招商定量 · 琢璞系列|跨资产信号与时间序列动量

（以下内容从招商证券《招商定量 · 琢璞系列|跨资产信号与时间序列动量》研报附件原文摘录）
　　本文选取Aleksi Pitk？j？rvi、Matti Suominen和Lauri Vaittinend三位学者在2019年发表于Journal of Financial Economics的文章Cross-Asset Signals and Time Series Momentum，对文章的研究思路和成果进行了总结。 本文研究了股债市场之间的一种跨资产现象，并称之为跨资产时间序列动量。文章采用全球20个发达国家股债市场的样本数据，发现债券市场历史收益正向预测股票市场未来收益，而股票市场历史收益负向预测债券市场未来收益。运用这一结论，本文构建了跨资产时间序列动量策略，其夏普比率比传统的时间序列动量组合高45%，比买入-持有策略高70%。 通过研究历史股债收益率和未来股债需求、货币政策之间的关系，文章表明时间序列动量和跨资产时间序列动量一定程度上都能够由金融市场摩擦和资本的缓慢流动所解释，并提出了三种可能的机制，共同基金资金流、信贷渠道和货币政策渠道。 最后，文章将时间序列动量和跨资产时间序列动量同实体经济联系在一起，发现不同的债券和股票动量阶段与关键经济指标未来的变动之间存在联系。例如，研究发现，债券和股票同时处于正动量阶段预示着良好的经济形势，具体表现为未来12个月的高工业产值增长、高投资以及失业率的降低。相反，股债同时处于负动量阶段预示着工业产值负增长、低投资和升高的失业率。 文章的边际贡献主要在于：第一，扩展了有关时间序列动量效应的研究，现有文献主要集中于单资产时间序列动量或跨资产横截面动量，本文首次提出了跨资产的时间序列动量；第二，从金融市场摩擦和资本缓慢流动的角度解释时间序列动量和跨资产时间序列动量；第三，发现资产价格中包含了可以用于预测未来经济状况的宏观经济信息，证明了时间序列动量和跨资产时间序列动量并不是单纯的金融市场现象。 风险提示：本文内容基于作者对全球市场历史数据进行的实证研究，当市场环境发生变化时，实证研究结论可能发生变化。 I 引言 Moskowitz等（2012）发现，很多资产类别过去1-12个月的历史收益能够正向预测其未来收益，称为时间序列动量。本文在此基础上研究了债券和股票市场之间存在的跨资产的类似现象，并称之为跨资产时间序列动量。研究采用20个发达国家的债券和股票市场指数收益样本，证实了债券市场历史收益正向预测股票市场未来收益，而股票市场历史收益负向预测债券市场未来收益。 进一步地，文章利用这种跨资产收益可预测性，构建了跨资产时间序列动量策略，在控制了具有相同回溯期和持有期的时间序列动量策略、债市和股市的被动风险暴露以及标准资产定价因子之后，策略仍能取得显著为正的月度Alpha。跨资产时间序列动量组合的夏普比率比标准的时间序列动量组合高45%，比买入-持有策略高70%。另外，在控制了跨资产时间序列动量组合的收益之后，时间序列动量组合的Alpha不再显著。 图1和图2显示了美国权益市场的时间序列动量和跨资产时间序列动量的现象。将过去12个月股票历史收益为正（负）的月份定义为股票处于正（负）动量阶段，图1表示在股票正（负）动量阶段买入证券价格研究中心（Center for Research in Security Prices，CRSP）市值加权指数（其他时期持有无风险资产）的累计超额收益。类似地，将过去12个月长期国债利率变化为正（负）的月份定义为股票处于负（正）动量阶段，图2表示在债券正（负）动量阶段买入CRSP市值加权指数的累计超额收益。样本区间为1926年12月至2016年12月。 通过图1可发现，只在股票正动量阶段持有股票指数的策略，表现明显优于只在股票负动量阶段持有股票指数的策略。前者捕获了90年内CRSP市值加权指数的几乎全部的超额收益，反映了时间序列动量的重要性。通过图2可发现，类似地，只在债券正动量阶段持有股票的策略，表现优于在债券负动量阶段持有；前者的夏普比率比后者高三倍多，说明了跨资产时间序列动量的重要性。 为了理解这种现象背后的经济机制，本文研究了历史股债收益率和未来股债需求、货币政策之间的关系。具体而言，运用债券和股票型共同基金的资金流、保证金借款和股票回购的数据，文章发现过去12个月的股债收益率能够预测未来的股债需求，从而导致了时间序列动量和跨资产时间序列动量。