如何預(yù)測動量因子的表現(xiàn)

1、引言在過去的三十年中，最早由 Jegadeesh 和 Titman（1993）提出的動量，仍然是較難從風(fēng)險的角度解釋的異象之一。動量因子的收益可以根據(jù)過去的回報信息進行預(yù)測，這嚴重挑戰(zhàn)了Eugene Fama 提出的有效市場假說（EMH）。眾多的論文致力于解釋這一獨特的現(xiàn)象，但還沒有找到統(tǒng)一的解釋。研究者一直在爭論動量是由行為偏差（如投資者反應(yīng)不足）還是由共同風(fēng)險因素的橫截面變化造成的。從基于風(fēng)險的角度來看，Lewellen（2002）認為動量也存在于充分分散化的市值和 B/M 投資組合中，對動量僅僅來自于公司或行業(yè)的特定回報的說法提出異議，認為是股票之間的協(xié)方差，而不是反應(yīng)不足，能解釋動量效

2、應(yīng)。他還聲稱，投資組合中動量的普遍特征表明宏觀經(jīng)濟因素對規(guī)模和 B/M 中的動量會有一定的解釋性。Liu 和Zhang(2008)發(fā)現(xiàn)，最近的贏家股票比輸家有較高的 MP 暴露。工業(yè)生產(chǎn)值的增長率是一個具有定價能力的風(fēng)險因素。因此，他們聲稱這個與宏觀經(jīng)濟相關(guān)的風(fēng)險因素解釋了一半以上的動量收益。Avramov 等人（2013）探討了金融困境對基于異象的交易策略的盈利能力的影響。他們發(fā)現(xiàn)，價格動量、盈利動量、信用風(fēng)險、分散性、特異性波動和資本投資異象的盈利能力完全來自于金融困境時期，如果將信用評級下調(diào)前后的時期從樣本中排除，這些策略將沒有收益。在過去的回報可以預(yù)測未來的 betas 這一發(fā)現(xiàn)的推動

3、下，Kelly 等人（2021）探討了有多少動量溢價可以被條件風(fēng)險暴露所解釋的問題。使用 IPCA，他們表明以前的條件因子模型無法解釋動量效應(yīng)是由于模型的錯誤設(shè)定，他們發(fā)現(xiàn)股票的條件風(fēng)險溢價的變化與動量密切相關(guān)。與基于風(fēng)險的解釋相比，更多的證據(jù)是支持行為學(xué)解釋的。Vayanos 和 Woolley（2013）懷疑，當(dāng)投資者對最近的基金表現(xiàn)做出反應(yīng)時，就會出現(xiàn)這種動量。如果資金流動表現(xiàn)出慣性，并且因為價格沒有完全調(diào)整以反映未來的資金流動，就會產(chǎn)生動量。反轉(zhuǎn)的產(chǎn)生是因為資金流將價格偏離了其基本價值。通過提出一個理論模型，他們表明機構(gòu)資金流動會導(dǎo)致動量。Blitz 等人（2021）記錄了一種殘差動量

4、，它所賺取的風(fēng)險調(diào)整后的收益大約是與總回報動量相關(guān)的收益的兩倍，而且不太集中于股票橫截面的極值。因此，他們的結(jié)論似乎與基于風(fēng)險的動量解釋不一致。Medhat 和 Schmeling（2022）發(fā)現(xiàn)，通過對前一個月的回報率和股票成交量進行排序，動量和短期反轉(zhuǎn)可以共存。它能在交易成本中存活下來，并且在大市值和流動性最好的股票中普遍存在。他們發(fā)現(xiàn)基于風(fēng)險的解釋無法解釋他們的發(fā)現(xiàn)，他們認為一些交易者對價格所傳達的信息認識不足可能是產(chǎn)生的原因。除了對動量的橫截面決定因素的研究，時間序列預(yù)測也是動量相關(guān)研究文獻的一個方向。受 2008 年底動量崩潰的啟發(fā)，Wang 和 Xu（2015）發(fā)現(xiàn)，市場波動率具有

