2025年FOF研究系列专题报告：捕捉趋势的力量，基金动量刻画新范式

一、主动股基呈现长期动量效应

1.1 A 股反转效应更强

1993 年，Jegadeesh 和 Titman 提出美股市场中长期存在 “强者恒强”现象，即“过去表现好的 股票在未来一段时间内的表现仍会相对更好，过去表现差的股票在未来一段时间内的表现仍会相 对更差”；Carhart（1997）构建了 Momentum 动量因子，并将其加入 Fama and French (1993) 三因子模型中，构建了 Carhart 四因子模型；Asness（2013）研究发现动量效应不仅广泛地存在 于股票市场，在商品 CTA、债券和外汇等市场上同样广泛存在。 依据 Kenneth R. French 官网中提供的不同组别的历史收益，可以计算不同地区股票的动量因子 多空净值。

但由于 A 股市场个人投资者交易占比较大，追涨杀跌等非理性交易行为较为普遍，导致个股过度 偏离基本面，因而国内 A 股市场短期呈现出非常强的反转效应而长期动量效应并不显著。我们在 实践中经常使用过去一个月收益作为反转因子，使用剔除近一个月的过去一年收益作为动量因子。尽管反转因子也曾在 2019 年-2021 年经历 了阶段性失效，但长期来看，反转因子在 A 股的表现依然远超动量因子。

1.2 主动股基呈现长期动量效应

国内 A 股市场短期呈现出非常强的反转效应而长期动量效应并不显著，作为以股票为主要配置对 象的组合，主动股基是否也存在类似的现象？本文我们对主动股基的动量和反转效应进行测试。 以过去四个季度仓位均大于等于 70%的普通股票型、偏股混合型和灵活配置型基金作为主动股基 样本池，并且要求基金成立（或转型）满 15 个月，剔除当期封闭的基金样本，并要求基金的最新 季度合计规模不低于 2 亿元。 使用基金历史收益作为动量指标，测试其对基金未来一个季度收益的预测能力。 可以看到短期历史收益对未来收益的预测能力较差，长期动量的预测效果有所改善，说明主动股 基更倾向于动量效应。

二、传统动量因子的缺陷

主动股基以股票作为主要配置对象，实际包含了非常多的 Beta 风险。当我们使用过去一段时间的 业绩指标作为动量因子时，实际包含了很多 beta 收益，导致动量因子稳定性较差，对未来收益的 预测能力减弱。

以行业风险作为举例，在 2020 年 7 月末使用过去一年历史收益因子会筛选出较多的医药主题基 金，但随着集采推进、海外新冠疫苗数据超预期、疫情影响退潮以及前期行业估值过高等问题， 后期医药行业开始震荡回调，未来三个月相对偏股混合型基金指数表现不佳。可见当期如果使用 传统动量因子将导致基金组合明显错配。

为了更加系统地验证我们的猜想，我们以行业 Beta 作为举例，验证行业 Beta 会影响基金动量因 子的表现。我们从两个维度展开测试： 1）如果行业 Beta 会影响基金动量因子表现，那么行业轮动月的基金动量应该会表现更弱，非行 业轮动月的基金动量应该会表现更强； 2）如果行业 Beta 会影响基金动量因子表现，那么板块配置较为均衡的基金因受到行业 Beta 的影 响更小，动量效应应该更强；板块配置较为集中的基金，因受行业 Beta 影响更大，动量因子稳健 性可能会更差。

2.1 行业轮动月的基金动量效应更弱

为了对行业轮动月和非行业轮动月进行划分，我们基于行业过去一个季度的收益构建行业多空组 合：将过去一个季度收益最高的 5 个行业等权配置作为多头组合，收益最低的 5 个行业等权配置 作为空头组合，计算未来一个季度多空组合的净值表现。 由于主动股基的持仓主要集中在中证 800 指数成分股内，为了更加贴近主动股基的行业配置特征， 此处我们基于中信行业分类数据对中证 800 进行切分，构建中证 800 行业指数，并基于中证 800 行业指数表现构建行业多空组合。 如果发生行业轮动，即前期的强势行业转变为弱势行业、前期的弱势行业转变为强势行业，则多 空组合相对强弱线也会走弱。

我们设定如果多空组合相对强弱线较过去半年前高回撤超 20%，则认为当月是行业轮动月。将行 业轮动月的动量因子取值设为 0，即当期弃用动量因子。从下表可以看到，剔除行业轮动月后的 动量因子 Rank IC 和 Rank ICIR 较原始样本均有明显改善，说明行业轮动月的基金动量表现更弱， 非行业轮动月的基金动量表现更强。

