【国信金工】寻找关键时刻的领头羊—时点动量全解析

admin1年前 (2023-05-19)研报1110

报告摘要

时点动量：寻找关键时刻的领头羊

传统的动量因子通常用过去一段时间的收益来预测未来的收益。随着景气投资的兴起，基于盈余公告日涨跌幅的特殊时点动量因子也受到了广泛的关注。不同于依赖股价惯性的传统动量因子或依赖股价因果传导链条的基本面因子，时点动量更注重捕捉一些关键时刻的市场表现，是一种更为直接的“由果及果”模式，以关键时点市场资金自发地选择预测未来一段时间的收益。

马克·米勒维尼曾提出市场反弹时的“领头羊”概念：在市场进入底部的时候，反弹最快、弹性最足的股票是市场的领头羊。通过复盘历史上几次较大级别的底部反弹，我们发现市场反弹这一天存在很强的动量效应。此外，时点动量还可以拓展至一些概念或主题行情中，概念发酵首日的资金选择，可以帮助我们找到对应的龙头标的个股。

A股时点动量实证

我们对A股存在的时点动量效应做了全面的梳理，并进行了实证检验。我们发现投资者往往会在市场行情出现重要转折时对后市做出布局，当天的市场表现对未来有很强的指引。经检验，市场大跌反弹日、顶部切换日以及市场三角形突破日均有较强的动量效应，若基于这三类关键时点构建时点动量因子，该因子在中信一级行业上多头次均超额收益分别为2.01%、2.18%和2.33%，空头次均超额收益分别为-1.71%、-1.90%和-1.20%。

此外，A股在受到北向资金异常净流入、预期外的宏观经济数据公布等外部事件冲击时也存在显著的动量效应。最后，我们还对A股的节假日、重要会议等日历效应进行了检验，也发现了一定的动量效应。

时点动量在行业轮动上的应用

将不同时点信号下的时点动量因子融合，在信号不定期触发调仓的模式下，时点动量因子在中信一级行业内多头次均超额收益为1.08%，空头次均超额收益为-1.00%，多空收益显著且稳定。若统一在月末调仓将其因子化，则该因子RankIC均值为18.69%，年化ICIR为1.99，RankIC胜率为76%，远超传统行业轮动因子，且与传统行业轮动因子相关性较低。2022年景气类因子出现较大回撤的时候，时点动量因子仍然有较好的效果。若选择当前已上市的行业或主题类的ETF产品，基于时点动量构建ETF轮动组合，该组合的年化超额收益为13.08%，每年都能跑赢行业等权基准。

时点动量在选股上的应用

时点动量在股票上也具有较好的收益预测能力，市场关键时点当天的股票涨跌幅也能体现市场资金的观点。我们参考时点动量行业因子的方式，构建时点动量选股因子。时点动量选股因子在沪深300等大市值股票池内的表现较好，在沪深300内分10组，多头次均超额收益为0.87%，空头次均超额收益为-1.11%。定期因子化后的时点动量在沪深300股票池内RankIC均值为8.86%，年化ICIR为2.00，RankIC胜率为71%。

一

时点动量：寻找关键时刻的领头羊

1.1

从动量效应到投资者行为惯性

1993年，Jegadeesh和Titman在其开创性的研究中提及美股市场存在“强者恒强”的现象，自此动量效应逐渐被投资者熟知，被广泛应用于股票交易策略和投资组合构建中。动量效应是指股票的走势具有惯性，即过去强势的股票更有可能在未来展现出强势的走势。随着北向资金的流入和公募基金的日益壮大，A股市场动量效应也逐渐显现。国信金工团队2021年12月13日发布的专题报告《动量类因子全解析》从多个维度刻画了股票价格的强势程度，对传统动量、路径动量等动量类因子做了全面的梳理，并构建了具有稳定选股能力的综合动量因子。

正如助跑可以为跳远运动员提供足够的速度和动能，使运动员起跳后跳得更远。股价也同样具有一定的惯性，股票作手杰西•利弗莫尔曾说过：股价总是沿阻力最小的方向前进。在股票市场中，过去表现强势的股票可以吸引更多的投资者买入，从而使得股价表现具有延续性。因此，传统的动量因子通常基于过去较长一段时间的收益构建，并以此预测未来较短时间的股票收益。

除了股价本身存在一定的惯性，投资者的行为也存在一定的惯性，市场的投资风格形成后，可能也会延续较长一段时间。然而，正如存在“动量崩溃”，当一种投资风格演绎到极致后，交易拥挤度不断提升，市场也会自发的去寻找更具有性价比的标的，原本的投资风格也会面临失效。例如2022年，经济下行，高增速板块变得较为稀缺，A股长期有效的景气度投资也面临失效。图2、图3展示了与景气投资相关的净利润增速和分析师预期上调因子的多空净值，2022年以来，这两个因子在全市场内的回调幅度均达到了历史最大值。

1.2

时点动量效应：关键时刻的市场选择

景气投资等投资模式本质都是抓住市场股价传导的核心变量，并依赖变量与股价之间的“因果关系”进行传导，而核心变量的选择具有路径依赖的特征，一旦某种传导逻辑由于拥挤度提高或市场风格转向而变得失效，对应的投资模式也会随之失效。

