《量化交易入门》第 6 章：常见因子——动量、波动与量价#

6.1 因子是什么#

因子（Factor）= 一个可以被算出来的数，用来描述股票的某种特征。

每天收盘后，你都可以对任何一只股票问三个问题：最近涨得猛不猛？上下抖得厉不厉害？涨跌时成交量配不配合？每个问题，都对应一个因子。

因子和策略的区别要分清：

因子本身不直接下单，它先负责描述；怎么把这些描述变成买卖动作，是第 7 章”因子选股”的事。这一章我们先把三把尺子造出来。

6.2 动量因子：涨得猛不猛#

动量（Momentum）= 过去一段时间的涨跌幅。

计算极简：今天的价格除以 N 天前的价格，再减 1。它描述的是”趋势的强弱”。第 4 章讲过的”价格有惯性”，落到数字上，就是动量这个因子。

1
closes = [
2
    10.0, 10.1, 10.3, 10.2, 10.4, 10.6, 10.5, 10.7, 10.9, 11.1,
3
    11.0, 11.2, 11.4, 11.3, 11.5, 11.7, 11.6, 11.8, 12.0, 12.2,
4
    12.1, 12.3, 12.5, 12.4, 12.6,
5
]
6

7
# 20 日动量：今天相对 20 个交易日前的涨跌幅
8
momentum_20 = closes[-1] / closes[-21] - 1
9
print(f"20日动量: {momentum_20*100:+.2f}%")

输出：

1
20日动量: +21.15%

注意下标 closes[-21]：今天是 -1，往前数 20 个交易日，正好落在 -21。这个”差一”的细节和切片一样，新手最容易数错。

6.3 波动因子：抖得厉不厉害#

波动率（Volatility）= 每天涨跌幅的标准差。

如果说动量看的是”方向”，波动看的就是”颠簸程度”。两只股票 20 天都涨了 20%，一只稳稳地小步上行，另一只今天涨停明天跌停——后者的波动率高得多，拿在手里也难受得多。

标准差你不用怕，它就三步：先算每天的涨跌幅，再求这些涨跌幅离平均值平均有多分散。

1
import math
2

3
# 最近 20 天的日涨跌幅
4
rets = [closes[i] / closes[i-1] - 1 for i in range(len(closes)-19, len(closes))]
5
mean_r = sum(rets) / len(rets)
6
volatility = math.sqrt(sum((r - mean_r) ** 2 for r in rets) / len(rets))
7
print(f"20日波动率(日): {volatility*100:.2f}%")

输出：

1
20日波动率(日): 1.22%

日波动 1.22% 大致对应年化百分之十几的水平（年化换算以后会遇到，这里先不展开）。波动率是后面第 8 章风险管理的核心输入：波动越大，仓位通常要越轻。

6.4 量价因子：成交量配不配合#

量价因子衡量的是”价格变化”和”成交量变化”是不是同方向。

老手常说一句话：价格会骗人，成交量不太会。一只股票偷偷上涨却没什么人交易，这种上涨很可疑；如果上涨时成交量同步放大，说明是真金白银在推，更扎实。

怎么把”配合”变成数字？用相关系数：它衡量两组数是不是同涨同落，取值从 -1 到 1：

• 接近 +1：涨跌和成交量基本同向，配合
• 接近 0：两者没什么关系
• 接近 -1：反向，量价背离

1
volumes = [
2
    100, 105, 112, 98, 110, 125, 108, 119, 130, 142,
3
    120, 133, 145, 128, 138, 150, 120, 148, 160, 172,
4
    150, 150, 175, 158, 160,
5
]
6

7
# 成交量的逐日环比变化
8
vol_chg = [volumes[i] / volumes[i-1] - 1 for i in range(len(volumes)-19, len(volumes))]
9
mean_v = sum(vol_chg) / len(vol_chg)
10

11
cov = sum((rets[i]-mean_r)*(vol_chg[i]-mean_v) for i in range(len(rets))) / len(rets)
12
std_r = math.sqrt(sum((r-mean_r)**2 for r in rets)/len(rets))
13
std_v = math.sqrt(sum((v-mean_v)**2 for v in vol_chg)/len(vol_chg))
14
corr = cov / (std_r * std_v)
15
print(f"量价相关系数: {corr:.2f}")

输出：

1
量价相关系数: 0.91

0.91 说明这段时间里，涨跌幅和成交量变化高度同向，是典型的”量价齐升”。这段代码稍长，但逻辑就是把两组数各自标准化、再看协同——看不懂公式没关系，记住相关系数 +1/-1/0 三档含义就够用。

6.5 窗口选多长：5 日、20 日还是 60 日#

上面三个因子都藏着同一个旋钮：回看多少天。这个数字叫窗口，选不同的窗口，量出来的结果可能完全相反。

• 短窗口（5 日）：反应快，最近的风吹草动立刻体现，但也最容易被一两天的异动带偏，信号忽上忽下。
• 中窗口（20 日，约一个月）：折中，既能跟上变化，又能滤掉部分噪声，是很多研究的起点。
• 长窗口（60 日、120 日）：平稳，反映的是中长期的底色，但反应慢，等它转向时行情可能都走完了——和均线的滞后一个道理。

举个具体的场景：一只股票平时温吞，某天突然因为消息连涨两天。用 5 日动量一量，数字飙得很高，像是强势股；可用 60 日动量看，它仍然只是个平庸的家伙。同一个因子、不同窗口，讲的是两个故事。 所以看到一个因子的数值时，先问一句：这是用多长的窗口算出来的？

窗口同样没有”标准答案”，不能因为 20 日在某段历史上好看，就断定它永远最优——那又会掉进过拟合的坑（第 11 章）。务实的做法是：多试几个合理窗口、用回测比较，并且偏好那些换个窗口也依然成立的结论。

6.6 因子用起来的两个提醒#

第一，单因子都有盲区。 动量高的股票可能已经涨到顶部（追高风险），波动低的股票可能是一潭死水没人交易，量价配合也可能是庄家对倒做出来的假象。所以真实研究往往几个因子一起看，而不是迷信某一个。

第二，因子要持续检验。 一个因子过去有用，不代表未来一直有用（第 5 章说的市场会变）。每隔一段时间，都要用回测重新确认这把尺子还灵不灵。

6.7 这一章你该记住的#

1. 因子 = 描述股票某种特征、可以算出来的数；因子负责描述，策略负责动作
2. 动量：过去 N 日涨跌幅，看方向强弱
3. 波动率：日涨跌幅的标准差，看颠簸程度
4. 量价：涨跌幅与成交量变化的相关系数（+1/-1/0），看资金配不配合
5. 单因子有盲区，实战多因子组合并持续回测检验

尺子有了，下一章就把它们组装成策略：因子选股——用排名代替押注，看看怎么给几千只股票打分、排序，挑出排名最靠前的一篮子，而不是赌其中一只。

📚 《量化交易入门》系列：零基础小白向量化交易，每章一个主题 + 可运行 Python 示例。第 6 章已读，下一章《因子选股：用排名代替押注》明天见。