29  动量的边界：时序动量在什么情况下会彻底失效？

在量化投资与宏观配置领域，时序动量（Time-Series Momentum，业界通称趋势跟踪）是一门显学。自 Moskowitz、Ooi 与 Pedersen 在 2012 年发表奠基性研究1 以来，大量实证反复确认：在股票、债券、大宗商品和外汇市场中，追随过去 1 到 12 个月的趋势都是一个长期收益可观的策略。CTA 基金与量化宏观对冲基金也长期将其作为核心配置工具。

然而，做趋势跟踪的投资者总要面对同一个难题：趋势什么时候会突然断裂？

在经典金融学框架中，动量与价值通常被划分为两套平行的叙事。动量被视为 1 到 12 个月中期维度的行为溢价或反应不足，而价值则是 3 到 5 年维度的均值回归力量。资产配置中，两者往往被当成天然的负相关对冲搭档。

但现实常常更残酷。动量策略最惨烈的亏损，多见于市场经历单边大涨或大跌之后的“动量崩溃”（Momentum Crash）。

芬兰阿尔托大学的 Matti Suominen 与瑞典哥德堡大学的 Erik Hjalmarsson 在 2026 年发表于 Financial Management 的学术论文《时序动量的边界》（Boundaries of Time-Series Momentum）2，为这个长久以来的困惑提供了一个清晰框架。

这篇论文的核心结论很明确：时序动量存在清晰的物理边界。当时序动量处于温和的中等估值区间时，表现非常出色；一旦资产估值或收益率曲线斜率逼近历史极端区间，趋势跟踪就会全面失效，市场发生剧烈反转的概率急剧上升。

29.1 如何刻画动量的物理边界

要理解时序动量为何撞墙，首先要看这篇论文如何度量极端状态。

Suominen 和 Hjalmarsson 整理了两组大样本数据。一组是美股百年样本，覆盖 1927 年 6 月至 2024 年 12 月近百年的股票、国债与宏观数据；另一组是全球 20 国样本，覆盖 1989 年 1 月至 2024 年 12 月英、法、德、日等 20 个主要市场的跨国面板数据。

在指标选择上，作者选取了跨越股票与债券市场的三个经典变量。股票端是席勒周期调整市盈率（Shiller’s CAPE）与市场整体股息率；债券端则是期限利差（Term Spread，即长期国债收益率与短期无风险利率之差）。

为了消除日常高频噪声并降低指标与短期收益之间的机械共线性，作者对上述指标均采用过去 12 个月的移动平均值（MA12）。随后，作者将这几个指标置于过去 10 年（或 20 年）的滚动历史区间中进行极值缩放（Min-Max Normalization），使其线性映射到 \([-1, +1]\) 的区间内： - 值为 \(0\) 代表指标恰好处于过去 10/20 年的中位数水平； - 值为 \(+1\) 代表指标触及过去 10/20 年的历史最高点； - 值为 \(-1\) 则代表指标触及过去 10/20 年的历史最低点。

在此基础上，论文构建了一个综合衡量市场是否逼近极值的核心变量——边界指标（Boundaries）：

\[\text{Boundaries} = (\text{标准化期限利差})^2 + (\text{标准化估值指标})^2\]

这个变量的取值范围落在 \([0, 2]\) 之间。当股票估值与国债利差都在历史中枢附近游弋时，Boundaries 接近 \(0\)；而当股票估值极度高企（或极度便宜）同时债券收益率曲线极度陡峭（或深度倒挂）时，Boundaries 会迅速逼近上限值 \(2\)。

29.2 估值九宫格里的动量收益断崖

构建完度量工具后，作者首先对美股近百年的数据做了十等分双重交叉分组（Double Sort）。

作者构建了一个分散化的时序动量组合，覆盖 1、3、6、9、12 个月回看窗口，以及对应的 1、3、6、9、12 个月持有期。每月动态开仓 25 个子组合并等权平均，以此模拟实际量化机构的趋势跟踪操作。

美股在不同“期限利差”与“席勒 CAPE 估值”分位数环境下的未来 12 个月时序动量年化收益率，如 表 29.1 所示：

表 29.1: 美股在期限利差与席勒 CAPE 不同分位组合下的未来 12 个月时序动量年化收益率（%）（数据来源：Suominen and Hjalmarsson (2026), Table 1 Panel A）
期限利差分位数 CAPE第1分位(极低) CAPE第2-3分位 CAPE第4-6分位(中等) CAPE第7-8分位 CAPE第10分位(极高)
第1分位(深度倒挂) 1.90 4.00 0.20 10.10 -2.20
第2-4分位 -1.10 29.10 31.00 2.70 4.70
第5-6分位(中等斜率) 1.00 37.80 9.50 3.30 -1.60
第7-8分位 -2.30 11.40 13.40 12.40 0.40
第10分位(极度陡峭) 0.70 -1.10 7.50 7.10 -1.10

