--- ## 一、动量因子：让赢家继续跑 动量因子的核心逻辑来自行为金融学中的“反应不足”和“羊群效应”。投资者对新信息往往反应滞后，导致股价趋势会延续一段时间。学术上最经典的证据是 Jegadeesh 和 Titman 在 1993 年提出的横截面动量策略：过去 3 到 12 个月表现最好的股票，在未来 1 到 6 个月仍倾向于跑赢表现最差的股票。 **一个直观的数据示例**：假设某股票池有 500 只股票，每月末按过去 6 个月收益率排序，买入前 10%、卖出后 10%，持有 1 个月后换仓。在 A 股 2010—2020 年的回测中，这种朴素动量策略的年化超额收益大约在 4%—6%，但最大回撤经常超过 20%。 实操中，动量因子通常这样计算： 1. 确定回看窗口（常用 20、60、120 个交易日） 2. 计算每只股票在窗口内的累计收益率 3. 剔除最近 1 个月的收益率（避免短期反转干扰） 4. 横截面排序，取前 20%—30% 构建多头组合 > 动量因子最怕“动量崩溃”——市场剧烈反转时，前期涨幅最大的股票可能集中暴跌。因此仓位控制和止损规则比因子本身更重要。 --- ## 二、反转因子：跌出来的机会 反转因子与动量因子方向相反，它赌的是“过度反应后的修正”。短期反转（1 个月内）和长期反转（3—5 年）是两个不同现象：短期反转更多来自流动性冲击和买卖压力，长期反转则与估值均值回归有关。 **A 股市场中，短期反转因子尤其显著**。由于散户占比高、换手率高，个股短期容易出现超跌或超涨。一个常见的反转因子构造方式是： - 取过去 20 个交易日的收益率 - 取负值后横截面排序 - 买入排名靠前（即前期跌幅大）的股票 但反转因子并非“越跌越买”这么简单。**必须过滤掉基本面恶化的公司**，否则容易陷入“价值陷阱”。常见做法是叠加质量因子，比如 ROE 大于 10%、资产负债率低于 60%，再在剩余股票中按反转信号选股。 --- ## 三、两者如何配合使用 动量与反转并非二选一，而是可以分层次、分周期配合： - **短周期（1 个月）**：反转因子通常更强，适合捕捉情绪修复 - **中周期（3—12 个月）**：动量因子更稳健，适合趋势跟踪 - **组合层面**：可以将资金分成两部分，一部分做动量多头，一部分做反转多头，再统一风险控制 一个实用的做法是构建“动量+反转”双因子打分：分别计算每只股票的动量得分和反转得分，标准化后等权相加，选综合得分最高的 30 只。这样既避免单一因子失效，又平滑了净值曲线。 如果你不想从零写代码，可以试试 [股票搭子](https://jiademin2688.top)，用自然语言描述“过去 60 日涨幅前 20% 且近 5 日跌幅超过 8%”这类条件，就能快速生成可回测的 AI 量化技能，省去大量数据清洗和因子计算的重复劳动。 --- ## 四、常见误区与避坑指南 1. **忽视交易成本**：动量因子换手率高，A 股双边成本约 0.2%—0.3%，频繁调仓可能吃掉大部分超额收益 2. **不做行业中性化**：动量因子容易集中在某一两个热门行业，一旦行业反转，回撤巨大 3. **用未来数据**：计算动量时误用了当日收盘后才知道的财务数据，导致回测虚高 4. **参数过拟合**：把回看窗口从 60 天调到 55 天收益就翻倍，这种“优化”通常没有样本外价值 > 因子有效性的关键在于逻辑自洽和风险控制，而不是历史回测曲线有多漂亮。 --- 动量因子赚的是“趋势延续”的钱，反转因子赚的是“情绪修正”的钱。两者结合，才能在多变的市场中保持相对稳定的选股能力。 **投资有风险，入市需谨慎。本文提及的因子和策略仅为学术与实操讨论，不构成任何投资建议。** --- > 🚀 **想用自然语言创建自己的 AI 量化技能？** > > 欢迎访问 **[股票搭子](https://jiademin2688.top)** —— 用一句话，让 AI 帮你搭建专属量化策略。