【量化因子】海外文献推荐：基差动量 作者：吴先兴（分析师） 文章来源：量化先行者 摘要 文献来源：Boons, M., & Prado, M. P.  (2... 

来源：雪球App，作者： fofpower，（https://xueqiu.com/6044883229/141673257）

作者：吴先兴（分析师）

文章来源：量化先行者

摘要

文献来源：Boons, M., & Prado, M. P.  (2019). Basis-momentum. The Journal of Finance.

推荐原因：本文引入了一个与期货期限结构的斜率和曲率相关的收益预测因子：基差动量。无论是在时间序列还是横截面维度，基差动量在预测商品现货和期限溢价方面都强于基准因子。此外，基差动量在按商品分类的投资组合和单个商品中均被定价。我们认为，当投机者和中介机构的市场清算能力受到损害时，基差动量能捕捉到期货合约出现的供求失衡，它代表了对定价风险的一种补偿。我们的发现与基于可存储性、库存和对冲压力的其他解释并不一致。

1. 简介

在本文中，我们介绍了一个从期货期限结构衍生出来的特征，我们称之为“基差动量”。基差动量是可以直接预先观察到的，且无论是从横截面、时间序列还是跨期限维度，它都是迄今为止对商品收益率预测能力最强的指标。大量文献都是沿着这些维度研究股票和债券的风险溢价。我们证明，目前所研究的最广泛的商品截面数据包含了基差动量因子的影响。随后进一步探讨了可能的解释，并认为基差动量效应与来自投机者和金融中介在大宗商品市场中的定价风险最为一致。这些对资产定价的影响对从业人员也很重要，因为最近的金融化已导致机构对大宗商品进行了大量和日益活跃的投资。

基差动量是通过最近月和次近月期货合约之间的动量差来衡量的，可以分解为期货曲线平均曲率和斜率的变化。已知期货曲线在短期通常更陡峭，那么容易发现曲率可以正向预测近月收益和套利收益（近期合约和到期较远的合约的多空头寸）。同样地，斜率变陡的持续趋势可以预测近期合约的绝对收益和相对远期合约的超额收益。

Karstanje等人(2015)认为商品期货曲线的动态变化过程与债券市场一样，是由三个因素驱动的：水平、斜率和曲率。然而，我们的证据表明，基差动量因子是预测收益的唯一最佳指标。同理，Cochrane和Piazzesi (2005)发现远期利率的单个帐篷型函数是预测债券收益的最佳指标，最近关于期限结构的研究将这种帐篷型因子作为模型匹配的额外特征，从而将预期收益和收益率的因子结构联系起来。

对1959年以来的21种大宗商品进行分类，我们发现高、低基差动量投资组合的年平均收益率相差很大，分别为18.38% (t =6.73)和4.08% (t = 6.43)。这些回报分别转化为0.9倍的夏普比率和捕获到的大宗商品的现货溢价和期限溢价。在控制了不同商品间系统性差异的综合回归中，基差动量每增加一倍标准差预测近月(套利)收益大幅增长10.23%(2.29%)。基准预测指标，如基差和动量，在单独测试的情况下要弱得多，在因子组合测试中则被基差动量所包含。

附加测试表明曲率和斜率的变化都有助于增加基差动量的可预测性，但曲率的作用最大。这一发现很重要，因为基差和动量与曲率并无直接关系。此外，基差动量施加的限制，即在曲线上不同点测量的动量差异更胜于单一动量测量，这点也得到了数据的支持。最后，从第一到第四个到期合约是收益证据表明，基差动量的可预测性是特定于到期日的。