5、預(yù)測動量收益的能力，它可以在市場狀態(tài)和商業(yè)周期變量中生存。與其他主要關(guān)注動量橫截面屬性的研究相比，他們主要研究了動量的時間序列特征。他們聲稱，這一發(fā)現(xiàn)對現(xiàn)有的對動量的解釋提出了嚴重的挑戰(zhàn)，包括基于風(fēng)險和行為的解釋。因此，為了檢驗潛在的行為偏差是否對動量收益有貢獻，以及套利活動是否影響動量策略的盈利能力，作者試圖構(gòu)建一個動量價差比率（MSR）來捕捉動量套利活動中的擁擠程度和投資者反應(yīng)不足的程度。作者的結(jié)果顯示，股票層面的 MSR 可以顯著預(yù)測各種類型的動量，如原始動量、行業(yè)動量和殘差動量。作者甚至通過控制常見的風(fēng)險因素，如 Fama-French 三因子，得到了更多顯著的結(jié)果。股票層面的MSR

6、可以預(yù)測各種類型的動量，這證實了這些動量策略至少存在一些共性，因為它們都是基于過去的回報信息。首先，作者假設(shè)投資者只根據(jù)過去的回報信息做出反應(yīng)。如果投資者反應(yīng)不足的說法是真的，投資者一旦觀察到之前 t 個月的贏家和輸家就會建倉。作者考慮構(gòu)建pseudomomspreadt2t 2這樣一個比例MSRimomspreadt2t(1i) 。作者關(guān)于 MSR 的邏輯是，它可以t 12在控制市場表現(xiàn)的同時衡量套利機會。如果作者假設(shè)過去的 -12 到 - 2 月的贏家和輸家總是從 - 12 到 2 月的贏家和輸家。作者對這些贏家和輸家計算t (1i)pseudomomspreadt2，它代表了假贏家和輸家

7、從 - (1+ )到 - 2 月份的收益差。當(dāng)市場在過去 12 個月中表現(xiàn)良好，作者預(yù)計momspread t2 和momspread t2t 12t i都將相對較高。其次，作者嘗試用月的共同風(fēng)險因素來為動量定價，由于作者認為 MSR 可以代表套利活動和投資者的反應(yīng)不足，作者也用 MSR 來預(yù)測行業(yè)動量和殘差動量。作者的結(jié)果顯示，股票層面的 MSR 可以預(yù)測這三類動量，尤其是控制了共同的風(fēng)險因素后。盡管預(yù)測能力不同，但這一發(fā)現(xiàn)表明這三種動量之間存在一定的共性。動量何時開始t k Kk 1t k K作者的樣本包括在紐約證券交易所/美國證券交易所/納斯達克上市的所有普通 股票。所有的股票價格和收益

8、率都來自CRSP，所有的會計信息都來自COMPUSTAT。在構(gòu)建動量十等分組合時，作者使用紐約證券交易所的市值加權(quán)的收益，作者的樣 本期間為 1966 年到 2021 年。從Kenneth French 的網(wǎng)站上獲得每月 MKT、SMB、 HML、RMW、CMA 和 UMD 因子數(shù)據(jù)。舉例來看，SMB 因子的收益率的形式為t ,kk 1f SMB K(1 f S) K(1 f B)fS其中 tk K 被定義為 23 的雙變量排序投資組合中的小市值投資組合，即1 *(Small Value Small Neutral Small Growth)3；Bft k K 被定義為 23 的雙變量排序投資

9、組合1 *(Big Value Big Neutral Big Growth)中的大市值投資組合，即3。每月的 MKT、SMB、HML、RMW、CMA 和UMD 因子都是使用六種市值加權(quán)的組合（都是二乘三的排序）構(gòu)建的，分別根據(jù)規(guī)模、賬面價值、盈利能力、投資和過去收益率形成。為了構(gòu)建動量組合，作者嚴格遵循 French 的方法。在每個月的月初，作者將股票分成十等分，根據(jù)前 11 個月的收益率（從 t - 12 到 t - 2）。請注意，作者跳過了- 1 月份。在每個投資組合中，所有的股票都是市值加權(quán)的，并且在 + 1 月的月初進行重新平衡。作者從 Fama-French（1997）的 49 個

