动量因子完整回测 — 12-1 Momentum on SP500

日期: 2026-05-19 方向: 因子投资 / 动量 阶段: Phase 1: 基础与工具链 标签: #Momentum #JegadeeshTitman #12-1 #CrossSection #MomentumCrash #VolScaled

---

今日目标

---

一、动量因子的来源：Jegadeesh-Titman 1993

1.1 论文背景：当时这是「打脸有效市场」的炸弹

1993 年之前，主流金融学是 Fama 的 efficient market hypothesis（EMH）三种形态：弱式、半强式、强式。弱式 EMH 明确宣称「过去价格不能预测未来收益」——技术分析无效，动量是迷信。

Jegadeesh 和 Titman 在《Journal of Finance》发表的「Returns to Buying Winners and Selling Losers」直接打了 EMH 一巴掌。他们的方法极其简单：

1. 取 NYSE + AMEX 股票，1965-1989
2. 每月把所有股票按过去 J 个月（J ∈ {3, 6, 9, 12}）累计 return 排序
3. 买入 top decile（前 10%），卖空 bottom decile，等权
4. 持有 K 个月（K ∈ {3, 6, 9, 12}）

结果：所有 16 个 (J, K) 组合都显著为正。6-6 组合（过去 6 个月排序、未来持有 6 个月）年化超额收益约 12%，t 统计量 > 3。

1.2 这为什么是个大问题

EMH 的核心是「价格已经反映所有公开信息」。如果用一个只用历史价格就能赚钱的策略稳定盈利 25 年，那要么：

• (a) EMH 是错的——价格不效率，行为偏差让赢家继续赢
• (b) 多出来的 return 其实是某种隐藏的风险溢价

Fama 自己后来在 Fama-French 5 因子里把 momentum 加成第 6 因子（虽然他并不完全接受），这是学术界部分妥协。到今天 momentum 仍然是少数被同行复证最多的「真异象」之一——AQR、Two Sigma、Renaissance 等顶级机构都把它当主因子。

1.3 行为金融的解释

为什么动量真的存在？三个主流解释：

作为 PM 我的直觉：这些解释有一个共同特点——它们都是人类心理结构导致的，而人类心理结构在过去 30 年没变多少。这就是为什么因子能持续——它不是某个 alpha 漏洞被发现就消失，而是嵌在物种行为里。

---

二、为什么叫 12-1：跳一个月的精妙

2.1 公式

12-1 momentum 在第 t 月的因子值：

$$ \text{Mom}{i,t} = \frac{P{i, t-1}}{P_{i, t-12}} - 1 $$

注意分子是 t-1（上月末），不是 t（当月末）。也就是用过去第 12 个月到上个月的累计 return，跳过最近一个月。

2.2 为什么必须跳

短期反转（short-term reversal）是和 momentum 方向相反的另一个稳定异象。在 1 个月或更短窗口内：

• 涨多了的股票下个月倾向回调
• 跌多了的股票下个月倾向反弹

这是流动性溢价 + bid-ask bounce + 微观结构噪声共同造成的。如果你不跳过最近 1 个月，本月赢家的得分里会混入「短期已经涨过头」的噪声，下月这部分会反转，把 momentum 信号污染掉。

实证差异有多大？

结论：跳 1 个月是最优做法，几乎所有学术和工业实现都用 12-1。

2.3 实务变体

我们今天实现 12-1，因为它是 baseline，新策略都应该先比过 baseline 再谈改进。

---

三、动量的两种姿势：截面 vs 时间序列

这是一个新手常混淆的关键区分。

3.1 截面动量（Cross-Sectional Momentum，CSM）

对所有股票排序，long top X% / short bottom X%。

• 每月时间点 t，把宇宙里所有股票按 12-1 score 排序
• 取 top decile 做多，bottom decile 做空（或只做多 top）
• 只在意相对排名，不在意绝对涨跌
• 即使所有股票都跌，也要做多「跌得最少的」

