Skip to content

Momentum & Trend

版本:2026年 9月 29日
語言:繁體中文(保留重要英文術語)
用途:技術分析 / 量化研究 / MarketLens 設計參考
重點:分清 Momentum(動能)、Trend(趨勢)、Cross-sectional Momentum(橫截面動能)、Time-series Momentum(時間序列動能) 與 Trend Following(趨勢跟隨)


  1. 核心答案:Momentum 和 Trend 是否一定要放在一起?
  2. 最重要的術語分類
  3. 所有計算的基礎:Price、Return、Log Return、Excess Return
  4. Momentum:主要學術研究與公式
  5. Trend:主要學術研究與公式
  6. Momentum 與 Trend 的真正分別
  7. 常見指標公式總表
  8. 如何把不同訊號標準化及比較
  9. 你的 MarketLens edges.py 現有做法
  10. MarketLens:建議把 Momentum 與 Trend 分拆
  11. 避免 Double Counting
  12. 回測方法:如何知道一條公式真的有 Edge
  13. 簡單數值例子
  14. 主要學者與研究總表
  15. 實作優先次序
  16. 重要限制
  17. References

1. 核心答案:Momentum 和 Trend 是否一定要放在一起?

Section titled “1. 核心答案:Momentum 和 Trend 是否一定要放在一起?”

不是。

Momentum 與 Trend 高度相關,但在金融研究中不是同一個概念。

最簡單的理解:

  • Trend 問:「價格現在是否處於一個持續上升/下降的方向?」
  • Momentum 問:「過去一段時間的價格表現是否具有延續性?哪一些股票/資產表現最強?」
  • Cross-sectional Momentum 問:「A 股票相對 B、C、D 股票,誰是 winner、誰是 loser?」
  • Time-series Momentum 問:「這一隻資產自己的過去回報是正還是負?之後是否傾向延續?」
  • Trend Following 是一類交易規則:上升趨勢做多、下降趨勢做空或避開。

因此:

Time-Series Momentum 可以視為 Trend Following 的一種非常重要的數學形式;但 Cross-sectional Momentum 不等於 Trend。

情況TrendMomentum解釋
A強上升強最典型 winner
B上升轉弱價格仍在升,但升幅正在減慢
C下降短期轉強熊市反彈 / reversal 初期
D橫行短期強暫時 breakout,但長期 trend 未確認

還有一個更重要的例子:

一隻股票過去 12 個月跌 2%,市場跌 20%。

  • Absolute trend / time-series momentum:它仍可能是負。
  • Cross-sectional / relative momentum:它可能已經是市場中非常強的 winner。

所以兩者不應機械地綁在一起。


英文中文核心問題
Momentum動能 / 動量過去強勢會否延續?
Price Momentum價格動能價格本身的過去回報
Cross-sectional Momentum橫截面動能相對其他股票誰強誰弱?
Time-series Momentum時間序列動能自己過去正回報/負回報會否延續?
Relative Strength相對強弱股票相對其他股票或 benchmark 的強弱
Trend趨勢價格是否持續朝某方向移動?
Trend Following趨勢跟隨順著已存在的趨勢建立倉位
Moving Average移動平均平滑價格以估計趨勢
Breakout突破價格突破過去區間或高點
52-Week High52 周高位現價距離一年高位有多近
Residual Momentum殘差動能移除市場 / size / value 等因素後的個股動能
Risk-Managed Momentum風險管理動能按 momentum 波幅調整 exposure
Trend Filter趨勢濾波器將過去價格/回報轉換為 trend signal

3. 所有計算的基礎:Price、Return、Log Return、Excess Return

Section titled “3. 所有計算的基礎:Price、Return、Log Return、Excess Return”

若今日價格是 (P_t),(k) 期前價格是 (P_{t-k}):

Rt−k,t=PtPt−k−1R_{t-k,t} = \frac{P_t}{P_{t-k}} - 1

例如:

  • 63 個交易日前:100
  • 今日:115

則:

R63=115100−1=15%R_{63} = \frac{115}{100} - 1 = 15\%

這就是 MarketLens 現在 ROC63 類似的概念。


Log return(對數回報)的定義是:

rt=ln⁡(PtPt−1)r_t = \ln\left(\frac{P_t}{P_{t-1}}\right)

其中:

  • (P_t):本期價格
  • (P_{t-1}):上一期價格
  • (\ln):natural logarithm(自然對數)

為甚麼 Log Return 可以直接相加?

Section titled “為甚麼 Log Return 可以直接相加?”

最重要的 logarithm 規則是:

ln⁡(ab)=ln⁡(a)+ln⁡(b)\boxed{\ln(ab)=\ln(a)+\ln(b)}

也就是說,乘法進入 logarithm 之後會變成加法。

但要注意:

ln⁡(a+b)≠ln⁡(a)+ln⁡(b)\ln(a+b) \neq \ln(a)+\ln(b)

後面這條是錯的。

例如:

ln⁡(2×3)=ln⁡(6)\ln(2\times3)=\ln(6)

而:

ln⁡(2)+ln⁡(3)≈0.6931+1.0986≈1.7917\ln(2)+\ln(3) \approx 0.6931+1.0986 \approx 1.7917

同時:

ln⁡(6)≈1.7918\ln(6)\approx1.7918

只有 rounding difference。

假設:

x=ln⁡(a)x=\ln(a)

則:

ex=ae^x=a

同樣地:

y=ln⁡(b)y=\ln(b)

則:

ey=be^y=b

將兩者相乘:

ab=exeyab=e^xe^y

根據 exponential rule:

exey=ex+ye^xe^y=e^{x+y}

所以:

ab=ex+yab=e^{x+y}

兩邊取 natural logarithm:

ln⁡(ab)=ln⁡(ex+y)\ln(ab)=\ln\left(e^{x+y}\right)

因為:

ln⁡(ez)=z\ln(e^z)=z

所以:

ln⁡(ab)=x+y\ln(ab)=x+y

再代入:

x=ln⁡(a),y=ln⁡(b)x=\ln(a),\qquad y=\ln(b)

便得到:

ln⁡(ab)=ln⁡(a)+ln⁡(b)\boxed{\ln(ab)=\ln(a)+\ln(b)}

假設股價:

  • Day 0:(P_0=100)
  • Day 1:(P_1=110)
  • Day 2:(P_2=121)

第一日 log return:

r1=ln⁡(110100)=ln⁡(1.1)r_1 = \ln\left(\frac{110}{100}\right) = \ln(1.1)

第二日 log return:

r2=ln⁡(121110)=ln⁡(1.1)r_2 = \ln\left(\frac{121}{110}\right) = \ln(1.1)

兩日 log return 可以直接相加:

r1+r2=ln⁡(110100)+ln⁡(121110)r_1+r_2 = \ln\left(\frac{110}{100}\right) + \ln\left(\frac{121}{110}\right)

利用:

ln⁡(a)+ln⁡(b)=ln⁡(ab)\ln(a)+\ln(b)=\ln(ab)

得到:

r1+r2=ln⁡(110100×121110)r_1+r_2 = \ln\left( \frac{110}{100} \times \frac{121}{110} \right)

中間的 110 抵消:

r1+r2=ln⁡(121100)r_1+r_2 = \ln\left(\frac{121}{100}\right)

因此:

r1+r2=ln⁡(P2P0)\boxed{ r_1+r_2 = \ln\left(\frac{P_2}{P_0}\right) }

推廣到 (n) 期:

∑t=1nrt=ln⁡(P1P0)+ln⁡(P2P1)+⋯+ln⁡(PnPn−1)\sum_{t=1}^{n}r_t = \ln\left(\frac{P_1}{P_0}\right) + \ln\left(\frac{P_2}{P_1}\right) + \cdots + \ln\left(\frac{P_n}{P_{n-1}}\right)

利用 logarithm 加法規則:

=ln⁡[P1P0P2P1⋯PnPn−1]= \ln\left[ \frac{P_1}{P_0} \frac{P_2}{P_1} \cdots \frac{P_n}{P_{n-1}} \right]

中間所有價格互相抵消,最後只剩:

∑t=1nrt=ln⁡(PnP0)\boxed{ \sum_{t=1}^{n}r_t = \ln\left(\frac{P_n}{P_0}\right) }

所以可以記住:

Simple Return 多期要相乘;Log Return 多期可以直接相加。

Simple cumulative return:

1+Rtotal=(1+R1)(1+R2)⋯(1+Rn)1+R_{total} = (1+R_1)(1+R_2)\cdots(1+R_n)

因此:

Rtotal=∏j=1n(1+Rj)−1R_{total} = \prod_{j=1}^{n}(1+R_j)-1

Log return:

rtotal=r1+r2+⋯+rn\boxed{ r_{total} = r_1+r_2+\cdots+r_n }

兩者之間的轉換關係是:

Rsimple=erlog−1\boxed{ R_{simple}=e^{r_{log}}-1 }

以及:

rlog=ln⁡(1+Rsimple)\boxed{ r_{log}=\ln(1+R_{simple}) }

例如總 log return 為:

rlog=ln⁡(1.21)≈0.19062r_{log}=\ln(1.21)\approx0.19062

轉回 simple return:

e0.19062−1≈0.21=21%e^{0.19062}-1 \approx 0.21 = 21\%

這就是為甚麼 log return 在 volatility、統計分析和時間序列模型中非常方便。


Excess return(超額回報)最常見的意思是:

資產回報減去 risk-free return。

公式:

Rtexcess=Rt−Rf,t\boxed{ R_t^{excess}=R_t-R_{f,t} }

其中:

  • (R_t):資產回報
  • (R_{f,t}):同期 risk-free return
  • (R_t^{excess}):資產相對 risk-free investment 多賺或少賺的回報

例如:

  • 股票回報 = (12%)
  • Risk-free return = (4%)

則:

ExcessReturn=12%−4%=8%ExcessReturn = 12\%-4\% = 8\%

即是這項投資相對 risk-free alternative 多賺了 8%。

投資股票需要承受額外風險。

如果一隻股票回報 6%,但同期近似 risk-free 的投資已經可以有 5% 回報,那麼股票為你承擔額外風險所提供的超額回報其實只有:

6%−5%=1%6\%-5\%=1\%

所以 excess return 更接近:

