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、Fintech、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30W 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”。 来自：Reversing the Trend of Short-Term Reversal 作者：David Blitz、Bart van der Grient、Iman Honarvar
随着时间的推移，传统的反转因子逐渐减弱，甚至在大多数市场已经完全失效。然而，可以通过分析与行业和因子收益的短期背离的趋势对传统反转因子进行改进。改进后的短期反转因子显示出更高的回报和更低的风险，并且随着时间的推移仍然有效，最终相比传统反转因子获得两倍以上的风险调整后绩效。对短期反转因子的分析表明，溢价源于供需之间的暂时失衡。因此，该因子中的投资者有效地充当了流动性提供者的角色，有助于资本市场更有效地运作。
传统短期反转因子（Short-term Reversal, STR）
下表给出了传统反转因子在美国市场上分阶段的表现，可以看出该因子今年已经基本失效，在大盘股已经失效，在小盘股上还有些收益。
下图给出不同市场STR的表现，可以看出发达国家市场STR基本失效，而在亚太地区（包括EM市场）依然有效。
改进短期反转因子
第一种改进方式是使用相对行业的超额收益（industry-relative STR)，第二种改进方式是使用股票的残差收益（Residul STR），具体做法是用前36个月的收益率对market, size和value因子进行回归后取残差，再除以近36个月的波动率。下图给出了三种因子累计收益的比较，可以看出industry-relative STR和Residul STR明显优于传统STR，且在最近依然有效。
接下来，我们对不同STR因子进行回归分析，首先是市场因子，然后是所有六个Fama-French因子，最后是Fama-French因子加上短期行业和因子动量因子。行业动量为其在相同的GICS第3级行业的同行的前一个月平均收益，不包括股票本身。因子动量时间序列是通过做多上个月表现最好的因子，做空表现最差的因子来构建的。
下表的最左侧部分证实了传统STR因子的失效，其CAPM和六因子alpha在统计上不显著。对Fama和French(2015)资产定价因子的风险敞口通常较小且不显著，除了对WML动量因子的显著负风险敞口。然而，这对估计的alpha没有实质性影响。当将短期行业动量和因子动量作为附加控制因子考虑在内时，情况发生了巨大变化。与一般短期反转因子可能与短期行业动量和因子动量背道而驰的预期一致，我们观察到这些因子的负荷确实是显著负的，具有两位数的t统计量。此外，回归的r平方从不到10%急剧上升到60%左右。控制这些因子会大幅提升反转因子的Alpha，这比该因子的原始回报高得多。这说明，只要能够防止不利的风险敞口，就可以获得短期反转溢价。
两种增强的STR因子，它们的原始回报要高得多，而且它们对短期动量因子的事后敏感性要小得多。这也反映在这些回归的r平方值上，只有20%左右。行业中性STR因子不再对短期行业动量有重大敞口，这意味着它有效地消除了通用STR因子中存在的对短期行业动量的押注。同样，残差STR因子成功地防止了与短期因子动量的对抗，因为对该因子的敞口变得微不足道。因此，回归为两种增强型STR因子背后的设计理念提供了经验证实。由于行业中性和残差STR因子的alpha非常相似，因此很难指出一个明显的赢家。相反，这两种不同的方法在重振STR战略方面似乎同样有效。
我们还测试了增强反转因子在不同市场的表现，除太平洋地区外，通用STR策略在所有地区都非常薄弱，但与行业中兴STR和残差STR的表现有明显的改进。增强型STR策略经风险调整后的绩效在每个地区都更高，包括新兴市场。增强型策略的夏普比率在0.4到0.7之间，比普通策略平均高出一倍多。和以前一样，很难在两个备选方案中确定一个明显的赢家，尽管残差STR策略在大多数情况下似乎稍微有效一些。