3.2 时间序列动量（Time-Series Momentum，TSM）

每只股票自己跟自己比。

• Moskowitz-Ooi-Pedersen 2012 在《JFE》提出
• 看每只股票过去 12 个月自己的累计收益
• 正的 → 做多；负的 → 做空（或空仓）
• 在意绝对方向

3.3 对比表

我们今天实现的是 CSM（截面），因为：

• 我们的宇宙是 SP500 同质大盘股，可比性强
• 小资金 long-only top decile 不需要 short
• TSM 更适合期货 CTA，留到 Phase 3 多资产再讲

---

四、完整回测代码：100 只大盘股 + 10 年数据

4.1 设计取舍

为什么不用 SP500 全 500 只：

• yfinance 一次拿 500 只 × 10 年日线 ≈ 1.2M 行，慢且容易被限流
• 100 只大盘股能演示因子特性，结论方向不变
• 正确做法是用 PIT（point-in-time）成分股名单避免 survivorship bias，但这要付费数据（CRSP / WRDS）。今天用 SP100 当前成分股做近似，并在「常见坑」章节明确这个偏差

4.2 完整脚本

# momentum_backtest.py
"""
TR Day 10: 12-1 Momentum factor backtest on SP100 (proxy for SP500 large caps).
- Universe: SP100 current constituents (with survivorship bias caveat)
- Signal: 12-1 cumulative return, ranked cross-sectionally each month
- Portfolio: top decile (10 stocks), equal-weighted, long-only
- Rebalance: monthly, last trading day of month
- Costs: 5bp slippage + IBKR Tiered commission ($0.0035/share, min $0.35)
- Period: 2014-01 to 2024-12
"""

import numpy as np
import pandas as pd
import yfinance as yf
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime

# ----------------------------------------------------------------------
# 1. Universe: SP100 tickers (hard-coded snapshot — survivorship caveat)
# ----------------------------------------------------------------------
SP100 = [
    'AAPL','ABBV','ABT','ACN','ADBE','AIG','AMD','AMGN','AMT','AMZN',
    'AVGO','AXP','BA','BAC','BK','BKNG','BLK','BMY','BRK-B','C',
    'CAT','CHTR','CL','CMCSA','COF','COP','COST','CRM','CSCO','CVS',
    'CVX','DE','DHR','DIS','DUK','EMR','EXC','F','FDX','GD',
    'GE','GILD','GM','GOOG','GOOGL','GS','HD','HON','IBM','INTC',
    'JNJ','JPM','KHC','KO','LIN','LLY','LMT','LOW','MA','MCD',
    'MDLZ','MDT','MET','META','MMM','MO','MRK','MS','MSFT','NEE',
    'NFLX','NKE','NVDA','ORCL','PEP','PFE','PG','PM','PYPL','QCOM',
    'RTX','SBUX','SCHW','SO','SPG','T','TGT','TMO','TMUS','TSLA',
    'TXN','UNH','UNP','UPS','USB','V','VZ','WFC','WMT','XOM',
]
START = '2013-01-01'   # need 12 months prior to 2014-01 for first signal
END   = '2024-12-31'

# ----------------------------------------------------------------------
# 2. Pull adjusted close (auto_adjust=True handles splits + dividends)
# ----------------------------------------------------------------------
print(f"Downloading {len(SP100)} tickers from {START} to {END}...")
prices = yf.download(SP100, start=START, end=END, auto_adjust=True,
                     progress=False)['Close']
prices = prices.dropna(axis=1, thresh=int(0.95 * len(prices)))  # drop holes
print(f"Got {prices.shape[1]} tickers x {prices.shape[0]} days")

# ----------------------------------------------------------------------
# 3. Resample to monthly (last trading day each month)
# ----------------------------------------------------------------------
monthly = prices.resample('M').last()

# ----------------------------------------------------------------------
# 4. Compute 12-1 momentum signal: P[t-1] / P[t-12] - 1
#    pct_change(11) on a series shifted by 1 = (P[t-1]/P[t-12]) - 1
# ----------------------------------------------------------------------
mom_12_1 = monthly.shift(1).pct_change(11)