除了核心资产投资、景气投资等需要基本面传导至股价的“由因及果”模式，还存在一种更加直接的“由果及果”传导模式，即用一些市场关键时刻的股价表现去预测未来的股价表现，我们将其称之为“时点动量”。不同于传统动量需要观察一段较长时间窗口的收益，时点动量更注重于捕捉一些重要时刻的市场反应，以关键时点资金自发的选择预测未来一段时间的收益。

以个股盈余公告后价格漂移（Post Earnings Announcement Drift，简称PEAD）现象为例，公司在盈余公告次日的涨跌幅，是市场在消化了最新的财务信息、众多资金参与博弈后的结果，体现了市场对公司业绩的认可度，是市场观点最直接的表达。

国信金工团队在2020年9月发布的《超预期投资全攻略》中对PEAD现象做过全面的梳理，构建了开盘跳空超额（Alpha of Open Gap，简称AOG）因子，以盈余公告次日开盘跳空超额收益来判断市场对业绩的认可程度。

其中Opent+1和Closet分别为股票在t+1和t日的开盘价和收盘价，Openmkt,t+1和Closemkt,t分别为市场指数在t+1和t日的开盘价和收盘价。AOG因子在超预期股票池内具有显著的选股能力。

不同于众多由基本面因素传导至股价的逻辑链条，从市场自发的反应预测未来股价变动的传导链条更加直接，能够对未来的收益产生很强的预测作用。以下图5小熊电器为例，其在2020年4月13晚间披露了2020年一季度业绩预告，次日股价开盘涨停，市场对业绩较为认可，之后的3个月小熊电器相较中证全指有110%的超额收益。若我们在全市场内对AOG因子进行检验，也可以看到下图6中AOG因子的历史多空收益较高，且2022年以来的回撤幅度远小于其他景气类因子。

1.3

市场底部反弹时的“领头羊”效应

除了个股盈余公告这一特殊时点，市场也存在一些其他的重要特殊时点。马克·米勒维尼在《股票魔法师》一书中提出过市场反弹时的“领头羊”概念：在市场进入底部的时候，很多股票已经率先反弹，那些恢复速度快、反弹强烈、弹性十足的股票更有可能成为市场未来的明星股，在后续市场上涨中展现出更强势的走势。“领头羊”效应可以被视为一种特殊时点动量效应，市场底部反弹这一天，资金的布局对后市有很强的指引作用。

为了探究该时点动量效应是否在A股存在，我们回看了A股历史上级别较大的几次市场底部及对应的反弹日。每次下跌的时点和当时所处的背景如图7所示，这些反弹前期的下跌幅度大、持续时间长，反弹时的强度也较大，具有代表性，包含了历史上因房地产调控、经济下行超预期、钱荒、贸易战、疫情等事件引发的下跌。

在历次市场底部反弹中，如果选择中证全指触底反弹当日涨幅排名第一的中信一级行业，在反弹日当日以收盘价买入，分别持有20个交易日或60个交易日。从下表1可以看到，持有20个交易日平均可以获得相对行业等权7.78%的超额收益，持有60个交易日平均可以获得14.28%的超额收益。反弹最强势的行业在未来一段时间能产生非常丰厚的收益，成为市场的“领头羊”。

如果我们按照反弹日当日涨跌幅对中信一级行业排序，由低到高分为5组，触发反弹信号当天以收盘价等权买入，持有20个交易日或60个交易日后卖出，计算每次持有相对行业等权基准的超额收益的平均值。可以看到下图8中反弹动量最强的第5组持有20个交易日相对行业等权基准可以获得3.94%的超额收益，持有60个交易日相对行业等权基准可以获得5.13%的超额收益。反弹动量最强的组超额收益也最高，且分组收益呈现单调的特征。

1.4

概念热点发酵日的“领头羊”标的

除了市场底部反弹可以帮助我们找到未来的领头羊行业和板块，“时点动量”还可以拓展至一些概念或主题行情中，根据概念行情中关键时点的资金自发选择，找到概念或主题对应的龙头标的。

2022年11月21日证监会主席易会满在2022金融街论坛年会上发表主题演讲，表示要“深入研究成熟市场估值理论的适用场景，把握好不同类型上市公司的估值逻辑，探索建立具有中国特色的估值体系”。11月22日在中证全指下跌0.67%的环境下中字头央企指数(884992.WI)上涨2.40%，中字头央企指数的走势如下图9所示，其中当日涨停的中国联通、中国交建，在后10个交易日均有明显的超额收益，涨幅分别为27.45%、26.54%。在主题行情发酵首日涨幅靠前的公司更大可能是龙头标的，会在之后的行情中展现出强势的表现。

若我们按照11月22日单日涨跌幅对中字头央企指数成分股进行分组，由低到高分为5组。计算每组股票11月23日至12月5日收益的中位数，如下图11所示，可以看到整体呈现单调的特征，11月22日单日涨幅最大的一组未来的收益中位数为10.06%。图12展示了中字头央企指数成分股11月22日与后续涨跌幅散点图，可以看到11月22日涨跌幅与后续涨跌幅呈现正相关的关系，相关性为30%。

2022年11月30日，人工智能研究公司OpenAI推出了聊天机器人ChatGPT，2023年以来，微软、谷歌等互联网巨头纷纷宣布将与OpenAI进一步合作探索，春节期间ChatGPT概念持续发酵，1月30日受到百度或布局类似AI产品消息的影响，ChatGPT 指数当日上涨8.48%，图13展示了ChatGPT指数的走势，之后ChatGPT 概念持续活跃，10个交易日内上涨32.13%。ChatGPT 指数成分股中1月30日涨停的拓尔思、海天瑞声、赛为智能在之后的10个交易日分别上涨48.21%、143.63%和30.42%，相对ChatGPT 指数的平均超额收益达到41.96%。