从这张收益分布表中，可以清晰观察到两个规律：

第一，动量策略的超额收益几乎全部集中在中等估值与中等利差区间。在期限利差与 CAPE 处于第 2 到第 5 分位数的温和区域，时序动量未来 12 个月的年化收益率普遍在 20%~45% 之间。此时市场趋势清晰、自我强化，顺势做多强势资产或做空弱势资产能够获得可观的趋势收益。

第二，四个角落全面失效。当 CAPE 处于历史前 10% 极高估值且收益率曲线深度倒挂时（对应第 1 分位利差 + 第 10 分位 CAPE），时序动量的未来收益跌至 -2.20%；当资产极度便宜但收益率曲线极度陡峭时（第 10 分位利差 + 第 1 分位 CAPE），动量收益也仅剩 0.70%。

为了进一步验证这是否源于趋势的直接反转，作者统计了未来 12 个月市场超额收益与过去 12 个月超额收益同向的概率（即动量延续概率），如 表 29.2 所示：

表 29.2: 不同期限利差与 CAPE 分位组合下，未来 12 个月市场超额收益与过去 12 个月超额收益同向的概率（%）（数据来源：Suominen and Hjalmarsson (2026), Table 2 Panel A）
期限利差分位数 CAPE第1分位(极低) CAPE第3分位 CAPE第5分位(中等) CAPE第8分位 CAPE第10分位(极高)
第1分位(深度倒挂) 55.20 40.50 56.30 38.50 35.60
第3-4分位 7.70 100.00 50.00 66.70 57.10
第5-6分位(中等斜率) 50.00 100.00 83.30 28.60 42.10
第8分位 54.50 100.00 75.00 100.00 61.50
第10分位(极度陡峭) 52.20 51.30 66.70 62.50 37.50

在中间的大多数格子中，过去 12 个月的趋势有 70% 到 100% 的概率在未来 12 个月延续；但在极值区，延续概率骤降至 35%~50%，部分极值点甚至低于 10%。

这清晰证明：时序动量不是在匀速衰减，而是在撞上估值与利差的边界后发生了断崖式反转。

29.3 从8%到17%的预测跃升

在学术界早期的资产收益预测模型中，单纯依靠过去 12 个月的股票收益去预测未来 12 个月收益，效果往往微乎其微。

控制了股息率、期限利差和债券收益后，全球 20 国样本中过去 12 个月股票收益的预测系数甚至无法通过统计检验，回归的调整后 \(R^2\) 只有大约 8%。部分学者据此认为时序动量在宏观资产配置中缺乏稳定的预测力。

但这篇论文指出了传统模型的盲区所在：传统线性回归把“中等估值区的动量延续”和“极端边界区的动量反转”混为一谈，正负效应在统计上相互抵消。

当作者在回归模型中引入边界变量（Boundaries）以及“过去收益 × Boundaries”的交互项后，实证结果发生了显著变化（表 29.3）：

表 29.3: 全球 20 国样本中未来 12 个月股票收益的预测回归结果（括号内为 Newey-West 调整后 t 统计量；数据来源：Suominen and Hjalmarsson (2026), Table 4）
回归变量 模型(1) 仅估值利差 模型(2) 仅动量项 模型(3) 传统联合模型 模型(4) 引入10年边界项 模型(5) 引入20年边界项
期限利差(MA) 0.05 (3.28) — 0.05 (3.10) 0.06 (3.68) 1.01 (0.72)
股息率(MA) 0.09 (7.23) — 0.09 (6.71) 0.09 (6.38) 0.04 (2.95)
过去12m股票超额收益 — -0.04 (-1.11) -0.03 (-0.79) 0.27 (4.10) -0.09 (-1.54)
Boundaries 边界指标 — — — 0.02 (1.56) 0.03 (2.14)
过去股票收益 × Boundaries — — — -0.33 (-6.37) -0.30 (-4.66)
调整后 \(R^2\) 0.05 0.04 0.08 0.15 0.17

观察模型(4)和模型(5)的变化： - 首先，在低 Boundaries 的中等估值状态下，过去 12 个月的股票收益成为未来收益强劲的正向预测因子（回归系数 +0.27，\(t = 4.10\)）。 - 其次，交互反转项极度显著，回归系数为 -0.33（\(t = -6.37\)）。当市场处于极端边界时，前期涨幅会以更大斜率演化为后续跌幅，前期暴跌则会转化为后续暴涨。 - 最后，模型的解释力度大幅跃升，调整后 \(R^2\) 直接从 8% 翻倍至 15%~17%，增幅超过 110%。