10、行業(yè)分類構(gòu)建行業(yè)動量組合。在排除了金融相關(guān)行業(yè)后，總共有 45 個行業(yè)。在每個月的月初 t，作者將行業(yè)分成九個組合（9*5=45），每個組合由五個行業(yè)組成。作者的排序是基于行業(yè)過去 6 個月的市值加權(quán)收益，從 - 6 月到 - 1 月。按照 Moskowitz 和 Grinblatt（1999）的做法，作者不跳過-1 月份。每個投資組合的收益率都是以投資組合中五個行業(yè)的等權(quán)重收益率計算的。投資組合在 +1 月初進行重新平衡。為了構(gòu)建殘差動量投資組合，作者在每個月的月初將所有的股票分成十等分，根據(jù)他們之前從 - 12 月到 - 2 月的 11 個月的殘差收益。將股票超額收益與Fama- Fren

11、ch(1993)的三個因子進行回歸，作者對過去 36 個月內(nèi)所有股票從 - 36 月到 - 1 月的每個月的殘差收益進行估計。作者要求這些股票在過去 36 個月中有 36 個觀測值。投資組合在+1 月開始時被重新平衡。圖表 1 記錄了三類動量策略的歷史表現(xiàn)：動量、行業(yè)動量和殘差動量。從 1966年到 2021 年，動量策略平均每月產(chǎn)生 1.12%的收益。在 1994 年之前，動量收益要高得多。它每月平均提供 1.71%的收益，值超過 5。與 1993 年之前的動量策略相比，1994 年之后的動量收益急劇下降，僅產(chǎn)生了不顯著的 0.65%的月收益。顯然， 1993 年之后，動量策略的盈利能力似乎

12、不再有利可圖了。此外，作者還報告了每個動量的 值的統(tǒng)計數(shù)據(jù)。例如，MOM_aplha 被定義為將動量對Fama-French 三因子（MKT、SMB、HML）回歸的截距項。MOM_alpha*被定義為將動量對Fama-French 五因子（MKT、SMB、HML、CMA、RMW）回歸的截距項。除了動量 ，作者還報告了行業(yè)動量 和殘差。對于動量來說，來自阿爾法的證據(jù)是相似的，但對于行業(yè)動量和殘差動量來說卻不是。與 1994 年以前的子樣本相比，F(xiàn)F3 因子 和FF5 因子 的值都有所下降。FF5 的 值似乎比 FF3 的 值要不顯著的多，這表明 FF5 因子在解釋動量的截面變化方面更有優(yōu)勢。對于

13、行業(yè)和殘差動量來說，1994 年前后的 似乎沒有什么變化，而與原始的行業(yè)動量和殘差動量相比， 的值明顯下降。如果作者忽略了模型的錯誤設(shè)定問題，并假設(shè) 值捕捉了潛在的行為偏差，那么行業(yè)動量和殘差動量似乎受投資者反應(yīng)不足的影響較小。B 組報告了規(guī)模五分法的結(jié)果。作者看到，動量收益總體上隨著規(guī)模的增加而減少。在整個樣本期和第一個樣本期，當(dāng)投資組合的規(guī)模增加時，動量策略的值會減弱。然而，1994 年之后的樣本期顯示，除了第一個規(guī)模五分位數(shù)的組合之外，規(guī)模五分位數(shù)的動量收益不再有明顯的盈利能力。然而，并非所有的規(guī)模五分位數(shù)的 t值都將落入第二個子樣本，特別是最后兩個規(guī)模五分位數(shù)。這一發(fā)現(xiàn)很有趣，因為如果