记录所有这些不同维度的基差动量可预测性的强度是我们的第一个贡献。我们的第二个贡献是在最近的文献中，根据Fama和French(1993)的思想，构建了商品因子定价模型：基差动量近月和套利因子。在时间序列回归中，相对于Szymanowska等人(2014)和Bakshi、Gao和Rossi等人(2017)的三因素模型，基差动量因子产生了较大的阿尔法。这些模型包括商品市场、基差和动量因子。我们使用一系列投资组合(按特征和行业分类)或单个商品的近月和套利收益进行资产定价测试。我们发现，近期基差动量因素的敞口捕获了与基准因素正交的定价风险。基差动量风险溢价接近该因素的样本平均回报。事实上，一个包含商品市场因素和近期基差动量因素的双因素模型提供了一个类似于较大的三因素和四因素模型的截面拟合。与该模型中的两个因素相比，我们发现附加因素的定价性能对资产定价测试的技术参数非常敏感。

我们的第三个也是最后一个贡献是探索基差动量的经济决定因素。我们认为，经典的库存理论、正常现货溢价和对冲压力理论不太可能解释这种效应。对于库存，我们提出三个结论。首先，对于高库存或低库存和可储存性的商品，基差动量效应是相似的。其次，控制基差、动量和波动，以基差动量预测回报，这是基于价格衡量持仓风险。第三，基差动量可以预测货币、股票和债券指数的回报，也就是可以无成本存储的金融资产。虽然大宗商品价格上涨更强劲，但其他资产价格上涨的影响表明，基差动量在资产定价中受到普遍关注。关于对冲压力，我们也注意到以往学者很少提到的到期特有的影响。此外，根据经验，基差动量对对冲压力的控制是稳健的。

我们还分析了市场清算能力更多地依赖于投机者和金融中介的解释。我们认为，当投机者有许多套利头寸时，基差动量的可预测性会大大增强。这种“套利压力”也单独预测了大宗商品的回报，这是文献中的一个新结果。套利压力的内容信息与波动率和流动性在解释基差动量起作用的观点上是一致的。在高波动性时期，投机者可能不愿进行定向投资。此外，Kang、Rouwen- horst和Tang(2016)认为，投机者的交易往往涉及获取流动性，在为套利头寸的情况下，这意味着在单一商品的曲线内存在价格差异影响。

为了研究流动性、波动性和基差动量之间的关系，我们采用了Brunnermeier、Nagel和Pedersen(2008)和Nagel(2012)的方法，他们同样研究了套利交易和短期反转策略。Brunnermeier和Pedersen(2009)等人认为，当流动性紧张时，投机者不愿建立出清市场的头寸，从而增加了波动性。相反，当基本面波动增加时，流动性下降。由于我们的研究结果表明，特定商品的波动率不会驱动基差动量效应，因此我们使用对商品市场总体波动率的衡量来检验这些观点。实证结果表明，在滞后波动中，近期和套利的基差动量收益呈递增趋势。因此，证据与如下的解释相一致：基差动量指的是投机者对流动性供应的回报，他们吸收了期货合约供求的不平衡，而这些回报在波动性中不断增加。

受波动率风险相关文献的启发，我们证明了波动率冲击对商品市场风险价格的负面影响，这意味着投资者愿意为波动率的增加支付保险。以夏普比率计算，风险预估价格为- 0.65，与其他资产类别和基差动量策略的预估一致。在组合测试中，由于波动率包含在基差动量中，我们的证据支持这样的解释：基差动量风险获取了溢价，因为它使投资者暴露在波动率风险定价中。

上述结果并不一定意味着波动率是唯一相关的状态变量。更有可能的是，波动性还代表了与投机者和金融中介机构出清市场能力相关的潜在状态变量。揭示这些状态变量是困难的，因为流动性是多维的和不可观察的。然而我们证明，市场和资金流动性风险的常见代理变量在大宗商品市场被定价，并再次被基差动量所解释。此外，流动性差的大宗商品的基差动量效应更强。

最后，我们测试基差动量是否与金融中介资本风险以及下行市场风险相关。这两个风险因子都在大宗商品的横截面数据中被定价，与之前一系列资产类别的证据相符。我们对金融中介因子的风险价格估计与杠杆约束中介的理论一致；然而，在组合测试中，基差动量包含了这些风险因子蕴含的定价信息。

