因子研究（3）——动量效应在 A 股的实证检验与改进

由bqu1vdra创建，最终由bqu1vdra更新于2026-03-31 08:06 被浏览 3 用户

1. 摘要

本文基于 BigQuant 平台对 A 股市场 2015—2025 年 5,487 只股票（含 324 只已退市个股）的全量数据，系统检验价格动量因子（Price Momentum）与残差动量因子（Residual Momentum）的有效性，并从三个维度深化研究：

核心结论：A 股 2015—2025 年整体表现为短期显著反转，中期效应衰减，价格动量因子呈现负向 IC；通过剥离系统性风险后的残差动量方向转正；因子有效性受市场状态显著调节，实盘应用需结合市场环境做动态切换。

2. 研究背景与动机

2.1 动量效应的经典文献背景

动量效应（Momentum Effect）最早由 Jegadeesh & Titman（1993）在美国市场系统记录：买入过去 3~12 个月表现好的股票、卖出表现差的股票，持有 3~12 个月可获得超额收益。此后，该效应在欧洲、亚太新兴市场均有记录，成为资产定价领域与因子投资领域的重要异象。

然而，A 股市场的动量效应长期存在争议：

• 散户为主的市场结构可能导致过度反应，形成短期反转而非延续；
• 涨跌停板制度（±10% / ST ±5%）限制了价格连续性；
• 机构化程度提升（2018 年后外资持续流入）可能改变市场定价机制；
• 行业板块轮动快，个股层面动量可能被行业效应所掩盖。

2.2 本文研究问题

1. A 股 2015—2025 年是否存在显著的价格动量效应？方向如何？
2. 不同回看窗口（lookback）与跳过期（skip）参数如何影响因子有效性？
3. 剥离系统性风险后的残差动量是否比原始动量更有效？
4. 因子有效性是否随市场状态（牛 / 熊 / 震荡）发生变化？
5. 动量信号与基本面因子（ROE、PE）的相关性如何？

3. 数据获取与质量控制

3.1 数据来源

查询时间范围延伸：为保证动量计算所需的历史窗口（最长 12 个月），数据实际从 2013-08-15 开始查询，向前扩展约 500 天。

3.2 幸存者偏差处理

这是本研究最重要的数据质量控制措施。

问题：若仅保留"当前仍在市"的股票进行回测，会系统性高估策略收益（因为已退市的亏损股票被隐性排除）。

处理方式：cn_stock_prefactors 保存所有曾上市股票的完整历史记录 → 查询时不附加"当前仍在市"过滤条件 → 历史任意截面自然包含当时存在的全部股票

量化效果：

3.3 数据过滤规则

WHERE
    st_status  = 0    -- 排除 ST（当期状态过滤）
    AND suspended = 0  -- 排除停牌
    AND list_days > 60 -- 排除次新股（上市不足 60 日）

注：ST 过滤仅针对当期状态，历史上曾为 ST 但已摘帽的股票在其摘帽后的历史数据中仍被保留，避免前视偏差。

3.4 月度截面构建

• 取每月最后一个交易日为调仓基准日；
• 计算当月月度收益率：monthly_ret = close.pct_change(1)（月末对月末）；
• 计算下期收益（fwd_ret）：用于 IC 计算和分层回测的因变量。

4. 价格动量因子构建

4.1 因子定义

$$ \text{MOM}{i,t}(T, s) = \prod{k=s+1}^{T} \left(1 + r_{i,t-k}\right) - 1 $$

其中：

$$ r_{i,t-k}——股票i在第t-k期的月度收益率 $$

T：回看窗口（总月数），s：跳过的最近月数（skip，用于规避短期反转噪声）

直觉解释：在计算 t 时刻的动量时，用 t-s-1 到 t-T 期间的累积收益，而非包含最近 s 个月，以避免短期反转对信号的污染。

4.2 参数网格

共生成 8 个动量因子（mom_3m_s0、mom_3m_s1、…、mom_12m_s1）。

4.3 实现代码逻辑

def calc_price_momentum(df_m, lookback, skip):
    log_ret = np.log1p(df_m['monthly_ret'].fillna(0))
    grp = df_m.groupby('instrument')['_log_ret']
    # 总窗口累积减去近期跳过窗口
    roll_total = grp.transform(lambda x: x.shift(skip).rolling(lookback - skip).sum())
    df_m[col] = np.expm1(roll_total)  # 转换回简单收益
    return df_m