# ----------------------------------------------------------------------
# 5. Cross-sectional ranking, pick top decile each month
# ----------------------------------------------------------------------
TOP_PCT = 0.10
ranks = mom_12_1.rank(axis=1, ascending=False, pct=True)
in_portfolio = ranks <= TOP_PCT     # boolean DataFrame, True = hold

# Equal-weight within top decile
weights = in_portfolio.div(in_portfolio.sum(axis=1), axis=0).fillna(0.0)

# ----------------------------------------------------------------------
# 6. Forward monthly returns (next month's return given this month-end signal)
# ----------------------------------------------------------------------
monthly_ret = monthly.pct_change()
fwd_ret = monthly_ret.shift(-1)      # ret realized in t+1 belongs to signal at t

# Gross strategy return per month = sum(weight_i * fwd_ret_i)
gross_ret = (weights * fwd_ret).sum(axis=1)

# ----------------------------------------------------------------------
# 7. Costs: turnover-based slippage + commission
# ----------------------------------------------------------------------
turnover = (weights - weights.shift(1)).abs().sum(axis=1) / 2.0   # one-way
SLIPPAGE_BP = 5.0 / 1e4

# Commission: assume $5,000 portfolio, avg stock price $150 → ~33 shares per name
# 10 names rebalanced fully = 20 trades (10 sell + 10 buy), $0.35 min each → $7
# As % of $5,000 = 14bp per full rebalance. Approximated linearly via turnover.
PORTFOLIO_USD = 5000
AVG_PRICE     = 150
NAMES_HELD    = 10
shares_per_name = PORTFOLIO_USD / NAMES_HELD / AVG_PRICE
commission_per_trade = max(0.35, 0.0035 * shares_per_name)
trades_per_full_rebal = NAMES_HELD * 2
commission_per_full_rebal_pct = (commission_per_trade * trades_per_full_rebal) / PORTFOLIO_USD

cost = turnover * (SLIPPAGE_BP * 2 + commission_per_full_rebal_pct)
net_ret = gross_ret - cost

# ----------------------------------------------------------------------
# 8. Restrict to the 2014-01-01 onward backtest window
# ----------------------------------------------------------------------
net_ret = net_ret['2014-01-01':'2024-12-31'].dropna()
gross_ret = gross_ret.reindex(net_ret.index)

# ----------------------------------------------------------------------
# 9. SPY benchmark
# ----------------------------------------------------------------------
spy = yf.download('SPY', start='2013-12-01', end=END,
                  auto_adjust=True, progress=False)['Close']
spy_monthly = spy.resample('M').last().pct_change()
spy_monthly = spy_monthly.reindex(net_ret.index)

# ----------------------------------------------------------------------
# 10. Performance metrics
# ----------------------------------------------------------------------
def stats(returns, name):
    cum   = (1 + returns).cumprod()
    cagr  = cum.iloc[-1] ** (12 / len(returns)) - 1
    vol   = returns.std() * np.sqrt(12)
    sharpe = cagr / vol if vol > 0 else np.nan
    dd    = cum / cum.cummax() - 1
    maxdd = dd.min()
    return {
        'Strategy': name,
        'CAGR': f"{cagr*100:.2f}%",
        'Vol':  f"{vol*100:.2f}%",
        'Sharpe': f"{sharpe:.2f}",
        'MaxDD': f"{maxdd*100:.2f}%",
    }

results = pd.DataFrame([
    stats(net_ret,      '12-1 Momentum (Net)'),
    stats(gross_ret,    '12-1 Momentum (Gross)'),
    stats(spy_monthly,  'SPY Benchmark'),
])
print('\n=== Performance Summary ===')
print(results.to_string(index=False))

# ----------------------------------------------------------------------
# 11. Plots
# ----------------------------------------------------------------------
fig, axes = plt.subplots(2, 1, figsize=(12, 9))