总体而言，当投机者和金融中介机构的市场清算能力受损时，期货合约在期货曲线内和曲线间出现供需失衡，基差动量效应也与此一致。此时基差动量的使用是有风险的，因为当波动性和非流动性突然增加，且市场回报率较低时，这种策略会招致损失。我们证明，这些风险因子在大宗商品市场上的定价比我们以前所知道的要广泛得多，这是对独立于基差动量文献的贡献。

2. 数据和变量定义

在本节中，我们将进行数据说明并定义基差动量。

2.1. 商品期货数据与收益

我们从商品研究局(CRB)收集交易所交易的流动商品期货合约数据。Szymanowska等(2014)对1986 - 2010年的21种商品期货进行了研究。我们对这个数据集进行了扩展，从1959年7月开始(CRB数据首次可用)，到2014年2月结束。我们还补充了11种大宗商品的数据，包括天然气等一些大型市场。

我们计算一个完全担保的期货头寸的月超额回报，

2.2. 变量定义

已有文献表明基差(Bt)和动量(Mt)

可预测期货近月收益。多数文献表明，基差和动量是测试任何新特性是否具有边际预测效果的最重要基准。

我们将基差动量定义为第一和第二近期货合约动量的差异，

基差动量包含关于期货曲线形状的重要信息，这是由投资者(套期保值者、投机者、中介机构，以及最近的指数投资者)在不同的水平上建立头寸所决定的。为了解原因，我们使用第一和第二邻近的对数期货收益的定义，将基差动量写成

3. 基差动量能够预测收益吗?

在本节中，我们将检验基差动量是否可以在不同维度上预测收益。

3.1. 单变量排序

下表面板A显示了High4- Low4投资组合的高平均近期回报率，这在所有三种投资组合中都是显著的。从经济和统计的角度来看，基差动量的影响最大，为18.38% (t = 6.73)，而基差为10.61% (t = 3.88)，动量为15.02% (t = 4.61)。面板B显示，只有在基差动量为4.08% (t = 6.43)的情况下，利差收益才会有较大且显著的影响。无论是近期收益还是套利收益，基差动量效应都是单调的，夏普比率约为0.9。

我们的结论是，这三个信号都包含了近期收益的信息，但是基差动量是这三个预测指标中最强的。此外，基差动量是唯一稳健的收益预测因子。基差和动量效应在套利收益方面的表现与这些信号是由期货曲线(平均)斜率决定的事实相一致，而不是由曲率直接决定的。下表给出了基于基差动量信号对第一和第二邻近期货策略的近期(面板A)和套利(面板B)收益的无条件表现，并以基差和动量作为基准。High4和Low4投资组合分别包含排名前4位和后4位的商品，而Mid投资组合包含所有剩余的商品(其数量是随时间变化的)。在每个交易后的t+1月，投资组合的近期收益是第一个邻近合约的等权平均收益，而套利收益是第一个邻近合约和第二个邻近合约收益之差的等权平均。我们展示了从1960年8月到2014年2月整个样本期的结果。

3.2. 多变量测试

接下来，我们进行混合预测回归，以表明在联合测试中，控制基差和动量后基差动量效应是稳健的：

下表面板A显示了近期收益的结果。单独来看(第1栏)，基差动量的系数估计值为正，且在10.45 (t = 7.45)处显著，这意味着在基差动量的一个标准偏差增加的情况下，每月经济收益将大幅增加0.85%。与我们排序的证据相一致，添加时间固定效应(第2列)对系数估计的影响很小。更有趣的是，当我们考虑商品固定效应(第3栏)时，系数同样大且显著，这意味着基差动量也可以预测时间序列中的收益。当两种固定效应都包含在内时(第4列)，滞后基差动量的系数在9.16时仍然较大且显著(t = 6.81)，说明基差动量可预测性的动态分量占主导地位。虽然基差和动量是单独预测近期回报(列5和6)，但基差动量效应对它们的联合测试是稳健的(列7)。而在联合检验中，基差和动量并不显著。