4.4 因子截面分布

计算后对所有因子进行：

1. 极端值处理：上下 1% Winsorize；
2. 截面标准化：均值 0、标准差 1 的 Z-score 化；
3. 单调性预判：计算各参数组合在全样本期内的截面分布。

5. 残差动量因子构建

5.1 设计动机

价格动量因子中包含系统性风险暴露（市场 Beta、行业 Beta）带来的超额收益，这部分收益未必来自"个股动量效应"本身，而是行业轮动或市场趋势的折射。残差动量通过回归剥离这一污染：

5.2 模型设定

$$ r_{i,t} = \alpha_i + \beta_i^{\text{mkt}} \cdot r_{\text{mkt},t} + \beta_i^{\text{ind}} \cdot r_{\text{ind},t} + \varepsilon_{i,t} $$

$$ r_{\text{mkt},t} ：全市场等权月度收益（市场代理指数） $$

$$ r_{\text{ind},t}：个股所属行业的等权月度收益 $$

$$ 残差动量因子 = 过去 T 个月残差\varepsilon_{i,t} 的累积值（同样跳过最近 skip 个月） $$

5.3 参数设置

5.4 实现要点

• 使用滚动 12 月 OLS（逐股时序回归）提取当期残差
• 最少需要 6 个有效月度观测才进行回归（否则残差为 NaN）
• 逐股回归共处理约 5,000+ 只股票

6. 参数敏感性测试

6.1 分析框架

对全部 8 个参数组合分别计算 Rank IC 均值与 ICIR（IC 信息比率），以热力图形式展示

6.2 实证结果

IC 均值热力图（8 个参数组合）：

ICIR 热力图（绝对值越大越好）：

6.3 关键发现

A 股整体表现为短期反转效应：

1. 所有 3/6 月回看组合 IC 均值均为负，说明过去 3~6 个月上涨的股票在下月倾向于下跌（反转）

2. 短期（3 月，skip=0）反转效应最强：IC 均值 -0.032，ICIR -0.244，T 统计量 -2.66（显著）

3. 随 lookback 延长，效应逐渐减弱：12 月回看时 IC 均值趋近于 0，动量/反转效应均不显著

4. skip=1（跳过最近 1 个月）后效应明显减弱，印证最近 1 个月的反转噪声是主要驱动力

   最优参数：lookback = 3 月，skip = 0（ICIR 绝对值最大）

7. IC 时序分析与统计显著性检验

7.1 最优因子 IC 统计摘要

基于最优参数组合（mom_3m_s0）的全样本 IC 统计：

统计显著性：T 统计量 = -2.66，超过 5% 显著性水平临界值（|T| > 1.96），反转效应统计显著。

7.2 IC 时序图

图示解读：

• 月度 IC 围绕负值波动，滚动 12 月均值（蓝色实线）持续为负；
• 2015 年牛市阶段与 2019—2020 年结构性行情期间，IC 方向出现阶段性反转；
• 2021 年以来 IC 波动加大，与市场风格快速切换吻合。

7.3 分年度 IC 统计

2019—2020 年 IC 均值接近 0，对应外资持续流入、机构集中抱团行情，市场定价机制变化导致短期反转效应短暂消失。

8. 分层回测与净值曲线

8.1 回测框架

8.2 交易成本模拟

本研究进行了完整的交易成本估算：

月度调仓下，年化成本拖累约为换手率 × 0.46%，中等换手率（约 65%）对应 年化约 3~4% 的成本拖累。

8.3 分层净值结果

净年化收益与风险统计（扣除全成本）：

8.4 关键观察

1. 收益单调性反转：G1（最低动量）→ G5（最高动量）对应收益从高到低（9.43% → 2.04%），与反转效应一致
2. 多空年化 -6.80%（做多低动量、做空高动量），扣成本后多空年化亏损 6.80%，显示反转效应在扣成本前后均可维持方向一致
3. G5 最大回撤最深（-68.34%）：高动量股票往往是前期涨幅大的热门股，下行风险更大
4. 成本拖累显著：毛收益最高的 G2（13.78%）扣成本后降至 9.59%，成本拖累高达 4.20%，月度换手率 68.7% 是主要原因

成本前后年化收益对比：

9. 原始动量 vs 残差动量对比

9.1 IC 统计对比

9.2 深度解读

这一结论具有重要的经济含义：

• 原始动量 IC 为负：A 股整体上过去 3 个月上涨的股票下个月倾向于下跌（短期反转）；
• 残差动量 IC 为正：剔除市场和行业的系统性收益后，股票特异性的动量信号反而是正向的，即特异性强势股倾向于继续强势；
• 矛盾的根源：A 股的板块轮动快、行业平均动量存在均值回归，导致包含行业暴露的价格动量整体呈负。当剥离行业效应后，个股层面的特质动量才显现正向信号；
• 实践意义：在构造动量多空组合时，应优先使用残差动量（行业+市值中性化后），而非原始价格动量。