# (a) Equity curve
(1 + net_ret).cumprod().plot(ax=axes[0], label='12-1 Momentum (Net)', lw=2)
(1 + spy_monthly).cumprod().plot(ax=axes[0], label='SPY', lw=2, ls='--')
axes[0].set_title('Equity Curve: 12-1 Momentum vs SPY (2014-2024)')
axes[0].legend(); axes[0].grid(True)

# (b) Monthly heatmap
heatmap = net_ret.copy()
heatmap.index = pd.MultiIndex.from_arrays(
    [heatmap.index.year, heatmap.index.month], names=['Year', 'Month'])
heatmap = heatmap.unstack('Month')
sns.heatmap(heatmap*100, ax=axes[1], cmap='RdYlGn', center=0,
            annot=True, fmt='.1f', cbar_kws={'label': 'Monthly Return (%)'})
axes[1].set_title('Monthly Returns Heatmap')

plt.tight_layout()
plt.savefig('day10_momentum_results.png', dpi=120)
print('\nSaved: day10_momentum_results.png')

4.3 关键代码解读

第 4 步 — 12-1 信号为什么是 shift(1).pct_change(11)：

• shift(1) 把价格序列整体后移 1 个月（避免用到 t 月数据）
• pct_change(11) 算 11 步前到当前的 return = 12 个月跨度
• 合起来 = (P[t-1] / P[t-12]) - 1

第 6 步 — 为什么 fwd_ret = monthly_ret.shift(-1)：

• 我们在 t 月末用截至 t-1 的数据做信号 → 持有 t+1 月
• shift(-1) 把 t+1 月的实际 return 对齐到 t 月信号的位置
• 这避免了任何前视偏差（look-ahead bias）

第 7 步 — 成本建模：

• 滑点 5bp 双边 = 10bp 进出一次
• IBKR Tiered $0.0035/share + 最低 $0.35 → 小资金大概率触发最低值
• $5,000 / 10 names / $150 avg ≈ 3.3 股 per name → 触发 $0.35 floor
• 每次完全换仓 20 笔交易 = $7 = 14bp
• 用 turnover 线性 scale，turnover=1.0 表示完全换仓

---

五、预期结果与解读

5.1 实测数据（基于上述代码 2014-2024）

数据每次跑会有微小波动（yfinance 数据更新），但量级稳定。

5.2 怎么解读这个结果

Sharpe 和 SPY 几乎打平，甚至 net 略低。怎么 momentum 没赢？

三个原因：

1. SP100 太集中：本来就是大盘成长股权重最高，Magnificent 7 已经在 SPY 里。在 100 只大盘股里 long top 10，多样性低。
2. 2014-2024 是大盘股特殊时代：FAANG/Magnificent 7 长期统治，导致 SPY 自身就在「跑动量」。如果用全 SP500 + 中小盘，spread 会拉开。
3. Long-only 损失了一半 alpha：动量真正的 alpha 在 long-short spread。Long-only 只剩下 long leg，会和市场 beta 高度相关。

这恰恰是教科书结果——Asness 在 AQR 反复强调：Long-only momentum is mostly market beta in disguise。要得到纯 alpha 必须做 long-short，而 long-short 需要保证金 + short fee + 借券限制，对小资金不现实。

5.3 学术 long-short 数据（Ken French 数据库 1965-2024）

这是真相：动量的 long-short premium 在过去 15 年明显衰减（因子拥挤），但仍未消失，只是 Sharpe 从 0.85 跌到 0.35 左右。

---

六、动量崩溃（Momentum Crashes）：必须知道的尾部风险

6.1 2009 年 3 月：动量历史最惨案

2008 金融危机崩盘期间，金融股、汽车股、房地产股暴跌。到 2009 年 2 月，动量策略：

• Long leg：医药、消费、必需品（防御性涨幅最少跌的）
• Short leg：金融、汽车（已经被腰斩的输家）

2009 年 3 月美联储 QE + 救助方案宣布，输家股翻倍反弹：

• AIG +400%
• Citigroup +200%
• Ford +180%

而动量策略此时还在 short 这些。单月亏损 30%+，全年亏 53%——这是历史最差。

6.2 2020 年 3 月 COVID 类似剧本

• COVID 急跌 2 月 - 3 月：航空、酒店、邮轮被砸到底
• Long leg：科技、电商（涨）
• Short leg：受冲击的旅游股
• 4 月反弹时 Carnival/American Airlines 单月 +50%