承擔風險之後真正額外得到的回報。

例如 MSCI-style momentum 可以表示為:

MOM12=(PT−1PT−13−1)−RfMOM_{12} = \left( \frac{P_{T-1}}{P_{T-13}}-1 \right) - R_f

其中:

PT−1PT−13−1\frac{P_{T-1}}{P_{T-13}}-1

是股票該期間的 price return,減去 (R_f) 後,便是相對 risk-free rate 的 excess return。

Excess Return 亦可能相對其他 Benchmark 定義

Section titled “Excess Return 亦可能相對其他 Benchmark 定義”

有些情況亦會把 excess return 廣義地寫成:

Rstock−RbenchmarkR_{stock}-R_{benchmark}

例如:

Rstock−RS&P500R_{stock}-R_{S\&P500}

這種情況更準確可以叫做 benchmark-relative return。

在 asset-pricing models,例如 CAPM 中,excess return 通常特別指:

Ri−Rf\boxed{R_i-R_f}

而 market excess return 則是:

Rm−Rf\boxed{R_m-R_f}

Time-series momentum 文獻亦經常使用 excess return,因為研究者想知道資產自身過去的回報是否高於 risk-free return,以及這個方向是否會延續。


Annualized volatility(年化波幅)是:

把日、週或月等較短期間觀察到的 return volatility,換算成一個年度尺度的波幅。

Volatility 本質上通常是 return 的 standard deviation(標準差)。

若日回報標準差為 (\sigma_d):

σannual=σd252\boxed{ \sigma_{\text{annual}} = \sigma_d\sqrt{252} }

因為美股一年大約有 252 個 trading days。

例如每日 volatility:

σd=2%=0.02\sigma_d=2\%=0.02

則:

σannual=0.02252\sigma_{annual} = 0.02\sqrt{252}

因為:

252≈15.87\sqrt{252}\approx15.87

所以:

σannual≈0.3174=31.74%\sigma_{annual} \approx 0.3174 = 31.74\%

即可以說:

這隻股票的 annualized volatility 約為 31.7%。

為甚麼乘 (\sqrt{252}),而不是乘 252?

Section titled “為甚麼乘 (\sqrt{252}),而不是乘 252?”

假設每日 return variance 為:

Var(R)=σ2Var(R)=\sigma^2

如果每日 return 近似互相獨立,(n) 日 return 的 variance 近似為:

Var(R1+R2+⋯+Rn)=nσ2Var(R_1+R_2+\cdots+R_n) = n\sigma^2

但 volatility 是 standard deviation,即 variance 的平方根:

σn=nσ2\sigma_n = \sqrt{n\sigma^2}

因此:

σn=σn\boxed{ \sigma_n = \sigma\sqrt{n} }

所以由 daily volatility 轉成年化 volatility:

σannual=σd252\sigma_{annual} = \sigma_d\sqrt{252}

而不是:

σd×252\sigma_d\times252

一年約 52 週:

σannual=σweekly52\boxed{ \sigma_{annual} = \sigma_{weekly}\sqrt{52} }

一年有 12 個月:

σannual=σmonthly12\boxed{ \sigma_{annual} = \sigma_{monthly}\sqrt{12} }

一般公式可以寫成:

Annualized Volatility=Period Volatility×Periods Per Year\boxed{ Annualized\ Volatility = Period\ Volatility \times \sqrt{Periods\ Per\ Year} }

Annualized Volatility 不是年度回報預測

Section titled “Annualized Volatility 不是年度回報預測”

如果一隻股票 annualized volatility = 31.7%,並不代表:

  • 它一年一定上升 31.7%;或
  • 它一年一定下跌 31.7%。

它只是描述 return dispersion / variability 的統計尺度,而不是 expected return forecast。

Risk-adjusted momentum 常見形式:

RiskAdjustedMomentum=MomentumReturnAnnualizedVolatilityRiskAdjustedMomentum = \frac{MomentumReturn} {AnnualizedVolatility}

例如兩隻股票都上升 30%。

Stock A:

σA=15%\sigma_A=15\%

Stock B:

σB=40%\sigma_B=40\%

則:

RAMA=30%15%=2.0RAM_A = \frac{30\%}{15\%} = 2.0

而:

RAMB=30%40%=0.75RAM_B = \frac{30\%}{40\%} = 0.75

兩隻股票的 raw return 一樣,但 Stock A 用較低波幅取得相同回報,所以 risk-adjusted momentum 較高。

某些論文使用 252、260、261 等不同 trading-day constants。

例如:

σannual=σd261\sigma_{annual} = \sigma_d\sqrt{261}

重點不是一定要選某一個數字,而是:

同一套研究、backtest 與 production system 必須保持一致的 annualization convention。


「所有 momentum 論文」數量非常龐大,不可能在一份文件逐篇窮盡。以下收錄的是最具代表性、最常被引用,而且直接影響實際計算方法的研究脈絡。


4.1 Jegadeesh & Titman (1993):Cross-sectional Momentum

Section titled “4.1 Jegadeesh & Titman (1993):Cross-sectional Momentum”

經典論文:

Narasimhan Jegadeesh & Sheridan Titman (1993), Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency.

核心不是判斷單一股票「是否上升趨勢」,而是:

  1. 看很多股票;
  2. 計算每隻股票過去 (J) 個月回報;
  3. 排名;
  4. 買入最高回報組;
  5. 沽空最低回報組;
  6. 持有 (K) 個月。

一般形式:

MOMi,t(J)=∏j=1J(1+Ri,t−j)−1MOM_{i,t}^{(J)} = \prod_{j=1}^{J}(1+R_{i,t-j})-1

或近似寫成:

MOMi,t(J)=Pi,t−1Pi,t−J−1−1MOM_{i,t}^{(J)} = \frac{P_{i,t-1}}{P_{i,t-J-1}}-1

然後將所有股票根據 (MOM_{i,t}^{(J)}) 排序。

若:

  • (W_t):最高過去回報股票組
  • (L_t):最低過去回報股票組

則 zero-cost momentum portfolio:

RMOM,t+1=RW,t+1−RL,t+1R_{MOM,t+1} = R_{W,t+1} - R_{L,t+1}

Jegadeesh–Titman 測試了多組 (J/K) 組合,例如 3、6、9、12 個月 formation / holding periods。

這是 relative / cross-sectional。

一隻股票不需要自己處於漂亮的上升 trend,只要它比其他股票強,就可能進入 winner group。


4.2 Carhart / Kenneth French:12–2 Momentum Factor

Section titled “4.2 Carhart / Kenneth French:12–2 Momentum Factor”

Carhart (1997) 把 momentum factor 加入 Fama–French 架構,形成常見的 four-factor model:

Ri−Rf=αi+βM(RM−Rf)+βSSMB+βHHML+βMOMMOM+ϵiR_i-R_f = \alpha_i + \beta_M(R_M-R_f) + \beta_S SMB + \beta_H HML + \beta_{MOM} MOM + \epsilon_i

Carhart Four-Factor Model 到底是甚麼?

Section titled “Carhart Four-Factor Model 到底是甚麼?”

Carhart Four-Factor Model 的目的,不是直接告訴你「買哪一隻股票」,而是嘗試解釋:

一隻股票、portfolio 或基金的回報,有多少是來自整體市場、公司規模、value/growth exposure、momentum exposure,以及還有多少是這四個因素解釋不到的。

可以把它看成:

Carhart Four-Factor=Market+Size+Value+Momentum\boxed{ Carhart\ Four\text{-}Factor = Market + Size + Value + Momentum }

Fama–French Three-Factor Model 原本包括:

Market+SMB+HML\boxed{ Market + SMB + HML }

Carhart (1997) 再加入:

MOM\boxed{ MOM }

所以變成 Four-Factor Model。


Factor全名問題
(R_M-R_f)Market Excess Return整體股票市場相對 risk-free asset 表現如何?
SMBSmall Minus BigSmall-cap 是否跑贏 large-cap?
HMLHigh Minus LowValue stocks 是否跑贏 growth stocks?
MOMMomentum / Winners Minus Losers過去 winners 是否跑贏過去 losers?

Market factor 是:

RM−Rf\boxed{ R_M-R_f }

其中:

  • (R_M):market return
  • (R_f):risk-free return

例如:

  • Market return = (10%)
  • Risk-free return = (4%)

則:

RM−Rf=10%−4%=6%R_M-R_f = 10\%-4\% = 6\%

所以:

Market Excess Return=6%\boxed{ Market\ Excess\ Return=6\% }

意思是:

投資整體股票市場,相對近似 risk-free asset,多得到 6% 回報。

如果一個 portfolio 的:

βM=1.2\beta_M=1.2

可以粗略理解為:

它對 market factor 的敏感度比市場本身高;市場 excess return 每變動 1 個百分點,portfolio 的 excess return 平均與它有約 1.2 個百分點的 factor exposure 關係。


SMB 的全名是:

Small Minus Big

它捕捉的是 Size Factor(公司規模因子)。

核心問題:

Small-cap stocks 在該期間有沒有跑贏 large-cap stocks?