14、作者假設(shè)超額收益捕捉了潛在的行為偏差，那么大公司似乎不太容易受到投資者反應(yīng)不足的影響?？偟膩碚f，作者發(fā)現(xiàn) FF3 和FF5 因子模型未能解釋每個規(guī)模五分位數(shù)?？偠灾?，許多文獻都將動量歸因于投資者的反應(yīng)不足。如果投資者在長期內(nèi)是理性的，并隨著市場的發(fā)展而發(fā)展，作者預(yù)計任何與行為偏差相關(guān)的異?，F(xiàn)象都會隨著時間的推移而減弱。表 1 提供了這樣的證據(jù)，盡管并不完美。三種動量策略在 1994 年后都出現(xiàn)了某種程度的值下降，尤其是超額收益。類似的證據(jù)也可以在規(guī)模五分位數(shù)中找到。文獻記載，在發(fā)現(xiàn)異象的論文發(fā)表后，一些異象最終會消失或者變得比以前更不顯著。因此，作者懷疑這種動量也是其中的一員，即投資者自身會

15、糾正行為偏差，并將與異象相關(guān)的異常收益消除掉。圖表 1 動量策略表現(xiàn)資料來源：Predicting momentum，贏家何時成為贏家？作者提出這個問題是因為如果投資者反應(yīng)不足的說法是真的，作者預(yù)計信息會慢慢傳播，這意味著贏家更有可能在投資組合構(gòu)建期之前就成為贏家。換句話說，如果投資者對公司的新聞反應(yīng)不足，那么，由于沒有投資者在這個月建倉，因此，下個月的動量收益將更有可能被保留下來。因此，如果作者向后看，投資者反應(yīng)不足的情況嚴重，一個贏家的股票就更有可能成為贏家。更重要的是，如果市場和投資者確實糾正了某些行為偏差，作者預(yù)計與行為有關(guān)的異?，F(xiàn)象會隨著時間的推移而減弱。此外，如果緩慢的信息傳播速度

16、表明投資者的反應(yīng)不足更加持久，那么贏家組合的預(yù)期收益率在下期會更高。相反，如果信息傳播速度非?？?，所有投資者都會對贏家組合可以提供比低位組合更高的預(yù)期收益的信號做出快速反應(yīng)。因此，聰明的投資者會迅速采取行動，把更多的權(quán)重放在當(dāng)前的贏家組合上，推動贏家組合在下一時期的預(yù)期收益率下降。圖表 2 報告了這樣的結(jié)果：如果過去 t-12 月到 t-2 月的贏家也是本月之前的贏家。具體來說，作者嘗試向后計算十等分位動量組合的收益率差。在每個月的月初 t，作者根據(jù)從 t-12 月到 t-2 月的累計收益率組成 10 個投資組合。作者將最高的組合定義為贏家組合，最低的組合定義為輸家組合。從 t-36 月到 t

17、-2 月，作者假設(shè) t-2 月的贏家也是過去 36 個月的贏家，而 t-2 月的輸家也是過去 36 個月的輸家，作者計算他們在之前每個月的收益差。就整個樣本期而言，之前的 t - 12 到 t - 2 月的收益的贏家甚至在 t - 19 月份就已經(jīng)是贏家了。兩個子樣本期的比較相當(dāng)有趣。在第一個樣本期，它在 t - 20 月份之前就不再顯著。對于后來的樣本期，也就是 1994 年到 2021 年，贏家在 t - 15 月之前就不再是贏家了。因此，兩個子樣本之間 5 個月的差異意味著信息傳播的速度不同。此外，除了檢驗投資組合構(gòu)建起點之前的收益率差，作者還關(guān)注投資組合構(gòu)建期內(nèi)的收益率差。后期樣本期的

18、 t 統(tǒng)計量也比前期的低。同樣，這一發(fā)現(xiàn)與投資組合構(gòu)建期之前的證據(jù)是一致的?？傊?，作者認為，如果投資者的反應(yīng)不足是持續(xù)的，那么過去的 t - 12 到 t - 2的月度收益的贏家更有可能是 t - 12 月之前的贏家。兩個子樣本的差異可能是由于 Jegadeesh 和 Titman(1993)的發(fā)表作，它幫助投資者認識到動量產(chǎn)生于某些行為偏差，而不是共同風(fēng)險因素的橫截面變化。事實上，風(fēng)險因素的橫截面變化可能難以解釋兩個子樣本的差異，因為沒有證據(jù)表明共同風(fēng)險因素具有一致的時間變化特性，如 Fama-French 三因子。圖表 2 贏家何時成為贏家資料來源：Predicting momentum，

