4. 动量因子构建：过去N日收益率动量、过去N日超额收益动量、动量因子平滑处理、动量因子排名与打分

动量因子，说白了就是「追涨杀跌」的量化版本。别笑，这招在A股市场里，其实挺管用的。

我个人习惯把动量因子拆成四个步骤来构建：先算原始动量，再算超额动量，然后做平滑处理，最后排名打分。每一步都有坑，我一个个说。

4.1 过去N日收益率动量

这是最基础的动量。公式很简单：

动量 = (当前收盘价 - N日前收盘价) / N日前收盘价

嗯，这里要注意。N的取值很关键。我见过有人用5日、20日、60日，甚至250日。到底用哪个？

我的经验是：短周期动量（5-10日）噪音大，长周期动量（60日以上）反应慢。我个人偏向用20日，也就是一个月左右的交易窗口。为什么？因为A股的一个完整情绪周期，差不多就是20个交易日。

代码实现也很直接：

import pandas as pd
import numpy as np

def calc_momentum(price_series, window=20):
    """
    计算过去N日收益率动量
    """
    momentum = price_series.pct_change(periods=window)
    return momentum

# 示例：计算个股的20日动量
stock_data['momentum_20d'] = calc_momentum(stock_data['close'], 20)

4.2 过去N日超额收益动量

光看个股自己的涨跌还不够。你得知道它跑赢了市场没有。这就是超额收益动量。

公式也很简单：

超额动量 = 个股动量 - 基准动量

基准一般用沪深300或者全A指数。我个人习惯用全A等权指数，因为能更真实反映市场整体情况。

def calc_excess_momentum(stock_momentum, benchmark_momentum):
    """
    计算超额收益动量
    """
    excess_momentum = stock_momentum - benchmark_momentum
    return excess_momentum

# 示例
stock_data['excess_momentum_20d'] = calc_excess_momentum(
    stock_data['momentum_20d'], 
    benchmark_data['momentum_20d']
)

4.3 动量因子平滑处理

原始动量数据，噪音太大了。你想想看，一天的大涨大跌，就能让动量值剧烈波动。所以我们需要做平滑处理。

我常用的方法有三种：

方法	说明	我的评价
简单移动平均（SMA）	对过去N期动量取平均	简单粗暴，但滞后明显
指数加权移动平均（EMA）	近期数据权重更大	我最常用，反应快且平滑
中位数平滑	取过去N期中位数	抗极端值能力强

我个人偏好EMA。为什么？因为它既平滑了噪音，又保留了近期趋势的变化。你看代码：

def smooth_momentum(momentum_series, method='ema', window=5):
    """
    动量因子平滑处理
    """
    if method == 'sma':
        return momentum_series.rolling(window=window).mean()
    elif method == 'ema':
        return momentum_series.ewm(span=window, adjust=False).mean()
    elif method == 'median':
        return momentum_series.rolling(window=window).median()
    else:
        raise ValueError("不支持的方法")

# 示例：使用EMA平滑
stock_data['momentum_smoothed'] = smooth_momentum(
    stock_data['excess_momentum_20d'], 
    method='ema', 
    window=5
)

4.4 动量因子排名与打分

最后一步，是把平滑后的动量值，转换成可交易的信号。怎么做？排名打分。

我常用的打分方法有两种：

1. 百分位排名法：把全市场股票的动量值排序，取百分位作为分数。比如排名前10%的得1分，后10%的得0分。
2. Z-score标准化法：计算每个股票动量值偏离均值多少个标准差。偏离越大，分数越高。

我个人更推荐百分位排名法。为什么？因为它不受极端值影响。你想想看，如果某只股票突然涨停，Z-score会变得非常大，但百分位排名最多也就是100%。

def rank_and_score(momentum_series, method='percentile'):
    """
    动量因子排名与打分
    """
    if method == 'percentile':
        # 百分位排名，返回0-1之间的分数
        scores = momentum_series.rank(pct=True)
    elif method == 'zscore':
        # Z-score标准化
        scores = (momentum_series - momentum_series.mean()) / momentum_series.std()
    else:
        raise ValueError("不支持的方法")
    
    return scores

# 示例：对全市场股票进行排名打分
all_stocks['momentum_score'] = rank_and_score(
    all_stocks['momentum_smoothed'], 
    method='percentile'
)

到这里，动量因子的构建就完成了。你可能会问：就这么简单？嗯，其实核心逻辑确实不复杂。但真正难的是细节处理——比如数据清洗、异常值处理、复权方式选择等等。这些我在后面的章节会详细展开。

最后送你一句话：动量因子不是万能的，但没有动量因子是万万不能的。在行业轮动策略里，它是最基础也最有效的因子之一。