投資的時機很難完全掌握。無論是退出市場，增持海外股票或某一板塊，抑或縮短時間風險，因應未來預測而調整投資組合都很容易適得其反，因為未來實在難以預測。不過，一項新興的研究發現，投資者有可能成功掌握如價值、動量、規模、質量及低波動率因子的風險。這些因子各自擁有長期的好往績，但全都經歷過跑輸大市周期。如果準確預測投資時機，就能協助減輕因子投資裏最大的缺點──周期性──所帶來的影響。
適度的質疑是有道理的。到目前為止，大部分研究並非來自學者，而是來自從業員，他們替基金經理工作，致力推出新產品。一如絕大多數金融研究，數據挖掘本已存在風險，因為研究人員可以測試許多變數，以找出他們所預期的關係，但那些變數卻未必能用於樣本以外的測試。即使捕捉因子能帶來回報，對比起使用靜態多重因子投資組合，實行起來也會減弱投資組合分散風險的能力，最終可能得不償失。最重要是謹記即使運用這些捕捉時機訊號平均來說有效，它們也不會永遠準確。要擊敗市場並沒有無痛方法。即是說，嘗試捕捉因子時需要保持謹慎態度。
4種捕捉因子訊號
貝萊德最近一篇研究報告指出，有4種捕捉因子訊號可用，包括估值，動量，經濟景氣指標和離散度。其作者發現，每個訊號都可以自行產生作用，結合運用起來甚至更好。目前貝萊德並未推出任何捕捉因子時機的ETF，該公司僅在2016年9月推出了建基於這些研究的模型。
少數提供捕捉因子時機ETF的公司運用這4個因子類別的指標。例如Oppenheimer Russell 1000 Dynamic Multifactor ETF（OMFL，在美國上市）結合傳統經濟和市場情緒指標，以監控其經濟體制和因子風險。Global X Adaptive U.S. Factor ETF （AUSF，在美國上市）使用逆向表現訊號，是估值訊號的一種，由於表現不佳的資產往往變得便宜，意味將來或會造好。PIMCO RAFI Dynamic Multi-Factor U.S. Equity ETF（MFUS，在美國上市）則使用動量和逆向（價值）表現訊號來決定因子比重。
我們來看看不同捕捉時機的訊號。
經濟景氣指標表現最佳
不同因子在經濟周期的不同階段表現較佳只是直覺的想法。貝萊德和Oppenheimer的測試均發現，經濟景氣指標獨立運作時是表現最佳的因子。不過，他們使用不同的指標來定義各個周期階段，就何時增持某因子得出略為不同的結論。
經濟周期有4個階段：復甦期、擴張期、減速期和收縮期，由經濟活動的正負面變化以及增減速度來定義（Oppenheimer則以「高於趨勢」或「低於趨勢」來定義）。【圖1】總括了兩間公司對各項因子在不同時期跑贏市場的研究。
兩間公司都發現，小規模和價值因子在復甦期表現較佳。小型股往往比大型股更具備周期性的特徵，其市場Beta值較高足可證明這點。這很可能因為絕少小型股的利潤能不受經濟周期所帶來的波動所影響，少能享有持久的競爭優勢。
價值和經濟周期的關係則看來不太跟直覺走──依我看來更不可信。廣義價值指數，如羅素1000價值指數，與廣泛市場一樣，擁有類似的市場Beta，即周期性特徵較弱。不過，深度價值投資組合往往擁有較高Beta。觀察過價值型股票的周期性特徵後，貝萊德的Andrew Ang發現一個可能的解釋是，它們比增長型股票擁有較高的固定成本，較低靈活性，以致它們的現金流對經濟周期更敏感。這些股票在經濟困難時或更易受拖累，在環境開始轉好時亦更易跑贏市場。
擴張期動量因子表現突出
在擴張期，隨着明確的趨勢出現，動量就成為表現最佳的因子（雖然Oppenheimer也發現小規模和價值在這時期繼續交出好表現）。一如意料之內，低波動率和質量在經濟減速時表現較佳。
兩間公司研究結果的最大分別在於，哪項因子在經濟收縮期表現最好。不出所料，Oppenheimer發現質量和低波動率繼續跑贏市場，而受惠於明確市場走勢，動量因子表現也好。相反，貝萊德發現所有因子在經濟收縮期皆表現優異，唯獨動量的表現稍差，這有點兒令人驚訝。然而這也不是沒可能的，因為貝萊德按傳統經濟數據來定義收縮期，在該定義下市場走勢不明朗，而Oppenheimer則把經濟數據結合市場情緒數據，後者更能撑握經濟周期的真正面貌。
另外貝萊德發現價值和股票規模在經濟收縮期和復甦期皆跑贏市場。這點卻令人感到少許驚訝，皆因經濟收縮期和復甦期是經濟周期的兩端。
難確定處哪個階段
雖然經濟周期和因子表現的關係十分有趣，但我們也有充分理由保持審慎的態度。「馬後炮」容易，但當身處其中時，我們很難確定自己處於哪個經濟周期。加上雖然貝萊德和Oppenheimer的測試避免了訊號的前瞻偏見，他們也可以只挑選使結果好看的樣本數據。坊間有數以千計的數據點可作為經濟周期的合理指標。僅憑偶然性，某些數據點亦有可能預測因子的表現。
道富環球投資管理在《捕捉時間因子的承諾和陷阱》（The Promises and Pitfalls of Factor Timing ）一文中，研究人員以例子說明數據挖掘的危險性。他們研究了從1970年至1990年預測能力最強的因子，發現樣本中大多數最具預測能力的訊號，在之後20年的表現並不一樣。
同樣重要的是，我們要注意經濟周期是緩慢的，過去並沒有很多完整的周期讓我們進行測試，用來推斷各個經濟周期階段和因子表現之間擁有穩健關係。還有的是，每個周期也有不同。
世界不再一樣。公司業務日益全球化。因此，僅看美國經濟數據或已不合時宜。即使美國經濟周期與因子之間過往存在密切關係，可能已今非昔比。這並不代表捕捉經濟周期的因子會失效，只是我們需要更多證據來建立對其績效的信心。
在文章的第二部分，我們會繼續看看其餘3個以時機捕捉因子的訊號。
（二之一）
Alex Bryan
