量化模型与构建方式 1. 传统基金动量因子 (MOM) 1. 因子名称：传统基金动量因子 (MOM) 2. 因子构建思路：基于“过去一段时间内每个交易日对未来业绩的预测能力相同”的假设，对过去一段时间的基金日收益率进行等权加总，以此作为预测未来业绩的动量指标[14]。 3. 因子具体构建过程：对于基金i，在t时刻的传统动量因子计算如下： $M O M_{i,t}=\frac{1}{N}\sum_{d=1}^{N}R_{i,t-d}$ 其中，$R_{i,t-d}$ 为基金i在 $t-d$ 日的对数收益率，$N$ 为回望期天数。报告测试了20日、60日、120日、180日、1年（约244日）、2年、3年等不同回望期[16][17]。若无特殊说明，报告默认回望期为1年[19]。 4. 因子评价：传统动量因子在2020年后逐步失效，可能源于成长股动量特征减弱、基金规模扩张导致超额摊薄，以及基金经理的极致风格追求与风格漂移[20]。在失效期（2021-2026），分组年化收益率呈现“U型”特征，表明单纯依赖历史业绩已难以筛选出真正具备持续能力的基金经理[27]。 2. 基于单市场特征切分的动量因子 (MOM_S1MOM_S5) 1. 因子名称：基于单市场特征切分的动量因子（例如：基于业绩快报密集度切分的MOM_S5） 2. 因子构建思路：基于“所有日子并不平等”的假设，根据特定市场特征（如财报披露密集度、宏观数据发布密度、量价相关性等）将交易日划分为不同状态（通常为5档，S1最低，S5最高），仅聚合特定状态下的基金日收益率来构建动量因子，以增强信息含量[28][29][33]。 3. 因子具体构建过程： * 步骤1：划分市场状态。以某一市场特征（如“业绩快报密集度”）的日度数据为基础，将特征值由低到高划分为5个状态（S1S5）[30][33]。 * 步骤2：构建分状态动量。将基金每日的对数收益率按照当日所属状态（S1S5）分别累加，构造出五个分状态动量因子：MOM_S1, MOM_S2, MOM_S3, MOM_S4, MOM_S5[33][45][49]。 * 步骤3：因子计算。对于状态 $s$，因子值为： $MOM\_S s_{i} = \sum_{t \in \{交易日属于状态s\}} R_{i,t}$ 其中，$R_{i,t}$ 为基金i在第t日的对数收益率。 4. 因子评价： * 财报密集期动量 (MOM_S5)：在财报密集发布期，基金收益信息更有参考价值，基于此构建的动量因子能显著改善选基效果[35][37]。 * 宏观信息密集期动量 (MOM_S5)：在宏观信息密集发布期，基金收益率对未来业绩的预测能力更强、更稳定，表现出一定的抗失效能力[45][46]。 * 量价背离期动量 (MOM_S1)：在量价背离的市场环境中，基金收益中所蕴含的能力信号更为纯粹，基于此构建的动量因子能够显著提升选基效果；而在量价同向期（MOM_S5），动量策略失效甚至反转[52][56][59]。 3. 特征管理动量模型 (CMM) 1. 模型名称：特征管理动量模型 (Category Managed Momentum, CMM) 2. 模型构建思路：为克服高维市场特征下人工筛选和线性加权的局限性，构建一个基于注意力机制的神经网络模型。该模型以每日的多维市场特征为输入，通过可学习的注意力网络为每个交易日输出动态的重要性权重，再对历史基金收益率进行加权求和，从而实现自适应的、非线性的差异化赋权[5][75][76][77]。 3. 模型具体构建过程： * 输入： 1. 市场特征序列矩阵：维度为 [回望天数T, 市场特征维度D]，代表过去T个交易日的市场状态变量[79]。 2. 基金收益率序列矩阵：维度为 [回望天数T, 基金数量N]，代表过去T个交易日每只基金的对数收益率[79]。 * 注意力权重计算：市场注意力网络（由全连接层、ReLU激活函数和Dropout层组成）接收市场特征序列，为每个交易日t输出一个重要性分数 $f(X_t)$，其中 $X_t$ 为第t日的市场特征[82][84]。通过Softmax函数归一化得到注意力权重 $w_t$： $w_{t}={\frac{e^{f(X_{t})}}{\sum_{s=1}^{T}e^{f(X_{s})}}},t=1,2,\ldots,T$ * 加权动量计算：将归一化的注意力权重与对应日期的基金收益率相乘并求和，得到每只基金i最终的CMM因子值： $C M M_{i}=\sum\nolimits_{t=1}^{T}w_{t}\cdot R_{i,t}$ 其中，$R_{i,t}$ 为基金i在第t日的对数收益率[85][86]。 * 训练数据：采用横截面样本生成方式，以滑动窗口（如步长5日）生成样本，每个样本包含回望期（如244日）的市场特征、基金收益率，以及未来一段时间（如60日）的累计收益率作为训练目标[87][89][90][91]。 * 损失函数：使用基于Pearson相关系数（IC）的损失函数，在提升平均IC的同时惩罚IC的波动性，以增强模型稳定性[92]。 4. 模型评价：该模型能够自动捕捉高维市场特征间的复杂交互和非线性关系，避免了人工特征筛选的主观性和过拟合风险，实现了对历史收益率的自适应最优加权[75][76][77]。 模型的回测效果 1. 传统动量因子（MOM，回望1年），全样本区间（2013.1.312026.2.27）IC均值8.0%，ICIR 0.75，rankIC均值8.6%，rankICIR 0.85，多空年化收益率4.31%[22]。失效期（2021.1.312026.2.27）IC均值降至2.8%[2][5]。 2. 业绩快报密集期动量（MOM_S5），全样本区间（2013.1.312026.2.27）IC均值11.2%，ICIR 0.98，rankIC均值10.9%，rankICIR 1.02，多空年化收益率8.44%[36]。 3. 宏观信息密集期动量（MOM_S5），全样本区间（2013.1.312026.2.27）IC均值10.0%，ICIR 1.00，rankIC均值10.5%，rankICIR 1.08，多空年化收益率7.34%[48]。 4. 量价背离期动量（MOM_S1），全样本区间（2013.1.312026.2.27）IC均值9.0%，ICIR 0.89，rankIC均值9.1%，rankICIR 0.94，多空年化收益率7.32%[56]。 5. 量价同向期动量（MOM_S5），全样本区间（2013.1.312026.2.27）IC均值-2.5%，ICIR -0.23，rankIC均值-2.7%，rankICIR -0.26，多空年化收益率1.99%[56]。 6. 特征管理动量模型（CMM），样本外测试区间（2021.1.312026.2.27）IC达到13.22%，ICIR达到1.50，多头组年化收益达9.5%[5]。 量化因子与构建方式 （注：本报告核心内容为对传统动量因子的改进，主要因子（如MOM_S1~MOM_S5）和模型（CMM）已在上述“量化模型与构建方式”部分详细总结。此处不再重复列出单一切分因子。） 因子的回测效果 （注：各因子的回测效果指标已在上述“模型的回测效果”部分统一总结。）