股债收益率所引发的未来12个月的股债需求在几个月内缓慢发生变动，可能的原因是资本流动存在摩擦，例如投资者决策需要时间，以及融资摩擦也只能缓慢解决（Duffie，2010）。资本在大类资产之间的流动非常缓慢，从而产生了跨资产的长期可预测性。 同时，本文研究了时间序列动量及跨资产时间序列动量和实体经济活动之间的关系，即不同的债券和股票动量阶段与关键经济指标未来的变动之间存在联系。例如，研究发现，债券和股票同时处于正动量阶段预示着良好的经济形势，具体表现为未来12个月的高工业产值增长、高投资以及失业率的降低。相反，股债同时处于负动量阶段预示着工业产值负增长、低投资和升高的失业率。因此，时间序列动量和跨资产时间序列动量不仅仅是金融市场现象，还包含了经济活动中基本指标的变化信息。 本文的研究结果解释并拓展了时间序列动量这一现象，该理论由Moskowitz等（2012）首次提出，后续有多位学者对其进行了检验。与本文相关的研究还有单一资产层面的跨资产动量溢出效应，不同的是，这类研究聚焦于横截面收益率的比较而非时间序列动量。例如，Gebhardt等（2005）研究表明，过去6个月股价正动量的公司，在未来1-6个月投资级债券的表现优于同期股价动量为负的公司。Jostova等（2013）针对非投资级债券进行研究并得出了相似的结果；Lee等（2016）证实了信用违约互换和个股之间存在动量溢出效应。Geczy和Samonov（2017）研究了1846-2014年不同国家债券和股票指数之间的动量效应，发现根据历史债券指数的回报，将股票指数分为赢家组合和输家组合，两者之间存在显著的每个月0.59%的盈亏差（赢家组合-输家组合）。本文首次在时间序列动量的基础上研究了跨资产的效应。 Duffie（2010）对于金融市场摩擦和资本流动缓慢的理论研究，为本文的发现提供了一个视角。本文的实证结果与Greenwoo等（2018）提出的设想一致，该研究检验了某个细分市场的供给（和需求）冲击是如何传导至其他市场的。他们指出，由于套利者重新配置资本的速度缓慢，直接受到供给冲击的市场中资产价格起初出现过度反应，而未受影响的市场中资产价格反应不足，因此产生了动量效应。Vayanos和Woolley（2013）也支持投资者缓慢地重新配置组合，导致了动量的产生。 根据Greenwoo等（2018），我们可以将债券对股票的正向预测性，归因于跨资产投资者在债券市场出现冲击后，再平衡组合的缓慢；类似地，也可以解释股票对债券的负向预测性。Vissing-Jorgensen等（2017）指出，股票市场冲击先逐渐通过货币政策传导至货币市场，然后通过固定收益资产投资者组合的再平衡传导至债券市场。最后，本文对Stock和Watson（2003）研究的资产价格对宏观经济变量的预测性进行了探究。 本文将以如下章节展开：第二章对样本数据进行描述；第三章研究单一资产和跨资产收益率的时间序列可预测性；第四章利用第三章的结论，构建并分析了跨资产时间序列动量交易策略；第五章基于股债市场资本流动缓慢的特征，为时间序列动量提供可能的解释；同样地，第六章对跨资产时间序列动量做出解释；第七章探究时间序列动量和跨资产时间序列动量与实体经济的关系；第八章进行总结。 II 样本数据 1.国际样本 大多数关于时间序列动量的研究都采用了期货和远期收益，而我们使用指数回报，主要出于两个原因。第一，采用指数收益可以避免期货交易中的特定问题，例如何时进行合约转换。第二，本文研究的重点是跨资产效应，需要多个国家的股债收益样本，过往研究采用的期货数据样本仅限于少数几个国家；而采用指数回报能够覆盖20个国家的股票和债券收益，能提供更大和地理范围更广的数据样本。 首先，收集MSCI分类的发达国家市场的MSCI股票总回报指数收益率。其次，根据股票收益样本，对应地选取各个国家的Datastream 5年期基准政府债券总回报指数收益率。选用五年期债券指数收益是因为可得数据最多。最终得到的样本为20个发达国家的月度股票和债券指数收益，时间最早的样本开始于1980年1月，所有样本结束于2016年12月。所有收益率数据来源于汤森路透Datastream数据库。 构建时间序列动量组合时，我们将所有以当地货币计价的指数转换为美元计价，采用的汇率来源于Datastream和德意志联邦银行。计算各个国家超额收益时，选用的无风险收益率为J.P.