4、因子构建（上）：动量因子与均值回归因子

各位同学，今天我们来聊聊因子构建中最基础、也最实用的两个方向——动量因子和均值回归因子。

说实话，我刚入行那会儿，觉得因子越多越好，恨不得把能想到的指标全塞进模型里。结果呢？过拟合得一塌糊涂，回测曲线漂亮得像假的一样，实盘一跑就露馅。后来我才明白，因子的逻辑比数量重要得多。

今天这两个因子，一个追涨杀跌，一个抄底逃顶。听起来矛盾对吧？但它们在多因子模型里可以共存，甚至互补。我们一个一个来看。

一、动量因子：趋势是你的朋友

动量因子的核心思想很简单：过去涨的，未来还会涨；过去跌的，未来还会跌。这不是玄学，背后有行为金融学的解释——投资者反应不足、信息传播需要时间等等。

我个人习惯用两种方式构建动量因子：N日收益率和乖离率。

1. N日收益率

这个最直接。就是计算过去N天的累计收益率。

# 伪代码示例
def n_day_return(close_prices, n=20):
    return (close_prices[-1] / close_prices[-n-1]) - 1

N怎么选？这是个好问题。我做过大量测试，发现：

• 短期动量（5-10天）：噪音大，反转快，不太适合做因子
• 中期动量（20-60天）：效果最稳定，我个人常用30天
• 长期动量（120天以上）：在数字货币里效果一般，因为市场变化太快

2. 乖离率（BIAS）

乖离率衡量的是当前价格偏离移动平均线的程度。公式是：

BIAS = (当前价格 - MA(N)) / MA(N) * 100%

说白了，就是看价格跑得离均线有多远。乖离率越大，说明动量越强，但也意味着回调风险在积累。

我曾经在ETH上吃过亏。2021年那波牛市，乖离率一度冲到30%以上，我以为是超买信号就做空了。结果呢？市场继续涨，我爆仓了。后来我学乖了——乖离率在强趋势行情里会失效，它更适合震荡市。

二、均值回归因子：涨多了会跌，跌多了会涨

均值回归因子的逻辑和动量完全相反。它认为价格会围绕某个均值波动，偏离太远就会拉回来。

听起来很有道理对吧？但实际操作中，均值回归因子有个致命问题——你不知道什么时候回归。价格可以偏离均值很久，久到你扛不住。

1. 均值回归的常见构建方式

我常用的均值回归因子有：

• 价格与均线的距离：类似乖离率，但方向相反
• RSI指标：低于30做多，高于70做空
• 布林带位置：价格在布林带上下轨的位置

# 一个简单的均值回归因子示例
def mean_reversion_factor(close_prices, window=20):
    ma = close_prices.rolling(window).mean()
    std = close_prices.rolling(window).std()
    # 计算z-score
    z_score = (close_prices - ma) / std
    # 取负值，因为我们要做反向操作
    return -z_score

三、动量 vs 均值回归：什么时候用哪个？

这个问题我思考了很久，也踩过不少坑。我的结论是：

市场状态	动量因子	均值回归因子
强趋势行情	✅ 有效	❌ 失效
震荡行情	❌ 失效	✅ 有效
高波动行情	⚠️ 需谨慎	⚠️ 需谨慎

你想想看，如果市场在单边上涨，你用均值回归做空，那不是找死吗？反过来，如果市场在横盘震荡，你用动量追涨杀跌，大概率两边挨打。

所以，真正的难点不在于构建因子，而在于判断当前市场适合哪种因子。这也是为什么多因子模型比单因子模型更稳健——你可以让多个因子同时工作，用模型自动分配权重。

四、本章知识体系

下面这张图展示了本章的核心逻辑，我画成了SVG，方便你理解：

嗯，这张图把今天的核心内容串起来了。你可以看到，动量因子和均值回归因子各有各的子因子，也各有各的适用场景。关键是要学会判断市场状态，然后灵活运用。

好了，今天的内容就到这里。下一章我们会继续讲因子构建的下半部分——波动率因子和流动性因子。到时候你会发现，这些因子组合起来，威力会大得多。

---