若我们按照1月30日单日涨跌幅对ChatGPT 指数成分股进行分组，由低到高分为5组。计算每一组2023年1月31至2月13日收益的中位数，如下图15所示，可以看到整体呈现单调的特征。图16展示了ChatGPT指数成分股1月30日与后续涨跌幅的散点图，可以看到1月30日单日涨幅与后续涨跌幅呈现正相关的关系，相关性达到46%。

对于一些市场热点概念，概念首次发酵日就是一个关键时点，这一天资金会自发的选择其中的龙头标的，这一天强势的个股在未来一段时间仍有超额收益。

1.5

时点动量是否为普遍现象？

前文提到的市场底部反弹日和热点概念首次发酵日都存在较强的动量效应，那么存在动量效应的交易日是否为普遍现象？若我们将过去10年以来的每一个交易日都看作一个特殊时点，在每个交易日计算当天行业涨跌幅与未来20日涨跌幅的相关性，作为RankIC。从下图17可以看到，RankIC主要分布在0%附近，整体较为对称，行业维度上单日涨跌幅与未来20日收益并不存在显著的相关性。

因此，时点动量效应并不是一个普遍现象，其中关键时点的选取至关重要，这一天的资金行为需要有延续性。基于此，我们发现市场行情出现重要转折的时候，投资者的交易热情较高，是资金关键的布局点，可能存在动量效应。经典的行情转折形态除了大跌反弹，还包含市场顶部回落以及市场低迷后的三角形突破。

除了行情内生的转折，外部资金流冲击或外部宏观事件冲击时，市场可能也存在一定的动量效应。下面我们基于下图18所示的时点动量研究框架，从以上这两个维度去寻找市场上具有动量效应的关键时间点，并对时点动量效应做出全面梳理和检验。

二

A股时点动量实证

2.1

行情转折点——反弹动量

2022年初，受到海内外多重因素影响，A股市场经历了较大波动，一季度市场一路震荡下行，并且在4月经历了急速下跌，直到4月27日，市场出现了明显的止跌反弹迹象。反弹当天，中证全指上涨3.51% ，并在之后走出了“V”型反弹的形态。2022年4月27日前后中证全指走势如图19所示，4月27日反弹当天，电力设备及新能源行业上涨了7.48%，反弹幅度位居行业之首，在随后的市场反弹行情中，电力设备及新能源走出了持续强势的行情，在之后的两个月相对中证全指超额收益达到22.56%。

若我们按照2022年4月27日单日涨跌幅对中信一级行业进行分组，由低到高分为5组，计算之后2个月的涨跌幅均值，如图20所示，可以看到整体呈现单调的特征。4月27日单日涨幅最大的一组未来的收益均值为31.53%。4月27日涨跌幅与后续涨跌幅的散点图如图21所示，整体呈现正相关的关系，相关性达到63%，这一天具有很强的动量效应。

前文我们对历史上较大级别的底部反弹日做了复盘，发现市场在反弹当日具有很强的动量效应。当市场处于持续下跌状态且下跌过程中任意一天没有明显的反弹时，市场情绪逐步跌入冰点，交易热情减弱，资金失去了方向，难以达成一致、形成合力。市场一旦出现止跌反弹的迹象，可能对投资者情绪有较大的提振作用，预示着行情出现转折，资金这一天的布局会对后市有很强的指引。

下面我们对这种市场大跌后首次反弹的形态进行刻画，我们使用中证全指来表征全市场的状态，在每个交易日回看中证全指的收盘价，确认反弹信号。如图22所示，大跌反弹信号主要由两个要素构成，前期下跌部分和信号触发当天的反弹部分，下跌部分指大盘出现不带明显反弹的大幅下跌，具体而言要求中证全指在一段不低于D（下跌阈值）的下跌过程中，任意一天反弹幅度不超过U（反弹阈值），反弹部分指在上述下跌形态完成后单日反弹幅度超过U，两部分同时满足则触发大跌后首次反弹的信号。

具体来看，每个交易日（以T日表示）以图23的步骤判断信号是否触发：首先判断T日是否满足反弹条件，即T日当天涨跌幅是否大于U，若满足，从T-1日向前推寻找包含任意一天反弹幅度不超过U的最长区间M，找到区间M内最高点CloseHigh和最低点CloseLow（这里要求最高点日早于最低点日出现，且二者间隔大于2个交易日），计算下跌幅度1-CloseLow/CloseHigh，若下跌幅度超过D，满足下跌条件，触发大跌反弹信号。

大跌反弹信号主要为了捕捉市场在反弹后的行业间相对收益，并非择时信号，综合考虑信号数量、触发频率等因素，我们先设定下跌幅度5%，反弹幅度0.5%为初始阈值，由于市场的波动水平也会对信号产生影响，当市场波动较小时，信号可能较为稀疏，当市场波动较大时，信号可能会频繁触发。

因此我们考虑在市场波动大时采用较大的下跌和反弹阈值，而在市场波动小时采用较小的下跌和反弹阈值，动态调整阈值以适应市场的波动情况。平均真实波幅（ATR）指标能够刻画一段时间内股价的真实波动情况，可用于阈值的调整。ATR为过去每日真实波幅（TR）的滚动平均值，计算方式如下：

