刊于《信报》，2025年7月19日
股票间收益如何相互影响？
余家林
科大商学院金融学系副教授
愈来愈多研究文献表明，一只股票过去的收益，可以预测与之关联的其他公司股票收益。这种跨股票收益动量（cross-stock return momentum）存在于同行同业、供应链和同一地理位置的关联公司股票之中；而「领先-滞后」的关系（lead-lag relation）也出现于使用相似技术，或生产互补产品等的公司之间；亦有学者研究了大型股票的收益，是否领先于小型股票的收益。
诚然，过去有不少学者探讨过股票间收益的相互影响，但在理解上仍然存在明显差异。笔者对「跨股票动量」（cross-stock momentum）研究，采用一种新颖的数据驱动方式，取得了更为完备的跨股票动量。这项研究结果对股票之间的相互作用，以及这些相互作用如何影响回报，给出了一个更细致和崭新的解释。笔者相信，研究发现对投资策略有一定启迪和参考，有助投资者通过关注「股票间关系」，而不仅仅依赖传统的「因子动量」（factor momentum）策略，来优化投资回报。
从「跨股票关联」入手分析
究竟先前关于「跨股票动量」研究是否已经明确了股票之间领先-滞后关联的主要特征，抑或数据中仍然隐藏着一些重要特征？笔者联同中国人民大学商学院财务与金融系助理教授闫景达，携手进行深入探讨。
首先，我们从理论上剖析跨股票关联（Cross stock linkage），而关联由「非对称成分」和「对称成分」所组成。两只股票之间的「非对称关联」，可分解为「领先股对滞后股的高关联」，以及「滞后股对领先股的低关联」，这反映了领先-滞后关系的「横截面差异」。 至于「对称关联」则取决于长期和短期同期联动之间的差异，这反映了它们的时间序列特性。值得指出，跨股票关联的不对称性将「跨股票动量」与「因子动量」区别开来。
利用「主投资组合」建关联网络
在此向读者简单阐释一些与本文讨论相关的专业述语。在计量经济学中，「横截面数据」是指在某一时点收集不同对象的数据，研究在某一时点上某种现象，突出对象的差异；而「时间序列数据」则是指对同一对象在不同时间连续观察所取得的数据，聚焦研究对象在时间顺序上的变化，观察对象发展的规律。
我们采用了学者Malamud B. Kelly于2023发表的论文〈Principal Portfolios〉所提出的「主投资组合」（Principal Portfolios ‧PP）方法，去构建数据驱动的跨股票关联网络。我们利用横截面上所有股票的信号，构建预测矩阵，以预测未来股票收益。
研究发现，跨股票收益具有显著的可预测性。在1926年至2018年的样本期内，数据驱动的跨股票动量，可以产生每月1.62% 的阿尔法值（Alpha）。在此补充说明，Alpha 收益是指除市场收益之外，那些不随市场波动所产生的收益这部分，而先前研究的跨股票动量，并未包含这种可预测性，反映数据驱动得出的「跨股票动量」，揭示和弥补了过往文献分析的缺漏。此外，我们的研究发现，在控制了因子动量后，跨股票动量的Alpha 收益仍然显著。研究结果清楚显示跨股票动量并非完全由因子动量驱动。
规模大股票预测功能更强
根据学者R.D. Arnott 等于 2023年发表的〈Factor Momentum〉论文，认为因子动量包含了「行业动量」（Industry momentum‧指在金融市场中，某些行业的股票作为一个整体，在经历了一段时间的强势表现（或弱势表现）后，倾向在接下来的一段时间内，继续保持这种表现的现象）。然而，我们利用行业关联的不对称性发现了显著的 alpha 值。经进一步探究，我们发现，Arnott 等学者使用的价值加权行业收益，放大了行业联系不对称性中的错误设定。行业关联强调了规模的不对称性，其中规模较大的股票在预测同一行业中其他股票的未来收益方面，比规模较小的股票更重要。换言之，与规模较小的股票相比，规模较大的股票收益，在预测同一行业其他股票的未来收益方面更为重要。
「非对称性」关联起核心作用
另一方面，我们研究了跨股票动量如何促进因子动量。我们利用跨股票关联不对称性进行分析，发现因子动量的收益主要来自高关联股票组合。此外，我们的分析表明，主要负责回报可预测性的跨股票联系，随时间变化频率大约与商业周期频率相同。
总的来说，我们这项研究揭示了「非对称性」在股票关联中的核心作用。过往的跨股票动量研究或假设对称性关联，或采用等权/市值加权设定非对称性——这种设定可能存在偏误。我们的研究清楚显示，构建关联网络时，精细化不称性设定，既可增强跨股票动量效应，又能把跨股票动量与因子动量有效区分开来。这些研究发现，相信对投资者作投资决策时具一定参考价值。有兴趣详阅研究细节的读者，可参考我们的论文——" Cross-stock momentum and factor momentum”。