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，连续2年被腾讯云 社区评选为“年度最佳作者”。
上个月末，Robeco发表了一篇关于短期因子的论文“Beyond Fama-French Factors: Alpha from Short-Term Signals Frequencies”。该论文从实证的角度研究了提高短期因子表现的方法，论文的作者占据了超过Robeco量化研究团队一半的人员。
传统的因子如投资能力、盈利能力、规模及价值因子，一般应用在传统的资产定价模型中，用以描述股票截面收益。从本质上讲，它们的换手率很低，而且它们的溢价有望在多年内实现。然而，在短期内，它们可能会经历大规模和长期的下降。
另一方面，由于交易成本的考虑，高换手率的因子通常在学术文献中被忽略。这些短期因子通常每个月都能从完全不同的投资组合中获得一串连续的小阿尔法收益，而不是获得长期的大额溢价。但在考虑到交易成本后，阿尔法通常被认为是投资者可望而不可及的。在下图中，我们从概念上展示了短期因子与常用因子之间的关系。
本文认为短期因子容易被忽略的原因有几个：
- 首先，标准的学术因子构建方法给小盘股分配了不成比例的大权重。由于流动性差的小型股票的交易成本比流动性好的大型股票要高得多，因此只对那些预期收益超过预期成本的股票采用短期策略可能更有效。
- 其次，通过将重点从单一因子转移到因子的组合，这样可以大幅提高组合收益。通过这种方式可以获得多样化的好处，可能会带来更高的总回报和更低的波动性。
- 第三，许多研究使用最简单交易策略，只需每个月构建全新的顶部和底部投资组合。事实上，更复杂的买卖规则，如只在股票的得分低于某个阈值时才会进行替换，从而节省的交易成本。
本文中的“短期”指的是一个月的交易周期。相对对冲基金，对于大型非高频的机构投资者，更短期的策略由于涉及交易更多，无法规模化。或者，超短期交易模式可以归入执行部门的研究范畴，在那里，任何alpha值都将反映在较低的交易成本中。
本文在MSCI World Index的成分股基础上（大于2000个成分股），研究了1985年至2021年以下五个因子：
这些因子的多空组合带来的年化平均回报率在5%-8%之间，这在统计上是显著的，除了one-month idiosyncratic volatility外。这是由于它的市场贝塔系数为负，因为它在结做多低风险股票，做空高风险股票。CAPM alpha值在每年6% - 10%之间，也具有统计学意义。与此同时，六因子阿尔法也在6%到8%之间，而且对于大多数短期因子也具有统计学意义，因为它们在Fama-French因子的loading往往较小。
然而，由短期因子产生的非常独特的阿尔法确实是以很高的换手率为代价的，即每年1300%到2000%之间。这产生了重大后果，因为保持正alpha值的交易成本的盈亏平衡点都低于25个基点。这证实了一种观点，即短期因子在扣除成本后很难获利——至少在单独考虑和使用简单的交易策略时是这样。
好消息是，不同短期因子的回报之间的相关性普遍较低，甚至是负的。这一发现表明，短期因子的组合可以提供强大的多元化收益。因此，我们继续研究短期因子组合策略的表现，并发现从最高的五分位数组合到最低的五分位数组合的回报是递减的。
由此，多空组合带来了统计上显著的平均年化回报率和CAPM alpha分别超过12%和14%。这些结果比单个因子更强，因此证实了多样化的力量。在超过12%的情况下，六因子alpha在统计上也是显著的，这意味着Fama-French因子不能解释组合信号的alpha。
换手率维持在每年接近1800%的高位。然而，由于综合信号的强劲表现，收支平衡的交易成本现在超过了30个基点。这意味着，多信号策略可以产生适度的净利润，特别是如果投资者能够在这个保守的阈值以下执行交易。
然后，将交易成本降低方法应用于复合策略。每个月的多（空）投资组合包括本月属于前（后）X%的股票，加上前几个月没有进入前(后)Y%的股票。图2前四个柱形图显示了单个短期因子和复合因子的年化FF6 Alpha，采用买入20%/持有20%的策略。短期因子的费前FF6 Alpha每年超过6%。然而，考虑到实际交易成本后，费后的FF6 Alpha低于-2%。复合因子费前FF6 Alpha达到12%以上，但交易成本仍侵蚀了净收益率的三分之二以上。
最后两个柱状图描述了使用用更复杂的买入和卖出规则(买入10%/持有50%)时复合因子的FF6 Alpha值。更具体地说，每个月的多头（空）投资组合包括目前属于前（后）10%的股票，加上前几个月选择的仍属于前（后）50%的股票。这些更复杂的买卖规则导致复合因子的费前阿尔法略有下降，但由于成交量大幅下降，它们将净阿尔法提高到6%以上。
总之，这些结果表明，当有效的交易规则适用时，短期因子组成的复合因子可以在扣除成本后获得较高的收益。
原论文及因子出处的论文已经打包。
后台回复：Robeco论文
即可下载查阅~
参考文献
1 Blitz, D., Hanauer, M. X., Honarvar, I., Huisman, R., and Van Vliet, P., 2022, “Beyond Fama-French: alpha from short-term signals”, SSRN working paper.
2 Da, Z., Liu, Q., and Schaumburg, E., 2014, “A closer look at the short-term return reversal”, Management Science; and Hameed, A., and Mujtaba Mian, G., 2015, “Industries and stock return reversals”, Journal of Financial and Quantitative Analysis.
3 Moskowitz, T.J., and Grinblatt, M., 1999, “Do industries explain momentum?”, The Journal of Finance.
4 Van der Hart, J., Slagter, E., and van Dijk, D., 2003, “Stock selection strategies in emerging markets”, Journal of Empirical Finance.
5 Heston, S.L, and Sadka, R., 2008. “Seasonality in the Cross-Section of Stock Returns.” Journal of Financial Economics.
6 Ang, A., Hodrick, R.J., Xing, Y., and Zhang, X., 2006. “The Cross-Section of Volatility and Expected Returns.” The Journal of Finance.
7 De Groot, W., Huij, J., and Zhou, W., 2012, “Another look at trading costs and short-term reversal profits”, Journal of Banking and Finance; and Novy-Marx, R., and Velikov, M., 2016, “A taxonomy of anomalies and their trading costs.” The Review of Financial Studies.
