有更高的動量效應。同樣使用與上面類似的處理方法，將所有數(shù)據(jù)按照市盈率降序排列分三等份，統(tǒng)計每份動量效應的有效性，市盈率最高的分組動量效應維持有效為33組，中間組維持有效為36組，市盈率最低組維持有效為29 組。結(jié)論表明，在價格相對較高的組別中動量效應更為明顯，這一簡單結(jié)論也與前文的實驗和理論推測基本一致。

（五）穩(wěn)健性檢測

前文實驗中依據(jù)相關(guān)理論，對于動量效應是否保持有效性進行分類預測，考慮到因變量與自變量之間關(guān)系復雜性，本文選取常用的分類模型支持向量機（SVM）進行測度。為了證實變量之間關(guān)系的穩(wěn)定性，本節(jié)選取BP 神經(jīng)網(wǎng)絡(luò)驗證變量間關(guān)系。BP 神經(jīng)網(wǎng)絡(luò)依據(jù)Matlab 神經(jīng)網(wǎng)絡(luò)工具箱搭建，訓練函數(shù)、學習函數(shù)和性能函數(shù)默認為10層，傳輸函數(shù)為logsig。和前文相同，154 組用于訓練網(wǎng)絡(luò)，其余47 組用于驗證訓練結(jié)果。本文選取換手率、成交量、周振幅和市盈率作為檢驗指標，最終結(jié)果如下：換手率分類預測正確27 組，數(shù)據(jù)正確率為57.4%，阿爾法分類預測正確22 組，數(shù)據(jù)正確率為46.8%；成交量分類預測正確29組，數(shù)據(jù)正確率為61.7%；市盈率分類預測正確26組，數(shù)據(jù)正確率為55.3%；周振幅分類預測正確22 組，數(shù)據(jù)正確率為46.8%；換手率和市盈率二者組合分類預測正確24組，數(shù)據(jù)正確率為51.1%；換手率、市盈率和成交量三者組合分類預測正確28 組，數(shù)據(jù)正確率為59.6%。

整體上BP 神經(jīng)網(wǎng)絡(luò)的結(jié)果與LSSVM 比較近，但是也存在一定的差異性。兩個非線性模型的相同之處是風險因子都展現(xiàn)出對于動量效應有效性的影響，不同點在于在LSSVM中顯示出較好效果的指數(shù)平均阿爾法在BP 神經(jīng)網(wǎng)絡(luò)中效果不佳，而且在LSSVM 中多因子結(jié)合效果不佳，在BP 神經(jīng)網(wǎng)絡(luò)中則普遍效果良好。

四、研究結(jié)論

與以往研究不同，在對投資組合建立和收益評估設(shè)定一定限定條件之后，中國股市依然具備一定程度的動量效應。在研究區(qū)間中雖然動量效應投資組合獲得了更高的收益，但是其并未表現(xiàn)出持續(xù)的有效性。因此，如果在實踐中能夠預測出收益率是否依然保持其運動趨勢將會使基于動量效應的投資策略具有極大提升。

依據(jù)以往的研究理論，多種因素具有對于動量效應的解釋能力。本文依據(jù)指數(shù)的風險因子并結(jié)合非線性的LSSVM模型預測當前市場環(huán)境下動量效應是否保持有效性，實驗結(jié)果表明依據(jù)風險因子的非線性模型對于動量效應的持續(xù)性有一定的預測效果。這一結(jié)果以及后面的穩(wěn)健性檢測結(jié)果都體現(xiàn)出指數(shù)的風險因子確實對于動量效應具有一定的解釋力。這不僅加深了對于動量效應的理解、推進相關(guān)理論研究，而且依據(jù)預測結(jié)果可以在一定程度上提升動量策略投資組合的實踐表現(xiàn)。

當然，本文也注意到與傳統(tǒng)的線性模型不同，LSSVM 或者BP 神經(jīng)網(wǎng)絡(luò)的最終結(jié)果不盡相同，并且由于這類模型的“黑箱”特點使得深入理解變量之間的準確聯(lián)系相對傳統(tǒng)理論和模型較為困難。因此，在未來研究中對于非線性模型選擇和具體參數(shù)的設(shè)定需要給予更多關(guān)注，并且基于該思路和方法來進行研究還有更多需要細致、深入探討的地方。