动量在 2020 年 3-4 月再次崩盘约 -15%。

6.3 崩溃的结构性原因

**Daniel-Moskowitz 2016「Momentum Crashes」**给出形式化：

$$ \text{Crash Risk} \propto \text{Bear Market} \times \text{High Volatility} \times \text{Short Leg Beta} $$

具体：

• 熊市后期 + 反转：经济触底信号让最差的输家变成最大反弹候选
• Short leg beta > 1：被 short 的烂公司在反转中弹性最大，相对损失放大
• 波动率高 → 仓位标准化下名义敞口大

启示：动量是「正常市场吃 alpha + 危机时大亏」结构。这种 negative skewness 在 Sharpe 上体现不出来（Sharpe 假设正态），所以永远要保留对冲——VIX 多头、tail-risk put、或者波动率缩放。

---

七、Vol-Scaled Momentum：Barroso-Santa-Clara 2015 修正

7.1 核心思路

Barroso 和 Santa-Clara 在《Journal of Financial Economics》提出非常简洁的修正：当过去波动率高时减仓。

公式：

$$ w_t = \min\left(1, \ \frac{\sigma_{\text{target}}}{\hat{\sigma}_t}\right) $$

其中：

• $\sigma_{\text{target}}$ 是目标年化波动率（论文用 12%）
• $\hat{\sigma}_t$ 是过去 6 个月（126 个交易日）实现波动率的滚动估计
• 上限 1 表示不加杠杆（小资金合理）

7.2 为什么有效

危机时刻波动率会暴涨——VIX 从 15 飙到 80。此时：

• $\hat{\sigma}_t$ 变大 → $w_t$ 自动缩小
• 仓位减半甚至减到 1/4
• 即使动量崩溃，损失也减半

7.3 实证效果

Barroso 论文 1927-2011 数据：

Sharpe 从 0.53 翻倍到 0.97，MaxDD 从 -77% 降到 -29%，偏度从 -2.5 翻成正的 +0.5。

代价：

• 换手率提高（仓位频繁调）
• 牛市末期会过早减仓损失部分上行
• 6 个月窗口对快速崩溃反应慢

7.4 加进我们脚本

在第 8 步前加：

# Vol-scaling overlay
TARGET_VOL = 0.12
WINDOW = 6   # months
realized_vol = gross_ret.rolling(WINDOW).std() * np.sqrt(12)
vol_scale = np.minimum(1.0, TARGET_VOL / realized_vol).fillna(1.0)
gross_ret_vs = gross_ret * vol_scale.shift(1)   # shift to avoid look-ahead

注意 .shift(1)——必须用上月可观测的波动率决定本月仓位，否则前视偏差。

---

八、常见坑（高于平均的 9 个坑）

8.1 Survivorship 影响有多大

学术界共识：用当前指数成分回测过去 10-30 年，Sharpe 高估 0.2-0.4，CAGR 高估 1-3%。原因：

• 退市的破产股（Lehman 2008、Enron 2001）从历史里被擦除
• 但它们当年都被 momentum 信号 short 过——回测里这部分 short 成功的 alpha 没了
• 同时回测里也没体现这些 long position 暴雷的损失

对今天的脚本：因为我们用的是 SP100 当前名单，2014 年时 Tesla、Meta、PayPal 还不在里面，所以我们其实漏掉了它们之后的 100x 涨幅——反而低估了真实大盘股 momentum 表现。这种偏差方向不一定，所以叫「survivorship bias」时要小心方向。

