# 实验 007：动量因子回看窗口优化研究

**实验日期**：2026-06-12  
**实验目标**：研究动量因子回看窗口（n_days）的选择方法，评估多周期融合对策略表现的影响  
**实验结论**：多周期融合不适用于本策略，维持 25 天单窗口

---

## 一、问题背景

### 1.1 当前配置

策略使用 `slope_r2` 因子，全局统一 25 天回看窗口：

```yaml
factor:
  n_days: 25
  type: slope_r2
```

### 1.2 发现的问题

从回测数据的因子分布分析发现：

| 标的 | IQR（波动代理） | 中位数 | 正得分% | 特征 |
|------|----------------|--------|---------|------|
| 创业板指 | 28.23 | 0.00 | 51.0% | 高波动，趋势间歇性强 |
| 恒生科技 | 20.71 | -0.01 | 44.0% | 高波动，趋势弱 |
| 纳指100 | 20.10 | 4.31 | 67.4% | 高波动，趋势强 |
| 短债 | 0.38 | 0.68 | 97.9% | 低波动，几乎无趋势 |
| 黄金 | 13.39 | 0.77 | 60.7% | 中等波动，趋势持续 |

**核心问题**：不同资产的趋势周期差异很大，统一 25 天窗口是否合理？

---

## 二、学界与业界调研

### 2.1 经典文献的标准做法

#### 横截面动量（Cross-Sectional Momentum）

**Jegadeesh & Titman (1993)** 开创性研究：
- **标准窗口**：12-1 月（过去12个月收益，跳过最近1个月）
- **金融语义**：跳过最近1个月是因为存在短期反转效应（1周-1个月），而中期（3-12个月）存在动量效应
- **原理**：信息扩散慢 → 价格对新信息反应不足 → 形成中期趋势

**Asness, Moskowitz & Pedersen (2013)** "Value and Momentum Everywhere"：
- 股票：12-1 月
- 债券：12-1 月或 6-1 月
- 商品：12 月（不跳过，因为商品市场短期反转弱）
- 货币：12 月
- **核心观点**：不同资产类别的最优窗口不同，但 12 月是一个稳健的起点

#### 时间序列动量（Time-Series Momentum / TSMOM）

**Moskowitz, Ooi & Pedersen (2012)**：
- **标准窗口**：12 月（用于期货）
- **金融语义**：TSMOM 关注资产自身的绝对收益，不与其他资产比较
- **关键发现**：1-12 月窗口都有效，但 12 月最稳健
- **波动率调整**：用实现波动率标准化头寸规模，使得不同资产可比

### 2.2 窗口选择的金融语义

#### 不同窗口对应的市场微观结构

| 窗口长度 | 捕捉的效应 | 金融解释 | 风险 |
|---------|-----------|---------|------|
| 1周-1月 | 短期反转 | 流动性冲击、过度反应修正 | 高换手、交易成本 |
| 1-3月 | 早期动量 | 信息扩散初期、盈余公告后漂移 | 容易被打断 |
| 3-12月 | 经典动量 | 信息扩散慢、机构调仓周期 | 最稳健 |
| 12-24月 | 长期动量 | 经济周期、企业基本面变化 | 均值回归开始显现 |
| >24月 | 长期反转 | 估值回归、经济周期反转 | 动量效应消失 |

#### 不同资产类别的特征周期

| 资产类别 | 特征周期 | 推荐窗口 | 理由 |
|---------|---------|---------|------|
| **股票指数** | 季度财报+机构调仓 | 6-12月 | 信息扩散慢，机构季度调仓 |
| **债券** | 央行政策周期 | 3-6月 | 利率变化快，久期短 |
| **商品** | 供需周期+季节性 | 6-12月 | 供需调整慢，但有季节性 |
| **货币** | 利差+央行政策 | 3-6月 | 政策变化快 |

### 2.3 避免过拟合的原则

#### 先验选择 vs 数据挖掘

**过拟合的做法**：
```python
# 在历史数据上测试 5, 10, 15, 20, 25, 30... 天，选最好的
for window in [5, 10, 15, 20, 25, 30, 60, 120]:
    backtest(window)
best_window = argmax(results)  # 过拟合！
```

**有金融语义的做法**：
```python
# 基于资产类别选择窗口
window_map = {
    'equity_index': 252,    # 12月（252交易日）
    'bond': 126,            # 6月
    'commodity': 252,       # 12月
    'currency': 126,        # 6月
}
```

