基于动量交易法则的量化策略

基于动量交易法则的量化策略

杨康

上海大学经济学院

摘 要

中国证券市场历经三十多年的发展，从无到有、从小到大，制度不断完善、产品不断创新，伴随计算机技术的飞速发展，近年来量化投资已经成为了市场主流的投资方式。量化投资相对于传统投资具有系统性、规范性、准确性、收益稳定性等投资优势。无论是在2008年的金融危机，还是2015年我国的股灾，量化投资都较好的弥补了投资者贪婪、恐惧和迟疑等人性的弱点，具有更少的主观情绪，更多的理性交易，拥有着持续稳定的盈利能力。

本文借鉴动量交易思想，在聚宽平台设计量化投资策略，实现策略的程序化自动交易，并通过筛选沪深300成分股进行策略回测。根据我国市场环境和国情，分别对策略入市、持仓组合、组合再平衡等参数进行测试和优化，最后得到了较为稳定的收益率曲线，对于量化投资策略的研究提供一定的参考与借鉴作用。

关键词： 量化投资，动量交易，量化策略

第1章 引言

量化投资是指随着计算机信息技术的发展，投资者通过将数学模型转化为计算机代码形成交易系统来代替人工进行交易的一种投资方式；利用计算机技术从庞大的历史数据中海选出能带来超额收益的多种“大概率”事件，制定并优化出对自己有利的投资策略。量化投资目前已经成为证券、期货、银行等金融行业最热门的领域之一，越来越受到个人投资者和机构投资者追捧。

相对于传统的投资，量化投资具有系统性、规范性、客观性、收益稳定性等投资优势。在近些年来的金融大事件中总能捕获市场潜在的投资机会，以一种更加客观、公正且理性的投资方式逐步登上投资领域的舞台。

在2008年的金融危机中，无论个人还是机构投资者都难以幸免，然而美国著名的量化投资基金大奖章基金，却仍然保持着接近80%获利。2015年，中国股市经历大幅度上涨、断崖式下跌，但其中有一部分的量化基金在这大幅波动的行情中仍旧保持相对稳定的收益；同样在2016年熔断之年，大部分的量化基金实现了正的收益。可见，量化投资正以其低回撤、稳健收益的特点慢慢获得了市场的认可，并逐渐成为银行、基金、券商等投资机构的主流投资方式。

动量交易策略是一种基于股票历史回报率的投资策略，即根据市场历史信息，买入强势股，卖出弱势股的一种交易策略。动量交易策略主要有三个方面的优点：首先，动量交易策略是一个完整的交易系统，从入市、加仓到止损和退出，涵盖了整个交易过程中的每一项决策。其次，它是一个机械化的交易系统，通过现代计算机程序实现自动交易。第三，它是一个在美国早期市场被验证可以盈利的交易策略，在多个市场中能够获得较为稳定的盈利。本文针对当前量化投资在我国发展的趋势和前景，结合目前主流的投资方式，以动量交易思想建立量化策略模型实现其在我国金融市场特有环境下的运用。

第2章 文献综述

Fama和French在1993年建立了一个三因子模型来解释股票回报率与市场价值之间的联系，并于1998年对包括美国在内的13个成熟市场和16个新型股票市场进行实证研究表明，价值因子组合相对于成长股组合有着明显投资优势。2011年摩根士丹利华鑫基金基于巴菲特的价值投资理念，通过因子选股模型来回答了是价值投资在中国无效还是中国投资者没有用好价值投资的问题，实证表明能获得超额的收益。2017年徐景昭基于量化投资多因子选股模型对常用的11个因子分别构造了基于一般投资者的基本多因子模型、货币周期行业轮动多因子模型以及固定效应下的多元回归模型并进行有效性检验，通过实证分析验证了多因子量化选股策略的有效性。

DeBondt和Thaler基于1926年至1982年美国股市的股票交易数据，在赢家组合中使用相等权重和输家组合的方法，证明了赢者组合的收益要比输者组合低。2017年宋光辉、董永琦等人以传统金融体系框架为基础，通过股票价格残差(SPR)设计了一种新的SPR动量策略并在中国股票市场进行实证检验，研究表明SPR动量策略在超短期、短期以及中期时中能够获得正的阿尔法，不仅证实了我国A股市场动量效应的存在性，还验证了SPR动量策略在理论与实践上都是有效的。