摩根1个月现金总回报指数、全国银行间同业拆借利率，或1个月政府债券收益率。计算以美元计价的投资组合的超额收益时，以1个月国库券收益率为基准。各国无风险收益率的数据来源于Datastream数据库，国库券收益率来源于伊博森公司。 2. 控制变量 为了更好地考察策略的超额收益，本文引入了一系列因子作为控制变量，包括全球股票和债券市场因子，以及标准的资产定价因子。基准债券指数选用巴克莱资本美国债券总指数，基准股票指数选用MSCI发达市场指数。选取的资产定价因子包括Fama和French（1993）以及Carhart（1997）的规模、价值和动量因子，Asness等（2013）提出的价值和动量共同因子（value and momentum “everywhere” factors） 。指数收益率数据来源于Datastream，Fama-French-Carhart因子数据来源于Kenneth French数据库，Asness共同因子数据来源于AQR数据库。 3. 美国样本 本文第五至第七章探究了时间序列动量与股债市场资本缓慢流动，以及实体经济活动之间的关系。考虑到数据可得性，这几个章节的研究均采用样本区间更长的美国数据，包括股票市场收益、政府债券收益率、保证金借款余额、共同基金资金流、股票回购、股权再融资（SEOs）、无风险利率，以及各种经济指标。 NYSE保证金借款，1959年之前数据来源于美国联邦储备委员会（1976a）表143和联邦储备委员会（1976b）表12.23。从1959年开始数据来自于纽约证券交易所。 月度股票和债券基金资金流和资产管理规模（AUM），来源于CRSP美国共同基金数据库（无幸存者偏差）。为了和全球样本保持一致，债券基金只包括CRSP代码以“IG”开头的基金，即主要投资政府债券。股票基金包括所有CRSP代码以“ED”开头的基金，即所有国内股票基金。对于每个基金-月度样本，采用最新季度持仓数据，剔除政府债券或股票持仓缺失或为负数的样本。每个序列从1990年12月起。 股票回购和SEO数据，来自于SDC Platinum数据库，包括所有对美国股票的回购和美国普通股的发行，不包括IPO。将公司层面的样本数据加总，得到自1980年9月起合计的月度数据。 另外，我们还收集了商品期货交易委员会（CFTC）自1987年4月起的五年期国债和标准普尔500指数期货合约的投机者净头寸和未平仓利率。 最后，我们从圣路易斯联邦储备银行收集联邦基金有效利率、工业生产、私人国内投资总额以及通货膨胀率和失业率的数据。 4. 波动率调整 有关时间序列动量的研究在进行回归和构建投资组合时，通常用资产收益率除以其事前波动率（如Moskowitz等，2012；Baltas和Kosowski，2015），这样做会产生两方面影响。首先会影响时间序列动量的表现，Kim等（2016）发现经波动率调整的时间序列动量组合每个月获得了1.08%的Alpha，而类似的不考虑波动率的时间序列动量组合每个月仅获得0.39%的Alpha。其次，这导致难以从收益率中区分出波动率相关的影响。因此为了简化问题并聚焦于有关时间序列动量的讨论，本文在回归和构建组合时不进行这样的波动率调整。 III 时间序列可预测性 1. 单资产时间序列预测性 本文首先检验了在全球样本中，资产的历史收益率是否能够预测其未来收益。参考Moskowitz等（2012）、Baltas和Kosowski（2015），主要探究资产滞后收益率正负符号的预测能力。 对于股票和债券分别进行混合面板回归，以资产s在第t个月的超额收益 为被解释变量，以其超额收益滞后项的正负号为解释变量，滞后期h=1,2,…,60，回归结果如图3。 可以发现，无论是股票还是债券，前12个月滞后项的t统计量大多数为正，表明收益率的正负在第一年具有持续性；之后出现逆转，t统计量多数为负。这一规律在股票指数上更明显，1-12个月滞后项的t统计量皆为正；而对于债券指数，主要集中在前4个滞后项。这与Moskowitz等（2012）的结论一致。 2. 跨资产时间序列可预测性 进一步地，检验给定国家债券收益率的滞后项，是否对同一国家股票的未来收益具有预测性；反之亦然。以股票和债券指数历史收益的正负号为自变量，股票和债券指数当前的超额收益为因变量，分别进行混合面板回归，回归结果如图4。 3. 不同动量阶段资产回报 表1显示了在不同动量阶段持有股票和债券的平均月度超额收益和年化夏普比率。