非常簡化的概念式:

SMB=Return(Small)−Return(Big)\boxed{ SMB = Return(Small) - Return(Big) }

假設:

  • Small-cap portfolio return = (12%)
  • Large-cap portfolio return = (8%)

則:

SMB=12%−8%=4%SMB = 12\%-8\% = 4\%

所以:

SMB=+4%\boxed{ SMB=+4\% }

意思是:

該期間 small-cap stocks 平均比 large-cap stocks 多賺約 4%。

如果:

SMB<0SMB<0

則代表該期間 large-cap 相對較強。


在典型 Fama–French 2 × 3 portfolio construction 中,股票會先按:

  1. Size:Small / Big
  2. Book-to-Market:Low / Medium / High

形成六個 portfolios。

可以簡化寫成:

SMB=13(S/L+S/M+S/H)−13(B/L+B/M+B/H)SMB = \frac{1}{3} (S/L+S/M+S/H) - \frac{1}{3} (B/L+B/M+B/H)

其中:

  • (S) = Small
  • (B) = Big
  • (L) = Low book-to-market
  • (M) = Medium book-to-market
  • (H) = High book-to-market

這樣做的目的,是盡量把「size effect」從 value/growth composition 中分離出來。


如果你的 portfolio regression 得到:

βS=+0.6\beta_S=+0.6

代表它有比較明顯的 small-cap tilt。

如果:

βS≈0\beta_S\approx0

代表它對 size factor exposure 不明顯。

如果:

βS<0\beta_S<0

則通常表示 portfolio 比較偏向 large-cap。

例如:

βS=0.5\beta_S=0.5

而該期:

SMB=4%SMB=4\%

那麼 size factor 對模型解釋的 contribution 約為:

0.5×4%=2%0.5\times4\%=2\%

HML 的全名是:

High Minus Low

但這裡的 High / Low 並不是 momentum high / low。

它指:

High Book-to-Market Minus Low Book-to-Market

Book-to-Market ratio:

B/M=Book EquityMarket EquityB/M = \frac{Book\ Equity}{Market\ Equity}

一般理解:

  • High (B/M) → Value stocks
  • Low (B/M) → Growth stocks

所以 HML 是一個 Value Factor。

核心概念:

HML=Return(Value)−Return(Growth)\boxed{ HML = Return(Value) - Return(Growth) }

Company A:

  • Book equity = $50m
  • Market cap = $100m

則:

B/MA=50100=0.50B/M_A = \frac{50}{100} = 0.50

Company B:

  • Book equity = $50m
  • Market cap = $500m

則:

B/MB=50500=0.10B/M_B = \frac{50}{500} = 0.10

Company A 的 book-to-market 較高,因此相對更接近 value。

Company B 的 book-to-market 較低,因此相對更接近 growth。


假設:

  • High book-to-market / Value portfolio return = (11%)
  • Low book-to-market / Growth portfolio return = (7%)

則:

HML=11%−7%=4%HML = 11\%-7\% = 4\%

所以:

HML=+4%\boxed{ HML=+4\% }

意思是:

該期間 value stocks 平均比 growth stocks 多賺約 4%。

如果:

HML<0HML<0

則代表 growth stocks 在該期間相對跑贏 value stocks。


典型簡化形式:

HML=12(S/H+B/H)−12(S/L+B/L)HML = \frac{1}{2}(S/H+B/H) - \frac{1}{2}(S/L+B/L)

其中:

  • (H) = High book-to-market = Value
  • (L) = Low book-to-market = Growth

所以:

HML=Value−Growth\boxed{ HML = Value - Growth }

如果:

βH>0\beta_H>0

代表 portfolio 比較偏向 value stocks。

如果:

βH<0\beta_H<0

代表 portfolio 比較偏向 growth stocks。

例如:

βH=−0.4\beta_H=-0.4

而:

HML=+5%HML=+5\%

則 value factor contribution:

−0.4×5%=−2%-0.4\times5\% = -2\%

負的 (\beta_H) 表示這個 portfolio 有 growth tilt,所以當 value outperform growth 時,它相對會受到負面影響。


非常重要:HML 的 High/Low 不等於 Momentum 的 High/Low

Section titled “非常重要:HML 的 High/Low 不等於 Momentum 的 High/Low”

這一點最容易混淆。

在 HML:

High = High Book-to-Market = Value
Low = Low Book-to-Market = Growth

但在 Momentum:

High = High Prior Return = Winner
Low = Low Prior Return = Loser

所以:

HML High/Low≠Momentum High/Low\boxed{ HML\ High/Low \neq Momentum\ High/Low }

兩者雖然都使用 High / Low 字眼,但代表的是完全不同的排序變數。


MOM 捕捉:

過去 winners 相對過去 losers 的未來回報差。

簡化:

MOM=Return(Winners)−Return(Losers)\boxed{ MOM = Return(Winners) - Return(Losers) }

例如:

  • Winner portfolio = (13%)
  • Loser portfolio = (5%)

則:

MOM=13%−5%=8%MOM = 13\%-5\% = 8\%

所以:

MOM=+8%\boxed{ MOM=+8\% }

意思是:

該期間過去 winners 比過去 losers 多賺約 8%。

後面本節的 12–2 momentum ranking,就是用來形成這些 winner / loser portfolios 的其中一個重要 academic convention。


模型:

Ri−Rf=αi+βM(RM−Rf)+βSSMB+βHHML+βMOMMOM+ϵiR_i-R_f = \alpha_i + \beta_M(R_M-R_f) + \beta_SSMB + \beta_HHML + \beta_{MOM}MOM + \epsilon_i

當四個 factor exposures 都計入之後,剩低的平均 intercept 就是:

α\boxed{\alpha}

可以概念上理解為:

模型四個已知 factors 解釋不到的平均 excess return。

如果:

α>0\alpha>0

表示實際平均回報高於四個 factor exposures 所解釋的部分。

但要非常小心:

Positive alpha 不應自動解讀為「基金經理有能力」。

還需要看:

  • statistical significance
  • sample length
  • transaction costs
  • omitted factors
  • model specification
  • survivorship bias

等問題。


每個 (\beta) 都是 portfolio 對某個 factor 的 sensitivity / exposure。

例如:

βM=1.1\beta_M=1.1

表示 market exposure 偏高。

βS=0.3\beta_S=0.3

表示有少量 small-cap tilt。

βH=−0.2\beta_H=-0.2

表示有少量 growth tilt。

βMOM=0.5\beta_{MOM}=0.5

表示有正 momentum exposure。

可以把它們理解成:

βM = 對市場的敏感度
βS = 對 size factor 的敏感度
βH = 對 value factor 的敏感度
βMOM = 對 momentum factor 的敏感度

ϵi\epsilon_i

是 regression residual / unexplained period-specific return。

概念上:

ActualReturn=ModelExplainedReturn+ResidualActualReturn = ModelExplainedReturn + Residual

所以:

ϵ\epsilon

代表某一期間模型解釋不到的短期 deviation。

它與 (\alpha) 不完全相同:

  • (\alpha):regression intercept / 平均未被 factors 解釋的部分
  • (\epsilon_t):每一期個別的 residual shock

假設某 portfolio:

βM=1.1\beta_M=1.1 βS=0.3\beta_S=0.3 βH=−0.2\beta_H=-0.2 βMOM=0.5\beta_{MOM}=0.5

而該期間 factors:

RM−Rf=6%R_M-R_f=6\% SMB=4%SMB=4\% HML=4%HML=4\% MOM=8%MOM=8\%

假設:

α=1%\alpha=1\%

並暫時令:

ϵ=0\epsilon=0

則 portfolio excess return 的模型解釋為:

Ri−Rf=1%+1.1(6%)+0.3(4%)−0.2(4%)+0.5(8%)R_i-R_f = 1\% + 1.1(6\%) + 0.3(4\%) - 0.2(4\%) + 0.5(8\%)

逐項計:

Market contribution:

1.1×6%=6.6%1.1\times6\% = 6.6\%

Size contribution:

0.3×4%=1.2%0.3\times4\% = 1.2\%

Value contribution:

−0.2×4%=−0.8%-0.2\times4\% = -0.8\%

Momentum contribution:

0.5×8%=4.0%0.5\times8\% = 4.0\%

再加 alpha:

1.0%1.0\%

因此:

Ri−Rf=1.0%+6.6%+1.2%−0.8%+4.0%R_i-R_f = 1.0\% + 6.6\% + 1.2\% - 0.8\% + 4.0\% Ri−Rf=12.0%\boxed{ R_i-R_f=12.0\% }

如果同期 risk-free return:

Rf=4%R_f=4\%

則 portfolio total return:

Ri=12%+4%=16%R_i = 12\%+4\% = 16\%

所以:

Total Portfolio Return=16%\boxed{ Total\ Portfolio\ Return=16\% }

Portfolio 的 16% total return 並不是全部都叫「alpha」。

模型嘗試拆成:

Risk-free return 4.0%
Market exposure 6.6%
Size exposure 1.2%
Value exposure -0.8%
Momentum exposure 4.0%
Alpha 1.0%
--------------------------------
Total 16.0%

所以這個 portfolio 表面上賺 16%,但模型認為其中大部分可以由:

  • broad market exposure
  • small-cap exposure
  • growth/value exposure
  • momentum exposure

解釋。

真正未被這四個 factors 解釋的部分,在這個簡化例子只有:

α=1%\alpha=1\%

實際研究不會只看一個月份然後直接拆數字。

通常會使用很多期歷史資料,例如月度 returns:

t=1,2,…,Tt=1,2,\ldots,T

然後做 time-series regression:

Ri,t−Rf,t=αi+βM(RM,t−Rf,t)+βSSMBt+βHHMLt+βMOMMOMt+ϵi,tR_{i,t}-R_{f,t} = \alpha_i + \beta_M(R_{M,t}-R_{f,t}) + \beta_SSMB_t + \beta_HHML_t + \beta_{MOM}MOM_t + \epsilon_{i,t}

Regression 會估計:

α^,β^M,β^S,β^H,β^MOM\hat\alpha,\quad \hat\beta_M,\quad \hat\beta_S,\quad \hat\beta_H,\quad \hat\beta_{MOM}

所以前面的單期數字只是為了理解 factor contribution 的 illustrative example,真正的 beta / alpha 是由多期 regression 估計出來的。


Four-Factor Model 對 MarketLens 有甚麼用?

Section titled “Four-Factor Model 對 MarketLens 有甚麼用?”