面板B显示了基差动量在套利收益中同样具有强有力预测性的证据。单独来看(第1栏)，基于基差动量的系数估计值为正，在2.34处显著(t = 6.89)，这意味着，随基差动量一个标准差的增加，月套利收益大幅增长0.20%。当我们同时控制时间和商品固定效应时，系数估计值仅略小一些(第4栏)，因此我们得出结论，套利收益也受到基差动量的动态成分的驱动。而基差和动量则不能预测套利收益。

面板C介绍了两种基差动量分解的结果。首先，我们对第一和第二邻近合约的动量进行回归，看看它们的系数是否如基差动量所施加的那样，在符号上是相反的。其次，我们对平均曲率和一个与斜率变化相关的项同收益回归。

我们发现第一和第二邻近合约的动量显著地预测了近月和套利回报，大小相似，但符号相反。这些系数的绝对值与面板A和面板B中基于动量的估计系数相似，我们不能拒绝在常规显著性水平上这三个系数为相等的零值。我们的结论是，数据支持基差动量施加的限制：动量的差异可以预测收益。其次，我们发现曲率和斜率的变化都有助于基差动量表现更为优异。然而，曲率的相对贡献更大，一个标准偏差增加的曲率，其月近月(套利)收益率增加约0.60%(0.16%)，而斜率增加0.34%(0.05%)。

总的来说，本节结果表明，基差动量是一个强大的预测商品收益的因子，它是由现货和期限溢价的动态成分驱动的。基差动量的可预测性在控制基差和动量时仍是稳健的，但当我们控制基差动量时，这些基准因子的作用就不那么显著了。

4. 基差动量是一个商品定价因子吗

接下来，我们将分析基差动量是否在商品市场中是一个定价因子。表三的面板A提出了两个基差动量因子和五个基准因子的简要数据统计。我们看到，基差动量因子是具有吸引力的投资：平均回报相对较高，而标准差、偏度和峰度与基准因子相似。这表明，崩盘风险不太可能解释基差动量效应。所有因子之间的相关性在绝对值上都低于0.5，这表明随着时间的推移，各因子之间存在很大的独立性。

4.1. 时间序列测试

在最近的研究中，Barillas和Shanken(2017, 2018)观察到，对资产定价模型的非条件比较，只取决于一个模型的因子相对于另一个模型的因子提供的阿尔法。受到这一观察结果的启发，下表面板B研究了两种基准模型并没有包含基差动量因子的定价能力。结果表明，基差动量因子添加到基准因子中可以提高均值方差效率。

4.2. 截面测试

我们现在从横截面维度进行资产定价测试，以确定基差动量因子是否被定价，并衡量各商品因子定价模型的适用性。后者是我们更感兴趣的目标，原因在于对商品横截面的了解相对较少，因此在(i)对迄今为止最广泛的商品投资组合横截面的非条件检验和(ii)对单个商品的条件检验中能够发现很多新信息。

鉴于先前的证据，我们考虑了六个嵌套的候选模型，

我们使用近月和套利收益作为测试资产来执行这些横截面回归。使用的方法类似于Cochrane(2005)管理的投资组合，尽管我们的条件是到期而不是工具变量。我们考虑两个不同的截面。第一个是一组16个投资组合，根据基差、动量、基差动量和行业分类。第二个截面是21种商品的集合。这种方法遵循了最近文献中对个股而非投资组合进行截面测试的观点。由于不同商品的贝塔系数随时间变化很大，我们在一年的窗口下滚动计算商品贝塔系数，以保持贝塔系数的时效性。Daskalaki、Kostakis和Skiadopoulos(2014)发现，单个商品的截面很难定价，因此这种做法对任何新因子的测试都是一种挑战。下面是年化风险价格估计结果。基于该模型我们得到两个主要结论：首先，基差动量近月因子是被定价的，并且包含商品横截面平均收益的独立信息，这与因子的阿尔法结果相一致(见图3)。第二，结合基差动量和一个平均商品市场因子的简单双因子模型在截面模型中表现出色。而四因子模型的截面拟合程度相对更好一些，但是资产定价测试的规范性对附加因子的表现很敏感。基差近月因子并没有在双因子模型外提供阿尔法。然而，在条件商品维度测试中，基差近月因子是显著的。相反地，近月动量因子确实提供了一个阿尔法，但它在条件测试中并不稳健。最后，虽然基差动量套利因子提供了基准因子之外的阿尔法值，但是当截面测试中已经包含了基差动量近月因子时，它并没有增加太多的定价信息。