#### 稳健性检验原则

**学界推荐的做法**：
1. **选择有理论支撑的窗口**：12月、6月、3月是标准选择
2. **测试邻域稳健性**：如果 12 月好，11 月和 13 月也应该不差
3. **多窗口平均**：用 3-12 月的多个窗口取平均，降低单窗口风险
4. **样本外验证**：在不同时间段、不同市场验证

**AQR 的实践建议**：
- 不要优化到极端值（如 17 天、23 天）
- 选择"足够好"的标准窗口（如 252 天而非 247 天）
- 关注经济解释而非统计显著性

### 2.4 多窗口融合方法

#### 1. 等权平均（Simple Ensemble）

```python
windows = [63, 126, 252]  # 3月、6月、12月
momentum = mean([return(p, w) for w in windows])
```

**优点**：
- 降低单窗口风险
- 捕捉不同周期的趋势
- 无需优化参数

**缺点**：
- 等权可能不合理
- 可能引入噪音窗口

#### 2. 波动率加权（Volatility-Weighted）

```python
# 波动率低的窗口权重更高（更稳定）
weights = 1 / vol(window_i)
momentum = weighted_mean(momentum_i, weights)
```

**金融语义**：低波动窗口的信号更可靠

#### 3. 自适应窗口（Adaptive Window）

**基于波动率的自适应**：
```python
# 高波动时缩短窗口（快速反应），低波动时延长（过滤噪音）
if realized_vol > threshold:
    window = 63   # 3月
else:
    window = 252  # 12月
```

**基于机制转换（Regime Switching）**：
```python
# 用 HMM 识别市场状态
regime = detect_regime(market_data)
if regime == 'trending':
    window = 252  # 趋势市用长窗口
elif regime == 'mean_reverting':
    window = 21   # 震荡市用短窗口或反转
```

### 2.5 多周期融合为什么有效？

#### 1. 信息扩散有多个时间尺度

- **短期（1-4周）**：流动性冲击、技术性买卖、短期情绪（噪音）
- **中期（1-6月）**：盈余公告、行业数据、政策变化（信息扩散）
- **长期（6-12月）**：经济周期转换、产业趋势、估值重定价

单一窗口只能捕捉一个尺度的信息。多窗口融合等于同时监听多个信息频段。

#### 2. 市场参与者的决策周期不同

| 参与者 | 决策周期 | 影响的价格趋势 |
|--------|---------|--------------|
| 高频/量化 | 天-周 | 短期噪音 |
| 共同基金 | 月-季 | 中期动量 |
| 养老金/保险 | 季-年 | 长期趋势 |
| 主权基金 | 年+ | 结构性变化 |

当多个周期的信号一致时，意味着不同时间维度的市场参与者方向一致——这是最强的趋势确认。

#### 3. 统计角度：偏差-方差权衡

- **短窗口**：低偏差（快速捕捉趋势变化），高方差（容易被噪音干扰）
- **长窗口**：高偏差（趋势转折时反应慢），低方差（噪音被平滑掉）

多窗口融合相当于对偏差-方差做了平均，短窗口提供灵敏度，长窗口提供稳定性。

#### 4. 信号处理的类比

把价格序列想象成一个信号，不同窗口就是不同频率的带通滤波器：

```
价格信号 = 高频噪音 + 中期趋势 + 长期趋势 + 周期性波动

25天窗口  → 带通滤波器：主要透过高频成分
126天窗口 → 带通滤波器：主要透过中期成分  
252天窗口 → 低通滤波器：只保留长期趋势
```

多个滤波器融合 = 宽频带接收，信息更完整。

### 2.6 多周期融合对 slope_r2 偏好的影响

slope_r2 真正偏好的是**趋势性波动高的资产**（高波动+有方向），而不是单纯的高波动。

多周期融合的预期影响：

| 资产类型 | 单窗口(25天) | 多周期融合 | 变化方向 |
|---------|-------------|-----------|---------|
| 高波动+持续趋势（纳指） | 高分 | 高分 | 不变 |
| 高波动+间歇趋势（创业板） | 不稳定高分 | 中等分 | **下降** |
| 低波动+持续趋势（黄金） | 中等分 | 中等偏高分 | **上升** |
| 低波动+无趋势（短债） | 低分 | 低分 | 不变 |
| 高波动+无趋势（恒生科技） | 低分 | 低分 | 不变 |

**核心预期**：融合会让 slope_r2 的偏好从"高波动+趋势性"转向"持续性趋势"——不管波动高低，只要趋势持续就得分高。

---

## 三、实验设计

### 3.1 实验一：IDM 信息离散动量融合

#### 方法

**IDM（Information Dispersal Momentum）**：正收益天数占比，衡量上涨的持续性

```python
def info_dispersal_momentum(prices: np.ndarray) -> float:
    returns = np.diff(prices)
    positive_days = np.sum(returns > 0)
    return positive_days / len(returns)
```