当资产在t-12至t-1期的累计超额收益为正（负）时，称资产在t期处于正（负）动量阶段。 表1A显示，股票收益率在股票正动量阶段最高，债券收益率在债券正动量阶段最高，符合假设，即债券历史收益正向预测未来的债券收益和股票收益；股票历史收益正向预测未来股票收益，负向预测未来债券收益。 表1B显示，（1）股债同时处于正（负）动量阶段的股票收益，高于（低于）其他任一阶段的股票收益，与债券历史收益正向预测未来股票收益的理论一致；（2）在债券负动量且股票正动量阶段，债券收益率最低，与历史股票收益负向预测未来债券收益的理论一致。（3）股票负动量阶段的债券收益率更高，反应了历史股票收益对未来债券收益的预测能力，比历史债券收益更强。这显示了在时间序列动量中考虑跨资产可预测性的重要性。 IV 跨资产时间序列动量 本章首先回顾了单一资产策略的构建，然后在此基础上构建了跨资产时间序列动量策略。 1. 单资产策略 考虑一个美国投资者，其可投资资本存在以美元计价的保证金账户。对于样本中的每一项资产，如果其过去k个月的超额收益为正（负），则在当月持有该项资产的多头（空头）。多头的资金成本和空头的投资收益以当地的无风险利率为准，持有期为h个月。不考虑持有期h，每个月都基于资产过去k个月的超额收益建立新头寸。因此持有期超过1个月时，每个月都有多个活跃头寸；计算各个头寸等权的收益率均值，得到单一的月度时间序列。 据此，得到每项资产回溯期为k，持有期为h的单资产时间序列动量收益的序列；然后以等权的方式构建分散化的时间序列动量组合，表示为TSMOM(k,h)。 2. 跨资产策略 通过在单资产策略的基础上加入跨资产预测因子，构建跨资产时间序列动量策略。在对给定国家的债券（股票）指数进行交易时，跨资产预测因子是指同一国家的股票（债券）指数。 当某项资产自身过去k个月超额收益给出做多（做空）信号，且其相应的跨资产预测项在过去k个月的超额收益同时给出做多（做空）信号时，做多（做空）该资产。如果两者给出的信号不一致，持有无风险资产。具体来说： （1）股票正动量&债券正动量：做多股票指数； （2）股票负动量&债券负动量：做空股票指数，持有无风险资产； （3）股票正动量&债券负动量：做空债券指数，持有无风险资产； （4）股票负动量&债券正动量：做多债券指数。 类似地，得到每项资产回溯期为k，持有期为h的跨资产时间序列动量收益的序列；然后以等权的方式构建分散化组合，表示为 。由于跨资产策略有时会持有无风险资产，其持有股票或债券的资金量平均要少于单资产策略。考虑到这一因素，我们等比例提高了跨资产策略中组合的权重，以使得每个月两种策略持有活跃头寸的资金量是一样的。 3. 回溯期和持有期分析 我们首先通过如下回归计算跨资产策略的Alpha： 其中， 表示第t个月组合 回溯期为k、持有期为h的超额收益；表示组合 在同样的回溯期和持有期下的超额收益；指MSCI发达市场总回报指数超额收益；指巴克莱资本美国债券总指数超额收益；指Fama-French-Carhart四因子模型中的规模、价值和动量因子。如此可以探究在控制了股债市场基准和标准的资产定价因子之后，跨资产时间序列动量组合是否仍能产生超额收益。对k和h取不同的值进行回归，结果如表2。 通过表2可发现，在k和h的不同取值下，跨资产时间序列动量策略Alpha的t统计量均为正且显著，说明跨资产时间序列动量策略在很大的时间跨度上战胜了时间序列动量策略。 4. 策略收益分析 接下来，将回溯期设为12个月，持有期设为1个月。为了简便，用TSMOM和XTSMOM代指TSMOM(12,1)和XTSMOM(12,1)。 图5表示买入-持有、TSMOM和XTSMOM组合的累计超额收益。为了公平比较，用一定的比例调整每个组合的收益率，使得其实现的年化波动率为10%。如图，跨资产时间序列动量组合持续获得更高的回报。 图6显示了在不同国家TSMOM和XTSMOM组合的年化夏普比率。可以发现，在20个国家中的19个国家，跨资产时间序列动量策略获得了更好的表现。 跨资产时间序列动量策略在不同时间跨度上的表现也胜出，比如在每个十年中，XTSMOM组合的夏普比率都比TSMOM组合更高。 