其中Ct-1为中证全指前一日收盘价，Ht、Lt、Ct分别为中证全指当日最高价、最低价和收盘价。60日平均真实波幅（以ATR60表示）为TR过去60日的平均值。中证全指与ATR60指标如下图所示，大部分时间，ATR60都在1%-2%之间波动，少数时间会超过2%或小于1%。

其中ATR阈值调整规则为：初始下跌阈值和反弹阈值仍为5%和0.5%，当市场ATR水平大于2%或小于1%时，对下跌阈值和反弹阈值同时乘以修正系数。

经过市场波动指标ATR调整后的信号分布如图25所示，2013年1月1日至2023年4月28日，共生成了48个信号，每年信号的数量如图26所示，平均每年4.8个，中位数为4个。ATR调整后的信号分布更为均匀。

此外，我们发现这些反弹幅度较大的行业都是弹性本身较大的行业，前期跌幅也较大，并且行业前期的下跌幅度与反弹幅度具有一定的相关性，即前期下跌越大的行业，反弹的幅度越大。为了将市场在下跌和反弹时的信息都包含，我们使用反弹当日涨跌幅减去反弹低点前20日的日均涨跌幅作为最终的反弹动量因子。

反弹动量 = 反弹当日涨跌幅-反弹前20日日均涨跌幅

下面我们对大跌反弹信号在行业轮动中的效果进行检验。在每个反弹日，对中信一级行业按照反弹动量因子排序（剔除了综合和综合金融行业，后续排序均按此操作，不再赘述），由低到高分为5组，反弹当天以收盘价等权买入，持有20个交易日后卖出，若期间出现新的大跌反弹信号，则切换至新信号对应的持仓上。

反弹动量因子在中信一级行业上的分组收益如图27所示，2013年1月1日至2023年4月28日期间，反弹动量多头组持有20日相对行业等权可以获得2.01%的次均超额收益，空头组持有20日相对行业等权可以获得-1.71%的次均超额收益，分组收益呈现单调的特征。

为了检验该信号是否具有稳定的预测能力，我们将每次信号发出后有信号覆盖区间的多空净值拼接起来，得到如图28的多空净值（多空净值由有信号覆盖的区间拼接而成，后续多空净值均按此方法绘制，不再赘述），可以看到历次信号的多空收益较为稳定。即使遇到市场反弹后继续下跌的情况，该因子在行业选择上仍然有一定的超额收益。

为了检验反弹动量是否在细分行业上也有区分效果，我们以同样的方式计算了中信二级行业的反弹动量因子，并计算持有20个交易日的分组超额收益，同样能够取得较为单调的分组效果。分10组来看，二级行业上20日次均超额收益如下图29所示，多头组能够获得2.35%的次均超额收益，空头组能够获得-1.23%的次均超额收益。从图30所示的多空累计收益来看，表现非常稳健。

下面我们设定不同的下跌和反弹的阈值，进行参数敏感性测试。下跌幅度从4%至10%，反弹幅度从0.5%至1.5%。在不同参数下测试反弹动量在中信一级行业上的分组收益，如下表2所示，可以看到，下跌幅度阈值越大，信号数量越少，信号单次收益越高，反弹幅度对收益的影响较小，整体参数不敏感。

2.2

行情转折点——切换动量

反弹动量中我们刻画了市场大跌反弹形态，市场底部反弹这一天具有很强的动量效应。与之对应的市场高位回落是否也具有动量效应？我们发现A股在高位回落时通常不呈现“Λ”型，而多是处于窄幅震荡区间，呈现下图31所示的“圆弧顶”或“头肩顶”等形态，仅根据中证全指的形态很难判断出哪一天资金会做出重要选择。

为了区分出其中较为关键的交易日，我们借助“扩散指标”的思路进一步观察市场内部结构的变化。如果进一步观察市场顶部区间内的市场结构，可以发现市场顶部附近存在大量创出52周新高的股票，且在顶部行情转折点会出现新高股票的大面积切换，体现在行业维度就是创新高的行业数量发生锐减，如图32所示。该迹象表明市场主线出现了较大的变化，资金这一天的选择对未来一段时间有指引作用。

我们以2020年2月26日为例说明，下图33展示了中证全指在2020年2月26日前后的走势，当天中证全指下跌1.88%，是自2020年2月4日连续上涨后的首次大幅调整，前期创出新高的电子、通信、计算机、电力设备及新能源、国防军工行业当日均出现较大跌幅，这一天市场的主线出现了明显的切换，52周新高行业数量锐减。下图34展示了2月26日当天行业涨跌幅与之后20日的行业涨跌幅，可以看到当天的行业表现与后续20日的涨跌幅具有较高的相关性，相关性达到62%，这一天存在较强的动量效应。

为了刻画此类市场高位切换日，我们在每日（以T日表示）采用如下两个条件判定，同时满足以下两个条件，触发顶部切换信号。

T日创出52周新高的行业数量较T-1日创52周新高行业数量减少3个或3个以上；
T日中证全指跌幅超过ATR60。

最终筛选得到的切换信号2013年1月1日至2023年4月28日期间共触发过22次，信号的分布如图35所示，每年信号的数量如图36所示，切换信号与大跌反弹信号形成互补的关系，相互没有重叠。

