《Finance Research Letters》：When is a breakout informative? Market conditions and technical signals
编辑推荐：
•突破回报反映了动量效应；经因素调整后的阿尔法值并无显著差异。•在低VIX环境下，突破型股票在六个月后的表现优于非突破型股票，超额回报为1.13个百分点。•在高VIX环境下，突破型股票在所有四个时间段的超额回报均为负值。•该组合的投资回报率与标准普尔500指数的夏普比率相当，但其
- •
突破回报反映了动量效应；经因素调整后的阿尔法值并无显著差异。
- •
在低VIX环境下，突破型股票在六个月后的表现优于非突破型股票，超额回报为1.13个百分点。
- •
在高VIX环境下，突破型股票在所有四个时间段的超额回报均为负值。
- •
该组合的投资回报率与标准普尔500指数的夏普比率相当，但其最大回撤幅度不到后者的一半。
引言
每年，都有数百万交易者在股票价格突破近期高点时买入该股票。突破交易是最常用的技术分析方法之一，其逻辑非常直观：新的高点可能表明市场存在动量，这可能是由于卖空者回补、剩余需求以及价格连锁反应造成的（Jegadeesh和Titman，1993年；George和Hwang，2004年；Liu等，2011年）。然而，四十年的实证研究得出了相互矛盾的结果。技术规则在某些样本和特定时期确实能产生阿尔法收益，但考虑到数据选择性偏差和交易成本后，它们的平均表现相当普通（Sullivan等，1999年；Bajgrowicz和Scaillet，2012年）。
我们认为，突破交易的盈利能力应该有条件地评估。以往的研究主要从两个方面进行了条件化处理：首先，动量表现会受到宏观经济因素、市场回报、市场状态转变、投资者情绪和波动性等因素的影响（Chordia和Shivakumar，2002年；Cooper等，2004年；Asem和Tian，2010年；Antoniou等，2013年；Wang和Xu，2015年）；其次，可以根据总体风险的变化来调整动量效应的敞口（Barroso和Santa-Clara，2015年；Daniel和Moskowitz，2016年；Barroso和Detzel，2021年；DeMiguel等，2024年）。第二种方法是在证券层面的条件资产定价模型中使用公司特征和总体信息（Avramov和Chordia，2006年），将动量收益与公司特征联系起来（Avramov等，2007年；Hong等，2000年；Zhang，2006年），或者根据公司层面信息对技术信号的投资回报进行排序（Han等，2013年）。我们的区别在于：以往的研究仅在投资组合层面进行条件化处理，而我们的方法同时考虑了公司特征和市场状态，作为筛选突破事件的标准。在异质条件下进行平均处理可能会掩盖实际中的显著差异，因为相同的规则可能同时涵盖了有利和不利的时期，从而相互抵消。
我们的研究提出了一个条件性问题：在考虑了当前市场状况、公司特征和已知因素敞口后，新的高点信号是否仍然含有额外的信息？我们将市场状况定义为一个在信号生成日可观察到的连续性综合变量。这些条件可能会重叠，每个条件都对同一时间段提供了一个边际描述。我们使用1995年至2026年6月期间标准普尔500指数的成分股作为研究对象，事先确定入场规则，选择退出规则并排除样本外的股票，然后将组合回报通过标准因子模型进行分解。研究结果表明，组合回报显著受动量因子的影响，但其经因素调整后的阿尔法值几乎为零。在低VIX环境下，突破型股票在六个月内的表现优于非突破型股票，超额回报为1.13个百分点；而在高VIX环境下，这种差异在所有四个时间段内均为负值。
我们的经济假设是：当信息传播缓慢或市场存在锚定效应时，股票突破可能会揭示新的信息（Hong和Stein，1999年；George和Hwang，2004年），随后价格走势的持续性则取决于公司特征和市场状况（Sagi和Seasholes，2007年；Daniel和Moskowitz，2016年）。当整体波动性较高时，新的高点出现在市场重新定价的过程中，其所携带的公司特异性信息较少，因此该信号的信息价值也会降低。以往的研究已经确定了趋势和动量规则的平均收益水平；我们的贡献是在样本外估计出何种市场条件下突破信号具有信息价值。
章节摘要
研究范围和样本
研究范围包括来自LSEG Datastream的历史标准普尔500成分股数据，这些数据包含机构级调整后的价格、指数成分股的添加和删除时间戳记录以及退市股票的退市回报。每家公司只在自身的合规期内产生信号（共1284只股票的1327个时间区间），因此没有任何信号来源于该公司不可投资的时间段。
验证流程
表1展示了每个候选指标的筛选结果：在13个基础指标中，有10个在第一阶段被纳入研究，其中5个在样本外也表现良好：相对强弱指数（RSI）、低区间内的VIX值、经济政策不确定性、10年期与2年期收益率的斜率以及市场广度。另有8个指标被剔除，其中包括5个通过初步筛选的指标。由于最终选择基于样本外的表现，这一验证流程提供了一个结构化的时间验证方法。
结论
本文探讨了在考虑市场状况、公司特征和已知因素敞口后，新的高点信号是否仍含有额外信息。我们使用1995年至2026年6月期间标准普尔500指数的成分股数据进行了样本外分析。突破型股票的组合回报主要受到动量因子的影响，经因素调整后的阿尔法值平均而言几乎为零。在信号生成阶段，低VIX环境下的突破型股票表现优于非突破型股票
CRediT作者贡献声明
Nicolás Magner：撰写 – 审稿与编辑，撰写 – 原始草稿，数据可视化，验证，监督，软件使用，资源协调，项目管理工作，方法论设计，数据收集，概念构思。Aliro Sanhueza：撰写 – 审稿与编辑，撰写 – 原始草稿，数据可视化，验证，监督，软件使用，资源协调，概念构思。Jaime Lavín：撰写 – 审稿与编辑，撰写 – 原始草稿，监督，项目协调
伦理声明
本研究使用公开可获取的金融市场数据，未涉及人类或动物实验。
资金来源
本研究未获得任何公共部门、商业部门或非营利机构的专项资助。
利益冲突声明
作者声明：他们没有已知的可能影响本文研究的财务利益或个人关系。
Nicolás Magner|Aliro Sanhueza|Jaime Lavín
