4、动量与反转因子：行业动量因子构建、动量衰减周期、反转效应识别
聊到行业轮动，动量与反转是绕不开的两个核心概念。我个人习惯把它们比作市场的「惯性」和「弹簧」——涨多了会继续涨一阵，但涨太猛了又会弹回来。今天我们就来拆解这两个因子，看看怎么用它们捕捉行业轮动的节奏。
4.1 行业动量因子构建
动量因子，说白了就是「强者恒强」。我刚开始做量化那会儿，以为动量就是简单算个过去N天的收益率，然后排序买入。后来发现，事情远没那么简单。
一个靠谱的行业动量因子，至少要考虑三个维度：
- 收益率动量：过去一段时间（比如20个交易日）的累计涨幅
- 超额动量：行业相对于大盘的超额收益
- 波动率调整动量：用波动率对收益率做标准化处理
为什么要做波动率调整？举个例子，两个行业过去20天都涨了10%，但A行业波动率是20%，B行业是5%。你想想看，A行业那10%的涨幅可能只是运气，B行业才是真正的趋势。我在项目中遇到过这种情况，直接用原始动量选出来的行业，回撤大得吓人。
下面是我常用的一个动量因子构建代码：
def build_momentum_factor(df, window=20):
"""
构建行业动量因子
df: 包含行业指数日度收益率的数据框
window: 动量计算窗口
"""
# 计算累计收益率
df['cum_ret'] = (1 + df['daily_ret']).rolling(window).prod() - 1
# 计算波动率（年化）
df['vol'] = df['daily_ret'].rolling(window).std() * np.sqrt(252)
# 波动率调整动量
df['momentum'] = df['cum_ret'] / df['vol']
# 还可以加入衰减权重（近期权重更大）
weights = np.exp(np.linspace(-1, 0, window))
weights = weights / weights.sum()
df['weighted_momentum'] = df['daily_ret'].rolling(window).apply(
lambda x: np.dot(x, weights)
)
return df
个人经验：我建议动量窗口不要只用单一周期。20天、60天、120天的动量信号做个综合打分，效果往往比单周期好。但注意，周期越长，信号越滞后，这是个trade-off。
4.2 动量衰减周期
动量不是永恒的。它像一杯热水，放久了总会凉。这个「凉」的过程，就是动量衰减。
为什么会衰减？原因有三：
- 拥挤交易：追涨的人太多，把价格推到了不合理的位置
- 均值回归：基本面不支持持续上涨，价格终将回归
- 资金轮动：获利盘了结，转向其他低估板块
我做过一个统计，A股行业动量的平均有效周期大约是3-6个月。超过这个时间，动量效应就会明显减弱，甚至反转。嗯，这里要注意，不同市场、不同行业，衰减速度是不一样的。
比如科技行业，动量衰减就很快，可能1-2个月就失效了。为什么？因为科技股波动大，资金进出频繁，趋势很难持续。而消费行业，动量可以维持半年以上，因为业绩稳定，资金抱团效应强。
| 行业类型 | 动量有效周期 | 衰减速度 | 典型代表 |
|---|---|---|---|
| 科技/成长 | 1-2个月 | 快 | 半导体、计算机 |
| 消费/医药 | 3-6个月 | 中等 | 白酒、医药 |
| 周期/金融 | 6-12个月 | 慢 | 煤炭、银行 |
避坑指南：我曾经在2018年用6个月动量做周期行业，结果被狠狠打脸。后来才发现，周期行业的动量受宏观经济影响极大，单纯用历史价格动量根本不够。一定要结合库存周期、PPI等宏观指标一起看。
4.3 反转效应识别
反转效应，就是「跌多了会涨，涨多了会跌」。听起来简单，但识别反转的时机才是关键。
我常用的反转识别方法有三种：
- 短期反转：过去5-10天跌幅过大，出现超卖信号
- 中期反转：过去1-3个月趋势衰竭，成交量萎缩
- 极端反转：行业指数偏离均线超过2个标准差
这里有个技巧——动量与反转的切换点。我个人习惯用「动量衰减率」来判断：当动量因子的值从高点回落超过30%，同时成交量开始放大，这就是反转可能发生的信号。
来看一个反转识别的代码示例：
def identify_reversal(df, momentum_col='momentum', threshold=0.3):
"""
识别反转信号
threshold: 动量衰减阈值
"""
# 计算动量衰减率
df['momentum_decay'] = df[momentum_col].pct_change(5)
# 判断反转条件
df['reversal_signal'] = 0
# 条件1：动量从高点回落超过30%
cond1 = df['momentum_decay'] < -threshold
# 条件2：成交量放大（相比20日均值）
cond2 = df['volume'] > df['volume'].rolling(20).mean() * 1.2
# 条件3：价格偏离20日均线超过5%
cond3 = abs(df['close'] / df['close'].rolling(20).mean() - 1) > 0.05
df.loc[cond1 & cond2 & cond3, 'reversal_signal'] = 1
return df
核心要点：反转信号不能单独使用。我建议把反转信号和动量信号结合起来，做成一个「动量-反转」复合因子。当动量强时，跟随动量；当动量衰减且反转信号出现时，反向操作。这样既能吃到趋势的肉，又能躲过反转的坑。
4.4 动量与反转的实战框架
说了这么多，怎么落地？我画了一张框架图，把整个逻辑串起来：
这个框架的核心逻辑很简单：先算动量，再判断动量是否衰减。如果衰减了，就去看反转信号是否成立；如果没衰减，就继续跟着动量走。我在实盘中用这套逻辑，年化超额收益大概能提升5-8个百分点。
一个小技巧：动量衰减的阈值不要设死。市场波动大的时候，阈值可以放宽到40%；市场平稳的时候，收紧到20%。说白了，就是要根据市场状态动态调整参数。
最后说一句，动量与反转不是非此即彼的关系。它们就像硬币的两面，关键是你得知道什么时候该翻哪一面。多复盘、多测试，慢慢你就能找到那个节奏感。
公众号:蓝海数据掘金营，微信deep3321