以切换当日的行业指数涨跌幅作为切换动量因子：

切换动量 = 切换当日涨跌幅

该信号也具有较高的超额收益。在中信一级行业上分5组的超额收益如图37所示，多头组持有20个交易日相对行业等权可以获得2.18%的次均超额收益，空头组持有20个交易日相对行业等权可以获得-1.90%的次均超额收益，超额收益显著。图38展示了切换动量的多空净值，可以看到多空净值也较为稳定。

同样，按照切换动量因子对中信二级行业进行排序，并计算持有20个交易日的超额收益。分10组看，二级行业上多头组能获得2.29%的次均超额收益，空头组能获得-3.34%的次均超额收益，切换动量在二级行业上也具有一定预测能力。

我们设定新高行业数量减少个数和当日下跌幅度作为阈值，进行参数敏感性测试。在不同参数下测试切换动量在中信一级行业上的表现，如下表3所示，可以看到新高行业减少的越多，当日下跌幅度越大，对应的信号单次收益越高。

2.3

行情转折点——突破动量

突破形态也是一类经典的行情转折形态。当市场情绪低迷时，资金往往无法形成合力，买盘和卖盘达到平衡，市场指数会一直呈现窄幅收敛的形态，形似三角形，此时可能会伴随着成交低迷、投资者对市场的关注度降低。在这种平衡状态下，一旦出现利好信息的催化，市场情绪发生转变、平衡被打破，指数可能会快速上涨，呈现突破的形态。突破当日往往也是资金的重要布局点，这一天的行情可能具有延续性。根据突破前指数收敛的方向，可以分为上沿和下沿同时收缩的对称三角形，以及带有一定向上或向下趋势的收缩三角形，如下图41所示。

以图42中2014年11月的行情为例，中证全指在2014年11月11日至11月20日经历了持续的收敛，在11月20日，中证全指连续5日涨跌幅小于0.5%、连续3日涨跌幅小于0.2%，且成交低迷。2014年11月，货币政策最终从“定向降准”转到了“全面宽松”，市场情绪得到了根本的转变，11月21日，市场平衡被打破，中证全指上涨1.39%，出现了突破形态，当天突破强度最大的行业是非银行金融，单日上涨5.67%，在后续的一个月中最高涨幅高达74.74%，相对中证全指超额收益为55.83%。

与大跌反弹类似，中证全指的三角突破形态主要由前期三角收缩形态和信号触发当天的突破形态两部分构成。三角收缩形态需要满足以下两个条件：T日前5个交易日每日涨跌幅绝对值均不超过C（收缩幅度阈值），以及中证全指滚动5日最高价和5日最低价构建的通道宽度处在收窄状态。突破形态需要满足在上述三角收缩形态完成后T日中证全指涨跌幅大于B（突破幅度阈值）。若以上两个形态都满足，则触发三角突破信号，信号识别的具体步骤如下图44中所示。

下图45展示的是2014年11月21日及前10日的中证全指形态，满足中证全指前5日的每日涨跌幅绝对值小于1%、通道收缩的要求和以及突破的要求，是一次比较典型的三角形突破信号。

2013年1月1日至2023年4月28日，共触发过20次三角形突破信号，平均每年2个信号，中位数为2个。信号的分布如图46所示，反弹动量发生在市场下跌后，切换信号发生在市场高位回落时，而三角突破信号主要发生在市场横盘期，三种特殊时点信号没有重叠，可以很好的互补，每年信号的数量如图47所示。

为了检验突破当日是否具有动量效应，设定突破动量为突破当日行业的涨跌幅。

突破动量 = 突破当日涨跌幅

对中信一级行业的突破动量由低到高排序，分为5组，突破日当天以收盘价等权买入，持有至20个交易日后卖出，突破动量中信一级行业20日次均超额收益如图48所示，多头组可以获得2.33%的次均超额收益，空头组可以获得-1.20%的次均超额收益。突破动量中信一级行业多空净值如图49所示，较为稳定。

按照突破动量因子对中信二级行业进行排序，并计算持有20个交易日的超额收益，同样能够取得较为单调的分组效果。分10组来看，突破动量中信二级行业20日次均超额收益如图50所示，二级行业上多头组能够获得1.63%的次均超额收益，空头组能够获得-1.12%的次均超额收益，图51展示了多空累计收益。

我们设定收缩幅度和突破幅度阈值，进行参数敏感性测试。在不同参数下测试突破动量在中信一级行业上分组收益，如下表4所示，可以看到收缩幅度越小，突破幅度越大，对应的单次收益越高。

2.3

外部资金流冲击——北向资金异常流入

2014年沪港通和2016年深港通的开通促进了A股市场与境外资本市场的互联互通，沪深港通已成为国际投资者进入A股市场的主要渠道，北向资金也成为A股市场中越来越重要的力量，在2019年至2021年展现出了一定的行业轮动与选股能力。然而2022年以来，北向资金净流入因子在行业轮动中的表现出现持续回调，以过去1个月北向资金净流入与行业市值之比作为北向资金净流入因子，在中信一级行业中的多空表现出现持续回调，“聪明钱”不再聪明。

究其原因，我们认为在北向资金的流入流出逐渐常态化的背景下，北向资金日常的流动对市场情绪的影响并不大。图52展示了北向资金每日净流入额，可以看到资金流本身波动较大，只有一些资金流异常大幅净流入的时点才会对市场情绪有一定的提振作用，异常大幅净流入这一天可能会包含更多的信息。我们定义同时满足以下两个条件时触发北向资金异常流入信号：