趋势跟踪策略是一种典型的择时策略，最早的趋势跟踪交易策略主要是通过移动平均线来买入，持有和卖出。2010年（美）卡沃尔在《趋势跟踪》一书中通过分析历史绩效详细的介绍了趋势交易中如何限制风险、如何进行高利润波段操作，指出利用趋势跟踪策略在牛市或是熊市中都能得到很好的收益。2017年谭磊通过分析量化交易策略中常见的趋势跟踪策略其背后的盈利逻辑，发现其盈利的来源要从市场结构和行为经济学的角度来理解，认为趋势跟踪策略在新的时期将会给量化策略的开发与设计注入了新的活力。

从国内外目前对于量化投资策略的研究中发现，学者们对于多因子选股策略、动量策略以及趋势跟踪策略等都在不断的进行实证检验和深入研究，在未来，随着国内金融市场的逐渐成熟与规范以及量化投资规模不断扩大，新型的量化投资策略设计与开发将会不断涌现。

第3章 量化投资策略及其开发平台

3.1量化投资策略主要内容

在大数据时代里，量化投资主要是通过数学模型以及计算机技术来探究金融市场投资方向。收集季报、年报、成交量等海量历史数据，建立科学的数学模型，通过电脑运算来判断未来价格走势及风险高低，从而判断投资方向。目前常见的量化投资策略分为三大类：量化选股策略、量化择时策略和统计套利策略。

3.1.1 选股策略

量化选股策略的目标是从市场上所有可交易的股票中，筛选出适合自己投资风格的、具有一定安全边际的股票候选集合，通常称为“股票池”，并可根据自己的操作周期或市场行情变化，不定时地调整该股票池作为投资标的，从而在市场中获得尽可能多的收益。常用的量化选股模型有以下几种：

（1）多因子选股模型

多因子模型是通过建立“因子指标”作为股票买入的参考标准，符合因子指标标准的股票则被加入股票候选池。通常而言这些因子主要为一些基本面指标和技术面指标，如PB、PE、EPS、增长率等。

（2）板块轮动模型

板块轮动模型又称之为风格轮动模型，是根据市场的风格特征来进行投资，在不同的历史时期市场偏好会不同，市场偏好的转换往往存在盈利机会。与之相对应的是行业轮动模型，由于经济周期的存在，投资者可以对不同行业的股票进行周期性轮动配置。这种在轮动开始前进行买入，在轮动结束后进行卖出的配置，一定程度上可以获得较好的效果。

（3）一致性预期与资金流模型

一致性预期模型是指，投资者对于市场上的信息有着相同预期，在建立量化选股模型时可以构建预期基本面因子和预期情绪面因子。预期基本面因子主要分为预期估值因子和预期成长因子，预期情绪面因子主要分为一致预期净利润变化率和净利润预期值环比变动幅度等指标。

资金流模型的基本思想，是通过资金流的指标来判断股票的供求关系，从而对股票未来的走势形成预期。一般来说，主力资金持续流入的股票则会上涨，反之则下跌。需要注意的是一致性预期与资金流模型在市场中可能会出现投资者非理性的投资行为，因此在利用此类模型的时候应回避羊群效应。

3.1.2 择时策略

在单边做多的股票市场或具有做空机制的期货市场中，很大部分时间行情都处于一种上下区间波动的状态，市场的波动对于资产收益有着重大的影响。因此，择时策略在市场波动中更是能较好的把握进场和出场的时机，从而保持较为稳定的收益。目前，市场上常见的量化择时策略有配对交易策略、动量交易策略、均线系统策略、趋势跟踪策略等。

（1）配对交易策略

配对交易是利用价差的缩放来判断交易信号，主要用于指数交易、期货交易和大宗商品及外汇交易。两个具有高度协整关系的资产，其市场价格从长期来看具有一定稳定性，但是短期内会因投资者“追涨杀跌”的不理性交易行为破环而导致价差扩大。在价差较大时分别建立多头和空头头寸，卖空相对高估的资产，买入相对低估的资产，等待价差收敛时，同时将多空头寸平仓，从而获得超额的收益。

（2）动量交易策略

动量交易策略又称之为追涨杀跌策略，在弱式的有效市场中信息传播时会经历一定的过程，不会迅速而无差异的在价格上得到充分体现，其价格趋势呈现出一种惯性，也就是说信息传递是有摩擦的。因此，可以把动量作为价格动态平衡中的一个因子，突破平衡后资产的价格在一段时间内的趋势能够延续，通过捕获价格趋势的延续来获取收益，从而实现利润的增长。

（3）趋势跟踪与均线策略

在择时策略中运用最多的是趋势跟踪择时策略，其基本思想来源于技术分析方法。趋势跟踪策略在于捕捉市场中的行情态势，抓住大趋势择机入场，直到趋势的结束再退出。但值得注意的是，在市场处于波段振荡时容易形成错误的趋势信号，造成频繁交易操作。因此，设计趋势型跟踪策略时对于趋势的识别显得非常重要。