5. 检验基差动量的潜在解释

探究了基差动量对资产定价的影响之后，我们又考虑了这些影响的经济决定因素。我们首先研究经典的商品定价理论，这些理论依赖于库存和套保者的头寸。接下来，我们分析了资产定价理论对投机者和金融中介机构的重要作用。

5.1. 存储性和库存

Gorton, Hayashi和Rouwenhorst(2012，GHR)将商品期货风险溢价与实物库存水平联系起来。这种联系来自于一个简单的模型，该模型综合了库存理论以及凯恩斯的正常现货溢价理论。在GHR模型中，当初始库存水平高到允许库存持有者将商品从现在调到未来时，便利收益率为零，期货价格高于现货价格，这是由持仓成本决定的。否则，在缺货的情况下，便利收益率为正，反映现货价格因缺货而上涨，期货价格可能会跌破现货价格。因此，便利收益是库存的一个下降凸函数。在未来现货价格波动性随库存增加而迅速下降的现实条件下，期货风险溢价随库存增加而下降。进一步可测试的是，低库存商品具有较低的基差(定义为期货价格高于现货价格)、较高的先验收益和较高的波动性。我们还测试了货币、股票指数和债券指数是否存在基差动量效应。如果库存和持仓的动态变化驱动了商品市场的基差动量，那么我们就不应在可以无成本存储的金融资产中发现基差动量效应。

5.1.1. 双重排序：基差动量与库存相关变量

下表给出了21种商品截面独立双排序结果，分为两个基差动量组和两个对照组。前三个控制了基差、动量和波动。接下来，我们将标准化库存分为两个对照组，标准化库存定义为当前库存超过去年的平均库存。最后，我们控制可存储性，我们将样本分成具有“更多”和“更少”存储性的商品。最后一项测试是考虑到库存变化与不易储存的商品更相关。

面板A显示，基于基差、动量、波动率和标准化库存的单一排序在近月合约具有显著较高的多空收益，分别为-9.31%、8.01%、7.86%和-6.95%。这些效应的迹象与GHR模型一致。此外，可存储性并不能预测回报。而最后两列表明，在所有的对照组中，近月的高-低基差动量效应带来的收益都很高且显著(收益高于12.70%)。面板B显示，标准化库存是唯一与套利收益显著相关的控制变量。同样，在所有的对照组中，套利收益的基差动量效应都是稳健的，我们观察到只有在现货溢价和期货溢价，高-低基差动量组合之间的套利收益存在较大差异，分别为2.75%和1.98%。

总的来说，我们得出的结论是，基差动量的可预测性没有被库存风险的度量所包含，也没有与之产生强烈的相互作用。下表显示，当我们在将商品划分为高、低基差动量样本时，这些指标的高、低价差要小得多。这些发现强调了先前的结论，即基差动量是一个包含了关于商品收益正交信息的相对较强的预测因子。

5.1.2. 其他资产的基差动量

接下来，我们将测试其他三种资产类别中是否存在基差动量效应。我们的货币样本涵盖了从1996年12月到2015年8月的48种货币。对于每种货币，我们使用现货、一个月和两个月远期汇率定义近期收益。根据数据的可用性，股票指数样本选自2001年8月到2014年12月。债券指数样本包括10个市场。与Koijen等人(2018)一样，我们使用Wright(2011)的收益率曲线数据计算10年期零息债券1个月和6个月期货合约的综合收益。样本期为1991年2月至2009年5月。我们只报告这些债券指数的近期收益。与套利收益相比，近期综合收益与实际债券期货收益高度相关。和前面一样，我们使用基差动量、基差和动量将每个市场中的资产分为High4和Low4的投资组合。

