🎯 今日核心问题
- 为什么算动量必须跳过最近一个月(skip-month),不跳会怎样?停牌、涨跌停、新股又该怎么从收益序列里剔掉?
- A股在 1 个月和 3 个月尺度上到底是动量还是反转?12 个月动量在A股为什么比美股弱得多?
📖 精读提纲
【一】动量因子的标准构造:一段收益,三个技术细节
标准动量定义为过去 N 个月累计收益,美股文献(Jegadeesh & Titman, 1993)用 12 个月、跳过最近 1 个月。三个细节决定因子是信号还是脏数据:
第一,必须 skip 最近一个月。最近一月存在强烈短期反转(流动性冲击、超跌反弹、月末资金行为),把它算进 12 月动量会同时掺入动量和反转信号,两者抵消,IC 被系统性稀释。
第二,必须用复权价。不复权价在除权日出现巨大假跌,动量信号直接反向。第1周D2 已处理过。
第三,处理停牌与缺失交易日。A股停牌(重组、重大事项)可长达数月。窗口里一半是停牌日,算出的 12 月动量其实只覆盖 6 个月。做法:窗口内有效交易日数少于应有天数 80% 就置 NaN,不要 fillna——停牌用前收盘填会制造「零波动」假象。另外新股必须剔除:上市不足 12 个月算不出动量,且次新股的价格形成机制与成熟股完全不同。
【二】A股的动量不是美股的动量
这是A股因子研究里最重要的一条经验事实:1 个月和 3 个月尺度上,A股呈现显著反转,而不是动量。过去一个月涨最多的股票,下个月平均跑输;跌最多的,下个月平均跑赢。原因三条:散户占比高、换手率极高,短期涨幅迅速透支;涨跌停制度制造「涨停买不到、开板即出货」的博弈结构;游资主导的「打板→次日出货」循环。
12 个月尺度上,A股动量显著弱于美股且极不稳定:2015 上半年极强(牛市追涨),2015 下半年到 2016 初崩塌(千股跌停,前期强势股杀最狠),2017 是「龙头动量」大年,2021 春节后核心资产动量崩塌,2022-2024 在微盘和小盘之间来回撕裂。直接把美股「12-1 动量」搬来用,是最典型的跨市场失效。
更有价值的三个变体:(a)3 个月反转 -ret_3m,A股短期反转的核心表达;(b)12-1 动量当过滤器,只用来「不买最差的」;(c)行业动量,A股行业轮动比个股稳定,没有个股的停牌与操纵噪声。
【三】实战应用:构造三个动量/反转因子并对比
流程:取本地全A股后复权日线 → 日收益 → 按 21/63/126/252 日构造多尺度收益 → 每个尺度都算「含最近一月」和「skip 最近一月」两版 → winsorize + z-score → 算单期 IC。目的不是找最强参数,而是看到 A股短期反转的强度:1 月反转的 IC 绝对值会明显高于 12 月动量。
同时把动量因子在 2015H2、2016H1、2021Q1 三个时段的 IC 单独打印——这三个窗口是A股动量崩塌的典型样本,没看过这张表,实盘第一次遇到你会以为策略坏了。
【四】常见误区
- ❌ 用日历天数算窗口。「3 个月」写成 63 个交易日、「12 个月」写成 252 个,用
rolling(252)不用rolling("365D")——日历窗口会把长假错位,同截面上不同股票的窗口长度不一致。 - ❌ skip 成「跳过最近一个交易日」。是跳过最近约 21 个交易日,实现上
shift(21)而不是shift(1)。 - ❌ 涨跌停日不处理。连续一字涨停的股票动量极高,但你买不进去。信号日涨停必须从多头组合剔除,否则收益全是假的。
- ❌ 以为动量能单独用。A股个股动量单独用的信息比很低,通常配合价值/质量做过滤,或转到行业层面。
💻 代码示例
import pandas as pd
import numpy as np
from scipy.stats import spearmanr
# ── 假设 prices: DataFrame(index=交易日, columns=股票代码),后复权收盘价 ──
# prices = pd.read_parquet("data/close_hfq.parquet")
def momentum_factors(prices, windows=(21, 63, 126, 252), skip=21, min_ratio=0.8):
"""返回 dict: 因子名 -> DataFrame(日期 x 股票)
mom_{N} 含最近一月
mom_{N}_sk 跳过最近 skip 个交易日
rev_{N} 反转(动量的负号)
"""
ret = prices.pct_change(fill_method=None)
out = {}
for n in windows:
# 有效交易日占比:窗口内非缺失天数 / n
valid = ret.notna().rolling(n).sum()