与之相对应的是均线系统策略，也就是常见的移动平均线指标。移动平均线是一条通过计算过去一段时间内资产收盘价的平均值而形成的曲线，从一定程度上能够反映价格的历史走势以及未来的变化趋势，可以有效的帮助投资者对当前的趋势进行确认和判断，从而正确选择有利的买进或卖出时机。对于移动平均指标计算，常见的有以下三种计算方法。

表3.1.1 移动平均指标计算方法

3.1.3 统计套利

统计套利策略是基于对历史数据进行统计分析来估计市场上各个资产相互之间存在的关系，其中包括对价格、收益率、成交量等方面的数据建立数学模型分析其内在的联系外，进一步结合基本面分析实现多角度的套利。

统计套利分为多因素模型、均值回归模型、协整模型以及针对波动率与相关性的建模。在期货市场中，与单边的股票市场投资方式相比，统计套利采用多空双向持仓，可以有效规避一部分风险。股指期货中常用的期限套利、跨期套利和商品期货中跨品种套利都是常用的统计套利方法。但统计套利有时也存在不确定性，策略的有效性很大程度上依赖于价格能否回归到历史平均水平或是预测的正常水平，这在特殊的市场环境下可能偏离历史常态而不会发生。

3.2基于PYTHON语言的量化交易平台

量化交易离不开金融工程建模和计算机语言等方面的发展，量化交易可以分为自动化交易、程序化交易、算法交易以及高频交易。Python作为科学计算与人工智能开发语言越来越受到追逐。目前对于国内用于量化交易的主流平台也是基于Python语言而开发的，主要有米框量化交易平台、聚宽量化交易平台和优矿量化交易平台等。

3.3量化投资策略的实现步骤

对于量化投资者而言，超额收益主要来源于两大方面，一是量化思想和模型，这是策略的研究与建模，也是量化策略的核心点。另一方面，将量化模型转化为预期收益还需要一个优秀的交易系统，利用计算机作为工具编译模型，通过一套固定的逻辑来分析、判断和决策，依据市场行情的波动，实时监控并自动化交易，只有确保一个优秀的交易系统才能实现量化收益的持续、稳定。量化交易策略构建主要分为五个步骤，分别是建模、策略开发、回测复盘、交易追踪和模型修正。

第4章 基于动量法则的量化交易策略

4.1股票池与基准选择

沪深300指数是由上海和深圳证券市场中市值大、流动性好、具有良好的市场代表性的300只A股作为样本编制而成的成份股指数。本文选取沪深300指数作为参考基准，根据调整后的动量对成分股进行排名，选取排名前60的个股作为投资组合进行建仓。

4.2具体交易规则

（1）选取每周三进行交易

为了避免频繁交易，设定每周只检查一次交易信号。即使某只股票在一天内下跌了20%，只要那天不是调整日，就不做任何操作。

（2）根据调整后的动量对股票进行排名

对于沪深300指数的成分股，采用中期动量排名方法，即对90个交易日内的个股价格序列进行指数回归（每日收益率回归），将回归的指数斜率进行年化处理，设定一年250个交易日，从而得到动量：

                      式（1）

其中ri0为个股i的回归指数斜率，ri为年化斜率。

为了选出稳步上升的股票，避免那些大幅跳跃式上涨的股票，引入一个惩罚因子，拟合程度R2，R2代表了上述指数回归的拟合程度，将动量与R2相乘得到调整后的动量，将沪深300成分股按调整后的动量从高到底进行排名。如果股价低于其100日均线，或者最近90天内连续两天存在超过15%的价格缺口，那么就将它排除。最终选取排名前60名的股票，作为目标建仓个股。

（3）基于1个基点计算头寸规模

ATR，是平均真实波幅的缩写，用来衡量股票价格波动的一种指标。真实波幅为今日振幅、今日最高与昨收差价、今日最低与昨收差价，这三个数值中的最大值。ATR为一段时间内真实波幅的平均值。本文中使用20天来计算ATR。

本文把每只股票的风险因子设为0.001，那么单只股票每天对投资组合产生0.1%或10个基点的影响。计算股票数量的公式为：

                    式（2）

（4）判断市场趋势

只有当沪深300指数在200日均线之上，才能买入新的股票。反之，则不允许买入任何股票。

（5）每周三进行一次投资组合再平衡

每周检查一下是否需要卖出股票。如果股票不再是沪深300指数排名前60的股票，则卖出它；如果低于其100日均线则卖出它；如果股价存在超过15%的价格缺口，则卖出它；如果它不再是指数的成分股，也卖出它。

