哪些因素影响趋势策略收益
报告摘要
近年来动量策略表现较差
趋势跟踪策略由来已久,这类策略在2007-2009年全球金融危机期间表现强势,但近年来出现了大幅下滑,最近十年的回报率低于历史平均水平。人们不禁感叹:趋势跟踪策略的有效性是否已经改变,又是什么原因导致了该策略近期和历史长期表现的差异?
数据和设计
本文使用四个主要资产类别的67个市场的月度回报率数据。这些市场包括29种商品,11个股票指数,15个债券市场指数和12种货币组合。关于每日期货价格数据集中,自1877年到1951年使用的是《芝加哥期货交易所贸易和商业年度报告》为基础的手工抄写的期货价格数据,此后采用电子数据集。基于这些数据,本文构建了1个月、3个月和12个月的时间序列动量信号。每一个时间序列动量信号都是哑变量。因此,对任何市场,只要上一期的回报是正的,就会做多,反之如果上一期的回报是负的,就会做空。
趋势跟踪策略的收益分解框架
将驱动趋势跟踪策略表现的因素分解为三部分:一是市场趋势(夏普比率的绝对值)的幅度,用经过风险调整的绝对年化回报率的加权平均值表示;二是趋势效率,反映了在给定规模的市场走势中趋势跟踪策略获利大小的程度;三是市场的分散化投资程度,由于资产之间缺乏完全的相关性,趋势跟踪投资组合的风险调整回报率是跟随单个市场趋势的平均风险调整回报率的某个倍数,这个倍数可以用来衡量分散化投资程度。
趋势跟踪策略回报的驱动因素分析
在整个样本期中每十年来拟合一个结果,然后使用前文所构建的框架来分析每十年中三个因素中的每个因素与1880年至2018年全样本期平均值之间的差异。分析结果表明相对于全样本期,在趋势跟踪策略表现最强的几十年中,市场趋势的幅度带来了正向的影响。在趋势表现最强的20世纪70年代,这三个因素都是有效的。影响最近十年趋势表现的最重要因素是市场趋势幅度太小,而不是分散化投资程度或趋势效率。虽然最近十年的表现较差,但是有理由相信当未来市场出现大趋势时,趋势跟踪策略的获利潜力依然存在。
结论
本文将每十年和全样本期的趋势跟踪策略表现的差异归结于三个不同的影响因素:市场趋势的大小, 趋势效率和分散化投资程度。研究结果表明,在最近十年中,趋势跟踪策略之所以表现较差,主要是由于缺乏大的经风险调整的市场趋势(无论正向还是负向)。如果市场趋势的大小恢复到与历史长期平均趋势更接近的水平,趋势跟踪策略应该能够提供与历史平均表现更相符的业绩。
文献来源
文献来源:Abhilash Babu, Brendan Hoffman, Ari Levine, YaoHua Ooi, Sarah Schroeder, Erik Stamelos, “You Cant Always Trend When You Want (March,2020)”,Journal of Portfolio Management.
文献亮点:本文提出了一个新的框架,将影响趋势跟踪策略表现的原因归结为三个因素:一是市场趋势的幅度,二是从这些市场趋势中获利的能力即趋势效率,三是市场的分散化投资程度。通过分析该框架,本文得出近十年来趋势跟踪策略表现不佳的主要原因在于市场的平均趋势幅度太小。此外,本文使用了自1877年以来共计140余年的每日期货价格数据,包含1951年之前的手写期货价格数据,总共涉及29种商品,11个股票指数,15个债券市场指数和12种货币组合,使得研究结果在时间维度和不同市场中更有说服力。
摘要
在本文中,作者提出了一个新的框架,将影响趋势跟踪策略表现的原因归结为三个因素:一是市场趋势的幅度,二是从这些市场趋势中获利的能力即趋势效率,三是市场的分散化投资程度。通过这个框架,作者研究了为什么趋势跟踪策略在最近十年间的表现低于该策略的历史长期平均回报。根据研究结果,作者发现产生该现象主要的原因是第一个因素,即全球市场趋势的平均大小比以往更小了。同时趋势跟踪策略将市场趋势转化为收益的能力并未发生实质性变化,其分散化投资程度也并未降低,这意味着趋势跟踪策略仍然能够以分散投资的方式持续将市场趋势转化为投资收益。如果未来全球市场趋势变大,趋势跟踪投资策略可能表现地更好。
主题:绩效评估,风格投资
介绍
趋势跟踪策略由来已久,在过去的几十年里很多人进行了大量深入的研究。这类策略在2007-2009年全球金融危机期间表现强势,但近年来出现了大幅下滑,在最近十年的回报率低于历史水平。这让人们不禁感叹:趋势跟踪策略的有效性是否已经改变,又是什么原因导致了该策略近期和历史长期表现的差异?