北向资金当日净流入额超过120日均值+2倍标准差；
当天中证全指需要上涨超过1%。

北向资金异常流入信号的分布如图53所示，2017年至今共触发24次，分年度信号数量如图54所示，平均每年3.4个信号，中位数为3个。

使用北向资金大幅净流入当日行业涨跌幅和净流入占自由流通市值比例两个指标复合成北向动量因子，为了统一量纲，两个指标先求分位数后等权合成。

由于计算净流入指标的北向资金持股数据滞后一天才能获得，因此我们在大幅流入日的次日按照前一日北向动量以收盘价等权买入。图55展示了北向动量中信一级行业20日次均超额收益，分5组来看，多头组持有20日相对行业等权可以获得0.81%的次均超额收益，空头组持有20日相对行业等权可以获得-0.74%的次均超额收益。图56展示了北向动量中信一级行业多空净值，从时间序列来看较为稳定。

设定不同的北向资金流入偏离均值的倍数和当日涨跌幅参数，进行参数敏感性检验。若存在连续交易日信号触发，则仅保留第一日的信号，如下表5所示，可以看到，北向资金净流入偏离均值越多，信号数量越少，当日动量效应越明显，参数较为单调。当日涨跌幅较大时，动量效应也较为明显。

2.4

外部宏观冲击——宏观动量

2022年A股在海内外风险事件的冲击下，经历了震荡行情，投资者对于宏观事件的关注度有所提升，一些关注度高的宏观事件时点可能也存在动量效应。海内外已有较多的研究表明外部的宏观事件会对金融市场造成一定冲击，例如针对美国市场的研究：

Kim等（2004）测算了GDP、失业率、CPI、PPI等6个宏观经济变量公告对美国外汇、债券和股票市场的影响，发现美国股市受到CPI和PPI数据的影响最大。
Evans K P（2011）研究了美国宏观信息发布对期货市场价格的影响，发现宏观信息会显著导致期货价格的波动，并且预期外的信息会进一步加大资产价格波动幅度。

在A股，重要的宏观经济数据是否也会对投资者的决策产生影响，进而产生一定的动量效应，我们对此做了检验。中国经济数据的公布基本遵循图57的时间安排，每月9日左右最先公布CPI和PPI的数据，之后陆续公布社会融资数据、社会消费品零售总额、PMI等数据。其中，CPI是每月首个较为重要的经济数据，反映了居民生活有关的消费品及服务价格水平的变动，直接体现了经济的冷热程度并会影响未来的货币政策。

下面我们对以上几种重要经济数据公布日的动量效应进行检验，以公布日当日涨跌幅作为动量因子（若经济数据于下午收盘后公布，则以次日涨跌幅为动量因子）对中信一级行业进行排序，由低到高分为5组，并以收盘价等权买入，持有至20个交易日。

各经济数据公布日的动量效应如表6所示，其中，CPI/PPI公布日的动量效应较为显著，在CPI/PPI公布日当天买入，多头组未来20个交易日能够获得0.75%的次均超额收益，空头组未来20个交易日能够获得-0.73%的次均超额收益，多空累计收益达到421%。

Kim等(2004)、Evans K P（2011）等众多学者发现预期外的宏观数据对市场的冲击更明显，市场对预期内的宏观数据反应较弱。CPI/PPI每个月都会公布，数据频率较为固定，但并不是每次公布都会对市场造成影响，若当月CPI和PPI已经反映在预期内，可能并不会影响投资者的决策；而若出现预期外的CPI、PPI可能会对市场造成一定冲击，产生动量效应。

为进一步区分其中对市场影响更大的数据。我们参考Wind中的宏观预测，将全部CPI/PPI样本分为同时高于预期、同时低于预期和其他情况，不同情况样本表现如表7所示，可以看到CPI/PPI同时低于预期时，动量效应更为明显，多头次均超额收益为1.17%。

若我们在CPI/PPI同时低于预期时触发宏观信号，以信号当天行业涨跌幅排序，分5组，并在收盘时买入持有20个交易日。

宏观动量 = CPI/PPI数据同时低于预期日涨跌幅

下图58展示了宏观动量中信一级行业20日次均超额收益，多头组相对行业等权可以获得1.17%的次均超额收益，空头组相对行业等权可以获得-0.66%的次均超额收益。从图59多空净值时间序列上来看也较为稳健。最终我们使用CPI/PPI同时低于预期的样本作为宏观时点信号，并以数据公布当日的行业涨跌幅作为宏观动量因子。

除了重要的经济数据，A股也存在一定的日历效应。例如长假期间可能会产生大量新信息，收假后第一天市场会对假期内消化的信息作出反应，这一天的资金布局可能会对未来较长时间产生影响。还有一些重要会议涉及到未来产业规划，可能也存在动量效应。这里我们对元旦、春节、五一、十一等法定假日后第一个交易日以及中央经济工作会议、全国两会事件进行了检验，结果如下表8所示。

经检验，日历效应中元旦后第一个交易日具有一定的动量效应，这可能与A股公募基金业绩考核制度相关，公募基金业绩以自然年度为考核周期，考核期于每年的12月31日截止，考核期后基金经理通常会对持仓进行调整以对来年进行布局，因此元旦后第一个交易日通常是一个重要的布局点。该信号从2013年至今共触发过11次，按照信号当日行业涨跌幅排序分组，持有20个交易日，分组收益如图60所示，多头次均超额收益为1.50%，从图61的多空净值来看也较为稳定。