当有足够的现金或者有股票被卖出时，就会开始寻找替代的股票并买入。买入股票的逻辑与上述相同，只有在指数高于其200日均线时才买入。按照排名从高到低的顺序，只要这只股票排名处于前60名，股价高于其100日均线，并且股价不存在超过15%的价格缺口，我们就会买入它，直至用完当前的现金为止。

（6）每两周进行一次头寸再平衡

我们每月设置两次头寸规模再平衡。正如前面所阐释的，长期策略需要定期进行头寸再平衡，以避免遭遇随机风险。根据公式（2）用最新的个股ATR重新计算头寸规模。如果当前头寸规模与期望头寸规模之间的差距很小，就不进行再平衡，如果两者的差距很大，就必须将当前头寸规模重置为期望头寸规模，头寸规模差异阈值设定为10%。

以上几步为全部的交易规则，简而言之便是：在周三检查市场，每周都要先检查一下是否有需要卖出的股票，不符合标准的股票将被卖出。如果持有现金，而且指数有向上移动的趋势，我们就开始买入股票，买入排名靠前的股票直至用完现金为止。每双周三，需要进行一次额外的操作，将期望头寸规模与当前头寸规模进行比较，并根据需要进行头寸再平衡。

第5章 动量交易策略实证检验

在JoinQuant平台上通过Python语言编写动量交易系统，并且回测了2013年3月6日至2023年3月6日共计十年的交易时间区间。为了回测交易能够更加接近真实交易，设置每次交易佣金为万分之三，每笔交易佣金最低为5元，税收设置为千分之一，每次交易时间为早盘09:32，初始交易金额为10万元。

5.1回测收益概览

从图5.1.1累计收益中可以看出，在回测区间，策略的累积总收益为171%，年化收益为10.79%，夏普比率为0.431，β值为0.459，最大回撤21.9%。期间基准沪深300指数的累计收益率为56.66%，年化收益为4.6%。策略的最大回撤区间出现在2015年6月至2016年9月，在这一期间沪深300指数经历了较大的跌幅，指数从最高5380点，到最低2821点，总体跌幅超过40%。由于策略只有在沪深300指数在其200日均线上方才会买入股票，所以在经历指数幅度较大的跌势时，虽有20%多的回撤，但也保住了一定利润，跑赢了指数。策略总体上实现了跑赢了基准的目标，并且获得超过70%的超额收益。

图5.1.1 累计收益图

虽然动量交易系统并没有表现出惊人的超额回报，但是其年化收益已跑赢基准收益，而且主要的回撤出现在市场下行区间，可以初步判断动量交易法则更加适合走势持续稳定没有回调的市场。

5.2收益分析

在整个回测交易期间，账户资金最高亏损为8.9%，最高盈利为211.9%。从图5.2.1资产年度收益中可知，收益率最高的年份为2014年和2020年，分别为46.15%和39.15%，2018年收益率最低，为-11.49%。

图5.2.1 年度收益

结合累计收益图5.1.1和月度收益图5.2.2得知，从2014年11月开始，账户净值开始出现大幅度增长，单月盈利最高达到22%，在接下来的几个月时间内呈现出阶梯式的复式增长，这期间很好的体现了动量交易的思想，但是增长趋势并没有延续，在2015年6月账户资金开始回撤，虽然累计收益为正，却利润在不断缩减。

图5.2.2 月度收益

另外，从2019年3月2021年2月账户净值同样实现了一段增长，并于2021年2月累计盈利达到最大，创下新高。通过对比沪深300指数走势及账户总权益的情况发现，账户总权益和沪深300指数的走势在时间序列上存在一定的趋同性，对于我们分析动量交易法则的趋势交易思想提供参考。

通过对前五大回撤区的分析，可以发现，较大幅度的回撤均出现在沪深300指数整体趋势下行中。由于策略设置的是，只有当指数在其200日均线下方才停止股票的买入，所以在指数下行趋势的开始阶段，本策略并未提前识别，仍持有仓位，导致整体投资组合收益率下降。

表5.2.3 前5大回撤区详情

5.3持仓分析

在回测期间，累计完成1199次交易，其中盈利交易511次，亏损交易686次，不亏不赚交易2次，持仓规模严格按照策略执行，表5.3.1为整个交易系统期间的前十大持仓情况。

表5.3.1 前10大持仓情况

在回测期间，总盈利435342.12元，总亏损244651.06元，净盈利190691.06元，其中个股最大盈利7574元，最大亏损1246元，表5.3.2为整个交易系统的前十大盈利个股情况。