MarketLens 不一定需要直接使用 Carhart model 做日常 stock ranking。

它更適合做:

例如分析一個 MarketLens portfolio 是否實際上只是:

High market beta
+ small-cap tilt
+ growth tilt
+ momentum tilt

而不是具有真正獨立 edge。

把 portfolio return 拆開:

Return=Market+Size+Value+Momentum+Alpha+ResidualReturn = Market + Size + Value + Momentum + Alpha + Residual

後面 Residual Momentum 一節就是利用類似思想:

先把 market / size / value 等 factor 能解釋的 return 拿走,再研究剩下的 firm-specific momentum。

如果 MarketLens 的策略本身高度偏向 momentum factor,之後再加入很多類似 momentum signals,就可能只是在重複同一種 exposure。


可以把 Carhart Four-Factor Model 記成:

Market+Size+Value+Momentum\boxed{ Market + Size + Value + Momentum }

其中:

Market = Rm − Rf
SMB = Small − Big
HML = Value − Growth
MOM = Winners − Losers

而:

Alpha = factors 解釋不到的平均 return component
Beta = 對每個 factor 的 exposure / sensitivity
Epsilon = 每一期未被模型解釋的 residual

最重要不要混淆:

HML High/Low=Book-to-Market High/Low\boxed{ HML\ High/Low = Book\text{-}to\text{-}Market\ High/Low }

而:

MOM High/Low=Prior Return High/Low\boxed{ MOM\ High/Low = Prior\ Return\ High/Low }

今天常見的 academic momentum definition 是 prior 12-to-2 month return,即通常跳過最近一個月,以降低 short-term reversal / microstructure 影響。

假設現在準備在月 (t) 建立 portfolio。

12–2 momentum 不是使用最近 12 個月全部回報,而是使用:

t−12到t−2t-12 \quad\text{到}\quad t-2

並刻意跳過:

t−1t-1

也就是最近一個完整月份。

可以用時間線理解:

Past Portfolio month
t-12 t-11 ... t-3 t-2 t-1 t
|---------------------------|
USED FOR MOMENTUM SKIP INVEST

所以:

12–2 Momentum = 看較早的約 11 個月累積回報,跳過最近一個月。

Kenneth French Data Library 常寫成:

prior (2–12) return

意思與這個 12–2 lookback convention 相同。


若現在是月 (t):

MOM12−2=∏j=212(1+Rt−j)−1MOM_{12-2} = \prod_{j=2}^{12}(1+R_{t-j})-1

因為這裡使用的是 simple return,所以多期回報不能直接相加,而要做 compounding:

(1+R1)(1+R2)⋯(1+Rn)−1(1+R_1)(1+R_2)\cdots(1+R_n)-1

例如幾個月回報是:

+5%,+3%,−2%,+4%+5\%,\quad +3\%,\quad -2\%,\quad +4\%

不能直接寫成:

5+3−2+4=10%5+3-2+4=10\%

而是:

(1.05)(1.03)(0.98)(1.04)−1(1.05)(1.03)(0.98)(1.04)-1

如果月度 simple return 定義為:

Rs=PsPs−1−1R_s = \frac{P_s}{P_{s-1}}-1

則:

1+Rs=PsPs−11+R_s = \frac{P_s}{P_{s-1}}

因此:

MOM12−2=∏j=212(1+Rt−j)−1MOM_{12-2} = \prod_{j=2}^{12}(1+R_{t-j})-1

可以展開為:

=(Pt−2Pt−3)(Pt−3Pt−4)⋯(Pt−12Pt−13)−1= \left( \frac{P_{t-2}}{P_{t-3}} \right) \left( \frac{P_{t-3}}{P_{t-4}} \right) \cdots \left( \frac{P_{t-12}}{P_{t-13}} \right) -1

中間價格全部抵消:

=Pt−2Pt−13−1= \frac{P_{t-2}}{P_{t-13}}-1

所以:

MOM12−2=Pt−2Pt−13−1\boxed{ MOM_{12-2} = \frac{P_{t-2}}{P_{t-13}}-1 }

這個價格形式很容易看出:

  • 終點用 (t-2)
  • 最近一個月 (t-1) 被跳過
  • 起點使用 (t-13) 的價格,因為要計出 (t-12) 到 (t-2) 這 11 個月的 returns

假設你要在 2026 年 10 月 建立 portfolio。

最近一個完整月份是:

September 2026

12–2 momentum 會:

Oct 2025 → Aug 2026 Sep 2026 Oct 2026
|--------------------| |--------| |-------|
Momentum window Skip month Hold

即:

  • 約由 2025 年 10 月開始
  • 計到 2026 年 8 月
  • 2026 年 9 月不計入 momentum ranking
  • 2026 年 10 月才根據 ranking 建立 / 持有 portfolio

假設:

PSep 2025 end=100P_{\text{Sep 2025 end}}=100

以及:

PAug 2026 end=140P_{\text{Aug 2026 end}}=140

則:

MOM12−2=140100−1=40%MOM_{12-2} = \frac{140}{100}-1 = 40\%

所以這隻股票的 12–2 momentum signal 是:

40%\boxed{40\%}

即使 2026 年 9 月價格由 140 升到 170,這段最新月份的升幅仍然不會計入這次 12–2 signal。


為甚麼要刻意 Skip 最近一個月?

Section titled “為甚麼要刻意 Skip 最近一個月?”

這是 12–2 momentum 最重要的設計之一。

中期 return continuation 與 very-short-term price behaviour 並不完全一樣。

研究上,最近一個月可能受到:

  • short-term reversal
  • temporary overreaction
  • bid-ask / microstructure effects
  • news shock
  • very short-term mean reversion

影響。

因此 academic momentum 常把最近一個月獨立出去,不讓它主導 medium-term momentum signal。

例如:

Longer-term path:
100 → 105 → 112 → 120 → 130 → 140
Most recent month:
140 → 125

如果直接使用 trailing return,最近一個月的大跌會明顯拉低 momentum。

12–2 momentum 問的是:

在最近這個短期波動發生之前,這隻股票是不是一隻強勢的 medium-term winner?

這與單純問:

過去剛好 12 個月總共升了多少?

不是完全相同的問題。


12–2 Momentum 與普通 Trailing 12-Month Return 的分別

Section titled “12–2 Momentum 與普通 Trailing 12-Month Return 的分別”

普通 trailing 12-month return 可能寫成:

R12M=PtPt−12−1R_{12M} = \frac{P_t}{P_{t-12}}-1

它包含最近月份。

但 12–2 momentum:

MOM12−2=Pt−2Pt−13−1MOM_{12-2} = \frac{P_{t-2}}{P_{t-13}}-1

刻意不使用最近一個月。

例如:

100 → 150 → 120

假設 150 是一個月前價格,120 是現在價格。

普通 trailing return 可能只有:

120100−1=20%\frac{120}{100}-1 = 20\%

但 skipped-month momentum 仍可能接近:

150100−1=50%\frac{150}{100}-1 = 50\%

兩個 measure 捕捉的是不同資訊。


重要:一隻股票的 12–2 Return 還不是 Momentum Factor

Section titled “重要:一隻股票的 12–2 Return 還不是 Momentum Factor”

假設 Oracle:

MOM12−2=35%MOM_{12-2}=35\%

這只代表:

Oracle 自己的 12–2 momentum signal 是 35%。

它還不是 academic momentum factor。

要建立 Cross-sectional Momentum,需要對整個股票 universe 做同樣計算。

例如:

Stock12–2 Return
A+75%
B+48%
ORCL+35%
D+10%
E-8%
F-40%

然後將所有股票排序。

可以進一步轉成:

MomentumPercentilei=PercentileRank(MOM12−2,i)MomentumPercentile_i = PercentileRank(MOM_{12-2,i})

例如 ORCL 比 88% 股票強:

MomentumPercentileORCL=88\boxed{ MomentumPercentile_{ORCL}=88 }

所以對 MarketLens 而言,這兩個數字應該分開保存:

MOM12_2 = 35%
MomentumPercentile = 88

Kenneth French 如何把它變成真正 MOM Factor?

Section titled “Kenneth French 如何把它變成真正 MOM Factor?”

Kenneth French 的 momentum factor 不只是將股票按 momentum 排序,還會考慮 size。

股票先分:

Small
Big

再按 prior (2–12) return 分為:

Low
Neutral
High

因此形成六個 portfolios:

SL = Small Low
SN = Small Neutral
SH = Small High
BL = Big Low
BN = Big Neutral
BH = Big High

其中:

  • High = winners
  • Low = losers

Momentum factor 可以簡化表示為:

MOM=12(SH+BH)−12(SL+BL)\boxed{ MOM = \frac{1}{2}(SH+BH) - \frac{1}{2}(SL+BL) }

也就是:

MomentumFactor=Return(Winners)−Return(Losers)\boxed{ MomentumFactor = Return(Winners) - Return(Losers) }

有些文獻會用:

WML = Winners Minus Losers

來描述同一個核心概念。


12–2 Signal 與 MOM Factor Return 是不同時間的東西

Section titled “12–2 Signal 與 MOM Factor Return 是不同時間的東西”

這一點做 backtest 時非常重要。

12–2 return 是 formation signal。

即用過去資料決定:

Who is a winner?
Who is a loser?

真正 MOM factor return 則是:

這些 winner / loser portfolios 在之後 holding period 的回報差。

所以:

Past 12–2 Return
↓
Cross-sectional Ranking
↓
Winner / Loser Groups
↓
Hold Portfolios
↓
Future Winner Return − Future Loser Return
↓
Momentum Factor Return

即:

12 ⁣− ⁣2 Return≠MOM Factor Return\boxed{ 12\!-\!2\ Return \neq MOM\ Factor\ Return }

假設下一個月:

Small Winners:

SH=+4%SH=+4\%

Big Winners:

BH=+2%BH=+2\%

Small Losers:

SL=−1%SL=-1\%

Big Losers:

BL=0%BL=0\%

Winner portfolio:

RW=4%+2%2=3%R_W = \frac{4\%+2\%}{2} = 3\%

Loser portfolio:

RL=−1%+0%2=−0.5%R_L = \frac{-1\%+0\%}{2} = -0.5\%

Momentum factor:

MOM=3%−(−0.5%)MOM = 3\%-(-0.5\%)

所以:

MOM=3.5%\boxed{ MOM=3.5\% }

注意:

這個 3.5% 不是過去的 12–2 return,而是根據過去 12–2 ranking 建立 portfolio 後,下一期 winner-minus-loser 的 realized return。


MarketLens 最好不要把所有 momentum 資訊立即壓縮成一個數字。

可以保留:

Ticker: ORCL
MOM12_2 = 31.4%
ROC63 = 8.2%
MOM12_2 Percentile = 91

它們代表:

Academic-style medium-term momentum:

Pt−2Pt−13−1\frac{P_{t-2}}{P_{t-13}}-1

較近期、約 3 個月的 momentum:

ROC63=PtPt−63−1ROC63 = \frac{P_t}{P_{t-63}}-1

Oracle 的 12–2 momentum 相對整個 universe 的 ranking:

PercentileRank(MOM12−2)PercentileRank(MOM_{12-2})

例如:

MOM12_2 = 31.4%
ROC63 = 8.2%
MOM12_2 Percentile = 91

可以解讀為:

ORCL 在 academic 12–2 window 上升約 31.4%;較近期 63-session momentum 為 +8.2%;而它的 12–2 momentum 強過約 91% 的股票 universe。

這比立即將所有數字相加更清晰,也更適合逐個 backtest。


可以記住:

12 ⁣− ⁣2 Return→Cross-Sectional Ranking→Winner/Loser Portfolios→Future MOM Factor Return\boxed{ 12\!-\!2\ Return \rightarrow Cross\text{-}Sectional\ Ranking \rightarrow Winner/Loser\ Portfolios \rightarrow Future\ MOM\ Factor\ Return }

其中:

  • 12–2 Return = signal
  • Percentile / Rank = relative strength in the universe
  • Winner / Loser grouping = portfolio formation
  • Future WML return = academic momentum factor realization

這四個步驟不要混為同一個數字。


簡化寫法:

MOM=12(SmallHigh+BigHigh)−12(SmallLow+BigLow)MOM = \frac{1}{2}(SmallHigh+BigHigh) - \frac{1}{2}(SmallLow+BigLow)

這個定義非常適合用作 MarketLens 的 academic baseline。


4.3 Moskowitz & Grinblatt (1999):Industry Momentum

Section titled “4.3 Moskowitz & Grinblatt (1999):Industry Momentum”

論文:

Tobias Moskowitz & Mark Grinblatt (1999), Do Industries Explain Momentum?