接下来进行回归分析，被解释变量为XTSMOM组合的超额收益，解释变量为TSMOM组合超额收益、MSCI发达市场指数，以及Fama-French-Carhart四因子或Asness等（2013）价值和动量共同因子（value and momentum “everywhere” factors）。参照Asness等（2013），在表3B的回归中引入横截面动量因子XSMOM作为控制变量。结果如下： 表3A中，第一个回归显示XTSMOM组合每个月获得显著的0.54%的Alpha，全球股票市场的表现和横截面动量因子也与组合超额收益显著正相关。当在第二个回归中加入TSMOM组合超额收益作为控制变量，可发现该变量解释了大部分的组合超额收益，但XTSMOM组合仍然有每个月0.25%的显著的正Alpha。 表3B中，类似地，XTSMOM组合在控制TSMOM组合前后分别有每个月0.35%和0.29%的显著的Alpha。引入控制变量XSMOM后结论不变。 综上，跨资产时间序列动量并不仅仅是时间序列动量的简单重述，而是能捕获未能被时间序列动量所解释的风险调整收益。 5. 张成检验（Spanning tests） 对XTSMOM、TSMOM和XSMOM的组合回报进行张成检验，XSMOM组合的构建参照Asness等（2013），结果如表4。可发现，XTSMOM能够在TSMOM和XSMOM的基础上张成更优的最小方差前沿（前三行Alpha均显著为正）；而TSMOM和XSMOM不能在XTSMOM的基础上改善投资组合的有效边界（第4行、第7行Alpha不显著）。 6. XTSMOM微笑 Moskowitz等（2012）的研究表明，在不同的股票市场指数季度回报下，季度收益率的时间序列动量呈“微笑”型，说明时间序列动量在市场上行和下行的阶段都有好的表现。本节对跨资产时间序列动量的“微笑”形态做出了验证。 图7中，X轴表示CRSP市值加权指数季度回报，Y轴表示策略季度回报。为了公平比较，同上文对组合收益率进行调整，使得其历史波动率相同。可以发现，XTSMOM和TSMOM都具有微笑型的特征，但TSMOM在市场负收益区间的回报更高，而XTSMOM在市场接近0和正收益的阶段收益更高。粗略地看，两者在市场上行和下行区间的收益率差距大致相当。 7. 投机者净头寸 Moskowitz等（2012）证明了投机者以套期保值者的利益为代价，从时间序列动量中获利。该研究给出了在TSMOM正/负动量时期投机者的平均净头寸，发现投机者在正动量时期平均持有更多的多头，在负动量时期平均持有更多的空头。这一结论在其研究样本中的各类合约上都成立，除了标普500。 本文首先按照相同的方法进行研究，采用的是五年期国债和标普500期货合约。和Moskowitz等（2012）的结论一致，本文发现在TSMOM正/负动量时期，五年期国债合约的投机者净头寸之差为正数（3.10%），而标普500合约为负数（-1.92%）。接着，对XTSMOM组合进行同样的分析，我们发现在XTSMOM正/负动量阶段，投机者净头寸之差较TSMOM有所扩大：五年期国债合约为6.5%，标普500合约为3.11%。值得注意的是，标普500期货合约在XTSMOM正/负动量阶段的净头寸之差为正数，说明投机者在股指期货的交易中更多地使用了跨资产时间序列动量信号。 V 时间序列动量的成因 Moskowitz等（2012）表明时间序列动量并不能由市场波动、流动性或投资者情绪所解释，也不是对崩盘风险的补偿。Hutchinson和O’Brien（2015）称时间序列动量带来的收益取决于宏观经济周期，在经济扩张时期该收益更大，并因此认为它是对经济周期风险的补偿。Andrei和Cujean（2017）则提出了一个模型，证明了时间序列动量是由于经济中的信息流动而产生的。 本章从股债市场资本缓慢流动的角度出发，对于现有文献提出的股债历史收益影响其未来需求的机制，进行了补充验证。同时，我们说明了这种需求变动在几个月内逐渐发生，延长了变动的趋势。 1. 收益率和资金流 首先总体上观察股债收益率和资金流量之间的关系。图8显示CRSP市值加权股票指数的12个月累计收益率，和去趋势化的12个月累计股票型共同基金资金流量。类似地，图9显示了Datastream 美国5年期基准政府债券总回报指数收益率，和债券型共同基金资金流量。 可以发现，收益率和资金流高度相关，股票收益和股票基金资金流的相关系数为0.44，债券收益和债券基金资金流之间的相关系数为0.39。同时，随着样本期内共同基金规模和重要性的增加，收益率和资金流之间的相关性越来越高。