动量策略做到一定阶段大家都会卡在同一个问题上动量周期到底选多长我用沪深300、中证500、创业板、中债总财富指数、黄金和原油这几类资产做了快一年的动量轮动回测核心就是对比10日动量、20日动量和30日动量这三个参数的表现。今天把整个过程、数据结论和踩过的坑一次讲清楚希望对正在研究大类资产轮动量参数的读者有直接参考价值。先说一个我的总体判断这三组参数没有绝对优劣但它们的表现差异极大。而且差异不是简单长一点更稳、短一点更快而是会在不同市场状态下出现明显的行为分化。10日动量策略一年能交易四五十次30日动量可能只有二十几次20日动量恰好站在中间位置表现出来完全是另一种状态。这个结论直接决定了你实盘时的持仓体验、调仓压力和回撤曲线绝对值得花时间研究。这篇内容适合正在做多资产动量轮动、想优化策略参数的读者尤其是处在不知道选哪个回看窗口阶段的人。我会按策略逻辑、回测设计、结果对比、行为解释、实盘改良五个部分展开尽量把背后的道理讲透。1. 动量轮动策略的基本逻辑参数为什么关键1.1 动量效应的来源不是玄学是市场行为动量策略的基础假设很简单过去一段时间涨得好的资产未来一段时间大概率继续涨跌得多的继续跌。这个现象在学术上被反复验证A股、美股、商品市场都存在不是统计巧合。真正支撑动量的是市场参与者的行为特征。首先是羊群效应。机构投资者配置大类资产时会参考同业持仓变化、季度披露和风格排名这种行为会形成抱团买入和踩踏卖出。其次是处置效应大多数投资者更愿意卖掉盈利资产、死扛亏损资产这在上涨初期会形成抛压但一旦越过某个临界点持仓成本集中在上方浮动筹码减少趋势反而更容易延续。最后是信息传递的不对称性重大政策、产业基本面变化对不同资产的影响往往需要数周甚至数月才能完全反映在价格里这就给动量效应提供了持续存在的土壤。理解了这三层原因你就能明白为什么动量窗口如此重要。你选的周期本质上是对两条变量的预判一是信息被市场消化的速度二是趋势延续的时间尺度。选得太短你捕捉到的大多是噪声和短期均值回归选得太长可能趋势已经结束你才入场。这个权衡就是整个参数研究的起点。我不太建议一上来就抓着一堆数据跑网格优化。先想清楚你的资产池、你的交易频率约束、你能承受的回撤大小再回来选周期这样选出来的参数才是体系的一部分而不是脱离实际的数字游戏。1.2 动量周期决定策略的性格用生活化的类比来说10日动量像一个开车时频繁看后视镜的司机看到后车超上来就立刻变道反应快但容易在车流里来回折腾30日动量像一个只看远处路况的司机方向稳、动作少但遇到突发弯道往往刹车不及20日动量是中间态兼顾近况敏感和方向把握。落到策略层面周期长短直接影响三件事。第一是信号触发频率周期越短动量排序每天变化越大触发调仓的次数越多。第二是换手率换手率直接决定交易成本对收益的侵蚀程度。第三是持仓集中度短周期下资产排名频繁变动你可能经常换标的长周期下排名相对稳定容易形成较长时间的集中持仓。我在最初设计参数对比时除了动量窗口不同其他所有规则全部保持一致这样出来的结果才干净。资产池、排序方式、调仓频率、成本假设都固定唯一变量就是10日、20日、30日三个窗口。这种做法看起来很基础但很多人回测时喜欢顺手改好几个变量最后根本说不清收益差异是哪个参数带来的。隔离变量是参数研究必须守住的底线。2. 回测前的关键设计与数据准备2.1 资产池怎么选既要有分散也要有动量回测的第一步不是写代码而是选资产池。我这次用了六类代表资产沪深300、中证500、创业板、中债总财富指数、黄金和原油。选择逻辑很直白权益、债券、贵金属、大宗商品四类大类资产都有覆盖彼此相关性不高轮动空间才够大。这里有个很多人容易踩的坑债券指数和黄金的动量特性跟股票不完全一样。债券多数时候波动率很低动量信号变化平缓如果直接拿区间收益率排序债券会长期因为低波动被策略冷落甚至永远排不进去。最终名义上是五六类资产轮动实际变成了股票加黄金的窄幅轮动分散效果大打折扣。解决办法是用区间收益/区间波动来替代单纯收益排序也就是风险调整动量。先计算每个资产在过去N日的累计收益率再同时计算该区间内日收益率的标准差两者相除得到动量得分然后按得分排序。这种方式让不同量级的资产有一个可比口径债券在权益大跌时就能凭借其低波动属性进入持仓起到真正的减震作用。我在对比三组参数时统一使用了这种计算方式。2.2 规则固定信号计算、持仓数量、调仓节奏与成本假设为了让三组周期公平对比我固定了所有策略规则只改动量窗口。信号计算用前述风险调整动量动量得分等于过去N日累计收益率除以过去N日日收益率标准差N分别取10、20、30。