主要观点总结
该文章介绍了在量化投资领域，动量策略的应用及其改进方法。文章以商品ETF为例，测试了基本的动量策略，并提出了一种基于市场内相关性过滤器的改进策略。该过滤器通过使用短期与长期平均相关性的比率作为信号来改善基本策略，可显著提高商品动量的表现。文章还介绍了实施步骤，并指出相关性过滤器能够在市场条件有利时选择性地应用动量策略，带来更好的投资回报。
关键观点总结
关键观点1: 公众号介绍
量化投资与机器学习微信公众号是业内主流自媒体，关注者众多，曾荣获多个奖项。
关键观点2: 动量策略介绍
动量是市场上研究最多的异常现象之一，目标是利用趋势实现比简单买入持有策略更好的回报。但过去几十年里，动量策略的回报逐渐减少。
关键观点3: 基于相关性过滤器的改进策略
文章提出了一种基于市场内相关性过滤器的改进策略，该过滤器通过使用短期与长期平均相关性的比率作为信号来改善基本动量策略，对商品ETF的表现进行了显著的提升。
关键观点4: 策略实施步骤
文章详细介绍了实施动量策略的步骤，包括计算动量、排名和信号、投资组合构建、调仓等。
关键观点5: 相关性过滤器的效果
相关性过滤器能够在市场条件有利时选择性地应用动量策略，带来更好的投资回报。结合动量策略和反转策略，投资回报几乎翻了一倍。
正文
排名和信号：
排名结果提供了买卖信号，即哪些ETF应该做多（long），哪些应该做空（short）。具体来说，我们选择做多表现最好的两个ETF，做空表现最差的两个ETF。这遵循了动量策略的基本假设：表现好的资产将继续超越，而表现差的资产将继续低于平均水平。
投资组合构建：
投资组合对这两个多头和两个空头的ETF进行等权重配置。
正如预期的那样，商品的动量策略表现不佳。
上表显示，尽管它略微跑赢了基准回报，但这是在更高波动性的代价下实现的。
这一结果与先前的研究一致。
在像商品这样的同质市场中，资产之间的相关性很高，动量策略难以有效地区分赢家和输家，导致表现令人失望。
我们的目标是找到一个可靠的预测指标，它可以在何时有利于应用动量策略以及何时不宜应用时发出信号。我们很快发现，短期与长期相关性的比率可以作为这样一个预测指标。
我们计算四种ETF每日收益的平均短期（20天测量）和平均长期（250天测量）相关性。如果ETF之间的平均短期相关性超过平均长期相关性，
这表明商品正朝一个方向趋同，使动量策略能更有效地区分赢家和输家。
因此，在这些条件下部署动量策略可能会更有盈利性。
总之，相关性过滤器使我们能够选择性地应用动量策略，仅在市场条件有利时使用它。
如下表所示，与基本动量策略相比，相关性预测器带来了更加令人满意的结果。它在所有性能指标上都优于动量策略，包括年回报率、波动性、最大回撤、夏普比率和卡尔马比率。相关性过滤器看起来相当稳健。无论动量排名期是1至12个月中的哪一个，该过滤器都能可靠地识别出何时适合交易动量策略，以及何时更适合交易反转效应。
动量策略表现（短期相关性大于长期相关性）
反转策略表现（短期相关性小于长期相关性）