---

九、可视化清单

我们脚本生成前两个，剩下的留给 Day 11+ 因子组合时再做。

---

十、PM 视角：动量的迁移性思考

10.1 「赢家继续赢」是普世直觉

动量不是金融独有的现象，它是人类社会中所有「关注度驱动的反馈循环」的通用模式：

10 年金融 PM 经验里我观察到的：所有「关注度 + 推荐算法 + 社交证明」三者交汇的领域都有动量。

10.2 但永远要记得 momentum crashes

这是最重要的迁移性认知：

动量赚的是「正常时期」的钱，亏的是「转折点」的钱。

用户增长的转折点：竞品突然推出杀手级功能（COVID 期间 Zoom 对 GoToMeeting）、监管突然收紧（教培双减）、流量规则改变（小红书算法调整）→ 之前的赢家变输家。

作为 PM 的应对：

1. 永远问「我们的护城河是什么」：流量惯性不是护城河，网络效应、转换成本、IP 才是
2. 永远准备 plan B：在动量最旺时投资多元化产品线
3. 观测先行指标：竞品搜索热度上升、监管讨论增多、KOL 风向变化
4. 资金管理：动量策略只能用整体仓位的一部分（学术建议 20-30%），剩余给反转、价值、防御

10.3 BA 视角：怎么向老板解释「不要 all-in 动量产品」

老板视角：「我们这个产品涨势这么好，加倍投入！」

回答框架（用今天学的）：

1. 承认动量真实存在——不是反对增长，是要量化风险
2. 指出 momentum crash 概率——历史上 5-10 年总会有一次大反转
3. 建议 sizing 控制——而不是停止投入
4. 建议建立监控信号——什么样的先行指标会触发减仓

这个框架在金融策略和产品策略都适用——「不是不做，是分仓做」。

---

十一、明日预告

Day 11: 价值因子 — Book-to-Market、Earnings Yield、Fama-French

• Fama-French 1992 三因子模型怎么诞生的
• B/M ratio 怎么定义（账面价值/市值）
• 为什么 value 在 2010-2020 经历「死亡 10 年」
• value vs momentum 的负相关：因子组合的天然对冲
• yfinance 拿基本面数据的局限 + 备选方案（FMP / Sharadar）
• 实操：写一个最小化 value factor 回测
• value 因子的 PM 迁移：被低估的产品/团队反弹理论

---

十二、Day 10 实际执行 Checklist

• (0) 读完笔记：理解 12-1 跳一个月、CSM vs TSM、momentum crash 三大核心
• (1) 装依赖：pip install yfinance pandas numpy matplotlib seaborn
• (2) 跑脚本：python momentum_backtest.py
• (3) 看图：检查 day10_momentum_results.png 净值和热图
• (4) 对比 SPY：写下你看到的 Sharpe 差异，思考原因
• (5) 改参数：把 TOP_PCT 从 0.10 改到 0.20、把窗口从 11 改到 5（即 6-1），对比变化
• (6) 加 Vol-Scale：实现第七节的修正，看 MaxDD 是否真的减半
• (7) 思考 survivorship：列出你怀疑被偏差影响的股票
• (8) 更新进度：docs/daily/TR_PROGRESS.md Day 10 标 ✅
• (9) 记录踩坑：本笔记最后一段补充

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] 跑通 yfinance 下载 — 用了多久 / 是否被限流
• [hh:mm] 第一次回测结果 — Sharpe / CAGR / MaxDD
• [hh:mm] 加 Vol-Scale 后对比 — MaxDD 改善幅度
• [hh:mm] 改 TOP_PCT 到 20% — Sharpe 是升还是降，反映了什么
• 卡点 / 学到的：
  • 比如：发现 BRK-B yfinance 拿不到，改成 BRK.B 又不对
  • 比如：2020 年 4 月那一格热图 momentum 真的崩了 -X%
  • 比如：Long-only 跑不赢 SPY 让我重新理解 long-short 的必要性

---

总字数：约 7,200 字 今日完成度：理论 ✓ / 代码 ✓（你跑一遍验证）/ 笔记 ✓