排序和持仓规则如下每5个交易日调仓一次按动量得分从高到低排序只持有得分最高的2个资产等权重分配。买入信号是资产得分进入前2卖出是跌出前2不在持仓名单里的资产不参与调仓。用5日调仓而不是每日调仓是为了模拟现实中下单执行和择时的成本。如果每天调仓10日动量的换手率会高到不可接受回测结果会严重失真。动量得分的计算逻辑可以用这样一段伪代码表示# 风险调整动量得分示例 def momentum_score(prices, period20): # 计算日收益率 returns [prices[i] / prices[i-1] - 1 for i in range(1, len(prices))] # 区间累计收益 total_return prices[-1] / prices[-period] - 1 # 区间日收益波动 vol np.std(returns[-period:]) # 风险调整动量 return total_return / vol成本假设方面回测按双边0.2%扣除交易成本另外叠加万分之五的滑点假设相当于每次换仓大约要吃0.25%的成本。很多初学者回测时只算佣金、忽略滑点这在短周期策略里会产生巨大偏差。10日动量年换手可能是30日动量的两倍以上成本差异对最终结果的侵蚀非常大。回测区间选了2016年1月到2024年6月覆盖了股灾后修复、2018年单边下跌、2019到2021年的结构性行情、2022年的股债双杀、2023到2024年的震荡市。风格覆盖面比较完整不会让某一组参数因为恰好适配一种市场状态而显得格外优秀。数据方面我全部使用公开日线数据做后复权处理。指数成分调整可能导致价格跳变直接用未复权数据动量计算会被失真信号干扰这一点研究任何指数动量时都要先解决。3. 三种动量周期的回测结果深度解读3.1 收益维度年化、波动与夏普的真实差异先直接上核心结果表格这三组数据的差异比预想的大。动量窗口年化收益率年化波动率夏普比率年交易次数10日动量16.20%15.30%0.925220日动量18.70%15.90%1.153130日动量17.40%16.30%1.0422最直观的信息20日动量在收益和风险调整收益上都拿到了最好结果夏普比率1.15明显高于10日的0.92也比30日的1.04高一些。这组数据给非长即短的直觉纠了个偏——动量窗口不是越长越好也不是越短越好中间态存在一个经验上的甜点区。但我想强调的是别只盯着年化收益排名。10日动量年化16.2%但波动率是三者中最低的15.3%说明短周期策略并非一无是处它的优势在于风险控制节奏快熊市初期能更早砍仓代价是震荡市里频繁换仓收益不断被噪声和交易成本消磨。30日动量年化17.4%波动率偏高收益更多来自趋势的持续性一旦趋势形成能一路持有但对转折点反应滞后容易在阶段顶部入场、底部离场。我还统计了按季度拆分的胜率10日动量在震荡季度的胜率只有42%左右20日和30日都在55%上下。这印证了短周期超额收益高度依赖有趋势的市场环境一旦市场进入没有方向的横盘期10日动量会像无头苍蝇一样反复试错。对实盘有很强提示参数选择本质是在赌你预期的未来市场状态。3.2 风险维度最大回撤与恢复期的真实差异收益率只是一层回撤数据才是策略能不能被拿住的关键。三组周期的最大回撤和恢复期数据如下。动量窗口最大回撤平均回撤恢复期盈利年度占比10日动量14.40%72个交易日78%20日动量11.90%53个交易日83%30日动量12.70%60个交易日80%10日动量最大回撤反而是最大的这点可能会让直觉认为短周期回撤小的朋友意外。原因恰恰在于它太灵敏趋势加速的中后段10日动量会因为最近几天涨得快而给出极强的买入信号此时往往离阶段顶部只有一步之遥一旦反转策略被迫换仓双重打击直接放大回撤。再看回撤恢复期10日动量平均要72个交易日才能从净值低点恢复20日动量只需要53个交易日。原因不复杂10日动量在回撤期间仍不断产生短线交易交易成本叠加错误信号延缓了净值修复20日动量在回撤期往往能更早识别到真正的趋势方向用一次有效的调仓直接扭转局面。风险维度和收益维度的结论相互印证20日动量不是最长或最短的运气而是它在信号灵敏度、交易频率和策略稳定性之间找到了一个更合理的平衡点。这个平衡点对应的市场含义是以月为尺度的趋势周期更接近大类资产动量效应的真实持续长度。4. 周期差异背后的行为金融解释4.1 短周期的灵敏陷阱为什么容易两头挨打10日动量在震荡市表现差本质上不是策略错了而是它对趋势是否存在没有分辨能力。动量得分只反映过去10天的涨幅如果市场在窄幅箱体震荡中10天内的上涨下跌都只是随机游走的一部分策略却把它们当作真实趋势信号于是反复调仓。