Momentum پیشرفته: Cross-Sectional در برابر Time-Series

هدف یادگیری

پس از مطالعه این درس، قادر خواهید بود دو رویکرد کمّی اصلی مومنتوم — سری‌زمانی (TSMOM) و مقطعی (CSMOM) — را با فرمول‌های دقیق تعریف، محاسبه و در پورتفولیوی رمزارزی پیاده‌سازی کنید. همچنین شرایط بازاری که هریک از این رویکردها برتری دارند را تشخیص داده و استراتژی ترکیبی طراحی خواهید کرد.

---

۱. پایه‌های کمّی: مومنتوم چیست؟

مومنتوم در ادبیات دانشگاهی به تمایل دارایی‌ها به ادامه روند قبلی خود اشاره دارد. جگادیش و تیتمن (۱۹۹۳) نشان دادند که سهام‌هایی که در ۳ تا ۱۲ ماه گذشته بازده بالاتری داشتند، در ماه‌های بعد نیز عملکرد بهتری دارند. اما این تعریف کلی دو نوع مجزا از مومنتوم را پنهان می‌کند که منطق، محاسبه و کاربرد متفاوتی دارند.

سیگنال خام مومنتوم معمولاً به شکل زیر محاسبه می‌شود:

$$r_{t-L:t-1} = \frac{P_{t-1}}{P_{t-L}} - 1$$

که در آن $L$ دوره lookback (معمولاً ۱ تا ۱۲ ماه) و $P$ قیمت دارایی است. یک‌ماه اخیر اغلب حذف می‌شود تا از اثر بازگشت کوتاه‌مدت (short-term reversal) اجتناب شود.

---

۲. Time-Series Momentum (TSMOM)

تعریف و منطق

مومنتوم سری‌زمانی می‌پرسد: آیا این دارایی خاص در گذشته روند صعودی یا نزولی داشته است؟ سیگنال صرفاً به رفتار تاریخی همان دارایی وابسته است و هیچ مقایسه‌ای با سایر دارایی‌ها انجام نمی‌گیرد.

فرمول رسمی

موسکویتز، اوی و پدرسن (۲۰۱۲) TSMOM را چنین تعریف کردند:

$$s_i^{TSMOM} = \text{sign}\left(r_{i,t-12:t-1}\right)$$

وزن دارایی $i$ در پورتفولیو:

$$w_i = \frac{s_i^{TSMOM}}{\sigma_i}$$

که $\sigma_i$ انحراف معیار بازده ۶۰ روزه است و برای نرمال‌سازی ریسک به کار می‌رود.

مثال عملی با اعداد

فرض کنید سه رمزارز دارید:

| دارایی | بازده ۱۲ ماهه | انحراف معیار ۶۰ روزه | سیگنال | وزن خام |
|--------|--------------|----------------------|--------|----------|
| BTC | +۴۸٪ | ۳.۲٪ | +۱ | +۰.۳۱۲ |
| ETH | -۱۲٪ | ۴.۱٪ | -۱ | -۰.۲۴۴ |
| SOL | +۹۳٪ | ۵.۸٪ | +۱ | +۰.۱۷۲ |

BTC و SOL وزن مثبت (Long) و ETH وزن منفی (Short) می‌گیرند. پس از نرمال‌سازی برای هدف نوسان ۱۰٪ سالانه، وزن‌های نهایی تعیین می‌شوند.

ویژگی کلیدی

TSMOM در واقع معادل یک استراتژی trend-following است. این رویکرد در بحران‌های مالی (مانند ۲۰۰۸ یا ریزش ۲۰۲۲ کریپتو) بازده مثبت تولید می‌کند، زیرا در بازارهای یکطرفه نزولی، Short بودن یک دارایی ضعیف سودده است.

---

۳. Cross-Sectional Momentum (CSMOM)

تعریف و منطق

مومنتوم مقطعی می‌پرسد: این دارایی نسبت به همتایانش چه عملکردی داشته؟ در هر دوره، دارایی‌ها رتبه‌بندی می‌شوند و پورتفولیو به شکل Long/Short بر اساس این رتبه‌بندی ساخته می‌شود.