检验结果表明：货币收益随基差动量的增加单调增加。High4 - Low4组合的近期收益和套利收益都很高。近期收益的夏普比率为0.81，略低于商品的0.92。套利收益的夏普比率远低于商品，为0.54，而商品为0.88。此外，这种套利收益只出现在新兴货币中。相比之下，在发达国家和新兴市场货币中，都存在近期收益的基差动量效应。第二，股票指数收益也随着基差动量的增加而单调增加。High4 - Low4组合的近期收益和套利收益分别为3.65% (t = 1.80)和1.03% (t = 1.88)，夏普比率略高于0.50，这在经济上算较高的，但低于大宗商品。最后，债券指数的类似证据表明，近期平均收益为2.69% (t = 2.23)，夏普比率为0.52。因为我们研究的重点是大宗商品市场，所以对这些资产类别的基差动量的深入研究有待未来工作完成。尽管如此，由于基础金融资产可以无成本地存储，且存在基差动量效应，这些结果再次表明，库存不太可能解释大部分基差动量收益。

5.2. 套期保值压力及交易者头寸

接下来，我们分析了基差动量和交易者头寸之间的关系。由于来自商品期货交易委员会(CFTC)的交易者报告是在商品层面上汇总的，我们根据文献将套期保值压力定义为商业空头和多头头寸之间的差额，作为未平仓头寸的一部分。利用相同的数据，我们将(投机者)套利压力定义为非商业性套利头寸的数量，即未平仓头寸的一部分。套利头寸衡量的是单个非商业交易员在某一商品上持有的相同多空期货头寸的程度，与交割月份无关。据我们所知，对套利立场的分析在文献中是具有创新性的。数据可用性将我们的分析限制在从1986年开始的时间序列内

时间序列(商品平均)和截面(时间平均)回归结果与Kang、Rouwenhorst和Tang(2016)的结果一致，动量与HP(套保压力)在时间序列和截面上都有较强的相关性。在时间序列中，基差动量与SP(套利压力)呈较强的负相关，表明当投机者减少他们的套利头寸时，平均商品的基差动量会增加。我们还发现在横截面上，基差动量和HP之间存在一定正相关。我们的结论是，在分析基差动量的收益预测能力时，在时间序列和横截面上对HP和SP进行控制是很重要的。为此，我们运行一个混合回归(固定时间效应)，经过检验我们发现：首先，相对于8.67%的未加控制变量的情况，加了头寸控制变量后基差动量系数为8.49%，两者几乎没有差异。我们进一步发现，HP确实与近期收益正相关，这与套期保值压力理论相一致，而SP与近期收益和套利收益负相关。在交叉检验中，我们看到基差动量可预测性与套利压力有显著的交互作用，但与套保压力没有交互作用。

总的来说，证据表明投机者对于建立套利头寸的决策包含了关于收益和基差动量可预测性的重要信息。这一证据凸显了在商品到期程度层面分析头寸数据的经济利益，这些数据目前无法从CFTC公开数据获得。实际上，了解投机者是否在做多临近到期的合约，做空离到期合约更远的合约，或者相反，这对于检验我们所记录的套利压力效应的潜在解释至关重要。此外，有证据表明，波动性和流动性在解释基差动量方面发挥了一定作用。分散的头寸很有吸引力，可以确保以较低的交易成本和执行风险获得持续的敞口。此外，投机者和更普遍的金融中介机构可能不愿在高度不确定的时期对某种大宗商品进行定向投资并因此选择一个套利位置。Stoll(1978)等经典库存模型隐含了这一观点。在斯托尔模型中，交易商对冲次优库存头寸，尤其是在波动性较高的时候。此外，Kang、Rouwenhorst和Tang(2016)认为，投机者交易往往提供流动性，在为套利头寸的情况下，导致的价格差异会影响整个曲线。为了解决这些关于投机者角色的建议，我们在下文讨论基差动量、波动率和流动性之间的关系。