19、用 k 個月的復(fù)合收益率來定價動量效應(yīng)如果在投資者意識到這是一種行為偏差之后，投資者反應(yīng)不足就會消失，那么動量收益的定價情況在兩個子樣本之間也一定是不同的。因此，作者現(xiàn)在研究共同風(fēng)險因素的橫截面變化在多大程度上可以解釋兩個子樣本之間的動量收益。受 Jegadeesh 和 Titman(1995)的發(fā)現(xiàn)啟發(fā)，即動量收益可能來自于股價對共同風(fēng)險因素的延遲反應(yīng)，作者研究了k 個月的復(fù)合收益率是否可以解釋動量收益的截面變化。另外，由于 Kelly 等人（2021）聲稱他們的條件因子模型版本可以解釋很大一部分動量收益，作者相信 k 個月的復(fù)合收益率在某種程度上也可以攜帶共同風(fēng)險因子的時f TMB間變化信

20、息。為了構(gòu)建 k 個月的累積因子收益率，作者計算作者的因子k ,t為重疊的 k 個月的累積收益率：k ,tk 1f TMB K(1 f TOP) K(1 f BOT )t k Kk 1t k K接下來，作者考慮評估以下 Fama-French 三因子模型的截面回歸，但有 k 個月的累積因素收益率。MOMt 1 * MKTk ,t 2 * SMBk ,t 3 * HMLk ,t t作者發(fā)現(xiàn)：共同風(fēng)險因子在兩個子樣本中具有不同的定價能力。即使作者允許動量與滯后的共同風(fēng)險因子相關(guān)，F(xiàn)F3 和 FF5 因子模型仍然缺乏對第一個樣本期動量的解釋能力。另一方面，作者在后來的樣本期的發(fā)現(xiàn)表明，動量可以部分地

21、被定價，但只能用一些過去的收益率信息。如果有人聲稱 alpha 捕捉到了與行為偏差有關(guān)的部分動量，那么作者的結(jié)果顯示，這種影響在 1994 年之后基本得到了緩解。實證結(jié)果作者認為，累積收益率的差值并不重要。真正重要的是與總的動量收益相比，早期的收益有多少被聰明的投資者利用了。為了反映這種影響， 作者在公式pseudomomspreadt2MSRt 12中定義t12。代it 2momspreadt2t (1i)Momentum spread ratiomomspreadt 2表過去 12 月到 2 月累計收益率的 0.9 和 0.1 百分位數(shù)的收益率差。接下來，作者將贏家股票定義為過去 12 月

22、到 2 月累計收益率高于 0.9 百分位數(shù)的股票，輸家股票定義為過去 12 月到 2 月累計收益率低于 0.1 百分位數(shù)的股票。那么，pseudomomspreadt 2t 12 就是在 t-(1+i)月到 t-2 月的累計加權(quán)市值收益率之差，就好像這些股票根據(jù)之前 11 個月的收益率在 t-2 月的贏家股票和輸家股票，也是從 t-i 月到 t-2 月的贏家股票和輸家股票。正如介紹中所解釋的那樣，作者認為這個比率可以正確地衡量利用行為偏差所產(chǎn)生的套利機會的投資者所獲得的收益。另外，作者可以從動量價差的分解中得到 MSR。t 12momspreadt2c,top log Rt 12,t 2log

23、c,botRt 12,t 2= logRc,toplog Rc,botlogR c,toplogR c,botti,t2ti,t2t12,ti1t12,ti1logRc,toplog Rc,botlogR c,toplogR c,bot1 t i,t 2t i,t 2 t 12,t i1t 12,t i1 logRc,toplog Rc,botlogR c,top logR c,bott 12,t 2t 12,t 2t 12,t 2t 12,t 2pseudomomspreadt21 t (1i) t 12momspreadt2signalt i1t 12momspreadt2momsprea