同样的结论在时序动量策略本身的收益预测中更加突出。在针对美股 TSMOM 策略收益的回归中（Table 5），传统变量仅能解释 2% 的收益波动；引入 Boundaries 交互项后，回归的调整后 \(R^2\) 跃升至 10%~12%，预测力提升了整整 550%。

作者进一步采用 Welch & Goyal（2008）提出的累积残差平方和差异（CUMSUM）方法进行了 2000 年之后的样本外检验，证实边界预测效应在样本外依然保持稳健。

29.4 电梯为何撞上天花板

极端估值与利差为什么会引发动量崩溃？

作者在论文中提出了一个直观的“电梯假说”：股票市场就像一部在估值高位与低位之间上下运行的电梯。在竖直的井道中间，动量惯性让电梯顺畅地上升或下坠；但当电梯逼近井道顶端或底部时，必然撞上硬性阻挡。

硬约束直接来自实体经济的过热/过冷状态与央行货币政策的强力介入。

在不同的期限利差与席勒 CAPE 组合下，实体经济未来 12 个月的工业产出增长率以及 NBER 判定经济周期见顶（进入衰退）的概率分布，如 图 29.1 所示：

图 29.1: 不同期限利差与席勒 CAPE 组合下的未来 12 个月工业产出增长与经济见顶概率

数据来源：Suominen and Hjalmarsson (2026), Figure 1 Panel A & B

从图中可以清晰看到，当利差收窄（倒挂）且 CAPE 处于高位时，未来工业产出增长显著放缓，经济周期见顶并滑向衰退的概率大幅飙升。

宏观传导的核心在于央行与利率端。作者对“边界内部”（Boundaries 最低的前 90% 样本）与“边界区域”（Boundaries 最高的后 10% 极端样本）的宏观敏感度进行了分组检验（表 29.4）：

表 29.4: “边界内部”与“边界区域”中，过去股票涨跌对应的未来 12 个月宏观指标变动（数据来源：Suominen and Hjalmarsson (2026), Table 8）
未来12个月宏观指标变动 过去股票大涨
(边界内部)		 过去股票大涨
(边界区域)		 过去股票大跌
(边界内部)		 过去股票大跌
(边界区域)
工业产出增长率(%) 3.44 2.75 1.58 -1.46
经济衰退概率(%) 14.91 11.15 10.43 15.38
无风险短端利率变动(%) +0.23 +0.70 -0.45 -1.06
10年期国债收益率变动(%) +0.06 +0.41 -0.11 -0.37

从这张宏观响应表中，可以看清整个链条的运作逻辑：

在顶部边界，当市场处于高估值极值区时，若股市此前继续大涨，往往伴随经济过热与通胀上行。此时央行对资产泡沫和通胀高度警惕，未来 12 个月短端利率平均上调 0.70%（是非边界时期的 3 倍以上），长端收益率上行 0.41%。紧缩的货币政策如同一记重刹，硬生生阻断了股票多头的上涨动量。

在底部边界，当市场处于极低估值与极端利差区时，若股市此前暴跌，未来发生经济衰退的概率升至 15.38%，工业产出陷入负增长（-1.46%）。面对系统性收缩，央行往往迅速降息并投放流动性，短端利率未来 12 个月平均大幅调降 1.06%。强力的流动性托底促使市场发生报复性反弹，将原本顺势做空的趋势跟踪者挤压出局。

说到底，时序动量的边界根植于宏观经济基本面与央行反应函数的硬约束。

29.5 给趋势跟踪装上防撞雷达

对于二级市场量化管理人和多资产配置投资者而言，这篇论文不仅给出了理论解释，还提供了可落地的策略优化方案。

传统趋势跟踪策略往往采用固定仓位或纯波动率平价（Vol Scaling）管理，无论估值多极端都照常开仓。Suominen 和 Hjalmarsson 在论文附录中设计并回测了基于 Boundaries 的动态自适应策略。

其中最简洁有效的是市场与动量自适应轮动策略（Alternate Strategy）： - 设定风控阈值：当综合 Boundaries 指标低于理论最大值的 33%（处于温和中枢，约占历史时间的 20%~30%）时，全额配置时序动量策略（TSMOM）； - 当 Boundaries 指标超过阈值、逼近历史极值区时，撤出动量策略，切换为持有基准市场组合。

