日内动量之尾盘效应：最后半小时的可预测性 • halo 的技术博客

一句话版本#

把一个交易日切成 13 个半小时区间，用前面每个区间的收益去预测最后半小时：绝大多数区间毫无预测力，但第一个半小时（含隔夜）和倒数第二个半小时两个例外稳定显著——这就是 Gao, Han, Li & Zhou (2018) 在 SPY 上发现的日内动量（intraday momentum）：早盘的方向，会在尾盘再现一次。

问题：日内收益不该有结构#

有效市场的零假设很干净：把交易日切成 13 个半小时区间 $r_1, r_2, \dots, r_{13}$ （美股 9:30-16:00， $r_1$ 含隔夜跳空），任何一段的收益都不该预测另一段。日间动量（12 个月赢家继续赢）和短期反转（上周输家本周赢）都是月频周频现象，日内这个尺度上，直觉认为微观结构噪声会淹没一切。

Gao-Han-Li-Zhou 用 SPY 1993-2013 的半小时数据打破了这个直觉： $r_1$ 对 $r_{13}$ 的预测回归 t 值超过 6， $r_{12}$ 也显著，两者合起来样本外 R² 达到 2.6%——对日内预测来说是巨大的数字。之后这个模式在全球股指 ETF、国债期货、外汇、商品上被反复复现。尾盘不是随机游走的最后一段，它是全天信息的一次「复读」。

受控模拟：把效应种进去，再完整测出来#

用受控模拟复现全套证据链。生成机制：

每天 13 个半小时收益，日级波动率有聚集（模拟 GARCH 状态）；
$r_1$ 波动放大 1.8 倍（隔夜信息堆积）， $r_{13}$ 放大 1.1 倍（收盘流动性事件）——匹配真实市场 U 形日内波动；
植入效应： $r_{13} = 0.094 \cdot r_1 + 0.122 \cdot r_{12} + \varepsilon$ ，其余区间互相独立；
2500 个交易日（约 10 年）。

证据一：13 个区间的预测力扫描#

对每个 $j$ ，跑 $r_{13} = \alpha + \beta_j r_j + \varepsilon$ ：

for j in range(12):
    x = R[:, j]
    beta = np.cov(x, r13)[0, 1] / np.var(x)
    resid = r13 - beta * x
    se = np.sqrt(np.var(resid) / (n_days * np.var(x)))
    print(f"r{j+1}: beta={beta:.4f}, t={beta/se:.2f}")

python

各区间预测 t 统计量

区间	$r_1$	$r_2$ … $r_{11}$	$r_{12}$
t 统计量	7.43	全部在 ±1.7 以内	4.39

结构和原论文完全一致：只有开盘半小时和倒数第二个半小时显著，中间十个区间干净地不显著。这个「哑铃形」不是巧合—— $r_1$ 是全天信息含量最高的区间（消化了 17.5 小时的隔夜信息）， $r_{12}$ 是尾盘资金流的先导。中间的 $r_2$ … $r_{11}$ 主要是噪声换手，不携带方向信息。

证据二：条件期望的单调性#

比回归 t 值更直观的检验：按 $r_1$ 把所有交易日分成五组，看每组的尾盘平均收益：

条件收益

分组	Q1（最跌）	Q2	Q3	Q4	Q5（最涨）
E[ $r_{13}$ ]（bp）	−26.5	−14.2	−6.2	+22.6	+29.4

从 Q1 到 Q5 严格单调，跨度 56 个基点。这排除了「效应只由几个极端日贡献」的担忧——量效关系是连续的：早盘跌得越狠，尾盘平均跌得越多；早盘涨得越猛，尾盘延续越强。中间组接近零，意味着早盘方向不明的日子尾盘也没有可预测性——信号有自知之明，这是好信号的特征。

证据三：策略化——每天只交易 30 分钟#

最朴素的策略化：15:30 看今天 $r_1$ 的符号，同向持仓最后半小时，收盘平仓。每天暴露市场风险仅 30 分钟：

策略净值

策略	年化收益	Sharpe	最大回撤	胜率
尾盘动量 sign( $r_1$ )× $r_{13}$	47.7%	1.99	−27.4%	55.2%
始终做多尾盘	2.6%	0.11	−58.7%	50.5%
全天持有	14.3%	0.19	−92.5%	50.0%

三个对照读法：

对比「始终做多尾盘」（Sharpe 0.11）：策略的全部超额来自方向切换，不是做多偏差。这个对照组必须做——很多「尾盘策略」的收益其实只是尾盘的无条件漂移；
胜率只有 55.2%：日内动量是弱信号高频率的典型形态，单日毫无把握，2500 天累积才显出统计优势；
回撤 −27%：Sharpe 2.0 不等于平滑——波动聚集让策略在高波动段连错，模拟里最深回撤发生在波动状态最高的区段，与原论文「效应在高波动日更强、但策略回撤也更集中」的发现一致。