三

时点动量在行业轮动上的应用

3.1

时点动量融合因子

上文我们对A股中存在动量效应的关键时点做了梳理和检验，其中市场大跌反弹、顶部切换和三角形突破日，以及北向资金异常流入日和低于预期的通胀数据公布日均呈现较强的动量效应，各信号在中信一级行业内分5组的表现如表9所示。

合成后的时点动量信号每年信号数量的分布如下图62所示，在2013年1月1日至2023年4月28日期间共触发过159次，整体分布较为均匀，信号数量中位数为16个，平均值为14.5个。

以上几类信号相互独立，根据市场不同状态不定期触发，相互之间几乎没有重叠。下面我们将这几种信号进行融合。融合的时候我们平等看待每类信号，触发任意一类信号就生成对应的时点动量因子并调仓，但可能会遇到两个信号间隔时间很短的情况，为了包含尽可能多的信号信息且降低换手率，对时间间隔较近的信号进行时间衰减加权融合。

具体做法为：若10日内有多个信号触发，则将10日内的信号对应的时点动量因子加权合成，考虑到距离当前时间较远日的信号预测能力有衰减，因此我们加上时间半衰的权重倾斜。为方便时点动量因子的融合，所有因子值先转化为Rank值。权重的计算方法如下：

其中w为权重，H为半衰期，n为信号日距离当前的天数，半衰期设定为10日。

我们以下图63中的2022年9月两次信号为例，9月9日触发宏观动量信号，回看10个交易日内没有其他信号，则9月9月的动量因子值为宏观动量因子值M1。9月20日再次触发了大跌反弹信号，对应的反弹动量因子值为M2。

由于距离上一个宏观信号未满10日，因此9月20日的时点动量合成因子值Mc为：

对最终合成后的时点动量因子进行测试，在每个信号触发日按照时间加权融合的方式计算时点动量因子，并持有20个交易日，若未满20日出现新的信号，则切换至新的信号持仓。

融合后的时点动量因子在中信一级行业上的表现如下图64所示，分5组来看，多头次均超额收益为1.08%，空头次均超额收益为-1.00%，时点动量信号中信一级行业多空净值如图65所示，多空收益较为稳定。

若不考虑交易费用，且在没有信号覆盖的时候持有行业等权基准，中信一级行业多空组合的表现如表10所示，行业多头组年化收益为26.80%，年化超额收益为18.07%。

下图66为2022年10月至2023年4月区间内的时点动量前/后20%中信一级行业净值，可以看到此区间内多空净值较为稳健：

其中包含的信号日期以及对应的前/后20%的中信一级行业如下表11所示：

为检验时点动量是否在细分行业上也有区分效果，我们也计算了中信二级行业的时点动量因子，分组收益如图67所示，多头次均超额收益为1.29%，空头次均超额收益分别为-1.01%，多空净值如图68所示，也较为稳定。

3.2

时点动量定期因子化

多数的行业轮动模型都是在月末统一调仓，为了将时点动量与现有的月度调仓模型结合，下面我们对时点动量因子化，构建定期调仓的月度时点动量因子。具体方法如下图69所示，在每个月末回看过去10个交易日内的信号，对10日窗口期内的时点动量因子先求Rank值，再进行时间半衰加权，权重与前文中一致，半衰期设定为10日。将加权后的因子值作为当月的时点动量合成因子。若10日内无信号触发，则当月无因子值覆盖。

因子化后的时点动量在2013年1月至2023年4月的124个月中，有62个月触发，占比为50%。覆盖月份中RankIC值平均为18.69%，年化ICIR为1.99，因子化后的时点动量信号中信一级行业20日超额收益如下图70所示，多头月均超额收益为1.89%，空头月均超额收益为-1.16%，图71的多空相对净值也展现出较稳健的效果。

在对时点动量因子化时，我们对回看窗口期做了参数敏感性检验。若我们在月末回看不同的时间窗口，随着回看窗口期的增加，因子的覆盖度和多头累计超额收益有所提升。当窗口期提升到20个交易日时，因子覆盖95个月，覆盖度达到77%，仍然有较好的表现。各窗口期因子表现如下表12所示。

3.3

时点动量因子特质

2021年四季度以来，行业和板块的轮动不断加剧，下图72为每个月行业月度涨跌幅和前一个月涨跌幅相关性，可以看到2021年四季度以来相关性整体为负值，行业涨跌与基本面或业绩预期相关性也在降低，传统月度行业轮动模型面临一定困境。

2022年市场在海内外风险事件下经历了较大波动，景气类因子出现较大回撤的时候，时点动量因子仍然有较好的行业选择效果。由于信号不定期触发，时点动量因子化时会在月末回看10个交易日，并将10日内的信号当作有效信号，若当月无有效信号，则不生成因子值，因此图73仅展示了时点动量覆盖月份的RankIC表现。可以看到2013年1月1日至2023年4月28日，因子化后的时点动量，时间序列上较为稳定，RankIC均值为18.69%，年化ICIR为1.99，RankIC胜率为76%。