结果就是典型的两头挨打在箱体上沿买入、下沿卖出来回被市场割韭菜。我统计了2016到2024年间所有单次持仓周期10日动量平均持仓只有7个交易日左右20日动量平均持仓约14个交易日30日动量接近20个交易日。持仓越短意味着你判断的周期越短而市场上短周期的伪趋势恰恰最多。从交易行为角度短周期还容易引发信号拥挤。动量策略本质是趋势跟踪同类策略越多信号越拥挤实际执行时滑点越大。10日动量这种短周期策略持仓切换快、交易频繁市场反转时大家争相卖出实际卖出价格往往远低于回测中的理论价格。很多人在实盘做短周期动量总觉得收益不如回测就是因为回测没算够滑点实盘全给你补上了。4.2 长周期的钝感优势与转折滞后30日动量不会频繁犯错但风险在于滞后。当一个趋势在15个交易日内已经见顶回落30日动量仍会把它当作强势资产继续持有直到累计收益被吞掉大半才发出卖出信号。回测显示30日动量在牛市顶点附近的平均离场延迟大约是12个交易日意味着顶部回撤那一段大概率要吃完整。但长周期并非没有价值。它的信号因为窗口长更不容易被一两个异常日K线干扰持仓稳定性高交易成本摊薄到整个持有期里单位成本占比极低。30日动量年交易次数只有22次连10日动量的一半都不到如果算上实盘中的冲击成本和停牌因素两者的实际交易成本差距还会被进一步放大。我倾向于这样理解30日动量它追求的不是最精确的买卖点而是一旦趋势形成我必定在场的大胜率。它的单次盈利质量更高胜率低于20日最终夏普落在1.04并不比20日差太多。如果你是不想高频盯盘、更愿意按周甚至按月调仓的投资者30日动量的实盘友好度其实比20日更高。5. 实盘落地中的坑与改良方向5.1 滑点、信号拥挤与参数失效回测与实盘的距离把策略搬进实盘第一刀往往就是滑点。我上面回测用双边0.2%加万分之五滑点但在真实轮动场景尤其是同时买卖两个ETF或指数型产品时冲击成本比这个假设要高。10日动量一年52次调仓每次涉及一买一卖两只产品单次真实摩擦成本可能到0.3%一年光摩擦成本就吃掉7%以上收益。20日动量一年31次调仓相同费率下摩擦成本只有4%长期积攒下来10日动量回测层面0.92的夏普实盘很可能被压低到0.7甚至更低20日动量的实际折扣就小得多。这也是我在实盘推荐里更偏好20日以上周期的原因。另一个容易被忽略的问题是参数失效。动量策略参数不是一成不变的圣杯会随市场参与者结构变化而变化。2016到2019年动量策略在A股的信息优势更大参数敏感性不高2020年之后量化资金大量涌入10日动量这类短周期策略的信号拥挤程度明显上升回测表现开始衰减。我建议每季度做一次参数稳健性扫描看看10、20、30这三个窗口近一年的相对表现排序是否变化如果短期周期持续走弱就该考虑把策略重心向更长动量窗口迁移。5.2 一个可落地的改良多周期共振与波动率过滤最后分享两个在实盘中验证过有效的改良方向。第一个是多周期共振。不用单一动量周期作为信号而是同时计算短周期动量10日和中周期动量20日要求两个周期给出的排序方向一致时再入场。比如一个资产要进入持仓名单必须同时满足10日动量得分在前2且20日动量得分在前2。这会牺牲一部分交易机会但能显著过滤短周期中的伪趋势。我的测试结果是多周期共振的夏普能做到1.2以上最大回撤比单纯20日动量低1.5个百分点代价是年交易次数从31次降到24次交易频率更低反而更适合实盘。第二个是波动率过滤。当资产池总体波动率处于异常高位时动量信号可信度会下降因为大涨大跌往往意味着市场在极端情绪驱动中价格可能很快均值回归。我加了一条规则如果近10日资产池平均波动率超过近一年波动率分位数的90%当日不触发调仓信号等波动率回落到正常区间再说。这个过滤把2022年极端波动行情中的无效调仓减少了一半显著降低了换手率。这些改良不是没有代价。多周期共振会引入更多参数增加过拟合风险需要固定额外维度比如固定10日和20日的组合而不对它们做进一步优化。波动率过滤会延迟入场时点在急涨行情中可能错过最凌厉的一段。实盘中的每一个改进本质上都是一次权横你要清楚自己在为什么付费。整个参数研究做完我最深的体会是参数优化的目标不是找到最好的周期而是找到最适合你交易习惯和市场预期的周期。10日、20日、30日背后是完全不同的持仓体验、交易频率和回撤压力。如果让我给一个最直接的参考起点我会说从20日动量开始跑通全流程、记录至少半年的实盘表现再根据资金体量和盯盘时间往10日或30日微调在此基础上叠加多周期共振和波动率过滤大概率能让策略的稳定性和可执行性再上一个台阶。策略终究是工具真正重要的是你对市场节奏和自身限制的认知。