为了回答这个问题,我们构建了一个框架,对趋势跟踪策略表现的来源提供了一个全新的解释,并以此回答了为什么趋势跟踪策略在最近十年中的表现变差了。我们构建的框架基于Hurst,Ooi和Pedersen(2013,2017)等人定义的趋势跟踪策略,并使用了19世纪末至2018年的数据。该框架选取和检验了三个主要因素来解释趋势跟踪策略的超额收益:一是市场趋势的大小,二是趋势功效,即策略将市场趋势转化为利润的能力,三是在趋势跟踪投资组合中的分散化投资程度。我们评估了这些因素,并量化了这些因素在最近十年和全样本期内对趋势跟踪策略表现,并做了对比。
我们的研究结果表明,最近十年回报较低的原因既非策略从市场趋势中获利能力的下降,也非策略投资组合中分散化投资的减少,而是由于不同市场的大幅趋势减少。趋势跟踪策略能够持续以一种分散化投资的方式将市场趋势转化为利润,这一事实表明,趋势跟踪投资更可能会在未来趋势更显著的市场环境中有更好的表现。
数据和准备
数据
我们使用Hurst,Ooi和Pedersen等人(2017)所描述的四个主要资产类别的67个市场的月回报率数据。这些市场包括29种商品,11个股票指数,15个债券市场指数和12种货币组合。我们使用的数据集自1877年以来的每日期货价格,其中直到1951年,以《芝加哥期货交易所贸易和商业年度报告》为基础的期货价格是以手工抄写的,此后我们采用电子数据集。附录详细描述了采用的每个市场和不同时间段的各自数据来源。
根据这些数据,我们构建了基于月末价格和收益的月度时间序列。通过假设当接近到期日时,同时卖出当前持有的期货合约并买入下一个可用的合约,我们为每个市场构建了一个连续的时间序列数据。我们尽可能使用收盘价,但在数据样本的早期,由于没有收盘价,因此我们使用最高价格和最低价格的平均值作为替代。
时间序列动量策略
我们使用Hurst,Ooi和Pedersen等人(2017)所描述的时间序列动量方法构建了一个趋势跟踪策略。对于前文描述的67个市场,我们构建了1个月、3个月和12个月的时间序列动量信号。每一个时间序列动量信号都是哑变量,因此,对任何市场,只要上一期的回报是正的,就会做多,而如果上一期的回报是负的,就会做空。因此,在每个市场中,每个信号总是持有多头或空头头寸。此外,三个不同区间的时间序列趋势信号的持仓是等权重的,以便在每个月调整仓位的时候保持各自市场的平衡。
仓位的大小是根据各自的预期波动率变动的,以便投资组合中的每个市场都具有相同的事前估计风险,既可以保证在不同趋势的市场中保持分散化投资,又可以限制由于持仓集中导致的风险。然后,组合头寸,使投资组合保持10%的预估年化波动率目标。这样可以确保即使市场的数量和它们之间的相关性是不同的,投资组合也能在一段时间内保持目标风险水平一致。在每次调仓再平衡时,当数据正常时,投资组合都是使用全部资产来构建的。
投资组合的交易成本是根据每个月每项资产头寸的总变化计算的。我们根据每项资产类别近期的平均水平计算成本,并根据Jones(2002)的估计对其进行历史性地放大。虽然我们根据头寸规模的变化来计算交易成本,但我们注意到也可能存在其他成本,包括期货合约移仓换月的成本,而这些成本没有被计算在内。总的来说,交易成本的估计具有很大的不确定性。
趋势跟踪策略的收益分解框架
趋势跟踪策略旨在利用一种趋势,即金融市场显示出对历史回报具有可预测的延续性。资产价格的大幅、长期趋势(无论是正的还是负的)能为趋势追随者带来正回报;相反,区间波动期会导致趋势投资者的收益为负。大的市场趋势往往发生在一段时间内,而不是在一夜之间,这让趋势追随者有机会从趋势中获利。相反,如果市场没有大的趋势,而是窄幅震荡,趋势追随者往往会遭受损失,因为他们的定位与市场的波动不一致。
我们构建的框架基于平均市场趋势幅度(以夏普比率绝对值衡量)
{w:100}
{w:100}
{w:100}
已知
{w:100}
{w:100}