**方式一：乘法融合**
```python
def slope_r2_idm_score(prices: np.ndarray) -> float:
    sr2 = slope_r2_score(prices)
    idm = info_dispersal_momentum(prices)
    return sr2 * idm  # IDM 作为折扣系数
```

**方式三：阈值过滤**
```python
def slope_r2_idm_filter_score(prices: np.ndarray, threshold: float = 0.5) -> float:
    idm = info_dispersal_momentum(prices)
    if idm < threshold:
        return 0.0  # 上涨天数不足阈值则清零
    return slope_r2_score(prices)
```

#### 实验配置

- **方式一**：`type: slope_r2_idm`
- **方式三**：`type: slope_r2_idm_filter`，测试阈值 0.4/0.5/0.6

### 3.2 实验二：多周期融合

#### 方法

```python
def slope_r2_ensemble_score(prices: np.ndarray, windows: list = None) -> float:
    if windows is None:
        windows = [63, 126, 252]  # 3月、6月、12月
    
    scores = []
    for w in windows:
        if len(prices) >= w:
            window_prices = prices[-w:]
            score = slope_r2_score(window_prices)
            scores.append(score)
    
    return sum(scores) / len(scores) if scores else 0.0
```

#### 实验配置

- **配置**：`type: slope_r2_ensemble`
- **窗口**：63/126/252 天（3月/6月/12月）
- **数据预加载**：504 天（2倍最大窗口）

---

## 四、实验结果

### 4.1 实验一：IDM 融合结果

#### 方式一：乘法融合

| 指标 | slope_r2 (baseline) | slope_r2_idm | 变化 |
|------|---------------------|--------------|------|
| 总收益 | 288.30% | 296.55% | +8.25% |
| 年化收益 | 24.61% | 25.03% | +0.42% |
| 最大回撤 | -16.27% | -16.19% | 略改善 |
| Sharpe | 1.17 | 1.20 | +0.03 |
| Calmar | 1.51 | 1.55 | +0.04 |
| 胜率 | 53.74% | 54.48% | +0.74% |
| 调仓次数 | 363 | 374 | +11 |

**结论**：方式一（乘法融合）全面小幅优于 baseline。

#### 方式三：阈值过滤

| 阈值 | 总收益 | 年化 | 最大回撤 | Sharpe | Calmar | 胜率 |
|------|--------|------|----------|--------|--------|------|
| 0.4 | 297.88% | 25.10% | -16.27% | 1.19 | 1.54 | 53.87% |
| 0.5 | 205.38% | 19.85% | -17.90% | 1.00 | 1.11 | 53.35% |
| 0.6 | 69.75% | 8.96% | -24.77% | 0.58 | 0.36 | 56.87% |

**结论**：方式三（过滤器）阈值敏感，0.5 和 0.6 明显变差，容易过拟合。

### 4.2 实验二：多周期融合结果

#### 绩效对比

| 指标 | slope_r2 (25天) | slope_r2_ensemble (63/126/252) | 变化 |
|------|----------------|-------------------------------|------|
| 总收益 | 288.30% | 182.82% | **-105.48%** |
| 年化收益 | 24.61% | 18.36% | **-6.25%** |
| 最大回撤 | -16.27% | -21.61% | **恶化 5.34%** |
| Sharpe | 1.17 | 0.96 | **-0.21** |
| Calmar | 1.51 | 0.85 | **-0.66** |
| 胜率 | 53.74% | 55.47% | +1.73% |
| 调仓次数 | 363 | 167 | **-196** |

#### 持仓频率变化

| 标的 | baseline 占比 | ensemble 占比 | 变化 | 资产类型 |
|------|--------------|--------------|------|---------|
| 纳指100 | 44.7% | 53.3% | **+8.6%** | 高波动+持续趋势 |
| 黄金 | 21.0% | 35.8% | **+14.8%** | 低波动+持续趋势 |
| 创业板指 | 29.9% | 40.2% | **+10.3%** | 高波动+间歇趋势 |
| 日经225 | 31.0% | 37.7% | +6.7% | 中波动+持续趋势 |
| 德国DAX | 27.8% | 33.1% | +5.3% | 中波动+持续趋势 |
| **短债指数** | **32.0%** | **16.6%** | **-15.4%** | 防御填充 |
| 红利低波 | 24.3% | 11.9% | **-12.4%** | 低波动+持续趋势 |
| 有色金属 | 18.1% | 12.8% | -5.3% | 高波动+周期趋势 |