24、dt2logRc,toplog Rc,botpseudomomspreadt2這里作者用t 12 代替t 12,t 2t 12,t 2，用t i logRc,toplog Rc,botsignallogRc,toplog Rc,bot代替t i,t 2t i,t 2，用t i1 代替t 12,t i1t 12,t i1。作者還包括一些宏觀經(jīng)濟變量，以測試宏觀因素是否可以預(yù)測動量收益。受 Cooper 等人（2014）的啟發(fā)，作者加入了過去三年的市場收益率。此外，作者還包括 t 1 月份的失業(yè)率，過去 24 個月的市場收益率的標準差，以及過去 24 個月的失業(yè)率的標準差。具體來說，作者考慮對每個

25、月的 t 進行以下時間序列預(yù)測估計。MOM * MSRi * LagUR * LagMKTSD * LagURSD * LagMKTRET t1t 22t 3t4t5tt圖表 4（見附錄）報告了使用股票層面的 MSR 來預(yù)測 Fama-French 三因子和五因子的風(fēng)險調(diào)整動量收益的結(jié)果。為了計算風(fēng)險調(diào)整后的動量，作者首先將動量收益與同期的Fama-French 三因子（FF3：MKT、SMB、HML）進行回歸：Rt a bMKTt cSMBt dHMLt t對于Fama-French 五因素（FF5：MKT、SMB、HML、CMA、RMW）下的風(fēng)險調(diào)整動量，作者用以下回歸進行估計：Rt a

26、bMKTt cSMBt dHMLt eCMAt fRMWt t然后，風(fēng)險調(diào)整后的動量被定義為在 t 月份估計的截距和誤差項之和。作者再次報告了三個樣本期的結(jié)果：1966 年至 2021 年，1966 年至 1993 年，以及 1994 年至 2021 年。根據(jù)圖表 4 的 A 組和 B 組的證據(jù)，作者聲稱作者的股票層面的 MSR 可以顯著預(yù)測風(fēng)險調(diào)整后的動量收益。此外，調(diào)整后的 R 2大體上與附錄相同，這表明 MSR確實可以預(yù)測與風(fēng)險無關(guān)的動量的一個關(guān)鍵部分。這一發(fā)現(xiàn)提供了令人信服的證據(jù)，即動量不太可能完全由共同風(fēng)險因素的橫截面變化引起。如圖表 5（見附錄）所示，行業(yè)層面的 MSR 在預(yù)測所有

27、樣本期的行業(yè)動量收益時并沒有顯示出任何預(yù)測能力。如果作者使用Fama-French 三因子來調(diào)整行業(yè)動量，在圖表 5 的 B 組的結(jié)果并沒有顯示出任何明顯的差異。然而，如果作者使用股票層面的 MSR 來預(yù)測風(fēng)險調(diào)整后的行業(yè)動量，結(jié)果就不同了。圖表 5 的C 組顯示，當(dāng)i等于 2 和 3 時，股票層面的 MSR 能夠預(yù)測第二個子樣本時期的行業(yè)動量。這一發(fā)現(xiàn)有幾個含義：首先，與股票層面的 MSR 相比，在投資組合層面構(gòu)建的 MSR 似乎失去了其預(yù)測能力。第二，行業(yè)動量有可能來自股票層面的動量，因為作者可以用股票層面的 MSR 來預(yù)測行業(yè)動量，盡管與附錄和圖表 4 的結(jié)果相比不那么明顯。第三，股票層

28、面的 MSR 顯示出與附錄和圖表 4 類似的證據(jù)，而且它只在第二個子樣本時期能夠預(yù)測行業(yè)動量。作者在附錄到圖表 5 中發(fā)現(xiàn)的相同規(guī)律都表明，股票層面的 MSR 預(yù)測動量的能力是統(tǒng)一的：即使動量在 1994 年以前比較突出，MSR 也沒有表現(xiàn)出強大的預(yù)測能力。然而，1994 年之后動量的疲軟表現(xiàn)卻可以被作者的股票層面的 MSR 所預(yù)測，這表明股票層面的 MSR 確實可以作為投資者反應(yīng)不足的代表。總之，作者的研究結(jié)果表明，股票層面的 MSR 在預(yù)測行業(yè)動量方面不如傳統(tǒng)動量有效。圖表 6（見附錄）表示了使用股票層面的 MSR 來預(yù)測殘差動量。根據(jù)圖表 6 的A 組，作者發(fā)現(xiàn) MSR 在整個樣本期和第