作者对比了 1968 年至 2023 年以及 2000 年之后不同策略的表现（表 29.5）：

表 29.5: 不同策略在 2000—2023 年样本外的表现对比（数据来源：Suominen and Hjalmarsson (2026), Table A6）
策略 月度平均超额收益(%) 年化夏普比率 与市场相关性
基准被动持有 (Mkt-Rf) 0.52 0.41 1.00
标准分散化时序动量 (TSMOM) 0.38 0.46 0.12
基于模型预测的动量优化策略 0.51 0.65 -0.01
自适应轮动策略 (Alternate) 0.88 0.70 0.76

在 2000 年以后的现代市场样本中： - 传统的基准被动持有夏普比率为 0.41，标准时序动量夏普比率为 0.46； - 加入边界过滤条件的自适应轮动策略，月度超额收益从 0.52% 提升至 0.88%，夏普比率更是从 0.41 直接跃升至 0.70（在部分单策略设定下达到 0.96）。

这表明：避开极端边界处的动量崩溃，策略的长期风险收益特征就会发生实质性提升。

29.6 价值的极值就是动量的边界

在很长一段时间里，主观投资与量化投资之间、价值流派与趋势流派之间存在着一条隐形的鸿沟。价值投资者常认为动量策略是在击鼓传花，动量交易者则担心价值投资是在徒手接下坠的飞刀。

Suominen 和 Hjalmarsson 的这篇论文，在实证层面为两大流派搭建了连通的桥梁。

价值与动量本就是相互依存的维度。价值的极值区间，恰恰构成了动量因子的物理边界。

在估值合理的广阔平原上，趋势往往是投资者最好的向导；但当资产价格被推向历史周期的极端悬崖边时，宏观经济的硬约束与央行的紧缩/救市举措便会改变游戏规则。

对于追求稳健复合收益的投资者而言，认清动量何时有效固然重要；但在周期转向之前，看懂那道由估值与利率共同构筑的边界墙，才是穿越牛熊的底牌。

29.7 扩展阅读

本期解读核心论文： - Suominen, Matti, and Erik Hjalmarsson. 2026. “Boundaries of Time-Series Momentum.” Financial Management, ahead of print.3 Available at SSRN: https://ssrn.com/abstract=3788139 or https://doi.org/10.1111/fima.70055

正文中涉及的关键参考文献： - Moskowitz, Tobias J., Yao Hua Ooi, and Lasse Heje Pedersen. 2012. “Time Series Momentum.” Journal of Financial Economics 104 (2): 228–250.4 - Campbell, John Y., and Robert J. Shiller. 1998. “Valuation Ratios and the Long-Run Stock Market Outlook.” Journal of Portfolio Management 24 (2): 11–26. - Pitkäjärvi, Aleksi, Matti Suominen, and Lauri Vaittinen. 2020. “Cross-Asset Signals and Time Series Momentum.” Journal of Financial Economics 136 (1): 63–85.5 - Harvey, Campbell R. 2022. “The Term Structure and World Economic Growth: A Retrospective and 30 Years of Out-of-sample Evidence.” The Journal of Fixed Income 32 (2): 53–63. - Welch, Ivo, and Amit Goyal. 2008. “A Comprehensive Look at the Empirical Performance of Equity Premium Prediction.” Review of Financial Studies 21 (4): 1455–1508. - Ilmanen, Antti, Ronen Israel, Tobias J. Moskowitz, Ashwin Thapar, and Frank Wang. 2019. “How Do Factor Premia Vary Over Time? A Century of Evidence.” AQR Working Paper. - Goulding, Christian, Campbell R. Harvey, and Michele G. Mazzoleni. 2023. “Momentum Turning Points.” Journal of Financial Economics 149 (3): 378–406.

本文由 Gemini 3.7 Flash 撰写综述。

  1. Tobias J. Moskowitz 等, 《Time Series Momentum》, Journal of Financial Economics, Special Issue on Investor Sentiment, 卷 104, 期 2 (2012): 228～50, https://doi.org/10.1016/j.jfineco.2011.11.003.↩︎

  2. Matti Suominen 和 Erik Hjalmarsson, 《Boundaries of Time‐Series Momentum》, Financial Management, 2026年7月6日, fima.70055, https://doi.org/10.1111/fima.70055.↩︎

  3. Suominen 和 Hjalmarsson, 《Boundaries of Time‐Series Momentum》.↩︎

  4. Tobias J. Moskowitz 等, 《Time Series Momentum》.↩︎

  5. Aleksi Pitkäjärvi 等, 《Cross-Asset Signals and Time Series Momentum》, SSRN Scholarly Paper no. 2891434, Rochester, NY, prepublished 2019年2月23日, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2891434.↩︎