多时域移动平均动量因子 (trend-factor)
Description: 该因子通过计算不同时间窗口的移动平均价格，并进行标准化处理，以捕捉股票在不同时间尺度上的趋势动量效应。该因子基于多时域的移动平均值，通过回归分析，拟合不同时间跨度的动量信号对股票收益的贡献。最终，通过加权求和不同时域的因子暴露，得到最终的预测收益率。 Explanation: 多时域移动平均动量因子通过分析不同时间窗口的移动平均线，捕捉股票在短期、中期和长期不同时间尺度下的动量或反转效应。通过回归模型，量化不同时域的动量信号对股票收益的贡献，并根据过去12个月的因子收益率估计未来因子收益率。最终利用不同时域的因子暴露和预期因子收益率的加权和，预测股票的未来收益。 该因子结合了不同时间尺度的信息，可以更好地捕捉股票的趋势和动量效应。该因子在多因子模型构建中具有较好的解释能力和预测能力。 Tags: 技术因子
Formulas
移动平均价格:
MA_{j,t,L} = \frac{\sum_{k=d-L+1}^{d} P_{j,k}^{t}}{L}
标准化移动平均价格：
M\bar{A}_{j,t,L} = \frac{MA_{j,t,L}}{P_{j,d}^{t}}
回归模型：
r_{j,t} = \beta_{0,t} + \sum_{i} \beta_{i,t}M\bar{A}_{j,t-1,L_i} + \epsilon_{j,t}
预期因子收益率：
E_t[\beta_{i,t+1}] = \frac{1}{12} \sum_{m=1}^{12} \beta_{i,t+1-m}
收益率预测值：
E[r_{j,t+1}] = \sum_{i} E_t[\beta_{i,t+1}]M\bar{A}_{j,t,L_i}
Formula Explanation
其中：
- : 股票 j 在第 t 月的第 k 个交易日的收盘价。k的取值范围为[d-L+1,d], d 为当月最后一天交易日。
- : 移动平均的窗口宽度，即计算移动平均值所使用的时间跨度，例如5天、10天、20天等。不同的L值代表不同的时间尺度。
- : 股票 j 在第 t 月，以 L 为窗口宽度的移动平均价格。它反映了在特定时间窗口内，股票价格的平均水平。
- : 标准化后的移动平均价格。通过将移动平均价格除以当月最后一个交易日的收盘价，消除了不同股票价格绝对值的差异，使不同股票的移动平均值具有可比性。
- : 股票 j 在第 t 期的收益率。这里一般指的是月度收益率，计算公式为 。
- : 在第 t 期，由回归模型估计出的，第 i 个时间窗口 的标准化移动平均价格 的因子收益率（或因子载荷）。它代表了该时间窗口的动量信号对股票收益的贡献。
- : 回归模型中的误差项，反映了模型未能解释的收益率部分。
- : 基于过去12个月的因子收益率的平均值，得到的对下一个月因子收益率的预期值。使用过去一段时间的因子收益率均值作为未来因子收益率的估计，利用了因子收益率的均值回复特性。
- : 基于各时间窗口移动平均值及预期因子收益率，计算出的股票 j 在下一期（t+1）的预期收益率。它综合考虑了不同时间尺度下的动量信号对未来收益率的影响。
Related Factors
- 多周期标准化移动平均动量因子 (momentum-factor)
- 排序动量因子 (momentum-based-on-ranking)
- 时间序列动量 (TSMOM) (time-series-momentum)
- 基本面趋势预期收益率 (fundamentals-implied-benefits)
- 过去K个月累计收益率动量因子 (momentum)
- 月度收益季节性动量因子 (seasonal-returns)
- CAPM残差动量因子 (residual-momentum-capm)
- Fama-French三因子模型残差动量 (residual-momentum-ff3)
- 行业领头羊动量溢价因子 (industry-momentum-factor)
- 二阶动量加速度因子 (acceleration-momentum)