2.2 均衡型基金的动量效应更强

如果行业 Beta 会影响基金动量因子表现，那么板块配置较为均衡的基金因受到行业 Beta 的影响 更小，动量效应应该更强；板块配置较为集中的基金，因受行业 Beta 影响更大，动量因子稳健性 可能会更差。为了验证我们的猜想，我们分别测试动量因子在均衡型和板块型基金池内的有效性。依据基金的板块配置属性，我们将主动权益基金划分为全市场均衡型、轮动型和板块型基金，板 块型基金中进一步分为周期上游、中游制造、金融、消费、医药和 TMT 基金： 如果过去四个季度基金在单个一级板块的权重变动最大幅度超过 60%则将其划分为轮动型基 金； 剩余基金中，如果过去四个季度基金在某一级板块的权重均值最高，并且最新一个季度该板 块权重超过 50%则将其划分为板块型基金；剩余基金定义为全市场均衡型基金。

为了保证基金样本数量，我们以2017年至今为样本期，测试全市场均衡型基金和板块型基金中动 量因子的有效性。

2.3 行业剥离后的 Alpha 动量

从前文的论证中可以看到行业 Beta 会对基金的动量形成干扰，因而我们自然而然会想到使用基金 收益对市场收益和行业收益进行回归，从而获得剥离市场和行业风险后的 Alpha 动量因子。

三、基金动量刻画新范式

到目前为止，我们对基金动量因子的刻画都是基于基金过去一段时间的业绩表现进行计算的。基 金动量因子是由每日收益拼接而成，当我们筛选基金时，是否存在一些日期，其当日收益对未来 基金收益的预测能力更强？ 结合前文的论述，我们怀疑行业业绩分化大的日期，行业 Beta 对基金业绩干扰更强，对未来收益 的预测能力可能减弱；但由于主动股基的行业配置与行业指数并不一致，并且主动股基中所包含 的 Beta 风险并不局限于行业风险，因而我们转而使用当日所有主动权益基金的分化度作为 Beta 风险的度量。此处的主动权益基金样本池包含过去一个季度仓位大于等于 60%的普通股票型、偏 股混合型和灵活配置型基金。

以 2021 年 8 月 3 日作为举例，当日主动权益基金收益分化度为 2.12%，处于历史高位。市场方面，当日公布 7 月 PMI 为 50.4，降至近 16 个月新低，周期股承压；此外，国内多地疫情反弹， 抗疫概念股逆势大涨。 以 2021 年 8 月 3 日的基金收益作为排序指标，取收益最高的 20 只基金如下。可以看到所选基金 均为医药主题基金，说明当日基金的业绩表现基本由行业表现驱动，未来三个月 20 只基金相对偏 股混合型基金指数的超额均值为-13.38%。

再以 2023 年 9 月 21 日作为举例，当日主动权益基金收益分化度为 0.38%，处于短期相对低位。 当日上证指数下跌 0.77%，深证成指下跌 0.90%，市场情绪偏弱。以 2023 年 9 月 21 日基金收益 作为排序指标，取收益最高的 20 只基金如下，未来三个月 20 只基金相对偏股混合型基金指数的 超额均值为 3.74%。

3.1 低分化收益因子

我们按主动权益基金分化度从低到高对过去一段时间内的收益序列进行分组，并检验不同分组的 收益对基金未来收益的预测能力。以过去三个月作为举例，依据主动权益基金的日频分化度将过 去三个月的日度收益分为 5 组，将分化度最低的 1/5 样本作为低分化组（粉色），分化度最高的 1/5 样本作为高分化组（金色），取基金在对应组别的日度平均收益作为基金的动量因子打分。

3.2 低分化排序动量

为避免不同日期收益的不可加性，我们尝试使用低分化日基金的收益率排序作为低分化排序动量 因子。依据主动权益基金的日频分化度将基金收益时序分为 5 组，将分化度最低的 1/5 样本作为 低分化组，分化度最高的 1/5 样本作为高分化组，取基金在对应组别的收益排序均值作为排序动 量因子。 与低分化收益因子类似，低分化排序动量因子对窗口期敏感度不高，过去 3、4、5 个月都保持较 高的 Rank ICIR 和较高的胜率，但当样本期延长到过去一年时，有效性有所下降。