表5.3.2 前10大盈利个股情况

动量交易系统的利润来源说明：市场行情是不确定的，一旦捕捉到了正确的趋势，利用承担回撤的方式，回吐一部分利润去获取大趋势中的收益。另外，动量交易法则的精髓是风险控制与资金管理，初次头寸的规模根据平均真实振幅来计算，头寸的大小还与总资产规模有关。

因此，从以上的分析中，我们可以得出：动量交易法则对于大幅振荡的行情中，即使捕捉到了趋势，也要保持在风险可控的前提下，获取在趋势中的正确仓位，这样得以有效的让资金账户生存下去，避免趋势判断失误而造成较大亏损。

第6章结论与建议

本文针对量化投资目前在我国及整个投资领域的发展趋势，以动量交易思想作为框架在JoinQuant平台上利用Python编程设计量化交易系统，然后在具有市场代表性的沪深300指数成分股上回测分析，回测结果来看本文设计的动量交易策略实现了年化10%以上的收益，超过指数基准收益。

通过收益和持仓分析发现，动量交易法则具有其独到的交易特点和相对投资优势，只是基于我国的市场环境以及其他方面的一些原因才没有表现出超高收益水平。动量交易法则作为一种市场跟随型策略思想，依照市场的走势而进行交易，依托计算机程序实现自动化交易，能够实现交易快速和准确性，并且不受人为情绪的影响。但是当市场情出现极端情况下的时候，市场中的程序化交易跟随市场的走势而下单，这样会使得市场行情产生更为激烈的反应，形成交易者行为中的羊群效应。这种重复出现的交易行为会改变潜在的市场状态，又称之为交易者效应。任何一个反复出现且不断盈利的策略都有可能被市场参与者模仿，而一旦过多的交易者使用同一种交易思路，这种策略必将会失效。世上没有万能的策略，每一个策略都有自己适应的市场，在不同的市场和交易品种中会有不同的表现，并且还需要根据市场行情的变化及时作出调整。

在本文策略研究过程中发现，伴随着量化投资与程序化交易的普及，虽然在理论方面研究可供参考的文献越来越多，作为量化策略开发交流的社区平台也越来越完善，但是真正有商业价值和卓越的策略都处于非公开状态，能够参考和借鉴的资料其实是非常有限。一些公开的策略或多或少都存在一定的局限性，对于如何更好的将其应用到实践，还需要反复的论证和研究。国外市场经历多年的发展在各方面都有着丰富量化投资经验和资源，但是由于我国特殊的金融市场环境，结合国情特点进行研究才是当前主要需求，为此，量化投资的理论和实证研究在我国还将会有较大的发展空间。

参考文献

[1] 黄鲲.量化交易及相应的软件系统开发[D].天津大学，2011.

[2] 刘博，皮天雷.惯性策略和反转策略：来自中国沪深A股市场的新证据[J].金融研究，2007, (8): 154-166.

[3] 林松立，唐旭.中国股市动量策略和反向策略投资绩效之实证研究[J].财经科学，2005, (1): 81-87.

[4] 摩根士丹利华鑫，多因子精选策略证券投资基金报告[R].2011(03): 7-10.

[5] 吴世农，吴超鹏.中国股票市场价格惯性策略和盈余惯性策略的实证研究[J].经济科学 ，2003, (4): 41-50.

[6] 王永宏，赵学军.中国股市“惯性策略”和“反转策略”的实证研究[J].经济研究，2001, (6): 56-89.

[7] 徐景昭.基于多因子模型的量化选股分析[J].金融理论探索，2017(03): 30-38.

[8] 杨炘，陈展辉.中国股票市场惯性和反转投资策略实证研究[J].清华大学学报（自然科学版），2004, (6): 758-761.

[9] 周琳杰.中国股票市场动量策略赢利性研究[J].世界经济，2002, (8): 60-64.

[10] Brown, Stephen J. The Number of Fact ors in Return[J]. The Journal of Finance, Vol. XLIV, No.5, December 1989.

[11] Fama E. Efficient capital markets: a review of theory and empirical work[J]. Journal of Finance, 1970, Vol(25), 383-417.

[12] Fama F. The Behavior of Stock Market Prices[J]. Journal of Business, 1965, 38(1): 34-105.

[13] Francesco Corielli, Massimiliano Marcellino. Factor based index tracking[J]. Journal of Banking & Finance, 2006, 30: 2215-2233.

[14] Ludwig B.Chincarini, Daehwan ICim. Quantitative equity portfolio management: Active approach to portfolio construction and management.2006.

1