4、动量因子构建：N日收益率、动量得分、动量衰减加权、动量因子标准化

动量因子，说白了就是看资产最近涨得猛不猛。很多人以为动量就是简单算个收益率，其实没那么简单。我做了这么多年量化，发现动量因子的构建，每一步都有坑。

今天咱们就把动量因子的四个核心步骤拆开揉碎讲清楚。

4.1 N日收益率：最朴素的动量

先看最简单的——N日收益率。公式不复杂：

R_N = (P_t / P_{t-N}) - 1

其中P_t是今天的收盘价，P_{t-N}是N天前的收盘价。

N怎么选？这是个经典问题。我个人习惯用20个交易日，差不多一个自然月。为什么？

• 太短（比如5天）：噪声太大，容易被随机波动忽悠
• 太长（比如60天）：反应太慢，趋势都快结束了才进场
• 20天：刚好能捕捉中期趋势，又不会太敏感

4.2 动量得分：把收益率变成分数

光有收益率还不够。你想想看，不同ETF的波动率不一样。一个涨了5%的科技ETF，和一个涨了5%的债券ETF，意义完全不同。

所以我们需要动量得分。我常用的方法是：

动量得分 = (R_N - R_mean) / R_std

R_mean是所有ETF的N日收益率均值，R_std是标准差。这其实就是Z-score标准化。

举个例子：

ETF	20日收益率	动量得分
沪深300ETF	3.2%	0.85
创业板ETF	5.1%	1.62
债券ETF	0.8%	-0.43

你看，创业板ETF收益率最高，得分也最高。债券ETF虽然没亏钱，但跟其他ETF一比，就显得弱了。

4.3 动量衰减加权：让近期数据更重要

嗯，这里要注意。传统的N日收益率，给每一天的权重是一样的。但直觉告诉我们：昨天的涨跌，应该比20天前的涨跌更重要。

所以我用衰减加权。核心思想是：越近的数据，权重越大。

权重_i = exp(-λ * i)

其中i是距离今天的天数，λ是衰减系数。λ越大，衰减越快。

我一般设λ=0.1，这样20天前的权重只有今天的13%左右。代码实现很简单：

import numpy as np

def decay_weighted_return(prices, N=20, lam=0.1):
    returns = np.diff(prices) / prices[:-1]
    weights = np.exp(-lam * np.arange(N-1, -1, -1))
    return np.sum(returns[-N:] * weights) / np.sum(weights)

为什么要衰减？我曾经回测过，不加衰减的动量策略，在震荡市里表现很差。加了衰减后，信号更灵敏，能更快捕捉到趋势变化。

4.4 动量因子标准化：让不同ETF可比

最后一步，标准化。不管前面怎么算，最终得到的动量值，需要映射到统一的尺度上。

我常用的标准化方法有两种：

1. Z-score标准化：减去均值，除以标准差。结果在-3到3之间。
2. Min-Max标准化：缩放到0到1之间。公式：(x - min) / (max - min)

我个人偏好Z-score。为什么？因为Min-Max对异常值太敏感。有一次我回测时，某个ETF突然涨停，导致所有其他ETF的动量值都被压缩到0.1以下，信号全乱了。

Z-score就好很多，异常值会被截断，不会影响整体分布。

知识体系图

下面这张图，把动量因子构建的完整流程画出来了。你可以看到数据是怎么一步步变成最终信号的。

好了，动量因子的四个步骤讲完了。记住：N日收益率是基础，动量得分让不同ETF可比，衰减加权让近期数据更重要，标准化让因子稳定可靠。每一步都有它的道理，别跳过。

---