因子动量：把因子本身当成可交易的资产

多因子投资有个隐藏前提：你先决定持有哪几个因子（价值、动量、质量……），再永远等权持有它们。但因子不是静止的——价值会沉寂三年、动量会接力领涨、低波会在泡沫里失效。如果「因子」和「股票」一样是一种资产，那它也应该有自己的择时信号。

本文的论点：把因子当成可交易的资产，用**因子动量（Factor Momentum）**去配置它们——哪类因子过去走强，就超配以它；走弱就减配。在 25 年（300 个月）合成的 5 个风格因子上，静态等权持有全部因子的 Sharpe 是 0.94；而用过去 12 个月收益做信号的因子动量组合，Sharpe 冲到 2.27、回撤 −17.3%（比静态 −21.2% 还小）。更关键的是，它和共同市场的相关只有 0.18——它赚的是「因子之间轮动」的钱，不是市场方向的钱。

这听起来像把「股票动量」简单搬了一层，但二者有本质区别：股票动量赚的是「别的股票比你还惨/更强」的横截面相对收益；因子动量赚的是「这类风险溢价自身正处在强势 regime」的时间序列状态切换。后者要求因子的风险溢价本身具有可预期的持续性，而不是靠和其他因子比谁更弱。正因如此，因子动量不是截面多空的替代品，而是架在「因子选择」之上的一层独立择时——它和底层因子收益相关却不等于它们，这正是下文 0.72 相关的来源。

一、为什么因子会有动量#

因子动量成立的前提只有一个：因子的收益是可预测的、且有持续性。这和我们做股票截面动量是一个道理，只是把对象从「股票」换成了「因子」。

我们构造 5 个风格因子的月度收益，每个因子的收益由三部分组成：

• μ_i：因子的长期漂移（价值、动量各自有不同的正溢价）；
• s_{i,t}：一个 AR(1) 慢变状态（持续性 φ=0.85）——这是因子「时好时坏」的来源，也是动量能捕捉的对象；
• β_i·M_t + 特异噪声：共同市场暴露与特异冲击。

import numpy as np

NF = 5
NAMES = ["价值", "动量", "规模", "质量", "低波"]
T = 300                       # 25 年月度
mu  = np.array([0.0075, 0.0085, 0.0060, 0.0070, 0.0055])   # 月度漂移
sig = np.array([0.034, 0.038, 0.040, 0.030, 0.026])        # 特异波动
phi = 0.85                                               # 因子状态持续性
beta = np.array([0.25, 0.40, 0.55, 0.20, -0.30])         # 对共同市场暴露

rng = np.random.default_rng(20260712)
s = np.zeros((NF, T))
for i in range(NF):
    s[i, 0] = rng.normal(0, sig[i] * 0.5)
    for t in range(1, T):
        s[i, t] = phi * s[i, t - 1] + rng.normal(0, sig[i] * np.sqrt(1 - phi ** 2))
M = rng.normal(0, 0.030, T)
noise = rng.normal(0, 1, (NF, T)) * sig[:, None]
s = s - s.mean(axis=1, keepdims=True)      # 去均值: 保留持续性, 单因子均值=μ
ret = mu[:, None] + s + beta[:, None] * M[None, :] + noise

φ=0.85 意味着因子的「好状态」会持续好几个月——过去 12 个月走强的因子，未来一两个月往往还行。这就是因子动量的燃料。

二、把因子当资产：因子动量组合怎么建#

逻辑和「用过去收益排序选股票」完全对称，只是排序对象是因子自身。每月：

1. 算每个因子过去 12 个月累计收益，作为信号；
2. 信号为正的因子纳入多头、等权持有，信号为负的剔除；
3. 持有 1 个月，下月重算。

LOOK, REB = 12, 1
fm_w = np.zeros((NF, T))
fm_ret = np.zeros(T)
for t in range(LOOK, T):
    sig12 = ret[:, t - LOOK:t].sum(axis=1)        # 过去 12 月累计 = 信号
    longs = sig12 > 0
    w = longs.astype(float) / longs.sum() if longs.sum() else np.ones(NF) / NF
    fm_w[:, t] = w
    fm_ret[t] = float(np.dot(w, ret[:, t]))
fm_ret = fm_ret[LOOK:]
ew_ret = ret.mean(axis=0)[LOOK:]                  # 对照: 静态等权全部因子

