【西部金工】动量因子改进之“方向动量”

西部西部量化团队 2026-05-23 置信度: high

综合质量 5 /5

新颖性 4 /5

可复现性 4 /5

核心内容

针对传统动量因子在A股市场表现不佳且易发生“动量崩溃”的缺陷，本报告借鉴外文文献构建了方向动量(D-MOM)因子。该因子使用线性概率模型，以个股滞后一期收益率、特质波动率、市场收益率及多频率正负收益持续期等作为自变量，预测下一期收益率的方向(上涨概率)。进一步加入个股滞后一期月度收益率作为增强后，D-MOM因子表现出优异且稳定的选股能力，与传统量价因子相关性低且无法被传统定价模型解释。

经济逻辑

股票市场充斥噪音，预测收益率的“方向”比预测“数值”具备更高的稳健性。此外，在财报密集发布期，投资者行为更易受情绪干扰导致错误定价，D-MOM因子在财报月的收益率显著高于非财报月，证明其能够捕捉非理性投资者行为引发的错误定价。

超额收益逻辑

因子超额收益来源于预测方向的稳健性以及捕捉非理性行为导致的错误定价。预测方向避免了预测具体数值带来的噪音干扰，显著降低了动量崩溃概率；同时，在财报密集发布月，投资者情绪波动大，错误定价频发，该因子在财报月收益比非财报月高约1/3，证实其有效捕捉了错误定价的Alpha。

构造细节 [factor]

因子定义

1. 因变量Y_{i,t}为股票i在t时刻收益率方向的哑变量(收益率大于0取1，否则取0)；2. 自变量包含：滞后一期特质方差IVOL_{t-1}(日收益率序列CAPM模型残差的方差)、滞后一期市场收益率RMKT_{t-1}、月度/周度/日度的正负收益持续期(最长12)、个股滞后一期月度收益率R_{i,t-1}；3. 构建线性概率模型(LPM): Y_{i,t} = α + β1*IVOL_{t-1} + β2*RMKT_{t-1} + Σγ*Run_{period} + δ*R_{i,t-1} + ε；4. 因子值：模型预测的t时刻股票i收益率大于零的概率(概率得分PS)。

处理流程

1. 获取个股日频及月频收益率序列，剔除异常值并处理停牌
2. 计算特质波动率(IVOL)：对个股日收益率进行CAPM回归，取残差方差
3. 计算正负收益持续期：分别按月度、周度、日度统计连续上涨或下跌的周期长度(上限截断为12)
4. 准备因变量Y：次月个股收益率大于0设为1，否则设为0
5. 模型训练：使用2015.01-2017.12(36个月)数据拟合初始线性概率模型(OLS)，并采用扩展窗口法逐月滚动训练
6. 因子生成：将当月特征变量代入模型，得到下期上涨概率预测值(PS)，即为增强D-MOM因子值
7. 组合构建：按因子值从小到大分为10组，采用市值加权计算多空组合(D10-D1)收益

参数

初始训练窗口: 36个月最大持续期: 12加权方式: 市值加权

数据输入

: (日频/月频): (月频)

组合方式

将多个反映历史价格变化特征的变量输入线性概率模型，拟合下一期收益方向，输出预测概率作为因子值

绩效

0.064

IC均值

86%

IC胜率

超过25%

年化多空收益率

19.0%

多头超额收益率(沪深300)

26.7%

多空收益率(沪深300)

基准: 全市场平均、沪深300、中证500、中证1000

回测期: 2018.01-2025.08

增强方向动量(D-MOM)因子在A股表现出优异且稳定的选股能力，IC均值为0.064，十分组多空年化收益率超25%。相比传统动量因子，其多头组合月收益率呈右偏特征，显著降低动量崩溃风险。因子与现有量价因子相关性低，且在宽基指数内表现良好。

收益归因 ✓ 已完成

通过计算与现有因子的相关性、双重排序和Fama-MacBeth回归检验，发现因子在控制常见量价因子后仍具备显著收益；Fama-French三因子等模型表明其收益未被传统因子完全定价。此外，在财报月收益率比非财报月高约1/3，证实其捕捉了非理性投资者行为引发的错误定价。

方法: Fama-MacBeth回归, 双重排序, Fama-French三因子模型

缺口: 传统动量因子在A股表现不佳且易发生动量崩溃，D-MOM因子通过线性概率模型预测收益率方向，有效改进并填补了这一缺陷。

稳健性

子样本稳定性: 在沪深300、中证500、中证1000中均有效，沪深300表现尤为突出，多头超额19.0%，多空26.7%

风格偏差: 与现有常见量价因子相关性低，未被市值、估值、动量、盈利和增长因子完全定价

因子表现稳定，多空净值平稳，多头收益呈右偏特征(偏度0.72)，具备抵御动量崩溃的能力，各宽基指数中均展现出显著且独立的超额收益。

数据依赖

所需数据: 个股日频/月频收益率、市场指数收益率

可复现性: medium

仅依赖历史价格数据，获取容易。但正负收益持续期的精确定义、特质波动率计算的窗口期及LPM回归系数等细节在正文中未完全展开，需进行合理推测与补全方可精确复现。

新颖性评估 [新组合]

将外文文献中的方向动量思想引入A股，创新性地结合了多频率正负收益持续期与个股历史收益率构建线性概率模型，属于方法论在新市场的应用与改良增强。

不足与缺陷

线性概率模型(LPM)预测的概率可能超出[0,1]区间，缺乏如Logit/Probit模型的经济逻辑严谨性
特质波动率、正负收益持续期等变量的具体计算细节（如滚动窗口长度）披露较少，影响完全复现
未明确报告组合构建的交易成本，实际应用中超25%的多空收益可能打折扣
LPM模型回归未披露各截面的具体系数统计量与拟合优度

可复用元素

使用方向预测代替数值预测的降维降噪思想
引入多频率（月/周/日）正负收益持续期作为状态特征变量
采用扩展窗口滚动训练模型，避免前视偏差
通过财报月与非财报月的收益差异切片分析，验证行为金融学错误定价逻辑的检验范式

启发

动量因子的改进可跳出收益率数值本身，关注涨跌状态的切换与持续时间（如引入生存分析或状态空间模型）
将基本面事件日历（如财报披露期）作为调节变量，切片检验量价因子的行为金融逻辑，有助于剥离真实Alpha与伪Alpha

改进方向

使用Logit或Probit模型替代线性概率模型(LPM)

基于: 相似逻辑：均通过历史收益率及持续期预测下期收益率方向；不同构造：采用非线性概率模型，保证预测概率严格落在[0,1]区间预期收益: 消除LPM预测概率越界带来的极端异常值，提升因子在尾部分组的单调性与经济学解释力

引入市场状态依赖的动态权重或交互项

基于: 相似逻辑：抵御动量崩溃；不同构造：通过显性引入市场波动率状态或情绪指标作为特征或调节变量预期收益: 在市场情绪极端反转期主动降低动量暴露，进一步压缩多空组合的尾部回撤风险

复现计划

1. 数据准备：获取全A股日频和月频收益率数据及市场指数收益率；2. 特征计算：计算个股CAPM残差方差作为特质波动率；基于日、周、月收益率统计连续上涨/下跌周期长度并截断至12；提取滞后一期月度收益率；3. 标签构造：次月个股收益>0设为1，否则为0；4. 模型训练：以2015.01-2017.12为初始窗口，采用expanding window逐月滚动训练OLS模型；5. 因子生成：用当月特征预测次月上涨概率(PS)作为D-MOM因子值；6. 组合回测：按因子值十分组，市值加权，月频调仓，统计IC、多空收益与单调性。