量化投資與機器學習微信公眾號，是業內垂直於量化投資、對沖基金、金融科技、人工智慧、大資料等領域的主流自媒體。公眾號擁有來自公募、私募、券商、期貨、銀行、保險、高校等行業40W+關注者，曾榮獲AMMA優秀品牌力、優秀洞察力大獎，連續4年被騰訊雲+社群評選為“年度最佳作者”。

作者：Quantpedia

動量是市場上研究最多的異常現象之一，其概念非常簡單：當資產價格上漲時買入，下跌時賣出。目標是利用這些趨勢來實現比簡單的買入持有策略更好的回報。

不幸的是，在過去的幾十年裡，我們觀察到所有資產類別中動量策略的回報逐漸減少。在本文中，首先，我們測試了一個基本的動量策略，該策略沒有產生顯著的Alpha。接下來，我們提出了一種基於這種市場內相關性過濾器，該過濾器透過使用短期與長期平均相關性的比率作為訊號來改進基本策略，它可以幫助顯著提高商品動量的表現。

為了便於測試，本文選擇了商品ETF，因為它們易於使用、資料時間長、易於獲取，並且不需要複雜的合約切換。該策略專注於四個特定行業的商品ETF：DBA（農產品）、DBB（基礎金屬）、DBE（能源）、DBP（貴金屬）。與個別商品ETF相比，這些ETF提供了更長的回測期，從2007年開始。

為了驗證動量策略在商品ETF上的應用，我們首先複製了一個簡單的動量策略，涉及四種ETF：DBA（農產品）、DBB（基礎金屬）、DBE（能源）、DBP（貴金屬）。以下是實施步驟：

計算動量：每個月，我們計算每種ETF的1至12個月的動量，並根據它們的表現進行排名。動量是透過比較不同時間視窗內的價格變化來計算的，以確定每個ETF的過往表現。

排名和訊號：排名結果提供了買賣訊號，即哪些ETF應該做多（long），哪些應該做空（short）。具體來說，我們選擇做多表現最好的兩個ETF，做空表現最差的兩個ETF。這遵循了動量策略的基本假設：表現好的資產將繼續超越，而表現差的資產將繼續低於平均水平。

投資組合構建：投資組合對這兩個多頭和兩個空頭的ETF進行等權重配置。

調倉：每個月對投資組合進行調倉。

正如預期的那樣，商品的動量策略表現不佳。上表顯示，儘管它略微跑贏了基準回報，但這是在更高波動性的代價下實現的。這一結果與先前的研究一致。在像商品這樣的同質市場中，資產之間的相關性很高，動量策略難以有效地區分贏家和輸家，導致表現令人失望。

我們的目標是找到一個可靠的預測指標，它可以在何時有利於應用動量策略以及何時不宜應用時發出訊號。我們很快發現，短期與長期相關性的比率可以作為這樣一個預測指標。

我們計算四種ETF每日收益的平均短期（20天測量）和平均長期（250天測量）相關性。如果ETF之間的平均短期相關性超過平均長期相關性，這表明商品正朝一個方向趨同，使動量策略能更有效地區分贏家和輸家。因此，在這些條件下部署動量策略可能會更有盈利性。總之，相關性過濾器使我們能夠選擇性地應用動量策略，僅在市場條件有利時使用它。

如下表所示，與基本動量策略相比，相關性預測器帶來了更加令人滿意的結果。它在所有效能指標上都優於動量策略，包括年回報率、波動性、最大回撤、夏普比率和卡爾馬比率。相關性過濾器看起來相當穩健。無論動量排名期是1至12個月中的哪一個，該過濾器都能可靠地識別出何時適合交易動量策略，以及何時更適合交易反轉效應。

動量策略表現（短期相關性大於長期相關性）

反轉策略表現（短期相關性小於長期相關性）

基於這些發現和現有文獻，我們提出以下使用相關性過濾器的策略：如果短期相關性高於長期相關性，就應用動量策略，做多表現最好的2個和做空表現最差的2個特定行業商品ETF，基於12個月的排名，並持有頭寸1個月。如果短期相關性低於長期相關性，則應用反轉策略，做多表現最差的2個和做空表現最好的2個特定行業商品ETF（基於12個月的排名），並持有頭寸1個月。如下圖所示，並得到表4中結果的支援，這種結合的策略（動量+反轉）的回報幾乎翻了一倍。