最近15年，这两个相关系数分别提升至0.45和0.49；最近5年分别提升至0.82和0.70。虽然不能证明收益率和资金流之间的因果关系，但这一结论同Ben-Rephael（2011，2012）等其他学者的研究发现是一致的，即股票市场的收益可能部分由总资金流量引起。 通过图10可以发现，股债历史收益率和未来资金流量一开始都正相关，且在1-3个月相关性最高；之后持续大约一年后变为负相关。这与Edelen和Warner（2001）提出的“反馈交易”假说一致。如果资金流影响同期资产收益，且青睐表现好的资产，那么就能够为股债历史收益的持续性和时间序列动量提供解释。这一结果反映了很多现有文献的研究结论，包括资金对绩优基金的追逐（Sirri和Tufano，1998），股票横截面动量与资金流动的持续性有关（Lou，2012），以及Coval & Stafford（2017）、Hau & Lai（2013）发现的共同基金资金流在股票横截面上引起很大的价格效应。 2. 需求的其他代理变量 采用需求的其他代理变量也得出相似的结果，如图11。该图显示了CRSP市值加权指数12个月累计收益率和NYSE保证金借款月度变化率、未来1-24个月扣除SEOs的股票回购总额之间的相关性。同时，我们用共同基金资金流量、保证金借款变化率和股票净回购构建了一个等权重总需求指数，并将其与股票指数收益的相关性反映在图中。对于总需求指数，考虑规模调整、标准化处理，或采用相关性矩阵的第一个主成分，得出的结果是类似的。对于各种衡量需求的指标，都可以发现在未来1-4个月和历史收益的相关性最高，并且至少持续一年正的相关性。 据此，可以认为股债历史收益能够预测未来股债需求的变化，支持历史收益具有持续性的理论，并且能够帮助解释时间序列动量策略所产生的收益。 VI 跨资产时间序列动量的成因 本章对上一章的结论进行拓展，说明股债市场资本的缓慢流动同样能够解释跨资产序列动量。对于债券历史收益正向预测未来股票收益，以及股票历史收益负向预测债券未来收益的结论，我们就三种传导机制进行了验证。 1. 机制1：共同基金资金流 如图12，债券历史收益和未来股票基金资金流正相关，且持续存在；这一相关性从0-21个月都保持显著，直到50个月以后趋于0。这与图4体现的全球样本中债券对股票持续的跨资产预测能力相互印证，并且能够解释债券历史收益正向预测未来股票收益。 共同基金资金流同样能够解释股票历史收益对债券未来收益的负向预测性。图12中，股票历史收益和未来债券基金资金流负相关，这一负相关性在前5个月显著，并持续到17个月以后趋于0。 比较图12和图10，不难发现跨资产收益率和资金流的相关性，比单资产的持续性更强。甚至有理由认为，单资产的时间序列动量，是由投资者对另一种资产受到冲击后缓慢和持续的反应所驱动的。 这种单资产和跨资产的收益率-资金流效应缓慢发生且在统计上显著，同时其大小也有经济意义。例如，给过去12个月债券收益率一个正标准差的冲击，预测的未来债券基金资金流等于债券基金总管理资产规模的1.05%，预测的未来股票基金资金流等于股票基金总管理资产规模的0.49%。作为比较，样本中债券基金和股票基金的平均月资金流分别为总管理资产规模的0.26%和0.24%。 最后，本文运用6阶滞后的向量自回归模型检验了股债历史收益对基金资金流的预测性，结果如表5。表5显示了变量各阶滞后项的系数和以及p值（所有滞后项系数均为0的联合假设检验）。 可以发现，历史收益系数的正负号和时间序列动量、跨资产时间序列动量都是相符的，但是在控制了股债资金流之后，只有股票收益对债券收益的负预测性是显著的，可见资本流动对收益的可预测性有明显的影响。另外，只有历史股票资金流对股票收益有显著的预测能力，这与Ben-Rephael等（2011，2012）的假设一致，即股票市场中资金流带来了收益的可预测性。 同时，股票资金流和债券资金流的自相关系数都显著为正，符合单资产时间序列动量的特征。跨资产的资金流之间也有显著的影响，股票资金流对债券资金流的预测效应显著为负，而债券资金流对股票资金流的预测效应显著为正；这符合跨资产时间序列动量的特征。历史收益对资金流影响效果的符号和预期一致，但不显著。 图13-14为表5的向量自回归模型的累积脉冲响应图。我们发现，对股票和债券市场的冲击都会引起两种资产收益的反应。