2015 年以来，过去 3 个月低分化排序动量因子十组分档表现较为单调；从时序 Rank IC 表现来 看，该因子时序表现较为稳健，长期回撤的情况较少。

3.3 低分化夏普比

更进一步，我们尝试使用低分化日基金的夏普比作为低分化夏普比因子。依据主动权益基金的日 频分化度将基金收益时序分为 5 组，将分化度最低的 1/5 样本作为低分化组，分化度最高的 1/5 样 本作为高分化组，计算基金在对应组别的夏普比作为基金的夏普比因子打分。可以看到低分化夏 普比因子在过去 3、4、5 个月都保持较高的 Rank ICIR 和较高的胜率，当样本期延长到过去一年 时，有效性仍有所减弱。

3.4 低分化动量

我们将过去三个月的低分化收益因子、低分化排序动量和低分度夏普比因子等权合成为低分化动 量因子。2015 年至今，该因子 Rank IC 为 10.10%，Rank ICIR 为 1.09，季度多空胜率 71%，最 高组季均超额收益为 1.25%。从时序 Rank IC 表现来看，该因子时序表现较为稳健，长期回撤的 情况较少。 

以 2021 年 8 月 31 日为例，使用过去一年历史收益筛选得分最高的 10 只基金，所选基金全部为 中游制造板块基金；使用低分化动量筛选得分最高的 10 只基金，其中有 6 只为中游制造板块基 金、 3 只为全市场配置型基金、1 只为轮动型基金。说明低分化动量因子受行业 Beta 的影响降低。

在每年的 1 月、4 月、7 月、10 月末按照动量因子打分将主动股基分为 10 组，计算得分最高的多 头组合和得分最低的空头组合收益。多空组合均在次月第一个交易日收盘调仓，暂停申购的基金 不买入，暂停赎回的基金不卖出。获得过去一年历史收益因子和低分化动量因子的分年度多空组 合表现如下。 在回测样本期内，低分化动量因子的年化多空收益为10.81%，过去一年历史收益因子的年化多空 收益为 3.84%，并且低分化动量因子的分年度多空收益更为稳健，过去一年历史收益因子的分年 度多空波动较大。

四、总结

基金的历史业绩是筛选基金过程中的核心考量因素之一。但近年来买入历史业绩表现较好的基金 并不能有效提升基金组合未来收益。究其原因，我们发现传统动量因子容易受到 Beta 风险的干扰， 当 Beta 风险剧烈波动时，基金历史业绩对未来收益的预测能力减弱。本文我们尝试从收益率时序 中，寻找对未来收益预测能力强、受 Beta 风险干扰小的低分化日期，计算基金在低分化日期对应 的收益指标，作为基金的动量因子。

主动股基呈现长期动量效应

由于 A 股市场个人投资者交易占比较大，追涨杀跌等非理性交易行为较为普遍，导致个股过度偏 离基本面，因而国内 A 股市场短期呈现出非常强的反转效应而长期动量效应并不显著；主动股基 呈现长期动量效应，但从时序表现来看，2015 年以及 2021 年至今，传统动量因子表现较差，选 基效果不佳。

传统动量因子的缺陷

主动股基以股票作为主要配置对象，实际包含了非常多的 Beta 风险。当我们使用过去一段时间的 业绩指标作为动量因子时，实际包含了很多 beta 收益，导致动量因子稳定性较差，对未来收益的 预测能力减弱。 以行业 Beta 作为举例，我们发现：1）行业轮动月的基金动量表现更弱，非行业轮动月的基金动 量表现更强；2）均衡型基金因受行业 Beta 的影响更小，动量效应更强；板块型基金受行业 Beta 影响更大，动量因子稳健性更差。 使用行业剥离后的 Alpha 收益作为基金的动量因子，虽然因子表现相对于传统动量有所提升，但 2019 年以来该因子的正向选基效果偏弱。

基金动量刻画新范式

到目前为止，我们对基金动量因子的刻画都是基于基金过去一段时间的业绩表现进行计算的。基 金动量因子是由每日收益拼接而成，当我们筛选基金时，是否存在一些日期，其当日收益对未来 基金收益的预测能力更强？ 我们按主动权益基金分化度从低到高对过去一段时间内的收益序列进行分组，并检验不同分组的 收益因子有效性，发现基金在低分化组的收益对未来收益的预测能力更强。基于基金在过去三个 月低分化度日期的收益构建收益因子、排序动量和夏普比因子，并将三个因子等权合成为低分化 动量因子。2015 年至今，低分化动量因子的 Rank IC 为 10.10%，Rank ICIR 为 1.09，季度多空 胜率 71%，最高组季均超额收益为 1.25% 2015年至今，低分化动量因子与传统动量因子的相关性较低，秩相关系数均在26%以下；在均衡 型和板块型基金池中均有较好的选基效果，说明低分化动量因子受 Beta 风险的干扰更小。

编辑：火腿肠