国信金工团队2022年6月6日发布的专题报告《CANSLIM行业轮动策略》中构建了适用于A股市场的行业轮动策略，其中包含了Analyst分析师预期视角、NotableProfit行业基本面、Smart聪明资金、Leader趋势、Institution机构资金、MacroPB宏观视角下的动态估值调节等不同维度的行业轮动因子。各因子的表现如下表13所示，可以看到因子化后的时点动量因子的RankIC和多头、空头收益远超其他行业轮动因子。每次关键时点资金选择行业的原因可能不尽相同，时点动量主要根据市场关键时点的行业表现进行打分，并不依赖某一单一逻辑，因此时点动量与传统的行业轮动因子的构建逻辑存在较大差异，相关性较低。

经检验，时点动量与其他行业轮动因子的相关性均低于20%，因子相关性矩阵如下图74所示，时点动量能够提供一定的特质信息。

3.4

基于时点动量的ETF轮动组合

近几年行业和主题型ETF产品快速发展，产品发行力度加大，产品线不断完善，整体规模呈现较快增长。截至2023年4月28日，已上市的行业主题类的ETF共438只，合计规模达到5965亿元，基本涵盖了金融、周期、消费、医药、科技、制造等板块及多个细分赛道的指数。前文中我们对时点动量在行业轮动的效果进行了检验，时点动量在中信一级行业内具有很好的预测能力。下面我们将中信一级行业映射至已有的ETF产品上，并将行业轮动策略落地，构建基于时点动量的ETF轮动组合。

ETF轮动组合构建的步骤如下图75所示：先找到每个一级行业对应的规模较大的ETF产品，然后在每次信号触发日根据时点动量对ETF打分，选择前5名的ETF产品，持有20个交易日或持有至下次信号触发日调仓。

下面构建基于中信一级行业对应的ETF备选池，选择截至2023年4月28日已上市的行业类和主题类的ETF产品，根据ETF所跟踪指数第一大权重行业将ETF对应到中信一级行业，在每个行业内，根据以下规则综合考虑行业分布、产品规模等因素选择唯一的ETF产品：

ETF权重最大的中信一级行业权重需大于50%，且ETF成分股不集中于同一个中信三级行业
在每个中信一级行业内，选择满足条件的规模最大的ETF
以ETF跟踪指数的收盘价代替ETF净值进行回测

最终我们选用的ETF列表如下：

调仓频率：触发时点动量信号时不定期调仓
买入规则：按照时点动量因子打分，选择时点动量前5名的ETF产品，以对应标的指数收盘价等权买入
策略基准：ETF备选池等权组合
持有时长：持有20个交易日，若持有满20日后无任何信号，则切换至持有基准指数
回测区间：2013年1月1日至2023年4月28日
交易费用：千分之二

2013年1月1日至2023年4月28日基于时点动量的ETF轮动组合净值如下图76所示，相对强弱较为稳定。

时点动量ETF轮动组合年度收益如下表15所示，2013年1月1日至2023年4月28日该组合的年化收益为21.81%，组合年化超额收益为13.08%，每一年都能够产生超额收益。2023年以来，截至2023年4月28日，时点动量ETF轮动组合的收益为21.11%，具有较好的表现。

四

时点动量在选股上的应用

前文我们发现在“中特估”、“ChatGPT”等一些概念主题内部，关键时点股票表现也能够体现资金的选择，当天强势的个股行情也具有延续性。下面我们参考行业时点动量的方式，以市场关键时点股票涨跌幅构建时点动量选股因子，并对时点动量因子的选股能力进行检验。

4.1

时点动量选股因子

通常大市值股票中的动量效应更为显著，小市值股票池内反转效应相对更显著，因此我们先在沪深300股票池内进行测试。由于关键时点是全市场资金做出布局的时点，需要具备足够的代表性，因此此处同样以表征全市场的中证全指生成大跌反弹、顶部回落、三角形突破三类形态信号，此外北向资金异常净流入、宏观信号也与前文中的信号一致。

在每次信号触发日，根据时点动量对沪深300内的股票打分并分为10组，以收盘价买入持有20个交易日，分组收益如图77所示，多头组未来20个交易日的次均超额收益为0.87%，空头组未来20日的次均超额收益为-1.11%。RankIC均值为4.53%，年化ICIR为0.84，IC胜率为59%。图78展示了时点动量在沪深300股票池内多空相对净值，可以看到时间序列上较为稳定。

在不同股票池内，不定期调仓的时点动量因子的RankIC、ICIR和分组次均超额收益如下表16所示。时点动量在不同股票池均有一定的区分效果，其中大市值股票池内表现相对较好。小市值股票的单日涨跌包含的噪音更多，且更容易受到涨跌停的影响，时点动量在小市值股票池内多头较弱。

4.2

时点动量选股定期因子化

为了方便时点动量与月度选股模型融合，下面对时点动量选股因子做定期因子化处理。每个月末，回看过去10个交易日内的信号，对10日窗口期内的时点动量因子进行时间半衰加权，将加权后的因子值作为当月的时点动量合成因子。权重的设定与前文中时点动量行业因子一致：

其中w为权重，H为半衰期，n为信号日距离当前的天数，半衰期为10日。

因子化后的时点动量在沪深300股票池中也有较好的预测能力，在有覆盖的月份，沪深300股票池内时点动量选股因子的RankIC均值为8.86%，年化ICIR为2.00，RankIC胜率为71%。图79展示了因子化时点动量在沪深300股票池内次均超额收益，多头组未来20日的超额收益平均为0.98%，空头组未来20日的超额收益平均为-1.76%。从图80中的多空相对净值也可以看出时点动量有较为稳定的选股能力。