فرمول رسمی

بازده مومنتوم مقطعی برای دارایی $i$ در ماه $t$:

$$r_i^{CSMOM} = r_{i,t} \cdot w_i^{CSMOM}$$

وزن بر اساس z-score رتبه‌بندی:

$$z_i = \frac{r_{i,t-12:t-1} - \bar{r}_{t-12:t-1}}{\sigma_{cross}}$$

$$w_i^{CSMOM} = \frac{z_i}{\sum_j |z_j|}$$

که $\bar{r}$ میانگین مقطعی و $\sigma_{cross}$ انحراف معیار مقطعی بازده همه دارایی‌هاست.

مثال عملی با اعداد

در همان پورتفولیو بالا، فرض کنید یونیورس ۵ دارایی است:

| دارایی | بازده ۱۲ ماهه | Z-Score | وزن CSMOM |
|--------|--------------|---------|-------------|
| SOL | +۹۳٪ | +۱.۸۴ | +۰.۳۶ |
| BTC | +۴۸٪ | +۰.۷۲ | +۰.۱۴ |
| AVAX | +۱۵٪ | +۰.۱۱ | +۰.۰۲ |
| ETH | -۱۲٪ | -۰.۶۳ | -۰.۱۲ |
| ATOM | -۴۱٪ | -۲.۰۴ | -۰.۴۰ |

میانگین مقطعی: +۲۰.۶٪ — انحراف معیار مقطعی: ۵۰.۸٪

دارایی‌های برتر (SOL, BTC) Long و دارایی‌های ضعیف (ATOM, ETH) Short می‌شوند. نکته مهم: اگر همه بازار نزولی باشد، CSMOM همچنان فقط بهترین‌ها را Long می‌کند، حتی اگر بازده مطلق آنها منفی باشد.

---

۴. مقایسه کمّی و تفاوت‌های بنیادین

معادله تجزیه بازده

رابطه ریاضی بین دو نوع مومنتوم:

$$r_i^{TSMOM} = r_i^{CSMOM} + \bar{r}_t \cdot s_i^{TSMOM}$$

این معادله نشان می‌دهد TSMOM ترکیبی از CSMOM و یک جزء market-timing است. جزء دوم، $\bar{r}_t \cdot s_i^{TSMOM}$، زمانی که بازار کلی صعودی باشد و دارایی سیگنال مثبت داشته باشد، بازده اضافی تولید می‌کند.

جدول مقایسه جامع

| ویژگی | TSMOM | CSMOM |
|-------|-------|-------|
| سوال اصلی | روند مطلق دارایی؟ | عملکرد نسبی در گروه؟ |
| وابستگی به بازار | بله (market-timing) | خیر (market-neutral) |
| عملکرد در بازار خرسی | مثبت (short کل بازار) | خنثی تا منفی |
| عملکرد در بازار گاوی | مثبت (long کل بازار) | مثبت |
| عملکرد در بازار رنج | منفی (ضررهای trend reversal) | مثبت |
| نیاز به یونیورس | خیر | بله (حداقل ۱۰ دارایی) |
| بتا نسبت به بازار | متغیر و مهم | نزدیک به صفر |
| ریسک اصلی | whipsaw در بازار رنج | crowded trade |

شارپ نسبی در شرایط مختلف

بر اساس تحقیقات آکادمیک در بازارهای توسعه‌یافته:
- در دوره‌های trend واضح: TSMOM برتری دارد
- در دوره‌های رنج با dispersion بالا: CSMOM برتری دارد
- correlation بین دو استراتژی: معمولاً ۰.۳ تا ۰.۵ در بازارهای کریپتو

---

۵. پیاده‌سازی در بازار رمزارز

چالش‌های خاص کریپتو

۱. تعریف یونیورس: CSMOM نیاز به یونیورس پایدار دارد. در کریپتو، سکه‌های جدید مدام اضافه می‌شوند. راه‌حل: استفاده از top-N به market cap (مثلاً top 50 به حجم ۳۰ روزه) با rebalancing ماهانه.

۲. نقدشوندگی: وزن‌ها باید با فیلتر نقدشوندگی تنظیم شوند:

$$w_i^{adj} = w_i \cdot \min\left(1, \frac{ADV_i}{\theta \cdot |w_i \cdot NAV|}\right)$$

که $ADV_i$ میانگین حجم روزانه و $\theta$ ضریب تأثیر بازار (معمولاً ۰.۱ تا ۰.۲) است.

۳. ساعات بازار: برخلاف سهام، کریپتو ۲۴/۷ معامله می‌شود. برای lookback period، استفاده از UTC midnight یکسان برای همه دارایی‌ها ضروری است.

