4. 因子计算与实现：以动量因子为例，演示因子值的计算过程

聊到因子计算，很多人第一反应就是「拿公式一套，出结果」。嗯，理论上是这样。但我在实际项目中踩过不少坑，发现细节才是魔鬼。今天我们就拿动量因子开刀，一步步把计算过程掰开揉碎了讲。

4.1 动量因子的核心逻辑

动量因子，说白了就是「过去涨得好的，未来可能继续涨」。这个逻辑听着简单，但实现起来有讲究。

我个人习惯把动量因子分成两类：

• 时间序列动量：看个股自身过去一段时间的收益率
• 截面动量：看个股在所有股票中的相对排名

回测中常用的是截面动量，因为它能消除市场整体趋势的影响。你想想看，如果大盘涨了20%，个股涨了15%，这算动量强还是弱？截面动量会告诉你——弱，因为跑输了大盘。

4.2 计算步骤拆解

我们以最常见的12个月动量因子为例，也就是用过去12个月的收益率（剔除最近1个月）来构建因子。为什么要剔除最近1个月？因为短期反转效应会干扰动量信号。我在项目中遇到过，如果不做这个处理，因子表现会大打折扣。

步骤一：数据准备

你需要以下数据：

• 个股的日度或月度收盘价（复权后）
• 时间范围：至少13个月的历史数据
• 股票池：全A股或特定指数成分股

步骤二：计算月度收益率

先把日度数据转换成月度数据。我一般用月末收盘价来计算：

# 伪代码示例
monthly_return = (close_price_t / close_price_t-1) - 1

这里有个细节：如果某个月份停牌怎么办？我的做法是跳过该月，用上一个有效月份的数据。但要注意，连续停牌超过3个月的股票，建议直接剔除。

步骤三：计算累积收益率

动量因子需要的是过去12个月的累积收益率（剔除最近1个月）：

# 计算过去12个月累积收益率（剔除最近1个月）
momentum_factor = (1 + monthly_return_t-2) * 
                  (1 + monthly_return_t-3) * 
                  ... * 
                  (1 + monthly_return_t-13) - 1

为什么是t-2到t-13？因为我们要跳过t-1（最近一个月）。这个窗口期设置，是我在多次回测中试出来的最优解。

步骤四：截面标准化

得到原始动量值后，还需要做截面标准化。常用的方法有两种：

方法	公式	适用场景
Z-score	(x - mean) / std	因子值呈正态分布时
排名百分位	rank(x) / N	因子值有极端值时

我个人更推荐排名百分位法。为什么？因为动量因子经常会出现极端值——比如某只股票因为重组连续涨停，动量值会高得离谱。用Z-score会被这些极端值带偏，而排名法就稳健得多。

4.3 完整代码实现

下面是一个完整的Python实现，我用的是pandas和numpy：

import pandas as pd
import numpy as np

def calculate_momentum_factor(price_df, lookback=12, skip=1):
    """
    计算截面动量因子
    
    参数:
        price_df: DataFrame, 索引为日期, 列为股票代码, 值为复权收盘价
        lookback: int, 回溯期数（月）
        skip: int, 跳过的最近期数（月）
    
    返回:
        DataFrame, 动量因子值（已标准化）
    """
    # 计算月度收益率
    monthly_ret = price_df.pct_change()
    
    # 计算累积收益率（跳过最近skip个月）
    momentum = (1 + monthly_ret.shift(skip)).rolling(window=lookback).apply(
        lambda x: np.prod(x) - 1, raw=True
    )
    
    # 截面排名标准化
    momentum_rank = momentum.rank(axis=1, pct=True)
    
    # 处理缺失值
    momentum_rank = momentum_rank.replace([np.inf, -np.inf], np.nan)
    
    return momentum_rank

# 使用示例
# price_data = pd.read_csv('monthly_prices.csv', index_col=0, parse_dates=True)
# momentum_factor = calculate_momentum_factor(price_data)

4.4 常见坑点与避坑指南

这部分是我最想分享的。纸上谈兵谁都会，但实战中遇到的问题才真正考验功力。

• 幸存者偏差：回测时只用了当前存活的股票，忽略了退市的股票。结果就是因子表现被高估。我曾经因为这个原因，把一个策略的夏普比率从1.5吹到了2.0，实盘直接打脸。
• 前视偏差：计算因子时不小心用了未来的数据。比如用t月的收盘价计算t月的因子，这就是典型的前视偏差。记住，因子值必须在t月结束后才能计算。
• 极端值处理：动量因子天然存在尖峰厚尾特征。我建议在标准化之前先做MAD（中位数绝对偏差）去极值，效果比3-sigma好。

4.5 知识体系总览

下面这张图总结了动量因子计算的完整流程，你可以把它当作一个检查清单：

这张图把整个流程串起来了。你从数据准备开始，一步步走到最终因子值。每个环节都有对应的处理方法和注意事项。我个人建议把这张图打印出来贴在工位上，写代码的时候对照着看，能少走很多弯路。

---

公众号:蓝海资料掘金营，微信deep3321