核心思想:

股票 momentum 有一部分可能來自行業 momentum。

假設行業 (g) 有 (N_g) 隻股票:

Rg,t=∑i∈gwi,tRi,tR_{g,t} = \sum_{i \in g} w_{i,t}R_{i,t}

其中 (w_i) 可以 equal weight 或 value weight。

再計算行業 formation-period return:

MOMg,t=∏j=1J(1+Rg,t−j)−1MOM_{g,t} = \prod_{j=1}^{J}(1+R_{g,t-j})-1

然後:

  • Buy winning industries
  • Short losing industries

若 Oracle 本身 momentum 強,而且 software / technology industry momentum 同時強,訊號比只看單股更完整。


4.4 Lee & Swaminathan (2000):Momentum + Trading Volume

Section titled “4.4 Lee & Swaminathan (2000):Momentum + Trading Volume”

論文:

Charles Lee & Bhaskaran Swaminathan (2000), Price Momentum and Trading Volume.

他們指出 past trading volume 對 momentum 的 magnitude 和 persistence 有資訊。

常見 turnover 定義:

Turnovert=VolumetSharesOutstandingtTurnover_t = \frac{Volume_t}{SharesOutstanding_t}

多期平均:

Turnover‾N=1N∑j=0N−1Turnovert−j\overline{Turnover}_{N} = \frac{1}{N} \sum_{j=0}^{N-1}Turnover_{t-j}

研究上可將:

  • 過去 return momentum
  • 過去 turnover / volume

做 double sort。

例如:

VolumeRatio=VolumetSMA50(Volume)tVolumeRatio = \frac{Volume_t}{SMA_{50}(Volume)_t}

但要注意:

這個 VolumeRatio 是實務簡化版本,不是 Lee–Swaminathan 論文的唯一標準公式。


4.5 George & Hwang (2004):52-Week High Momentum

Section titled “4.5 George & Hwang (2004):52-Week High Momentum”

論文:

Thomas George & Chuan-Yang Hwang (2004), The 52-Week High and Momentum Investing.

核心 measure:

High52Ratioi,t=Pi,tmax⁡(Pi,t−251,…,Pi,t)High52Ratio_{i,t} = \frac{P_{i,t}} {\max(P_{i,t-251},\ldots,P_{i,t})}

範圍通常:

0<High52Ratio≤10 < High52Ratio \le 1

越接近 1:

現價越接近過去 52 周最高價。

例如:

  • 現價:95
  • 52-week high:100
High52Ratio=0.95High52Ratio=0.95

George & Hwang 用這個 ratio 排名股票,研究股票「距離 52-week high 有多近」是否能解釋未來回報。

你現在:

close >= 0.85 * high_252

即:

High52Ratio≥0.85High52Ratio \ge 0.85

這個方向與 52-week-high literature 是一致的,但 85% threshold 是你系統自己的 cutoff,不是 George & Hwang 的標準學術 cutoff。


4.6 Blitz, Huij & Martens (2011):Residual Momentum

Section titled “4.6 Blitz, Huij & Martens (2011):Residual Momentum”

論文:

David Blitz, Joop Huij & Martin Martens (2011), Residual Momentum.

先用 Fama–French factors 解釋股票 return:

Ri,t−Rf,t=αi+βi,MMKTt+βi,SSMBt+βi,HHMLt+ϵi,tR_{i,t}-R_{f,t} = \alpha_i + \beta_{i,M}MKT_t + \beta_{i,S}SMB_t + \beta_{i,H}HML_t + \epsilon_{i,t}

其中:

ϵi,t=Residual Return\epsilon_{i,t} = \text{Residual Return}

意思是:

把市場、size、value exposure 能解釋的部分拿走後,剩下的 firm-specific return。

研究通常用 rolling regression,例如 36 months。

之後計算過去 12 個月、通常跳過最近一個月的 residual momentum:

RMOMi,t=∑j=212ϵi,t−jσ(ϵi,t−12:t−2)RMOM_{i,t} = \frac{ \sum_{j=2}^{12}\epsilon_{i,t-j} }{ \sigma(\epsilon_{i,t-12:t-2}) }

也有研究以平均 residual return / residual volatility 表示。

普通 momentum:

TotalReturn=MarketEffect+FactorEffect+FirmSpecificEffectTotalReturn = MarketEffect + FactorEffect + FirmSpecificEffect

Residual momentum 嘗試集中於:

FirmSpecificEffectFirmSpecificEffect

4.7 Novy-Marx (2012):Intermediate-Horizon Momentum

Section titled “4.7 Novy-Marx (2012):Intermediate-Horizon Momentum”

論文:

Robert Novy-Marx (2012), Is Momentum Really Momentum?

一個很重要的結論是:

Momentum 的力量不一定主要來自最近幾個月;較早的 intermediate-horizon performance 很重要。

研究特別指出約 12 至 7 個月前的表現具有重要資訊。

可以建立:

MOM12−7=∏j=712(1+Rt−j)−1MOM_{12-7} = \prod_{j=7}^{12}(1+R_{t-j})-1

再與 recent momentum 比較:

MOM6−1=∏j=16(1+Rt−j)−1MOM_{6-1} = \prod_{j=1}^{6}(1+R_{t-j})-1

不要假設:

越近的 return 一定越重要。

你現在 weighted RS:

0.4R3m+0.2R6m+0.2R9m+0.2R12m0.4R_{3m} + 0.2R_{6m} + 0.2R_{9m} + 0.2R_{12m}

給 3-month 最大權重,是一個合理的自訂 heuristic,但 不等於 Novy-Marx 的 academic result。


4.8 Moskowitz, Ooi & Pedersen (2012):Time-Series Momentum

Section titled “4.8 Moskowitz, Ooi & Pedersen (2012):Time-Series Momentum”

經典論文:

Tobias Moskowitz, Yao Hua Ooi & Lasse Heje Pedersen (2012), Time Series Momentum.

這個方法非常接近 Trend Following。

看資產自己的過去 12 個月 excess return:

Signali,t=sign(Ri,t−12,texcess)Signal_{i,t} = sign(R^{excess}_{i,t-12,t})

即:

Signal={+1,Rpast12mexcess>0−1,Rpast12mexcess<0Signal= \begin{cases} +1, & R_{past12m}^{excess}>0 \\ -1, & R_{past12m}^{excess}<0 \end{cases}

論文使用 inverse volatility 調整倉位。

其經典形式:

Rt,t+1TSMOM,i=sign(Rt−12,ti)40%σtiRt,t+1iR^{TSMOM,i}_{t,t+1} = sign(R^i_{t-12,t}) \frac{40\%}{\sigma^i_t} R^i_{t,t+1}

其中:

  • (40%):單一 instrument 的目標年化波幅設定
  • (\sigma^i_t):估計的 ex-ante annualized volatility

40% 是論文中的 sizing convention,不是自然定律。

論文使用 exponentially weighted squared daily returns:

σt2=261∑j=0∞(1−δ)δj(rt−1−j−rˉt)2\sigma_t^2 = 261 \sum_{j=0}^{\infty} (1-\delta)\delta^j (r_{t-1-j}-\bar r_t)^2

而 (\delta) 被設定到令 weights 的 center of mass 約為 60 日。

這不是「哪一隻股票比其他股票強」。

它問:

這一個 instrument 自己的過去 return 是否為正?

所以:

  • Cross-sectional momentum = relative
  • Time-series momentum = absolute / directional

4.9 Asness, Moskowitz & Pedersen (2013):Value and Momentum Everywhere

Section titled “4.9 Asness, Moskowitz & Pedersen (2013):Value and Momentum Everywhere”

論文:

Clifford Asness, Tobias Moskowitz & Lasse Heje Pedersen (2013), Value and Momentum Everywhere.

研究將 momentum 概念放到多個 asset classes。

一般 cross-sectional momentum signal 可以寫成:

MOMi,t=Ri,t−12:t−2MOM_{i,t} = R_{i,t-12:t-2}

再在同一 asset class 內做排名:

Rank(MOMi,t)Rank(MOM_{i,t})

最高組做多,最低組做空。

重要意義:

Momentum 不只是一種單一美股 chart pattern,而是一個跨市場的 empirical phenomenon。


4.10 Fama & French (2012):International Momentum

Section titled “4.10 Fama & French (2012):International Momentum”

論文:

Eugene Fama & Kenneth French (2012), Size, Value, and Momentum in International Stock Returns.

他們研究 North America、Europe、Japan、Asia Pacific 等地區。

學術 implication:

  • Momentum 不是只在單一市場研究出現;
  • 但不同 region、size group 的效果並不完全相同;
  • 市場 / 國家差異不能忽略。

對 MarketLens:

若將來由 US 擴展到 HK / global,不應直接假設同一 threshold、同一 lookback、同一 percentile 都最適合。


4.11 Barroso & Santa-Clara (2015):Risk-Managed Momentum

Section titled “4.11 Barroso & Santa-Clara (2015):Risk-Managed Momentum”

論文:

Pedro Barroso & Pedro Santa-Clara (2015), Momentum Has Its Moments.

