动量信号生成：时间序列动量、截面动量、动量衰减因子、信号平滑处理
动量信号，说白了就是市场趋势的「温度计」。你想想看，价格涨了还会继续涨吗？跌了还会继续跌吗？动量策略就是赌这个「惯性」。但怎么赌、赌多久、赌多大，这里面的门道可不少。
我个人习惯把动量信号拆成四个维度来理解：时间序列动量、截面动量、动量衰减因子、信号平滑处理。每个维度解决一个核心问题。咱们一个一个聊。
1. 时间序列动量：跟自己的历史比
时间序列动量，也叫「绝对动量」。它只看单个资产自己的历史表现。比如某只股票过去60天涨了15%，那就认为它处于上升趋势，做多。如果跌了10%，就做空。
公式很简单：
Signal_ts = (P_t - P_{t-n}) / P_{t-n}其中 P_t 是当前价格，P_{t-n} 是 n 天前的价格。
我在项目中遇到过一个问题：直接用收盘价算，结果信号噪声特别大。后来我改用「滚动收益率」，也就是用对数收益率累加，效果好了不少。
2. 截面动量：跟同类比
截面动量，也叫「相对动量」。它不看资产自己的涨跌，而是看它在同类资产中的排名。比如全市场5000只股票，过去60天涨得最好的前20%做多，最差的20%做空。
计算步骤：
- 计算每个资产的过去n天收益率
- 对所有资产的收益率排序
- 取排名前20%的做多，后20%的做空
- 或者用z-score标准化：
Signal_cs = (R_i - mean(R)) / std(R)
嗯，这里要注意：截面动量对「分组数量」很敏感。我曾经试过分5组和分10组，结果年化收益差了将近4%。建议你多跑几组参数看看稳定性。
3. 动量衰减因子：让旧信号「过期」
动量信号有个毛病：越老的信号越没用。比如60天前的涨跌，对今天的走势影响已经很小了。所以我们需要一个衰减因子，让旧信号慢慢「失效」。
我常用的两种方式：
- 指数衰减：权重 = exp(-λ * t)，λ控制衰减速度。λ越大，旧信号消失得越快。
- 线性衰减：权重 = 1 - t/T，T是总回看周期。简单粗暴，但效果不差。
举个例子，60天回看周期，指数衰减λ=0.05：
import numpy as np
def exp_decay_weights(n, lam=0.05):
t = np.arange(n)
weights = np.exp(-lam * t)
return weights / weights.sum()
weights = exp_decay_weights(60, lam=0.05)
# 第1天权重约0.016，第60天权重约0.001你看，第60天的权重只有第1天的1/16。说白了，最近10天的数据决定了80%的信号。
4. 信号平滑处理：去掉毛刺
原始动量信号就像心电图，上蹿下跳。直接用它交易，你会被来回打脸。平滑处理就是给信号「去噪」。
我常用的三种平滑方法：
| 方法 | 公式 | 适用场景 |
|---|---|---|
| 简单移动平均 | S_t = (S_{t-1} + S_{t-2} + ... + S_{t-m}) / m | 快速实现，延迟适中 |
| 指数加权移动平均 | S_t = α * raw_t + (1-α) * S_{t-1} | 对最新数据更敏感 |
| 卡尔曼滤波 | 状态空间模型 | 噪声大、非线性场景 |
我个人最常用指数加权移动平均。α取0.1到0.3之间，既能平滑噪声，又不会延迟太多。卡尔曼滤波虽然理论完美，但参数调起来太费劲，我一般只在研究阶段用。
5. 完整流程：从原始数据到交易信号
咱们把上面四个步骤串起来，看看完整的信号生成流程：
# 伪代码示例
def generate_momentum_signal(prices, lookback=60, decay_lam=0.05, smooth_alpha=0.2):
# 1. 计算时间序列动量
raw_ts = (prices[-1] - prices[-lookback]) / prices[-lookback]
# 2. 计算截面动量（假设有多个资产）
# raw_cs = zscore(all_assets_returns)
# 3. 应用衰减因子
weights = exp_decay_weights(lookback, lam=decay_lam)
weighted_ts = np.sum(raw_ts * weights)
# 4. 信号平滑
smooth_signal = ema(weighted_ts, alpha=smooth_alpha)
return smooth_signal你看，代码其实不长。但每个参数的选择，背后都是真金白银的教训。
6. 一张图看懂本章核心
下面这张SVG图，把动量信号生成的四个步骤和它们的关系画清楚了。建议你保存下来，写代码时对照着看。
从图里你能看到，原始数据先分三路处理：时间序列动量、截面动量、衰减因子。然后合并加权，再经过平滑处理，最终输出交易信号。每一步都有参数要调，每一步都可能踩坑。
好了，这一章的内容就到这。代码和公式都给你了，剩下的就是自己去跑回测、调参数。记住，没有万能的参数组合，只有最适合你策略的那一组。