截面动量的衰减曲线：因子信号逐日『腐烂』的实证与对抗

「动量因子有效」——这句话每个做量化的人都听过。但它藏着一个几乎从不被追问的后半句：有效多久？

一个动量信号在生成的那一刻预测力最强，然后从第二天开始，它就像一块被端上桌的冰淇淋，每一分钟都在融化。你调仓越慢，吃到的是化了一半的糖水；你调仓越快，倒是能抢在它融化前多舀几口，可账单——交易成本——会把你多舀的那几口连本带利收回去。

这篇文章要做的，就是把这块「融化的冰」量化出来：用信息系数(IC)的衰减曲线画出信号腐烂的速度，再把它翻译成实盘最扎心的决策问题——到底该多久调一次仓？

一、动量为什么会「腐烂」#

先说清楚一件事：动量因子的衰减不是 bug，是它的本质。

横截面动量的经济逻辑，通常归因于投资者对信息的反应不足(underreaction)——好消息出来，价格没有一次性调整到位，而是分几天慢慢爬。动量策略赚的就是这个「慢慢爬」的过程。但这个过程有终点：一旦价格调整完毕，或者反应过度(overreaction)开始反转，信号就失效了。

所以任何动量信号都有一个有效期。用统计语言说，就是「形成期信号」与「未来第 k 天收益」的相关性，会随 k 增大而衰减到零，甚至转负（动量反转）。

我们用一个自洽的面板模拟来还原这件事：每只股票有一个缓慢均值回复的预期收益漂移 $\mu_t$（服从强持续 AR(1) 过程），日收益等于这个漂移加上因子共同扰动再加上大量特异噪声。$\mu_t$ 的持续性决定了动量能撑多久，而噪声的主导地位保证了信号微弱到接近真实量级：

import numpy as np
import pandas as pd

rng = np.random.default_rng(20260715)

def simulate_panel(n_days=1500, n_stocks=300):
    """预期收益漂移 mu_t 服从强持续 AR(1)，phi 越接近 1 → 动量腐烂越慢。"""
    phi, sigma_mu, idio = 0.965, 0.0011, 0.016
    n_factors, fac_load, fac_vol = 3, 0.012, 0.012
    innov = np.sqrt(1 - phi ** 2) * sigma_mu
    mu = rng.standard_normal(n_stocks) * sigma_mu
    B = rng.standard_normal((n_stocks, n_factors)) * fac_load  # 因子暴露
    rets = np.zeros((n_days, n_stocks))
    for t in range(n_days):
        mu = phi * mu + innov * rng.standard_normal(n_stocks)   # 动量漂移
        f = rng.standard_normal(n_factors) * fac_vol            # 当日因子收益
        rets[t] = mu + B @ f + rng.standard_normal(n_stocks) * idio
    return rets

这里的关键参数是 phi=0.965：它让预期收益的自相关每天只衰减约 3.5%，对应一个「几周量级」的动量记忆——既不会瞬间消失，也不会永久有效。

二、画出衰减曲线：边际 IC#

衡量信号预测力的标准工具是信息系数(Information Coefficient, IC)——因子值与未来收益的横截面秩相关。要看「衰减」，我们不能只算一个 IC，而要算一整条曲线：形成期信号 vs 未来第 k 天的当日收益，让 k 从 1 走到 40。

这里有一个极其常见、极其致命的坑：很多人用「信号 vs 未来 k 天累计收益」画衰减曲线，结果画出一条上升曲线，然后欢天喜地地得出「持有越久越好」的错误结论。

原因很简单：累计收益是把 k 天的预测力加总，只要每天还剩一点点正的边际预测力，累计值就会一直涨。它掩盖了「每天的边际贡献其实在快速缩小」这个真相。要看清腐烂，必须看边际 IC——信号对未来第 k 天单日收益的预测力：

def rank_ic(a, b):
    """Spearman 秩相关。"""
    ar, br = pd.Series(a).rank().values, pd.Series(b).rank().values
    if np.std(ar) == 0 or np.std(br) == 0:
        return 0.0
    return np.corrcoef(ar, br)[0, 1]

rets = simulate_panel()
T, N = rets.shape
form = 60  # 形成期：过去 60 日累计收益作为动量信号
momentum = pd.DataFrame(rets).rolling(form).sum().shift(1).values

ic_by_h = []
for k in range(1, 41):
    fwd = pd.DataFrame(rets).shift(-k).values  # 未来第 k 天的当日收益（非累计！）
    ics = []
    for t in range(form + 5, T - k - 1, 3):
        rm, rf = momentum[t], fwd[t]
        mask = ~(np.isnan(rm) | np.isnan(rf))
        if mask.sum() > 30:
            ics.append(rank_ic(rm[mask], rf[mask]))
    ic_by_h.append(np.nanmean(ics))