29、一個子樣本期都沒有顯示出任何顯著的預(yù)測能力。在第二個子樣本時期，即 1994 年到 2021 年，MSR 只在 i 等于 1 的時候預(yù)測了殘差動量?？偟膩碚f，股票層面的 MSR 在預(yù)測剩余動量上顯得很糟糕。與原始殘差動量相比，風(fēng)險調(diào)整后的殘差動量顯示出驚人的差異。股票層面的 MSR 能夠預(yù)測整個樣本期、第一個子樣本和第二個子樣本期的風(fēng)險調(diào)整后的動量，而 MSR 只能顯著預(yù)測動量和第二個子樣本時期的行業(yè)動量。具體來說，在表中的 B組中，當(dāng) i 等于 2、3、5、6、7 時，第一個子樣本中股票層面的 MSR 可以顯著預(yù)測風(fēng)險調(diào)整后的殘差動量。這種有趣的對比有一個重要的含義，即風(fēng)險調(diào)整后的殘差動量本

30、質(zhì)上可能是原始動量的一個行為部分，這與 Blitz 等人（2011）的觀點一致?？傊髡呤褂貌煌愋偷?MSR 來預(yù)測三類動量及其風(fēng)險調(diào)整后的版本。因為這些動量策略是基于不同的預(yù)測因素構(gòu)建的，作者期望 MSR 有不同的能力來預(yù)測這些動量收益。雖然股票層面的 MSR 能夠預(yù)測原始動量，但作者發(fā)現(xiàn)股票層面的 MSR 在預(yù)測風(fēng)險調(diào)整后的動量方面更勝一籌。另外，股票層面的 MSR 似乎在第二個子樣本期效果更好，這相當(dāng)有趣，因為第二個子樣本期的所有動量收益都比第一個子樣本期的收益低得多。相比之下，行業(yè)層面的 MSR 是建立在行業(yè)層面的。這樣的衡量標準在預(yù)測行業(yè)動量方面不太有效，因為投資組合有可能較少受

31、到投資者反應(yīng)不足的影響，這也提供了額外的證據(jù)表明行為偏差可能主要存在于股票層面。殘差動量的結(jié)果進一步表明，作者的股票層面的 MSR 能夠預(yù)測部分與風(fēng)險無關(guān)的動量。因此，作者認為，這三種動量至少有一些共同點，其中一部分很可能來自于相同的行為偏差。進一步分析接下來，作者討論 MSR 的預(yù)測是否在基于市值和流動性的不同組合中普遍存在。作者強調(diào)這個問題的重要性，因為一方面，以前的研究，如 Hong 等人（2000），已經(jīng)表明動量策略的盈利能力會受到其他公司特征（如規(guī)模和分析師覆蓋率）的影響。他們的發(fā)現(xiàn)特別重要，因為這意味著某些股票的新聞擴散速度較慢，因此可能有更大的動量并且提供了令人信服的證據(jù)證明動量可能來自投資者的反應(yīng)不足。另一方面，由于作者關(guān)注的是 MSR 可以代理套利活動和投資者反應(yīng)不足的潛在能力，作者想知道無論投資者反應(yīng)是否不足，它在所有投資組合中的的預(yù)測能力。如果是這樣的話，那么以前的研究可能有錯誤的結(jié)論，因為 MSR 在所有投資組合中都有相同的預(yù)測能力。圖表 3 記錄了使用 MSR 預(yù)測以前規(guī)模和非流動性的排序動量的結(jié)果（Amihud2002）。結(jié)果顯示，盡管每個小組都有一些規(guī)律，但在兩種不同的套利代理指標中沒有明顯的差異。在 A 組中，兩個子樣本的比較再次與之前的結(jié)果相類似。在 19