5.3. 波动率

我们在两个维度上检验了基差动量是否与波动率相关。首先，我们要问的是，波动率是否可以预示时间序列中的基差动量收益。这样做的原因是，当期货合约的供求在大宗商品期货曲线内部和之间存在不平衡时，基差动量可以捕捉到流动性供给的回报。其次，我们检验了与波动冲击的协方差是否在截面上被定价，以及波动风险是否被基于动量的敞口所驱赶。截面方法使我们能够确定波动率风险对资产定价的影响，而波动率风险对价格的负向影响意味着投资者愿意为防止波动率上升而支付保险。我们同时考虑大宗商品的总波动率和平均波动率，以确保波动率因素对多样化的大宗商品投资者(如投机者和金融中介机构)具有经济相关性。前文的双因子分组结果表明，在大宗商品高波动性和低波动性的月份，基差动量效应基本相同。因此，商品特定波动率与交易一种或几种商品的套期保值者更相关，却不能解释基差动量。经过时间序列检验我们得出结论，大宗商品市场波动率可以基于基差动量策略预测收益，且为正向信号，这与基于流动性供应的时变收益的解释是一致的。这些波动率指标与总套利头寸之间的关联度约为0.5，与投机者和金融中介机构不喜欢在高波动时期对大宗商品进行定向敞口的观点一致。

其次，我们利用16个商品分类投资组合的近月和套利收益的横截面数据对波动率风险（波动率的一阶差分）进行资产定价测试。我们分析了包含平均商品市场因子和波动风险因子的双因子模型，以及控制基差动量因子的三因子模型。我们发现，波动率风险因子捕获了一个巨大的和显著为负的风险价格。证据表明，基差动量是大宗商品市场的一个定价因素，因为它使投资者面临定价波动风险。

5.4. 流动性

基差动量与波动率相关的事实并不一定意味着波动率本身是驱动预期收益变化的唯一状态变量。更有可能的是，波动性还代表了驱动流动性各维度的基础状态变量，这些流动性与投机者和金融中介机构的市场出清能力相关。根据之前的文献，我们使用TED利差、三个月定期存单和国库券利率之间的利差以及标准普尔100指数期权的隐含波动率来代表融资非流动性。我们使用Amihud(2002)对所有商品的综合衡量来代替市场流动性不足。

经过检验，我们发现尽管Amihud非流动性指标本身并不能预测商品的截面收益，但流动性差的商品的基差动量效应要高出三分之二。商品的基差动量效应比货币、股票和债券指数的基差动量效应更大，这一事实也符合流动性的说法，因为我们样本中的商品相对缺乏流动性。最后，我们注意到Nagel(2012)认为短期反转策略捕获了股票市场流动性供应的收益。然而，在我们的样本期内，基差动量(近期和套利)因素与短期反转因素之间的相关性几乎为零。我们的结论是，基差动量与商品市场中对市场清算最重要的非流动性维度相关，这与非流动性是多维的观点相一致。

5.5. 金融中介风险

波动率和流动性之间的联系表明，金融中介机构在解释基差动量效应方面扮演着重要角色。Adrian等人发现中介风险因素在许多资产类别中都有定价。随后我们分析了金融中介机构的价值加权股权收益(即风险敞口)是否存在。我们的研究表明，当金融中介因素包含在商品市场因素时，它捕获了一个巨大而显著的溢价，且估计的风险价格是负的。转换为夏普比率是- 0.69。这一估计与Adrian等人以及杠杆约束中介的理论在符号和量级上是一致的。在这些理论中，中介机构在景气时期会借入更多资金，而在杠杆率较低(股本较高)时获得回报的资产对对冲来说则颇具吸引力。与波动率和非流动性类似，金融中介风险对基差动量有负面影响(尽管影响不大)，并被包含在基差动量的定价信息中。