画出来是这样：

这条曲线就是动量因子的「保质期证明」。模拟里边际 IC 从第 1 天的约 0.012 出发，波动着往下掉，到第 40 天左右已经贴近零。IC 减半的位置大致落在中段——这意味着你持有信号越久，每多持一天，它替你做出的正确判断就越少。

注意这里的 IC 量级只有 0.01 出头——这才是真实世界的样子。教科书里动辄 0.05、0.1 的 IC，要么是样本内过拟合，要么是没扣成本的理论值。微弱但持续的边际预测力，加上足够多的标的分散，才是量化 alpha 的真实形态。

三、从 IC 到实盘：调仓频率的两难#

衰减曲线告诉我们信号会腐烂，但它没直接回答那个真金白银的问题：该多久调一次仓？

逻辑上有两股相反的力：

1. 信号侧偏向高频：既然信号每天都在腐烂，那当然应该尽快按最新信号调仓，趁 alpha 还新鲜赶紧吃。持有期越短 → 平均信号越「新」 → 毛收益(gross)越高。
2. 成本侧偏向低频：每次调仓都要付出买卖价差、冲击成本、佣金。持有期越短 → 换手率越高 → 成本吞噬越狠。

这两股力的交点，就是最优调仓频率。我们用一个多空组合把它跑出来：每 hold 天调仓一次，做多动量最强的 20%、做空最弱的 20%，等权持有，并对每次换手扣单边 10bps 的成本：

def long_short(hold, cost_bps=0.0):
    """每 hold 天调仓，多 top20% 空 bottom20%，等权。扣单边 cost_bps 成本。"""
    port_ret = np.zeros(T)
    pos = np.zeros(N)
    for t in range(form + 1, T):
        if (t - form - 1) % hold == 0:                 # 调仓日
            sig = momentum[t]
            valid = ~np.isnan(sig)
            new_pos = np.zeros(N)
            if valid.sum() > 20:
                idx = np.where(valid)[0]
                ranks = pd.Series(sig[valid]).rank(pct=True).values
                longs, shorts = idx[ranks >= 0.8], idx[ranks <= 0.2]
                if len(longs) and len(shorts):
                    new_pos[longs] = 1.0 / len(longs)
                    new_pos[shorts] = -1.0 / len(shorts)
            turnover = np.sum(np.abs(new_pos - pos))    # 双边换手
            port_ret[t] -= turnover * cost_bps / 1e4    # 成本在调仓日一次性扣除
            pos = new_pos
        port_ret[t] += np.nansum(pos * rets[t])         # 当日持仓收益
    return port_ret[form + 1:]

把持有期从 1 天扫到 40 天，分别算毛夏普与净夏普：

结果非常有教育意义：

毛夏普在 2 天持有期最高(4.01)，但净夏普的峰值却挪到了 10 天(3.03)。 换句话说，如果你只看不扣成本的回测，你会得出「越短越好」的结论，然后满怀信心地上线一个每天调仓、年化换手近 100 倍的策略——上线后被交易成本活活拖死。

四、成本侵蚀曲线：换手率是隐形杀手#

把「年化换手率」和「含成本净收益」画成一条曲线，能更直观地看到成本是怎么吃掉 alpha 的：

曲线呈明显的倒 U 形：换手太低（持有期太长），吃到的信号太陈旧，收益上不去；换手太高（持有期太短），成本吞噬超过了信号新鲜度带来的增益，净收益反而跌下来。峰顶落在中等换手区间。

再看不同持有期的净值曲线，1 天持有期那条线明显最疲弱——它的毛收益其实不差，全被成本磨掉了：

这条倒 U 形曲线的位置极度依赖你的成本假设。单边 10bps 对应一个流动性尚可的中大盘 A 股组合；如果你做的是小微盘、或者资金体量大到有显著冲击成本，成本可能是 30bps 甚至更高，那么整条曲线会向右下方塌陷，最优持有期会进一步右移（被迫拉长），甚至可能让整个策略在扣成本后无利可图。