Momentum 的一大問題:

平時表現可以很好,但在某些 regime 會出現非常大的 crash。

Risk-managed momentum 的基本思想:

當 momentum strategy 自身波幅變高,降低 exposure。

一般化寫法:

wt=σ∗σ^MOM,tw_t = \frac{\sigma^*}{\hat{\sigma}_{MOM,t}}

其中:

  • (\sigma^*):target volatility
  • (\hat{\sigma}_{MOM,t}):momentum strategy 預測波幅

risk-managed return:

Rt+1RMOM=wtRt+1MOMR^{RMOM}_{t+1} = w_tR^{MOM}_{t+1}

即:

volatility 高 → position 小
volatility 低 → position 大


4.12 Daniel & Moskowitz (2016):Momentum Crashes

Section titled “4.12 Daniel & Moskowitz (2016):Momentum Crashes”

論文:

Kent Daniel & Tobias Moskowitz (2016), Momentum Crashes.

研究重點不是另一條簡單 momentum score,而是提醒:

Momentum 的風險具有 regime dependence。

特別需要觀察:

  • 市場之前是否大跌;
  • volatility 是否很高;
  • 是否發生急劇 rebound;
  • loser portfolio 是否突然強烈反彈。

因此一個成熟 MarketLens 不應只有:

MomentumScoreMomentumScore

而應該考慮:

MomentumScore+MarketRegime+VolatilityRegime+RiskControlMomentumScore + MarketRegime + VolatilityRegime + RiskControl


最基本趨勢工具:

SMAn(t)=1n∑j=0n−1Pt−jSMA_n(t) = \frac{1}{n} \sum_{j=0}^{n-1}P_{t-j}

例如:

SMA50=Pt+Pt−1+⋯+Pt−4950SMA_{50} = \frac{P_t+P_{t-1}+\cdots+P_{t-49}}{50}

最簡單 trend signal:

Signalt={+1,Pt>SMAn(t)−1,Pt<SMAn(t)Signal_t = \begin{cases} +1,& P_t>SMA_n(t)\\ -1,& P_t<SMA_n(t) \end{cases}

EMAt=αPt+(1−α)EMAt−1EMA_t = \alpha P_t + (1-\alpha)EMA_{t-1}

通常:

α=2n+1\alpha = \frac{2}{n+1}

EMA 對新價格反應較快。

MarketLens 現有 weekly MTF 使用:

  • EMA10
  • EMA30

就是 trend filtering。


設:

  • (MA_S):short moving average
  • (MA_L):long moving average

Signal:

Signalt=sign(MAS(t)−MAL(t))Signal_t = sign(MA_S(t)-MA_L(t))

即:

Signal={+1,MAS>MAL−1,MAS<MALSignal= \begin{cases} +1,& MA_S>MA_L\\ -1,& MA_S<MA_L \end{cases}

典型例子:

  • SMA50 > SMA200
  • EMA10 > EMA30
  • SMA20 > SMA50

更嚴格:

Pt>SMA50>SMA150>SMA200P_t>SMA_{50}>SMA_{150}>SMA_{200}

這是一種 trend structure / alignment,不是經典 cross-sectional momentum formula。


5.4 Brock, Lakonishok & LeBaron (1992):Moving Average / Trading Range Break

Section titled “5.4 Brock, Lakonishok & LeBaron (1992):Moving Average / Trading Range Break”

論文:

William Brock, Josef Lakonishok & Blake LeBaron (1992), Simple Technical Trading Rules and the Stochastic Properties of Stock Returns.

他們測試兩類經典 technical rules:

  1. Moving-average rules
  2. Trading-range breakout rules

Moving average rule 的一般形式:

BuyifMAshort>MAlongBuy \quad\text{if}\quad MA_{short}>MA_{long} SellifMAshort<MAlongSell \quad\text{if}\quad MA_{short}<MA_{long}

論文研究過多種 MA combinations,例如:

  • 1–50
  • 1–150
  • 5–150
  • 1–200
  • 2–200

亦測試帶 band 的版本,用來降低 whipsaw。

如果設定 band (b):

BuyifMAS>(1+b)MALBuy \quad\text{if}\quad MA_S>(1+b)MA_L SellifMAS<(1−b)MALSell \quad\text{if}\quad MA_S<(1-b)MA_L

5.5 Time-Series Momentum 作為 Trend Following

Section titled “5.5 Time-Series Momentum 作為 Trend Following”

Moskowitz–Ooi–Pedersen 的 TSMOM 本質上就是:

過去上升 → long
過去下降 → short

因此:

TrendSignal12m=sign(Rt−12,t)TrendSignal_{12m} = sign(R_{t-12,t})

這是一種「return-based trend filter」。

Moving average 則是一種「price-level-based trend filter」。

兩者不是表面完全相同,但可在更一般化的 linear-filter framework 下建立關係。


5.6 Hurst, Ooi & Pedersen (2017):Multi-Horizon Trend

Section titled “5.6 Hurst, Ooi & Pedersen (2017):Multi-Horizon Trend”

論文:

Brian Hurst, Yao Hua Ooi & Lasse Heje Pedersen (2017), A Century of Evidence on Trend-Following Investing.

他們使用:

  • 1-month trend
  • 3-month trend
  • 12-month trend

然後做 equal-weight combination。

每個 horizon:

Sh(t)=sign(Rt−h,texcess)S_h(t) = sign(R^{excess}_{t-h,t})

其中:

h∈{1,3,12} monthsh \in \{1,3,12\}\text{ months}

綜合 signal 可簡化表示:

Scombined=13(S1+S3+S12)S_{combined} = \frac{1}{3} (S_1+S_3+S_{12})

實際策略亦配合 volatility targeting。

不要只相信一個 horizon。

一隻股票可能:

  • 1m positive
  • 3m positive
  • 12m negative

代表短期反彈,但長期 trend 尚未恢復。


5.7 Levine & Pedersen (2016):Trend Filters 的統一框架

Section titled “5.7 Levine & Pedersen (2016):Trend Filters 的統一框架”

論文:

Ari Levine & Lasse Heje Pedersen (2016), Which Trend Is Your Friend?

他們指出:

  • Time-series momentum
  • Moving-average crossover
  • 其他 linear trend filters

在一般化形式下可以互相聯繫。

一個一般 linear trend signal:

St=∑k=1Kwkrt−kS_t = \sum_{k=1}^{K}w_k r_{t-k}

其中:

  • (r_{t-k}):過去 return
  • (w_k):每個 lag 的權重

不同 trend method,其實很多時只是:

對過去不同時間的 return 使用不同 weight pattern。

最簡單 TSMOM:

wk=1Kw_k=\frac{1}{K}

即過去所有期間大致同方向累積。

Moving-average crossover 則隱含一組不同的 positive / negative lag weights。

這個框架非常適合 MarketLens,因為你可以把:

  • ROC
  • MA crossover
  • EMA
  • multi-horizon trend

視作不同 filters,而不是完全獨立的「edge」。


論文:

Yufeng Han, Guofu Zhou & Yingzi Zhu (2016), A Trend Factor: Any Economic Gains from Using Information over Investment Horizons?

他們嘗試同時捕捉:

  • short-term trend
  • intermediate-term trend
  • long-term trend

研究使用多個 moving-average price signals,時間尺度由幾日至約 1,000 日,然後透過 cross-sectional regression 將多個 signals 統一到 forecasted returns,再形成 long-short trend factor。

抽象化表示:

R^i,t+1=at+∑h∈Hbh,tXi,t(h)\hat R_{i,t+1} = a_t + \sum_{h \in H} b_{h,t}X_{i,t}^{(h)}

其中:

  • (X^{(h)}):不同 horizon 的 moving-average / trend signal
  • (b_h):cross-sectional regression coefficient
  • (\hat R):forecasted return

再:

  • Long highest forecast group
  • Short lowest forecast group

一個「Trend Score」可以不是單一 SMA200,而是 multi-horizon ensemble。


這是 quantitative technical analysis 常用的方法。

對最近 (N) 日 log price:

yt=ln⁡(Pt)y_t=\ln(P_t)

設定:

yt=a+bt+ϵty_t=a+bt+\epsilon_t

OLS slope:

b=∑t=1N(t−tˉ)(yt−yˉ)∑t=1N(t−tˉ)2b = \frac{ \sum_{t=1}^{N}(t-\bar t)(y_t-\bar y) }{ \sum_{t=1}^{N}(t-\bar t)^2 }
  • (b>0):uptrend
  • (b<0):downtrend
  • (|b|) 越大:方向越陡

可轉 annualized slope:

TrendRate=e252b−1TrendRate = e^{252b}-1

亦可加入 (R^2):

TrendQuality=TrendRate×R2TrendQuality = TrendRate \times R^2

這樣可以區分:

  • 漲得快但很亂
  • 漲得穩而且持續

這是一個常見 quantitative implementation,不應誤標成 Jegadeesh–Titman 或 Moskowitz 的原始公式。


過去 (N) 日高位:

HHN(t)=max⁡(Ht−1,…,Ht−N)HH_N(t) = \max(H_{t-1},\ldots,H_{t-N})

過去 (N) 日低位:

LLN(t)=min⁡(Lt−1,…,Lt−N)LL_N(t) = \min(L_{t-1},\ldots,L_{t-N})

Breakout signal:

BuyifPt>HHN(t)Buy \quad\text{if}\quad P_t>HH_N(t) SellifPt<LLN(t)Sell \quad\text{if}\quad P_t<LL_N(t)

這屬於 trend-following / breakout family。


問題MomentumTrend
看什麼?過去 return / relative return價格方向與結構
是否一定要比較其他股票?Cross-sectional momentum:是不一定
是否只看自己的歷史?TSMOM:是通常是
常見公式ROC、12–2 return、rank、TSMOMMA、EMA、slope、breakout
強調continuation / relative winnerpersistent direction
可否一升一跌?可以可以
典型 horizon幾個月至一年幾日至多年都可以