5.6. 市场下行风险

最后，我们分析了Lettau、Mag- giori和Weber(2014)的市场下行风险测度。这里的出发点是，当投机者投资组合中的股票部分受到巨大负面冲击时，他们的大宗商品市场清算能力可能会受到损害。检验表明，基差动量因子对市场的无条件风险敞口影响很小，但在低市场收益率时期风险敞口较大且略显重要。与此相一致的是，我们发现，当我们在资产定价测试中控制基差动量时，下行市场贝塔系数就会被抵消。

6. 结论

本文介绍了与商品期货曲线的斜率和曲率相关的基差动量信号。基差动量有许多重要的资产定价含义。首先，在许多方面，基差动量是商品收益很好的预测指标。其次，我们发现，对基差动量因子的敞口是有定价的，而且是决定大宗商品近月合约和套利收益横向变化的关键因素。我们认为，基于存储性和库存动态变化或对冲压力的经典理论不太可能解释我们的结果。相反，当投机者和金融中介机构的市场清算能力受损时，期货曲线内外的供求失衡就会出现，基差动量与这种失衡是一致的。为此，我们证明了基差动量的影响随着波动率、非流动性和投机者的套利头寸而增加。此外，我们估计的基差动量的风险溢价在符号和大小上与波动率、流动性、金融中介和下行市场风险的定价是一致的。

 免责声明

上海琻瑢信息科技有限公司（以下简称”云通”）以尽责的态度，独立、客观的出具本报告。本报告依据公开的信息来源，力求清晰、准确地反映云通的研究观点。云通的利益不与报告中出现的任何机构与基金产品有直接或间接的关系。本报告不构成任何投资参考意见，亦不构成财务、法律、税务、投资咨询意见或其他意见，对任何因直接或间接使用本文所涉及的信息和内容或者据此进行投资所造成的一切后果或损失，云通不承担任何法律责任。

▼往期精彩回顾▼

【云通量化多因子】

【云通量化多因子】因子投资能否代替大类资产配置？

【云通量化多因子】过去十年A股那些因子长期有效？

【云通量化多因子】期权多因子模型——揭开期权基金的神秘面纱

【云通量化多因子】Barra风格因子模型实用攻略（下）

【云通量化多因子】Barra风格因子模型实用攻略（上）

【云通量化多因子】Carhart四因子模型实用攻略

【策略研究】

【策略研究】机器学习+T0双核驱动：夏普高达4.5的中高频交易策略！

【策略研究】股指期货升贴水变化的指引作用

【基金研究】2019中美ETF市场比较：生长与繁茂

【基金研究】2019年量化对冲类私募基金报告

【基金研究】Smart Beta与指数增强到底啥区别?

【资产配置】

【云通原创】FOFPower助力资产配置——BL模型篇

【云通原创】FOFPower助力资产配置——风险平价（RP）模型篇

【云通原创】FOFPower助力资产配置——均值-方差（MV）模型篇

【资产配置】一文读懂风险预算模型

【基金分析】

【经理画像】富国基金——毕天宇

【经理画像】国海富兰克林——赵晓东

【芳华系列】易方达——萧楠

【芳华系列】工银瑞信——袁芳

【芳华系列】中欧基金——周应波

【云通报告】

【私募基金月报】1月份私募基金管理规模环比增逾800亿元，事件驱动策略表现优异

【私募基金月报】11月私募基金策略整体表现较弱，今年来股票多头策略继续领跑  

【私募基金月报】10月私募基金管理规模创历史新高，备案私募基金数突破8万只

【私募基金月报】9月证券类私募管理规模环比减少，股票多头策略指数领跑私募全市场

【重磅原创】2019年中国私募证券基金年度报告

【私募基金评价报告】2019年中国私募证券基金半年度报告（精华版）

【私募基金评价报告】2019年中国私募证券基金一季度报告（精华版）

【年报】2018年中国私募证券基金年度报告

更多“基金”的精彩内容可在FOF power查询！

欢迎点击菜单栏“产品体验—申请试用”

让诚意满满的思考看得见鸭