这里没有任何未来函数：信号只用 t 之前的数据，持仓在 t 月内不变。阈值用「>0」而非「排行前几」，避免人为挑断点——本质是「顺因子的势」。

三、结果：因子动量把 Sharpe 翻了一倍多#

把单因子、静态等权组合、因子动量组合摆在一起：

因子动量组合 Sharpe 2.27，几乎是无脑等权的 2.4 倍，且回撤更小。这说明「在哪个因子上多下注」这件事，本身就藏着大量未被静态配置利用的 alpha。

四、它赚的是什么钱：相关结构#

因子动量最妙的地方，是它和市场的低相关。在我们的样本里：

• 因子动量 vs 静态等权因子组合：0.72（不是 1，说明它不是简单复制底层因子，而是加了「择时」这一层）；
• 因子动量 vs 共同市场：0.18（几乎中性——它赚的是因子之间的轮动，不是市场方向）。

信号本身也站得住脚：12 个月累计收益与下月因子收益的截面相关（IC）均值 0.327，且约 59.7% 的月份信号为正——也就是说，「因子过去强、未来还强一阵」是一个稳定存在的现象，不是噪声。

权重热力图更直观地展示了「轮动」：每个月被做多的因子在变，没有哪个因子被永久超配——因子动量做的是动态再平衡，而非押注单一风格。

五、真实陷阱（诚实版）#

1. 数据是合成的、且校准偏乐观：单因子 Sharpe 0.22~0.61、因子动量 2.27，都是为演示机制选的友好参数。真实因子动量（Ehsani-Linnainmaa-Reibstein 等文献）效应存在，但净 Sharpe 通常更温和，且高度依赖样本期。

2. 过拟合信号窗：本文用 12 个月回望，是「已知答案后选的」。实盘必须样本外确定回望窗，或用多个窗平均，否则会挑出看起来最漂亮、其实过拟合的那个。

3. 因子数量太少会过机动：只用 5 个因子，任何一个月「信号为正的因子」可能只有 1~2 个，集中度高、路径依赖强。真实应用应在几十个因子上做，分散单一因子的 regime 风险。

4. 它是市场状态的影子：因子动量在「因子轮动清晰」的 regime 里赚钱，在「所有因子一起失效」的危机里会同时亏（价值沉、动量破、质量也破）。它不是市场中性，只是低相关。

5. 交易成本与换手：每月调仓、且权重在 0/正之间跳变，换手不低。上面的数字没有扣交易费——实盘要把bid-ask、冲击成本、短期资本利得税算进去，Sharpe 会打折。

6. 与截面动量的混淆：因子动量（对因子收益做时序动量）和「在因子内做截面动量」是两件事。前者配置因子、后者选股，别混为一谈；混了容易把同一份溢价重复计数。

结语#

「把因子本身当成可交易的资产」，听起来只是视角的转换，但落地后收益结构完全不同：静态持有因子，是把因子当常量；因子动量，是把因子当有时好有时坏、且好坏会持续的状态变量。本文用 5 个合成因子证明，仅仅是「顺因子的势」这一层，就能把组合 Sharpe 从 0.94 拉到 2.27，且与市场几乎脱钩。真正的功课不在模型，而在样本外验证信号窗、控制换手、并在多因子维度上分散——否则你只是把「因子择时」这层新的自由度，又过拟合了一遍。一个稳妥的落地起点，是先在大类因子（价值/动量/质量/低波/规模）层面跑通因子动量，确认 IC 稳定为正后，再逐步下沉到更细的子因子，而不是一上来就对着几十个相关性混乱的因子做月度再平衡。

本文图表与全部数字均由 generate_factor_momentum_images.py 用 numpy 从零计算生成（AR(1) 因子状态 + 因子动量组合 + 相关/IC 统计），非占位图。把 ret 换成你真实的因子收益序列，整套代码可直接复用。