在股票收益受到一个单位标准差的冲击之后，债券收益在未来六个月的变化内显著为负；而在债券收益受到一个单位标准差的冲击之后，股票收益的变化始终显著为正；符合跨资产时间序列动量的结论。与此同时，通过观察变量的动态反应，可以发现表5中未能体现的效应，比如债券收益的冲击对股票资金流有显著且持续的正影响。 2. 机制2：信贷渠道 本节对债市收益影响股市收益的信贷渠道进行验证。Constantinides等（2002）为信贷环境之所以重要提供了一个理由。该研究运用一个世代交替模型解释了股权溢价之谜，在这一模型中，年轻投资者由于缺乏抵押品而面临融资约束，导致他们无法通过借款并投资股票来平滑终生消费。 债市的正回报从两方面解决了信贷受限投资者的问题。第一，债券的正收益（利率的下降）降低了投资者的借贷成本，并且由于工资对利息的保障水平提升，提高了他们获得贷款的能力。第二，如果投资者持有债券，债市的正回报能提升组合价值，使其有更多的抵押来获得新贷款。因此当债券市场提供正回报，投资者的融资约束减少，从而能够提高杠杆并增加权益投资。这就引起了股票需求的增加，进而提升股票收益。 实证过程中，本文将保证金借款作为投资者融资购买股票意愿的代理变量。我们发现，与股债市场资本流动缓慢的观点一致，债券历史收益逐渐影响未来保证金借款的变化，并且这种影响具有很强持续性。图15展示了保证金借款在债券动量为正/负的月份，以及后续1-24个月内的平均变动比例。 通过图15可发现，债券市场正收益预示着保证金借款的增加，而债券市场负收益预示着保证金借款的减少。这两种效应均是在第一个月最为明显，随后在未来的一年内缓慢趋于0。这种持续的效应最终会传导至股票市场，解释了图4中债券回报对股票回报的持续性影响，以及跨资产时间序列动量策略在股票市场获得的收益。 除此以外，我们也就保证金借款进行了向量自回归分析，发现债券收益对保证金借款的影响非常显著，和本文的结论，以及Zhang等（2005）、Domian & Racine（2006）的结论一致。 3. 机制3：货币政策渠道 本节对股市收益影响债市收益的货币政策渠道进行验证，例如股票收益是否会影响作为货币政策工具的联邦基金利率的变化。图16展示的是CRSP市值加权指数12个月累计回报，和联邦基金利率未来1-24个月月度变化率之间的相关系数。 如图，股票市场回报和未来联邦基金利率的变化正相关，并且这一效应将持续12个月以上；这似乎表明美联储的货币政策受到股市表现的影响。由于联邦基金利率的提高通常会提高整个收益率曲线，因此在货币政策的传导路径下，股市收益对未来债券市场收益产生广泛的负影响。 VII 时间序列动量与实体经济 本章通过考察在不同股债动量阶段，未来工业产值、投资、通胀和失业率的变化，来反映时间序列动量和实体经济之间的联系。 首先，在不同的股债动量阶段，考察未来12个月内各个经济变量的平均变化率，结果如表6。其次，在图17中，用五分位数对股债收益率进行划分，进一步考察在不同的收益率情况下经济变量的变化情况。 表6A表明，债券正动量和股票正动量预示着更好的经济形势，未来12个月内工业产值高增长、投资高增长、失业率下降；反之，债券负动量和股票负动量预示着工业产值负增长、低投资和失业率上升。 同样地，表6B表明，当股票和债券同时处于负动量阶段时，未来12个月经济状况最差；而当股债同时正动量时，未来经济状况最好。另外在这两种情况下，通胀率也发生相应地变化。 为了理解这一现象，参照Fama（1990）、Schwert（1990）以及其他学者的研究，本文给出两种可能的解释。第一，股债正收益往往意味着融资成本的降低，企业的净现值增加，因而在一定程度上促进了投资（最终也引起产值和就业的增加）。但是由于投资的计划和实行需要时间，经济变量的变化会有所滞后；因此也就产生了历史收益率对未来经济活动的预测性。第二，资产过去的正收益增加了投资者的财富，其消费能力相应地提升，企业会对这种变化做出反应，因而增加了实体经济活动。由于这一反应同样需要时间，因此导致了股债收益对实体经济活动的预测性。 VIII 结论 本文研究了股债市场之间的一种跨资产现象，并称之为跨资产时间序列动量。采用全球20个发达国家股债市场的样本数据，本文发现债券市场历史收益正向预测股票市场未来收益，而股票市场历史收益负向预测债券市场未来收益。运用这一结论，本文构建了跨资产时间序列动量策略，该策略相对于传统的时间序列动量和横截面动量策略都取得了持续更好的表现。 