9.3 行业 + 市值中性化效果

10. 与基本面因子相关性分析

10.1 分析目的

若动量因子与基本面因子（ROE、PE）高度相关，则动量因子的"超额收益"可能仅是对基本面的变相暴露，不具备独立的因子溢价。

10.2 截面相关性结果

10.3 解读

1. 动量与基本面因子相关性极低（均值 < 0.06），说明动量信号具有相当程度的独立性
2. 价格动量与 PE 的弱正相关（+0.047）：过去上涨的股票估值略偏高，但幅度很小
3. 残差动量与 ROE 的相关性趋近于 0（+0.003）：剥离市场行业 Beta 后，残差动量几乎与盈利质量无关，进一步确认其因子独立性
4. 实践含义：动量因子与价值、质量因子的重叠度低，可作为独立因子加入多因子模型，具备分散化价值

11. 市场状态分组检验

11.1 市场状态划分规则

基于全市场等权月度收益的滚动 12 月趋势划分：

注：由于使用的是全市场等权月度收益而非沪深300，在 2015—2025 年 10 年内，等权指数呈现较多牛市特征（小盘股权重更高）。

11.2 分状态 IC 统计

11.3 重要发现

A 股动量效应具有显著的市场状态依赖性：

• 震荡市（ICIR = +0.45）：动量效应最为显著，追涨杀跌的交易策略在震荡市中能获取正超额收益；
• 牛市（ICIR = -0.36）：反转效应最强，过度追高往往遭到回调，牛市中"低位补涨"策略更优；
• 熊市（ICIR = -0.24）：反转效应存在但不显著（T = -1.62），市场普跌背景下因子整体失效。

这一发现表明，静态使用动量因子在 A 股会导致多数时间做反方向（牛市占比最大），需要构建市场状态感知的动态因子切换机制。

12. 综合结论与策略建议

12.1 五大核心结论

12.2 策略建议：

一：短期反转策略

逻辑：利用已实证的 A 股短期反转效应，做多近期弱势股、减仓近期强势股。

因子：mom_3m_s0（3 月价格动量，无跳过）
方向：负向使用（做多低动量，做空高动量）
调仓：月度
选股：每月末按动量因子升序排列，取前 20% 做多
风控：行业+市值中性化，避免暴露单一行业风险

风险提示：

• 高换手率（月均 65%+）导致年化成本拖累 3~4%，压缩净超额收益；
• 牛市行情中反转效应最强，但同时是最难执行做空的时期；
• 建议优先执行多头部分（低动量买入），控制空头风险暴露。

二：残差动量因子替代

逻辑：使用行业+市值中性化后的残差动量，方向正向，与基本面因子独立性更强。

# 残差动量构建步骤：
# 1. 计算全市场等权月收益（市场代理）
# 2. 计算各行业等权月收益（行业代理）
# 3. 滚动 12 月 OLS 回归：r_i = α + β_mkt * r_mkt + β_ind * r_ind + ε
# 4. 提取残差 ε，计算过去 6 月（skip=1）残差累积值

改进效果：ICIR 从 -0.24（反向）转变为 +0.15（正向），因子方向与传统动量理论一致。

三：市场状态感知动态切换

逻辑：根据实时市场状态，动态调整因子方向和权重。

判断市场状态（滚动 12 月等权指数收益）：
  > +20%  → 牛市：使用反转因子（负向动量，ICIR = -0.36）
  < -10%  → 熊市：降低仓位（因子失效，ICIR = -0.24 但不显著）
  其他    → 震荡：使用动量因子（正向动量，ICIR = +0.45）

预期效果：将震荡市（ICIR = +0.45）和牛市（反转 ICIR = -0.36）的有效信号均加以利用，理论上可显著提升因子稳定性。

四：多因子组合降噪

逻辑：动量（或反转）因子与 ROE、PE 低相关，叠加后可降低组合噪声。

多因子合成权重建议（参考，需样本外验证）：
  残差动量（反转方向使用） : 30%
  ROE_TTM（质量因子）     : 35%
  PE_TTM（估值因子）      : 35%

上述权重仅为示例，应通过样本外数据（如 2022—2025 年）进行验证，防止过拟合！

\