Momentum 是「過去表現延續性」;Trend 是「價格方向結構」。

兩者可以高度相關,但不應在概念上完全合併。


指標公式 / 定義類型
ROC(P_t/P_{t-n}-1)Momentum
Log Return(\ln(P_t/P_{t-n}))Return
12–2 Momentum(R_{t-12:t-2})Cross-sectional Momentum
Rank / Percentilecross-sectional rankRelative Momentum
52w High Ratio(P_t/\max(P_{t-251:t}))Momentum / Anchor
RS Line(P_{stock}/P_{benchmark})Relative Strength
TSMOM(sign(R_{past}))Momentum + Trend
SMA(\frac1N\sum P)Trend
EMA(\alpha P_t+(1-\alpha)EMA_{t-1})Trend
MA Crossover(sign(MA_S-MA_L))Trend
SMA Slope((SMA_t-SMA_{t-k})/SMA_{t-k})Trend
Regression SlopeOLS slope of log priceTrend
Breakout(P_t>HH_N)Trend
Volatilitystd(return)(\sqrt{252})Risk
Volume Ratio(Volume/SMA(Volume))Confirmation
Residual MOMresidual return / residual volMomentum
Vol-Scaled MOM(\sigma^*/\hat\sigma \times MOM)Risk-managed Momentum

8. 如何把不同訊號標準化及比較

Section titled “8. 如何把不同訊號標準化及比較”

如果直接把:

  • ROC63 = 18%
  • High52Ratio = 0.94
  • MA slope = 0.03
  • RS percentile = 91

相加,是沒有統計尺度一致性的。

更好的方法:

對整個股票 universe:

PctRanki=ranki−1N−1PctRank_i = \frac{rank_i-1}{N-1}

範圍:

0≤PctRank≤10 \le PctRank \le 1

例如:

  • ROC percentile = 0.92
  • 52w-high percentile = 0.85
  • regression-trend percentile = 0.88

便可以比較。


zi=xi−μxσxz_i = \frac{x_i-\mu_x}{\sigma_x}

再 winsorize,例如:

zi∗=min⁡(3,max⁡(−3,zi))z_i^* = \min(3,\max(-3,z_i))

降低 outlier 影響。


例如:

MomentumScore=0.35Z(MOM12−2)+0.25Z(ROC63)+0.20Z(High52Ratio)+0.20Z(RS)MomentumScore = 0.35Z(MOM_{12-2}) + 0.25Z(ROC_{63}) + 0.20Z(High52Ratio) + 0.20Z(RS)

但這些 weights 是 模型設計選擇,需要回測驗證,不能稱為學術定律。


例如:

TrendScore=0.25SMAStack+0.25Z(Slope200)+0.25STSMOM+0.25SMultiTFTrendScore = 0.25S_{MAStack} + 0.25Z(Slope_{200}) + 0.25S_{TSMOM} + 0.25S_{MultiTF}

同樣需要 out-of-sample 驗證。


9. 你的 MarketLens edges.py 現有做法

Section titled “9. 你的 MarketLens edges.py 現有做法”

你目前 edge_momentum_trend() 大致包括:

Pt>SMA50P_t>SMA_{50}

+3 points。

SMA50>SMA150SMA_{50}>SMA_{150}

+3。

SMA150>SMA200SMA_{150}>SMA_{200}

+3。

程式比較:

SMA200,t>SMA200,t−31SMA_{200,t}>SMA_{200,t-31}

+3。

這是一個 Trend signal。


程式:

ROC63=PtPt−63−1ROC_{63} = \frac{P_t}{P_{t-63}}-1

實際 indexing 使用 64 個 close 位置來取得相隔 63 sessions 的價格。

Scoring:

  • (ROC63\ge15%):+4
  • (0<ROC63<15%):+2

這是 Momentum。


Pt≥0.85×High252P_t \ge 0.85 \times High_{252}

+2。

這與 George–Hwang 類別概念相近,但 85% threshold 是 MarketLens 自訂。


你程式另外有:

RSweighted=0.4R63+0.2R126+0.2R189+0.2R252RS_{weighted} = 0.4R_{63} + 0.2R_{126} + 0.2R_{189} + 0.2R_{252}

約等於:

  • 40% × 3-month return
  • 20% × 6-month
  • 20% × 9-month
  • 20% × 12-month

這是一個 custom multi-horizon momentum measure。

它不是 Jegadeesh–Titman、Carhart、Moskowitz–Ooi–Pedersen 的原始公式。


你另一個 edge 使用:

Weekly:

Priceweekly>EMA10Price_{weekly}>EMA_{10} EMA10>EMA30EMA_{10}>EMA_{30}

Daily:

Price>SMA20Price>SMA_{20} SMA20>SMA50SMA_{20}>SMA_{50}

這本質上是 Multi-Timeframe Trend。


10. MarketLens:建議把 Momentum 與 Trend 分拆

Section titled “10. MarketLens:建議把 Momentum 與 Trend 分拆”

你現在:

Momentum & Trend

其實可以拆成:

A. Momentum Edge
B. Trend Edge
C. Relative Strength Edge
D. Multi-Timeframe Trend Edge

這樣研究上更乾淨。


可以包括:

MOM12−2MOM_{12-2} ROC63ROC_{63} ROC126ROC_{126} High52RatioHigh52Ratio ResidualMomentumResidualMomentum

可以包括:

P>SMA200P>SMA_{200} SMA50>SMA150>SMA200SMA_{50}>SMA_{150}>SMA_{200} Slope(SMA200)>0Slope(SMA_{200})>0 sign(R12m)sign(R_{12m}) sign(R1m)+sign(R3m)+sign(R12m)sign(R_{1m})+ sign(R_{3m})+ sign(R_{12m})

你現有 RS line:

RSLinet=Pstock,tPbenchmark,tRSLine_t = \frac{P_{stock,t}}{P_{benchmark,t}}

如果:

RSLinet≥max⁡(RSLinet−251:t−1)RSLine_t \ge \max(RSLine_{t-251:t-1})

代表 relative-strength line 創 52-week high。

另外使用 market-wide percentile:

RSPercentile=PercentileRank(Momentumi)RSPercentile = PercentileRank(Momentum_i)

會更接近 cross-sectional academic logic。


這對 MarketLens 很重要。

如果同時給分:

  • Price > SMA50
  • SMA50 > SMA150
  • SMA150 > SMA200
  • SMA20 > SMA50
  • EMA10 > EMA30
  • ROC63 positive
  • 52-week high
  • 12m TSMOM positive

它們很可能都在量度同一個 latent variable:

prices have been going up

因此表面有「8 個 edges」,實際可能只有 2–3 個獨立資訊來源。

回測所有 signals:

Corr(Signali,Signalj)Corr(Signal_i,Signal_j)

如果:

Corr>0.8Corr>0.8

便要懷疑 double counting。


可分:

  1. Momentum
  2. Trend
  3. Relative Strength
  4. Volume / Participation
  5. Volatility / Contraction
  6. Market Regime
  7. Risk / Reward

每個 bucket 先算自己的 score,再 combine。


方法三:Regression / Incremental Information

Section titled “方法三:Regression / Incremental Information”

例如:

FutureReturn=α+β1MOM+β2TREND+β3RS+β4VOL+ϵFutureReturn = \alpha + \beta_1 MOM + \beta_2 TREND + \beta_3 RS + \beta_4 VOL + \epsilon

看加入新 signal 後:

  • (t)-stat 有沒有增加
  • out-of-sample IC 有沒有增加
  • Sharpe 是否增加
  • drawdown 是否改善

12. 回測方法:如何知道一條公式真的有 Edge

Section titled “12. 回測方法:如何知道一條公式真的有 Edge”

不能因為論文出現過就直接假設你目前 universe 一定有效。

用今日 signal 預測未來 return:

IC=Corr(Signalt,FutureReturnt+h)IC = Corr(Signal_t,FutureReturn_{t+h})

可使用:

  • Pearson IC
  • Spearman Rank IC

Cross-sectional signals 通常很適合 Spearman IC。


把股票按 signal 分:

  • Q1:最弱
  • Q2
  • Q3
  • Q4
  • Q5:最強

檢查:

Return(Q5)−Return(Q1)Return(Q5)-Return(Q1)

是否穩定為正。


HitRate=#{FutureReturn>0}NHitRate = \frac{ \#\{FutureReturn>0\} }{ N }

但只看 hit rate 不夠。


E=P(win)×AvgWin−P(loss)×AvgLossE = P(win)\times AvgWin - P(loss)\times AvgLoss

策略 edge 最終要回到 expectancy。


Sharpe=E[Rp−Rf]σ(Rp−Rf)Sharpe = \frac{ E[R_p-R_f] }{ \sigma(R_p-R_f) }

Equity peak:

Peakt=max⁡s≤tEquitysPeak_t=\max_{s\le t}Equity_s

Drawdown:

DDt=EquitytPeakt−1DD_t = \frac{Equity_t}{Peak_t}-1

Max Drawdown:

MDD=min⁡tDDtMDD=\min_t DD_t

不要只在同一 dataset:

  1. 找 threshold
  2. 測 threshold
  3. 宣布有效

應該:

Train period
↓
Parameter selection
↓
Validation period
↓
Lock model
↓
Out-of-sample test

真實回報:

NetReturn=GrossReturn−Commission−Spread−Slippage−MarketImpactNetReturn = GrossReturn - Commission - Spread - Slippage - MarketImpact

Momentum / trend strategy 如果 turnover 高,成本尤其重要。


假設一隻股票:

數值Value
Current Price120
63d ago100
126d ago92
189d ago88
252d ago80
SMA50112
SMA150101
SMA20095
SMA200 31d ago92
52w high125

ROC63=120100−1=20%ROC63 = \frac{120}{100}-1 = 20\%

Momentum 強。


High52Ratio=120125=0.96High52Ratio = \frac{120}{125} = 0.96

即距離 52-week high 只有 4%。


120>112>101>95120>112>101>95

符合:

Price>SMA50>SMA150>SMA200Price>SMA50>SMA150>SMA200

簡化:

Slope200,31=9592−1=3.26%Slope_{200,31} = \frac{95}{92}-1 = 3.26\%

長期 trend 向上。


3m:

R63=20%R_{63}=20\%

6m:

R126=120/92−1=30.43%R_{126} = 120/92-1 = 30.43\%

9m:

R189=120/88−1=36.36%R_{189} = 120/88-1 = 36.36\%

12m:

R252=120/80−1=50%R_{252} = 120/80-1 = 50\%

因此:

WeightedRS=0.4(0.20)+0.2(0.3043)+0.2(0.3636)+0.2(0.50)WeightedRS = 0.4(0.20) + 0.2(0.3043) + 0.2(0.3636) + 0.2(0.50) WeightedRS≈31.35%WeightedRS \approx31.35\%

注意:

這個 31.35% 是 custom weighted momentum number,不是 annual return,也不是 percentile,除非你再拿它與整個 universe 比較。


年份學者研究核心方法
1992Brock, Lakonishok, LeBaronSimple Technical Trading RulesMA crossover、trading-range breakout
1993Jegadeesh, TitmanWinners vs LosersCross-sectional J/K momentum
1997CarhartFour-Factor Model加入 momentum factor
1999Moskowitz, GrinblattIndustry Momentum行業 winners / losers
1999Hong, SteinUnderreaction / OverreactionMomentum 理論機制
2000Lee, SwaminathanMomentum + VolumeVolume 解釋 momentum persistence
2004George, Hwang52-Week HighPrice / 52-week-high ratio
2011Blitz, Huij, MartensResidual MomentumFactor-adjusted residual momentum
2012Novy-MarxIntermediate Horizon強調 12–7 月前資訊
2012Moskowitz, Ooi, PedersenTime-Series Momentumsign(past return) + vol scaling
2012Fama, FrenchInternational Momentum跨 region momentum
2013Asness, Moskowitz, PedersenMomentum Everywhere跨 asset class
2015Barroso, Santa-ClaraRisk-Managed Momentumvolatility-managed exposure
2016Daniel, MoskowitzMomentum Crashesregime-dependent crash risk
2016Levine, PedersenWhich Trend Is Your Friend?TSMOM / MA / linear filters
2016Han, Zhou, ZhuTrend Factormulti-horizon moving-average information
2017Hurst, Ooi, PedersenCentury of Trend Following1m/3m/12m TSMOM

如果 MarketLens 要由現時 heuristic 慢慢變成研究型系統,我會按以下次序:

Phase 1 — 保留你現有模型,但分拆分類

Section titled “Phase 1 — 保留你現有模型,但分拆分類”
Momentum
Trend
Relative Strength
MTF
Volume / Price Action
Market
Risk

Phase 2 — 加 Academic Momentum Baseline

Section titled “Phase 2 — 加 Academic Momentum Baseline”

先加入:

MOM12−2MOM_{12-2}

及:

CrossSectionalPercentile(MOM12−2)CrossSectionalPercentile(MOM_{12-2})

因為這是很重要的 academic benchmark。


加入:

sign(R1m),sign(R3m),sign(R12m)sign(R_{1m}), \quad sign(R_{3m}), \quad sign(R_{12m})

建立 multi-horizon trend。


Phase 4 — 把 Trend 變成 Continuous Score

Section titled “Phase 4 — 把 Trend 變成 Continuous Score”

不再只有:

pass / fail

而是:

TrendStrength=f(MA slope, regression slope, R2, MA alignment)TrendStrength = f(MA\ slope,\ regression\ slope,\ R^2,\ MA\ alignment)

測試:

ROC63
MOM12-2
High52
RS percentile
SMA slope
TSMOM12
MTF

之間的 correlation。

移除高度重複的訊號。


不要直接問:

哪個 weight 最好?

而要問:

哪個 weight 在 out-of-sample 不同年份、不同 market regime 仍然穩定?


  1. Academic evidence 不代表未來一定有效。
  2. 不同市場、年代、交易成本會改變結果。
  3. Momentum 本身存在 crash risk。
  4. Trend signals 有 lag。
  5. 短期 MA 很容易 whipsaw。
  6. Cross-sectional momentum 必須定義 universe。
  7. Survivorship bias 會嚴重誇大結果。
  8. Look-ahead bias 必須完全避免。
  9. Delisted stocks 不應從歷史 universe 消失。
  10. Price data 最好使用調整後價格處理 split / dividend,但要與研究目的保持一致。
  11. 不能用同一 period 同時 tune 和 evaluate。
  12. 多個 highly correlated signals 不應重複當成多個獨立 edges。
  13. 所有 threshold,例如 ROC63 >= 15%、near high >= 85%,都應標示為 model parameter,而不是自然法則。
  14. 論文中的 long-short portfolio 不等於你實際只做 long-only stock picking 時會得到相同結果。

  1. Jegadeesh, N. & Titman, S. (1993). Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency. The Journal of Finance, 48(1), 65–91.
    https://doi.org/10.1111/j.1540-6261.1993.tb04702.x
    PDF mirror: https://www.bauer.uh.edu/rsusmel/phd/jegadeesh-titman93.pdf

  2. Carhart, M. M. (1997). On Persistence in Mutual Fund Performance. The Journal of Finance, 52(1), 57–82.
    https://doi.org/10.1111/j.1540-6261.1997.tb03808.x

  3. Kenneth R. French Data Library. Momentum Factor (Mom) / Prior (2–12) Return.
    https://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html
    Momentum construction: https://mba.tuck.dartmouth.edu/pages/faculty/ken.french/Data_Library/det_mom_factor.html

  4. Moskowitz, T. J. & Grinblatt, M. (1999). Do Industries Explain Momentum? The Journal of Finance, 54(4), 1249–1290.
    https://doi.org/10.1111/0022-1082.00146

  5. Lee, C. M. C. & Swaminathan, B. (2000). Price Momentum and Trading Volume. The Journal of Finance, 55(5), 2017–2069.
    https://doi.org/10.1111/0022-1082.00280

  6. George, T. J. & Hwang, C.-Y. (2004). The 52-Week High and Momentum Investing. The Journal of Finance, 59(5), 2145–2176.
    https://doi.org/10.1111/j.1540-6261.2004.00695.x
    PDF: https://www.bauer.uh.edu/tgeorge/papers/gh4-paper.pdf

  7. Blitz, D., Huij, J. & Martens, M. (2011). Residual Momentum. Journal of Empirical Finance, 18(3), 506–521.
    https://doi.org/10.1016/j.jempfin.2011.01.003

  8. Novy-Marx, R. (2012). Is Momentum Really Momentum? Journal of Financial Economics, 103(3), 429–453.
    https://doi.org/10.1016/j.jfineco.2011.05.003

  9. Fama, E. F. & French, K. R. (2012). Size, Value, and Momentum in International Stock Returns. Journal of Financial Economics, 105(3), 457–472.
    https://doi.org/10.1016/j.jfineco.2012.05.011

  10. Asness, C. S., Moskowitz, T. J. & Pedersen, L. H. (2013). Value and Momentum Everywhere. The Journal of Finance, 68(3), 929–985.
    https://doi.org/10.1111/jofi.12021
    PDF: https://pages.stern.nyu.edu/~lpederse/papers/ValMomEverywhere.pdf


  1. Moskowitz, T. J., Ooi, Y. H. & Pedersen, L. H. (2012). Time Series Momentum. Journal of Financial Economics, 104(2), 228–250.
    https://doi.org/10.1016/j.jfineco.2011.11.003
    PDF: https://w4.stern.nyu.edu/facdir/lpederse/papers/TimeSeriesMomentum.pdf

  2. Levine, A. & Pedersen, L. H. (2016). Which Trend Is Your Friend? Financial Analysts Journal, 72(3).
    https://doi.org/10.2469/faj.v72.n3.3

  3. Han, Y., Zhou, G. & Zhu, Y. (2016). A Trend Factor: Any Economic Gains from Using Information over Investment Horizons? Journal of Financial Economics, 122(2), 352–375.
    https://doi.org/10.1016/j.jfineco.2016.01.029

  4. Hurst, B., Ooi, Y. H. & Pedersen, L. H. (2017). A Century of Evidence on Trend-Following Investing. The Journal of Portfolio Management, 44(1).
    SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2993026
    PDF: https://fairmodel.econ.yale.edu/ec439/hurst.pdf

  5. Brock, W., Lakonishok, J. & LeBaron, B. (1992). Simple Technical Trading Rules and the Stochastic Properties of Stock Returns. The Journal of Finance, 47(5), 1731–1764.
    https://doi.org/10.1111/j.1540-6261.1992.tb04681.x


  1. Barroso, P. & Santa-Clara, P. (2015). Momentum Has Its Moments. Journal of Financial Economics, 116(1), 111–120.
    https://doi.org/10.1016/j.jfineco.2014.11.010

  2. Daniel, K. & Moskowitz, T. J. (2016). Momentum Crashes. Journal of Financial Economics, 122(2), 221–247.
    https://doi.org/10.1016/j.jfineco.2015.12.002

  3. Hong, H. & Stein, J. C. (1999). A Unified Theory of Underreaction, Momentum Trading, and Overreaction in Asset Markets. The Journal of Finance, 54(6), 2143–2184.
    https://doi.org/10.1111/0022-1082.00184


最重要的結論可以濃縮成四句:

  1. Momentum ≠ Trend。
  2. Cross-sectional momentum 是「股票之間的相對排名」。
  3. Time-series momentum 是「資產自己過去方向的延續」,因此與 trend following 非常接近。
  4. MarketLens 最好把 Momentum、Trend、Relative Strength、MTF 分開計算,再在 composite layer 合併,而不是把所有上升型訊號全部當成獨立 edge 重複加分。

對 MarketLens 而言,一個比較乾淨的研究架構可以是:

Price Data
│
├── Momentum
│ ├── MOM 12–2
│ ├── ROC63 / ROC126
│ └── 52-Week High
│
├── Trend
│ ├── MA Stack
│ ├── MA Slope
│ ├── Regression Slope
│ └── TSMOM 1m / 3m / 12m
│
├── Relative Strength
│ ├── Stock / Benchmark RS Line
│ └── Cross-sectional Percentile
│
├── Confirmation
│ ├── Volume
│ ├── Breakout
│ └── Multi-Timeframe
│
└── Risk / Market Regime
├── Volatility
├── Broad Market
├── Drawdown
└── Position Sizing

這樣每個 edge 的數學意義會清楚很多,也更容易逐一 backtest,判斷它究竟提供新的 information,還是只是在重複計算同一個 trend。