通过检验股债历史收益率和未来股债需求之间的关系，本文表明时间序列动量和跨资产时间序列动量一定程度上都能够由资本的缓慢流动所解释。特别地，研究发现，股债市场的历史正收益将在很长时间内吸引资金流向股票型基金，产生跨资产时间序列动量。类似地，债券正收益和股票负收益预示着未来几个月资金将流向债券型基金。股债历史收益也会逐渐影响股债需求的其他代理变量，进一步表明资本缓慢流动导致了跨资产时间序列动量效应。 最后，本文发现历史股债收益能够对数个关键经济指标做出预测。例如，过去12个月股票和债券的高收益，预示着投资和经济增长将逐渐增加，失业率将逐渐下降。股债正动量时期股票型基金资金流的增加可能也与这种现象有关，因为经济形势向好有助于股票估值的抬升。类似地，债券正动量和股票负动量预示着通胀率的下降和未来债券估值的提升，这也为该时期资金流向债券型基金提供了可能的解释。总的来说，本文的研究结果表明，时间序列动量和跨资产时间序列动量不仅仅是金融市场现象，还与未来资产需求的变化和实体经济活动有关。 【本文参考文献】 Pitkjrvi A, Suominen M, Vaittinen L. Cross-Asset Signals and Time Series Momentum[J]. Journal of Financial Economics, 2019, 136(1). 重要申明 分析师承诺 本研究报告的每一位证券分析师，在此申明，本报告清晰、准确地反映了分析师本人的研究观点。本人薪酬的任何部分过去不曾与、现在不与，未来也将不会与本报告中的具体推荐或观点直接或间接相关。 本报告分析师 任 瞳 SAC职业证书编号：S1090519080004 姚紫薇 SAC职业证书编号：S1090519080006 研究助理 孙诗雨 sunshiyu@cmschina.com.cn 特别提示 本公众号不是招商证券股份有限公司（下称“招商证券”）研究报告的发布平台。本公众号只是转发招商证券已发布研究报告的部分观点，订阅者若使用本公众号所载资料，有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。 本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价，评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性、指导具体投资的操作意见，订阅者应当对本公众号中的信息和意见进行评估，根据自身情况自主做出投资决策并自行承担投资风险。 招商证券对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果，招商证券均不承担任何形式的责任。 本公众号所载内容仅供招商证券股份客户中的专业投资者参考，其他的任何读者在订阅本公众号前，请自行评估接收相关内容的适当性，招商证券不会因订阅本公众号的行为或者收到、阅读本公众号所载资料而视相关人员为专业投资者客户。 一般声明 本公众号仅是转发招商证券已发布报告的部分观点，所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件，订阅者只有在了解相关报告中的全部信息基础上，才可能对相关观点形成比较全面的认识。如欲了解完整观点，应参见招商证券网站（http://www.cmschina.com/yf.html）所载完整报告。 本公众号所载资料较之招商证券正式发布的报告存在延时转发的情况，并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。 本公众号所载资料涉及的证券或金融工具的价格走势可能受各种因素影响，过往的表现不应作为日后表现的预示和担保。在不同时期，招商证券可能会发出与本资料所载意见、评估及预测不一致的研究报告。招商证券的销售人员、交易人员以及其他专业人士可能会依据不同的假设和标准，采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论或交易观点。 本公众号及其推送内容的版权归招商证券所有，招商证券对本公众号及其推送内容保留一切法律权利。未经招商证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）