#### 与预期对比

| 预期 | 实际 | 符合？ |
|------|------|--------|
| 纳指100 和黄金占比上升 | 纳指+8.6%，黄金+14.8% | ✓ 符合 |
| 红利低波占比上升 | 红利低波-12.4% | ✗ 不符合 |
| 创业板指占比下降 | 创业板指+10.3% | ✗ 不符合 |
| 整体表现改善 | 收益降6%，回撤增5% | ✗ 不符合 |

---

## 五、结论与分析

### 5.1 IDM 融合结论

**推荐方案**：方式一（乘法融合）

**理由**：
1. 全面小幅优于 baseline，无需调参
2. IDM 作为折扣系数，逻辑简洁
3. 过滤方式（方式三）阈值敏感，容易过拟合

**保留代码**：
- `slope_r2_idm_score` 函数已实现
- `FactorType.SLOPE_R2_IDM` 枚举已添加
- 可通过配置 `type: slope_r2_idm` 启用

### 5.2 多周期融合结论

**结论**：不适用于本策略

**原因分析**：

1. **长窗口反应太慢**：252 天窗口在趋势转折时严重滞后。2022 年全球熊市、2024 年风格切换时，ensemble 无法及时退出

2. **调仓次数骤降**：从 363 次降到 167 次，说明信号太稳定了，错过了很多轮动机会。这个策略的核心价值就是**轮动**，过于稳定的信号反而不利

3. **短债填充减少**：从 32% 降到 16.6%，说明 ensemble 在弱势市场中也倾向于持有风险资产（因为长窗口记忆了之前的上涨趋势），导致回撤增大

4. **创业板指上升的原因**：2024-2025 年创业板有持续上涨趋势，ensemble 的长窗口恰好捕捉到了这个趋势，但这不是"持续性偏好"，而是"恰好匹配"

**核心问题**：

这个策略的 alpha 来源是**中短期轮动**（25 天窗口），不是长期趋势跟踪。ensemble 把因子变成了半趋势跟踪因子，与策略的核心逻辑冲突。

### 5.3 最终决策

**维持现有配置**：
```yaml
factor:
  n_days: 25
  type: slope_r2
```

**理由**：
1. 25 天窗口与策略的轮动逻辑匹配
2. 多周期融合与策略核心逻辑冲突
3. IDM 融合虽然有效，但提升有限，暂不启用

---

## 六、参考资料

### 学术文献

1. **Jegadeesh, N., & Titman, S. (1993)**. Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency. *Journal of Finance*, 48(1), 65-91.

2. **Asness, C. S., Moskowitz, T. J., & Pedersen, L. H. (2013)**. Value and Momentum Everywhere. *Journal of Finance*, 68(3), 929-985.

3. **Moskowitz, T. J., Ooi, Y. H., & Pedersen, L. H. (2012)**. Time Series Momentum. *Journal of Financial Economics*, 104(2), 228-250.

### 业界实践

- [Momentum Factor Investing: 30 years of Out of Sample Data](https://alphaarchitect.com/momentum-factor-investing-30-years-of-out-of-sample-data/)
- [Systematic Trend-Following with Adaptive Portfolio Construction](https://arxiv.org/html/2602.11708v1)
- [Value and Momentum Everywhere - AQR Capital Management](https://www.aqr.com/Insights/Research/Journal-Article/Value-and-Momentum-Everywhere)

---

## 七、附录：代码实现

### 7.1 IDM 融合因子

```python
def info_dispersal_momentum(prices: np.ndarray) -> float:
    """Information Dispersal Momentum (IDM): 正收益天数占比"""
    if len(prices) < 2:
        return 0.0
    returns = np.diff(prices)
    positive_days = np.sum(returns > 0)
    return positive_days / len(returns)


def slope_r2_idm_score(prices: np.ndarray) -> float:
    """Slope * R² * IDM: 趋势强度 × 拟合质量 × 上涨持续性"""
    sr2 = slope_r2_score(prices)
    idm = info_dispersal_momentum(prices)
    return sr2 * idm
```

### 7.2 多周期融合因子

```python
def slope_r2_ensemble_score(prices: np.ndarray, windows: list = None) -> float:
    """多窗口 slope_r2 等权融合"""
    if windows is None:
        windows = [63, 126, 252]  # 3月、6月、12月
    
    scores = []
    for w in windows:
        if len(prices) >= w:
            window_prices = prices[-w:]
            score = slope_r2_score(window_prices)
            scores.append(score)
    
    return sum(scores) / len(scores) if scores else 0.0
```

---

**文档版本**：v1.0  
**最后更新**：2026-06-12  
**实验状态**：已完成