动量因子初探：什么是动量因子？趋势跟踪的核心逻辑

各位同学，今天咱们来聊聊动量因子。

说实话，我入行那会儿，动量这个概念还没现在这么火。那时候大家更爱聊价值投资、聊市盈率。但我个人习惯，喜欢从最朴素的逻辑出发——涨的东西为什么还会涨？跌的东西为什么还会跌？

嗯，这就是动量因子的核心。

一、动量因子的定义

动量因子，说白了就是过去涨得好的资产，未来一段时间内大概率继续涨；过去跌得惨的资产，未来大概率继续跌。

你想想看，这跟物理学里的惯性是不是一个道理？

我在项目中遇到过一位老交易员，他跟我说过一句话我至今记得：「别跟趋势作对，趋势是你最好的朋友。」这句话虽然朴素，但背后就是动量因子的逻辑。

二、趋势跟踪的核心逻辑

趋势跟踪，本质上就是捕捉动量因子的延续性。

为什么会这样？因为市场不是完全有效的。人的行为有惯性，资金有惯性，信息传播也有惯性。当一只股票开始上涨，会吸引更多人的关注，更多人买入，价格继续上涨——这就是正反馈循环。

我曾经犯过一个错误。2018年做回测时，我发现一个策略在震荡市里表现极差。我当时想：「是不是动量因子失效了？」后来复盘才发现，不是因子失效，而是我没有识别出趋势环境。

三、动量因子的数学表达

咱们用Python来写一个最简单的动量因子计算。别怕，代码不长。

import pandas as pd
import numpy as np

# 假设我们有一组价格数据
prices = pd.Series([100, 102, 105, 103, 107, 110, 108, 112, 115, 118])

# 计算过去5期的动量因子
def momentum_factor(price_series, lookback=5):
    """
    计算动量因子
    lookback: 回溯期数，我一般用5、10、20
    """
    # 收益率 = 当前价格 / N期前价格 - 1
    momentum = price_series / price_series.shift(lookback) - 1
    return momentum

# 计算
mom = momentum_factor(prices, lookback=5)
print("动量因子值：")
print(mom)

# 信号生成：动量 > 0 买入，< 0 卖出
signal = np.where(mom > 0, 1, -1)
print("\n交易信号（1=买入，-1=卖出）：")
print(signal)

你看，就这么几行代码。但实际项目中，我建议你不要只用单一回溯期。我个人习惯用多个周期（比如5日、20日、60日）做加权平均，效果更稳定。

四、动量因子的分类

动量因子不是只有一种。根据我的经验，可以分成三类：

类型	计算方式	适用场景
绝对动量	过去N期收益率	单资产趋势跟踪
相对动量	资产收益率 - 基准收益率	跨资产比较、选股
残差动量	剔除市场因子后的收益率	捕捉个股特有趋势

我个人最常用的是相对动量。为什么？因为绝对动量容易受大盘影响。你想想看，如果大盘涨了20%，你的股票涨了10%，这算动量强吗？其实不算。相对动量能帮你剔除市场噪音。

五、动量因子的核心假设

动量因子能赚钱，背后有三个假设：

1. 信息扩散缓慢：好消息不是一下子被所有人知道的，而是慢慢传播。先知道的人先买，后知道的人后买，价格就延续上涨。
2. 投资者行为偏差：人都有「追涨杀跌」的倾向。这不是贬义，这是人性。我见过太多人因为「恐高」而错过主升浪。
3. 趋势自我强化：上涨吸引资金，资金推动上涨，上涨又吸引更多资金。这个循环一旦形成，很难打破。

六、动量因子的局限性

任何因子都有短板。动量因子最大的问题是反转风险。

我记得2015年股灾的时候，很多动量策略一天亏掉20%。为什么？因为趋势突然反转了。之前涨得最猛的股票，跌得也最狠。

所以，我建议你：

• 永远不要全仓押注单一动量策略
• 结合止损机制（比如跌破20日均线就平仓）
• 关注市场环境变化（比如波动率突然飙升时，动量容易失效）

七、知识体系框架图

下面这张图，是我自己总结的动量因子知识体系。你把它存下来，以后复习用。

八、总结

动量因子不是什么神秘的东西。它就是用数学的方式，把「追涨杀跌」这个行为量化出来。

我做了这么多年量化，最大的体会是：不要试图战胜市场，而是顺应市场。动量因子就是顺应市场最直接的工具。

嗯，这一章就到这里。记住：趋势是你的朋友，直到趋势结束。

公众号:蓝海资料掘金营，微信deep3321