پارامترهای بهینه برای کریپتو

بر اساس مطالعات empirical در بازار کریپتو (2018-2024):

- Lookback period TSMOM: ۳ ماه (بهجای ۱۲ ماه سهام) به دلیل چرخه‌های سریع‌تر
- Lookback period CSMOM: ۱ تا ۶ ماه
- Rebalancing: هفتگی یا دو هفتگی (کاهش transaction cost در مقابل ماهانه)
- Volatility target: ۱۵-۲۵٪ سالانه (بالاتر از سهام به دلیل نوسان ذاتی)

---

۶. ترکیب دو رویکرد: استراتژی Combo

منطق ترکیب

از آنجا که TSMOM و CSMOM به ریسک‌های متفاوتی expose هستند، ترکیب آنها می‌تواند شارپ کلی را بهبود دهد. فرمول پورتفولیو ترکیبی:

$$w_i^{combo} = \alpha \cdot w_i^{TSMOM} + (1-\alpha) \cdot w_i^{CSMOM}$$

مقدار $\alpha$ بهینه به رژیم بازار بستگی دارد، اما $\alpha = 0.5$ نقطه شروع مناسبی است.

رژیم‌بندی پویا

یک رویکرد پیشرفته‌تر، تنظیم $\alpha$ بر اساس رژیم بازار است:

$$\alpha_t = \frac{1}{1 + e^{-\beta \cdot (\bar{r}_{t-3:t} - \bar{r}_{mean})}}$$

این تابع sigmoid وزن TSMOM را در بازارهای trend‌دار (بازده میانگین بالا) افزایش می‌دهد و در بازارهای رنج کاهش می‌دهد.

مثال محاسباتی نهایی

فرض کنید در ماه جاری:
- BTC: TSMOM weight = +۰.۳۰، CSMOM weight = +۰.۱۵
- ETH: TSMOM weight = -۰.۲۰، CSMOM weight = +۰.۲۵
- SOL: TSMOM weight = +۰.۱۸، CSMOM weight = +۰.۳۵

با $\alpha = 0.5$:
- BTC combo: $(0.5)(0.30) + (0.5)(0.15) = +۰.۲۲۵$
- ETH combo: $(0.5)(-0.20) + (0.5)(0.25) = +۰.۰۲۵$
- SOL combo: $(0.5)(0.18) + (0.5)(0.35) = +۰.۲۶۵$

اینجا ETH جالب است: TSMOM می‌گوید Short ولی CSMOM می‌گوید Long. وزن ترکیبی تقریباً صفر می‌شود — که معنای آن است پورتفولیو در مورد ETH بی‌طرف است و این uncertainty را به درستی capture کرده.

---

نتیجه‌گیری

TSMOM و CSMOM دو دیدگاه مکمل به پدیده مومنتوم هستند. TSMOM ابزاری برای trend-following با قابلیت market-timing است و در بازارهای یکطرفه قوی عمل می‌کند. CSMOM ابزاری برای شناسایی برندگان نسبی است و در بازارهای رنج با پراکندگی بالا برتری دارد. در بازار کریپتو، چرخه‌های کوتاه‌تر و نوسان بالاتر نیاز به تنظیم پارامترها دارد. استراتژی ترکیبی با $\alpha$ پویا، راه‌حل عملی برای navigate کردن رژیم‌های مختلف بازار است.

---

خلاصه نقطه‌ای

- TSMOM: سیگنال = sign(r_past) × 1/σ؛ به روند مطلق دارایی نگاه می‌کند؛ market-timing دارد
- CSMOM: سیگنال = z-score بازده نسبت به همتایان؛ market-neutral؛ نیاز به یونیورس دارد
- معادله تجزیه: TSMOM = CSMOM + جزء timing بازار کل
- کریپتو: lookback کوتاه‌تر (۱-۳ ماه)، rebalancing هفتگی، فیلتر نقدشوندگی اجباری
- ترکیب: combo = α·TSMOM + (1-α)·CSMOM؛ با $\alpha$ پویا بر اساس رژیم بازار
- ریسک TSMOM: whipsaw در بازار رنج (سیگنال‌های کاذب متناوب)
- ریسک CSMOM: crowded trade؛ همه به یک سمت می‌روند و reversal ناگهانی رخ می‌دهد
- correlation بین دو استراتژی در کریپتو: ۰.۳ تا ۰.۵ — تنوع‌بخشی معنادار است