机制：为什么尾盘会复读早盘#

三条被文献反复验证的腿：

1. 隔夜信息消化不完（infrequent rebalancing）。 Bogousslavsky (2016) 的理论：部分机构不是每半小时都调仓，很多只在开盘和收盘两个流动性高峰行动。开盘时段对隔夜信息的第一轮定价由快钱完成，慢钱（共同基金、养老金）把同方向的单子留到收盘前流动性最好的时段执行——同一份信息被交易两次。

2. 日内趋势交易者的尾盘平仓。 日内 CTA 和趋势账户按当天方向持仓、收盘前强制平仓离场。注意这条腿的符号：他们平仓的方向与趋势相反，理论上是负贡献——但他们的存在放大了 $r_{12}$ 的信息含量：倒数第二个半小时的方向部分反映了这批资金的仓位压力。

3. 被动基金的收盘再平衡。 杠杆 ETF 是最机械的一环：2 倍多头 ETF 在标的上涨的日子必须在收盘前买入追加敞口（当日涨 x%，需增仓约 2x%），下跌日必须卖出——方向永远与当天趋势相同，这是写在产品说明书里的正反馈流。杠杆 ETF 规模越大的市场，尾盘动量越强，这个截面证据是机制的直接确认。

两盆冷水#

冷水一：成本敏感性——日频翻仓的宿命#

策略每天进出各一次，成本按天累积。单边成本扫描：

成本敏感性

单边成本	0bp	1bp	2bp	3bp	5bp	8bp	10bp
Sharpe	1.99	1.78	1.57	1.36	0.94	0.31	−0.11

5bp 砍半，10bp 归零。 SPY 这种点差 1bp 以内的品种能活，换成点差 5bp 的个股或小 ETF 直接死亡。日内动量是典型的「毛利肥、净利薄」策略：单次期望收益只有十几个基点，任何成本项都是大分母。评估这类策略时，不含成本的 Sharpe 是营销数字，不是研究结论。

冷水二：对照世界的假信号基线#

把 $\gamma_1 = \gamma_{12} = 0$ （彻底关掉效应）的世界重新模拟一遍，同样的策略跑出来 Sharpe 0.30——不是零。来源是有限样本噪声：2500 天里 sign( $r_1$ ) 和 $r_{13}$ 碰巧的相关不会精确为零，波动聚集又让「碰巧」的方差变大。

这个数字是重要的基线：如果你在真实数据上测出 Sharpe 0.4 的尾盘策略，先别写 PPT——它和无效应世界的抽样噪声只有一步之遥。原论文的效应之所以可信，是因为 t>6 的回归显著性 + 20 年样本 + 全球市场复现 + 明确机制，四者缺一不可。单市场单样本的尾盘发现，默认当噪声处理。

A 股场景注记#

14:57 的闸门：A 股 14:57-15:00 是收盘集合竞价，连续交易在 14:57 截止。「最后半小时」实际是 14:30-14:57 的 27 分钟 + 一次集合竞价，策略出场只能在 14:57 前挂单或参与竞价，执行不确定性高于美股的连续收盘；
T+1 斩断多头腿的日内闭环：今天尾盘买的股票明天才能卖——尾盘动量的多头腿变成「尾盘进、次日开盘出」，隔夜跳空风险混入，信号纯度下降。可用工具：股指期货（T+0）、ETF（T+0 品种）；
尾盘的 A 股特色资金流：打板资金的尾盘封板行为让涨幅居前个股的 $r_{12} \to r_{13}$ 传导显著强于美股，但这个信号极度拥挤且受监管关注（尾盘拉抬是重点监控行为），研究可以做，实盘另说；
机制强度不同：A 股杠杆 ETF 规模小，第三条腿（再平衡流）弱；但散户占比高，第一条腿（信息消化慢）可能更强。机制组合不同，效应的参数需要本地重估而不是照搬美股结论。

与前文的连接#

本系列在时间尺度上一路下沉：《Epps 效应》和《领先滞后估计》处理秒级的跨资产结构，本篇回到半小时尺度的单资产时间结构。共同的方法论：受控模拟先行（真值已知才能校准检验力）、对照组必须做（无效应世界的 Sharpe 0.30 就是本篇的「同步观测对照组」）、机制没讲清楚的显著性默认是过拟合。

本文实验基于受控模拟，参数标定参考 Gao, Han, Li & Zhou (2018, JFE) 在 SPY 上的公开结果。真实市场的效应强度随年代衰减（2013 年后 SPY 上的日内动量明显变弱），任何实盘应用需用近期数据重估并全程扣减真实成本。