{w:100}
该框架将趋势跟踪策略收益分解为三个主要因素的作用:
市场趋势的平均幅度
{w:100}
趋势效率(𝛼,𝛽)
参数𝛼和𝛽反映了在给定规模的市场走势中趋势跟踪策略获利大小的程度。总的来说,它们将单个市场经风险调整后的回报
{w:100}
{w:100}
分散化投资𝐷
该指标表明:由于资产之间缺乏完全的相关性,趋势跟踪投资组合的风险调整回报率是跟随单个市场趋势的平均风险调整回报率的某个倍数。
接下来我们将更详细地讨论每一个因素。然后,我们将应用这个框架来将给定时期的表现分解为三个组成部分。
市场趋势的平均幅度
对于第t年的每个市场i,我们将市场趋势的幅度定义为其绝对风险调整(超过现金回报率)回报或者绝对夏普比率
{w:100}
{w:100}
在图1中,我们展示了从1880年到2018年期间每个市场每年趋势走势的绝对变动幅度的历史模拟表现。
{w:100}
{w:100}
趋势效率
为了量化市场趋势和趋势跟踪策略盈利能力之间的关系,我们提出了一个线性估计模型:
{w:100}
这个模型捕捉了趋势跟踪策略如何有效地将市场趋势转化为趋势跟踪策略回报。通过使用特定日期区间的数据来估计这个模型,我们可以评估趋势效率如何随时间变化。
我们可以使用每年每项资产得到单个市场给定时间段的
{w:100}
{w:100}
{w:100}
{w:100}
图3展示了完整样本数据的模型结果。这条向上倾斜的回归线表明,从历史上看,趋势跟踪策略能够将市场的大幅趋势转化为正的风险调整后的回报。截距
{w:100}
{w:100}
{w:100}
{w:100}
{w:100}
分散化投资
方程2通过分散投资乘数𝐷将每种资产的平均趋势跟踪表现与总投资组合夏普比率联系起来。当趋势跟踪回报之间的相关性低(高)时,表明𝐷更大(小),并且可以随着时间的推移发生显著的变化。直觉上,这与捕捉趋势利润的独立机会的数量有关。如果投资组合中的所有市场都受到单一潜在因素的驱动,那么我们预计,与所有市场独立运作相比,多市场交易的收益会更小。
结合方程1和方程2,可以将趋势表现完全分解为这三个部分。将策略表现分为分散化投资、趋势效率和市场趋势,可以帮助我们提取出在特定时期内导致趋势跟踪表现与其长期历史价值不同的因素。
趋势跟踪回报的驱动因素分析
当前文提到的三个我们感兴趣的因素中的一个或多个发生变化,趋势跟踪策略的效率在任何子周期与整个样本中的表现都会有所不同。为了探索随时间变化的趋势跟踪策略表现的差异,我们在整个样本期中每十年拟合一个模型。接着使用我们所构建的框架来分析每十年中三个因素中的每个因素与1880年至2018年全样本期平均值之间的趋势效率差异。
为了得到相关结果,我们将数据按十年进行分割,拟合回归模型,得到一组参数
{w:100}
{w:100}
{w:100}
{w:100}
们使用这三个因素来分解每个十年子样本与完整样本平均值的已实现趋势跟踪策略表现的差异。我们首先用全样本平均
{w:100}
{w:100}
{w:100}
{w:100}
{w:100}
{w:100}
将拟合的表现与实际表现进行比较,我们可以得到详细的影响因素分解。正向(负向)影响表明,特定因素对十年样本期的趋势表现比对整个样本更有效(无效)。这种因素分解告诉我们,在某个十年样本期里,市场趋势是否通常是剧烈的(温和的),趋势跟踪策略在将市场趋势转化为盈利能力方面是效率更高(还是更低),或者趋势是否更加多样化,也有可能是某些因素的叠加造成的。
图4描述了2010 至2018年最近十年与全样本平均值的模型拟合情况(图中使用了数百个底层数据点的平均值以达到视觉上的简单性)。我们观察到,最近十年的市场趋势幅度更接近x轴的左边,这表明最近十年的市场趋势确实很小。
{w:100}
{w:100}
{w:100}
{w:100}
