第四章：常见技术面因子深度解析
技术面因子，说白了就是我们从价格和成交量这些原始数据里，直接提炼出来的交易信号。这一章我打算把四个最常用的因子——动量、反转、波动率、成交量——掰开揉碎了讲清楚。每个因子我都会给出具体的计算逻辑、代码实现，以及我在实战中踩过的坑。
核心观点：技术面因子不是孤立使用的。我个人的习惯是，先看动量判断趋势方向，再看成交量确认信号强度，最后用波动率控制仓位。这套组合拳，比单因子策略稳定得多。
4.1 动量因子（Momentum）
动量因子的逻辑很简单：过去涨得好的股票，未来一段时间还会继续涨。嗯，听起来像废话，但背后有行为金融学的支撑——投资者存在反应不足和羊群效应。
计算方式：
- 简单动量：当前价格 / N 天前价格 - 1
- 动量得分：过去 N 天累计收益率
- 标准化动量：将动量值减去均值，除以标准差
我在项目中遇到过一个问题：直接用简单动量，遇到市场剧烈波动时，信号会频繁反转。后来我改用指数加权动量，给近期的价格更高权重，效果好了不少。
import pandas as pd
import numpy as np
def calc_momentum(price, window=20):
"""
计算动量因子
price: 价格序列
window: 回溯窗口
"""
# 简单动量
simple_mom = price / price.shift(window) - 1
# 指数加权动量（我推荐这个）
ewma_price = price.ewm(span=window).mean()
ewma_mom = price / ewma_price.shift(1) - 1
return pd.DataFrame({
'simple_momentum': simple_mom,
'ewma_momentum': ewma_mom
})我的经验：动量因子的窗口期很关键。A股市场，我个人习惯用20天（约一个月）作为短期动量，60天作为中期动量。太短了噪音多，太长了反应迟钝。
4.2 反转因子（Reversal）
反转因子和动量因子正好相反。它认为过去跌得多的股票，未来会反弹；涨得多的，会回调。为什么会这样？因为市场存在过度反应——大家一窝蜂买入，把价格推得太高，后面自然要跌回来。
计算方式：
- 短期反转：过去 1-5 天的收益率取负值
- 中期反转：过去 20-60 天的收益率取负值
- 残差反转：剔除市场因子后的超额收益
我曾经犯过一个错误：直接用过去5天的收益率作为反转信号。结果发现，这其实捕捉到了很多随机波动，根本不是真正的反转。后来我改用过去20天的收益率，并剔除了市场整体走势的影响，信号质量才上来。
def calc_reversal(price, market_return, window=20):
"""
计算反转因子
price: 个股价格
market_return: 市场收益率（如沪深300）
window: 回溯窗口
"""
# 个股收益率
stock_return = price.pct_change(window)
# 剔除市场影响（残差反转）
# 简单做法：个股收益 - 市场收益
excess_return = stock_return - market_return
# 反转因子 = -超额收益（跌得多，因子值大）
reversal_factor = -excess_return
return reversal_factor避坑指南：反转因子在牛市中表现很差。我曾经在2015年大牛市里用反转策略，结果亏得怀疑人生。牛市里动量因子才是王道，反转因子更适合震荡市或熊市。
4.3 波动率因子（Volatility）
波动率因子衡量的是价格的不确定性。低波动率的股票，往往能持续跑赢高波动率的股票。这个现象叫「低波动率异象」——你想想看，高风险并没有带来高回报，反而拖累了收益。
计算方式：
- 历史波动率：过去 N 天收益率的标准差
- 已实现波动率：日内高频收益率的平方和
- 波动率偏度：上行波动率与下行波动率的比值
我个人习惯用20天的历史波动率，但会做一个处理：把波动率分成上行波动和下行波动。为什么呢？因为投资者对下跌的恐惧远大于对上涨的贪婪，下行波动率对未来的预测能力更强。
def calc_volatility(price, window=20):
"""
计算波动率因子
"""
# 日收益率
returns = price.pct_change()
# 历史波动率（年化）
hist_vol = returns.rolling(window).std() * np.sqrt(252)
# 区分上行/下行波动率
up_returns = returns[returns > 0]
down_returns = returns[returns < 0]
up_vol = up_returns.rolling(window).std() * np.sqrt(252)
down_vol = down_returns.rolling(window).std() * np.sqrt(252)
# 波动率偏度
vol_skew = up_vol / down_vol
return pd.DataFrame({
'hist_vol': hist_vol,
'down_vol': down_vol,
'vol_skew': vol_skew
})关键发现：低波动率因子在A股市场效果显著。我回测过2010-2023年的数据，低波动率组合的年化超额收益大约在3-5%之间。但要注意，低波动率股票往往是大盘蓝筹，别把它和小市值策略搞混了。
4.4 成交量因子（Volume）
成交量是价格的「燃料」。没有成交量的配合，价格走势很难持续。成交量因子主要用来确认趋势的可靠性——放量上涨是健康的，缩量上涨就要警惕了。
计算方式：
- 成交量变化率：当日成交量 / 过去 N 日平均成交量 - 1
- 量价相关性：过去 N 日成交量与价格的相关性
- 成交量集中度：前几大成交日的成交量占比
我记得有一次做因子分析，发现单纯的成交量因子效果一般。后来我把成交量和价格结合起来，构建了一个「量价背离」因子——价格创新高但成交量萎缩，这是典型的顶部信号。这个因子的IC值（信息系数）明显提升。
def calc_volume_factor(price, volume, window=20):
"""
计算成交量因子
"""
# 成交量变化率
avg_volume = volume.rolling(window).mean()
vol_change = volume / avg_volume - 1
# 量价相关性
vol_price_corr = volume.rolling(window).corr(price)
# 量价背离信号
price_high = price == price.rolling(window).max()
volume_low = volume < avg_volume * 0.8
divergence = (price_high & volume_low).astype(int)
return pd.DataFrame({
'vol_change': vol_change,
'vol_price_corr': vol_price_corr,
'divergence': divergence
})实用技巧：成交量因子最好和其他因子组合使用。我常用的组合是「动量 + 成交量」：当动量因子发出买入信号时，如果成交量也在放大，这个信号的可靠性会提高很多。
4.5 因子组合与实战框架
单独使用任何一个因子，效果都有限。真正的价值在于组合。下面这张图展示了我常用的技术面因子组合框架：
这个框架的核心思路是：先分别计算四个因子，然后通过某种方式组合起来。组合的方法有很多种，我简单列一下：
| 组合方法 | 适用场景 | 我的评价 |
|---|---|---|
| 等权加权 | 因子相关性低时 | 简单但有效，适合新手 |
| IC加权 | 因子表现稳定时 | 我常用，但要注意IC的衰减 |
| 排序打分 | 多因子分层时 | 稳健，但计算量大 |
| 机器学习 | 非线性关系时 | 效果上限高，但容易过拟合 |
重要提醒：因子组合不是越多越好。我见过有人把20多个技术面因子堆在一起，结果过拟合得一塌糊涂。我的建议是：精选3-5个逻辑清晰的因子，比堆砌一堆噪音强得多。
好了，这一章的内容就到这里。技术面因子是量化交易的基石，但真正赚钱的，是那些能把因子用活的人。希望你能从这些经验里，找到适合自己的路。