ok = valid >= n * min_ratio
# 含最近一月
cum = (1 + ret).rolling(n).apply(np.prod, raw=True) - 1
out[f"mom_{n}"] = cum.where(ok)
# 跳过最近 skip 日
cum_sk = (1 + ret.shift(skip)).rolling(n).apply(np.prod, raw=True) - 1
ok_sk = ret.shift(skip).notna().rolling(n).sum() >= n * min_ratio
out[f"mom_{n}_sk"] = cum_sk.where(ok_sk)
out["rev_21"] = -out["mom_21"]
out["rev_63"] = -out["mom_63"]
return out
# ── 单期 IC:截面 Spearman 相关 ─────────────────────────────────
def cross_ic(factor_row, fwd_ret_row, min_stocks=100):
d = pd.concat([factor_row, fwd_ret_row], axis=1, keys=["f", "r"]).dropna()
if len(d) < min_stocks:
return np.nan
ic, _ = spearmanr(d["f"], d["r"])
return ic
def ic_series(factor_df, fwd_ret, freq="M", min_stocks=100):
"""按月采样,算每个截面的 IC;fwd_ret 为下一期收益"""
dates = factor_df.resample(freq).last().index
vals = []
for dt in dates:
if dt not in factor_df.index or dt not in fwd_ret.index:
continue
vals.append((dt, cross_ic(factor_df.loc[dt], fwd_ret.loc[dt], min_stocks)))
s = pd.Series(dict(vals)).dropna()
return s
# ── 组装并检验 ───────────────────────────────────────────────────
fac = momentum_factors(prices)
# 下月收益:未来 21 个交易日累计收益(shift(-21) 对齐全)
fwd = prices.shift(-21) / prices - 1
for name in ["mom_252_sk", "mom_126_sk", "mom_63_sk", "rev_21"]:
ic = ic_series(fac[name], fwd)
print(f"{name:12s} IC均值={ic.mean():.3f} ICIR={ic.mean()/ic.std():.2f} "
f"胜率={(ic > 0).mean():.1%} N={len(ic)}")
# ── 分年度看动量崩塌:这三个窗口必须单独看 ──────────────────────
ic_m = ic_series(fac["mom_252_sk"], fwd)
print(ic_m.loc["2015-06":"2016-06"])
print(ic_m.loc["2020-12":"2021-06"])
✏️ 今日动手
- 用你第1周的本地全A股后复权日线,跑上面代码,把 5 个因子的 IC 均值、ICIR、胜率填进一张表。预期看到:
rev_21的 IC 绝对值最高(约 0.04-0.08,负号代表反转有效),mom_252_sk的 IC 在 0.01-0.03 之间且不稳定。 - 做一次「skip 与否」的对照实验:同一个 12 月窗口,
mom_252和mom_252_sk的 IC 差多少。差得越大,说明A股短期反转越强。 - 把动量因子换到行业层面:用申万一级行业指数算 63 日动量,看行业动量的 ICIR 是否高于个股动量。这个对比结果会决定你第4周做多因子时,动量放个股层还是行业层。
- 加一个可交易性过滤:信号日涨停(涨幅≥9.8% 或 ≥19.8%)的股票从当月多头组合里剔除,重新算 IC 和分组收益,对比剔除前后的差异。差异就是你「买不进去」的那部分虚高收益。
🔖 明日预告
明天讲波动与流动性因子:为什么「低波动异象」在A股表现为「低换手、低振幅」,换手率因子怎么构造才不会退化成小市值因子的马甲,以及 Amihud 非流动性指标在A股为什么要把 ST 和北交所单独处理。