接下来,我们考虑近年来投资组合水平上的趋势跟踪表现是否因缺乏分散化投资而受到影响。市场传闻称全球金融危机后,由于央行紧缩的货币政策影响了市场,市场之间的关联度可能变得更高。然而,数据分析结果并不能证明这一点。图6显示了整个样本的平均分散投资乘数
{w:100}
{w:100}
{w:100}
{w:100}
{w:100}
结论
本文在现有文献的基础之上构建了一个新的框架,通过建立一个较长区间模拟策略来评估任何给定子时间区间的趋势跟踪策略的表现。通过我们的分析,将每十年和全样本期的趋势跟踪策略表现的差异归结于三个不同的影响因素:市场趋势的大小, 趋势效率和分散化投资程度。研究结果表明,在最近十年中,趋势跟踪策略之所以表现较差,主要是由于缺乏大的经风险调整的市场趋势(无论正向还是负向)。我们没有发现趋势跟踪策略将市场趋势转化为收益的能力发生实质性变化的证据,也没有发现趋势跟踪策略分散化投资程度降低的证据。这表明,如果市场趋势的大小恢复到与历史长期趋势更接近的水平,趋势跟踪策略应该能够提供与历史表现更相符的业绩。
附录
我们使用了67个市场的历史回报率数据,如图9所示,下面列出了我们的数据来源。
股票指数
股票指数期货由以下11个发达国家的股票市场组成:SPI200(澳大利亚),S&P/TSE 60(加拿大),CAC40(法国),DAX(德国),FTSE/MIB(意大利),TOPIX(日本),AEX(荷兰),IBEX 35(西班牙),FTSE 100(英国),Russell 2000(美国)和S&P 500(美国);期货回报数据来源包括:Datastream和Bloomberg,使用MSCI国家水平指数回报率,以及来自Ibbotson、全球金融数据(GFD)和耶鲁大学管理学院(Yale School of Management)。
债券指数
债券指数期货由以下15个发达国家的债券市场组成:澳大利亚3年期债券、澳大利亚10年期债券、欧元Schatz(2年期)、欧元Bobl(5年期)、欧元Bund(10年期)、欧元Buxl(30年期)、加拿大10年期债券、日本10年期债券、长期英国国债、美国2年期债券、意大利10年期债券、法国10年期国债、美国5年期国债、美国10年期国债和美国长期国债。债券指数期货收益来自Morgan Markets和Bloomberg。我们使用Datastream、Ibbotson和全球金融数据(GFD)的国家一级现金债券收益,然后再使用期货收益。使用GFD 和Ibbotson的固定4年久期的规模月度回报数据,2年久期的美国2年期国债,4年久期的美国5年期国债和德国雷克斯指数,20年久期来的美国长期债券和7年久期的其他债券。
货币
外汇远期合约涵盖以下10种货币:澳元、加元、德国马克、欧元、日元、新西兰元、挪威克朗、瑞典克朗、瑞士法郎、英镑和美元。我们使用花旗集团的即期和远期利率来计算货币回报率,其中加元和新元计算区间为1992年到1996年,其余所有货币自1989年算起。而在1989年之前,我们使用Datastream的即期汇率和Bloomberg的LIBOR短期利率来计算收益。
大宗商品
我们使用了29种不同商品期货的数据集,明显多于以往文献中使用的数据集。在可行的情况下,我们使用彭博(Bloomberg)的期货价格数据。在彭博数据可用之前,我们使用商品系统公司(Commodity SystemsInc.)的期货价格和芝加哥期货交易所(Chicago Board of Trade)的历史记录构建的数据集。从1877年到1951年的数据是手工抄录自芝加哥贸易委员会(CBOT)的贸易和商业年度报告。为了保证准确性,两个独立的数据供应商之间转录了相同的数据集,并且他们的转录被交叉验证为相互一致。但是在样本的早期部分没有记录开盘和收盘价格,因此我们使用收盘价格可用之前的最高价和最低价的平均值作为替代。最后,移仓换月的目的是持有到期日之前流动性最好的期货合约。例如,每个月我们持有的最近的合约,其到期月至少是两个月以后。
{w:100}