五、对抗衰减：三条可落地的思路#

既然信号会腐烂、高频又被成本吃掉，怎么办？三个方向：

1. 信号平滑，而非频繁重构。 与其每天推翻重来，不如对信号做指数加权平滑，让持仓「缓慢漂移」到新目标而不是跳变。这能在几乎不损失信号新鲜度的前提下大幅压低换手——本质是在换手和信号之间做一次凸优化。

2. 换手带(no-trade band)。 只有当某只股票的目标权重与当前权重偏离超过一个阈值时才交易。小的信号变化不值得为它付成本，直接忽略。这是实盘组合管理里最朴素也最有效的降本手段之一。

3. 成本感知的组合优化。 把交易成本显式写进目标函数：最大化 预期收益 − λ·风险 − 成本。这样优化器会自动在「追新信号」和「省成本」之间找平衡，而不是靠人拍脑袋定一个固定持有期。

这三条的共同哲学是：不要和衰减硬刚，要和它共处。 承认信号会腐烂，然后把「腐烂速度」和「交易成本」放进同一个决策框架里权衡。

六、实现细节与落地关卡#

A. 实现细节

• 信号构造：形成期用过去 60 日累计收益（经典 12-1 月动量的日频缩影），并 shift(1) 严格滞后，杜绝用当日信息交易当日。
• 执行假设：调仓在信号日按当日收益结算，成本在调仓日一次性按双边换手扣除（单边 10bps）。真实实盘应改为信号日次日开盘执行，避免用收盘信号成交收盘价的隐性前视。
• 多空构造：top/bottom 20% 等权，市值中性但未做行业中性；净敞口约为零（多空各半）。
• IC 口径：用边际 IC（vs 未来单日收益）而非累计 IC，这是本文方法论的核心，避免「越长越好」的假象。

B. 已知偏差

• 合成数据的自洽性：图表数据来自自洽模拟——动量的持续性与衰减速度由 AR(1) 的 phi 显式设定，因此衰减曲线的形状是被数据生成过程「安排」的。真实市场的衰减往往更不规则，还可能在尾部转负（动量反转），本模拟未刻画反转段。
• 成本模型过简：单边固定 10bps 是线性成本，忽略了冲击成本随交易量非线性上升、以及不同流动性股票成本差异巨大的现实。大资金体量下真实成本曲线会陡峭得多。
• 无容量约束：模拟假设可以无限扩大规模，实盘中动量策略的容量受限于被交易股票的日成交额，高频版本尤其吃紧。
• 单一成本情景：只测了 10bps 一种成本，没做成本敏感性扫描——而最优持有期对成本假设极度敏感。

C. 结果解读

• 衰减是真金白银的约束：边际 IC 从 0.012 掉到 0 不是学术曲线，它直接决定了你能持有信号多久还不亏。忽视衰减 = 用过期的判断做交易。
• 毛净夏普的分裂是核心教训：毛夏普峰值(2 天)和净夏普峰值(10 天)错开 8 天，这个缺口就是交易成本的「税率」。任何不扣成本的动量回测都系统性地高估了高频策略——看毛收益选调仓频率，等于让成本替你选，且选得很糟。
• 倒 U 形是普适结构：换手率-净收益的倒 U 形几乎出现在所有带成本的高换手策略里，不止动量。找到那个峰顶，比把毛收益再榨高 10% 重要得多。
• 适用边界：本文结论对「流动性好、成本可控」的组合成立；对小微盘、高冲击成本、大资金体量的场景，最优持有期会被迫大幅拉长，甚至可能让策略整体失去经济意义。上线前务必用自己真实的成本曲线重跑这条倒 U 形。

动量因子最容易骗人的地方，不在于它是否有效，而在于它有效的时长被大多数回测悄悄忽略了。当你把边际 IC 的衰减曲线和交易成本的倒 U 形放在一起看，那个「该多久调一次仓」的问题就不再是玄学——它是两条曲线的交点，是新鲜度与成本之间一个冷冰冰的最优解。承认信号会腐烂，你才配拿到它腐烂前那点稍纵即逝的 alpha。