何谓截面动量

在了解和测试了时间序列动量之后，我们自然想到按照经典策略分类的截面动量。时间序列动量很好理解，就是指单个商品自身是否发生上涨、下跌，以及其幅度是否构成我们应该买入多头，卖出空头这样的操作。时间序列动量的假设是：某品种的价格产生方向会延续一定幅度，并且方向反转也是个阶段性过程，我们可以评估动量反转而做出平仓或反手交易。

截面动量就不同了，它也被称作是横截面动量，在每个日期截面上，选择上涨最多的N个品种做多，下跌最多的N个品种做空。它的假设是：强者恒强，弱者恒弱。动量是相对出现于品种之间的，而不是以一个绝对数值，体现出方向性。截面动量模型的持仓是对冲形态的，每一期账户内总有N个品种多头，N个品种空头。

我们查阅资料有显示：Jegadeesh和Titman (1993)等人在对美国股市的研究开始了最早的金融市场中动量效应的研究，在排序期内考察各个股票的动量表现（即历史业绩），而在持有期开始时买入近期的胜者（业绩较好），卖出近一期内的输者（业绩较差），并持有H的长度，直至下一个持有周期。之后Miffre和Rallis (2007)，Shen (2007) 以及Szakmary (2010)对国外商品期货市场中的动量效应也做了测试，发现期货市场中也确实存在着“胜者更强，输者更弱”的现象。

截面动量的几个关键问题

1、截面分组大小

首先需要讨论的便是截面上不同品种的排名是否真的能够区分开来，也就是说截面效应是否真的有效。为了查看分组对收益表现的影响，有机构研报里，通过截面动量从大到小的排名进行分组，标记排名前20%为做多组，后20%为做空组。

但是在期货品种较少的年份，横截面上品种数量不足20个的情况下，每次做多做空的品种可能只有3~4个左右，无法形成一个稳定的组合。所以我们在后期测试中，也尝试了，前20%，前30%，前40%，这样三组参数。

2、动量衡量和持有参数

华泰期货的测试显示：横截面动量策略涉及的参数主要有回溯期和持有期。回溯期指计算动量因子的时间长度，用 R 表示，代表建仓日前一天开始向前推 R 天，计算这 R 天的平均收益率；持有期指建仓后持有组合的时间长度，用 H 表示，代表每隔 H 天建仓，持有组合至下个建仓日。回溯期和持有期的取值范围均是 5 天、10 天、22 天、60 天、120 天和 250 天，用（R，H）表示，共 36 个组合如下表所示。

所以按照测试思路，华泰将动量的测试周期放在250日，在此周期下，测试了多个持有期的绩效图如下：

很可惜，我们不能认同250这个动量持有期。原因非常显著：动量的计算仅考虑了开始和结束两个时间端点，将近一年（250日）的考核期太过长久，这个策略变为一个典型的长线动量模型。试想，通过一年的考察期来评估各期货品种动量，这个动量是难以发生变化和排序变化的，在调仓时间点可能不会产生调仓操作。所以实际测试中，我们更倾向于采用较为短期的动量考核期，构成一个相对容易解释的策略。

截面动量参数问题上，东方证券衍生品研究院的观点是，截面动量因子的表现具有很强的参数敏感性。这是因为由不同的计算周期所得到动量特征表现结果不一，不同的品种的动量特征也会表现不一，所以在构建截面动量因子组合之后，组合的整体表现就会很强地受参数选择的影响。

另外一个原因则和前文中提到的换手率的结论是一样的，即持有期的长度取值较低时，交易次数会很多，由交易成本带来的负面冲击也较大。故综合考虑之后，我们认为截面动量因子的有效性只存在部分参数区域内，较为合适的K值范围为10天左右，而H的合理取值范围为25天以上。

总之今天将这个框架公布出来，请大家自行确定动量的考察期和持有期参数。

代码介绍

具体到写码环节，和之前讲的价格模型类似，首先是初始化，我们给与的手续费还是挺高的，但是因为这是中低频模型，对于手续费不敏感。

def initialize(context):
    # 设置参数
    set_parameter(context)
    # 设定基准银华日利，在多品种的回测当中基准没有参考意义
    set_benchmark('511880.XSHG')
    # 开启动态复权模式(真实价格)
    set_option('use_real_price', True)
    # 过滤掉order系列API产生的比error级别低的log
    log.set_level('order', 'error')
    ### 期货相关设定 ###
    # 设定账户为金融账户
    set_subportfolios([SubPortfolioConfig(cash=context.portfolio.starting_cash, type='futures')])
    # 期货类每笔交易时的手续费是：买入时万分之1,卖出时万分之1,平今仓为万分之1
    set_order_cost(OrderCost(open_commission=0.0001, close_commission=0.0001,close_today_commission=0.0001), type='index_futures')
    # 设定保证金比例
    set_option('futures_margin_rate', 0.15)
    # 设置滑点（单边万5，双边千1）
    set_slippage(PriceRelatedSlippage(0.001),type='future')
    # 开盘前运行
    run_daily( before_market_open, time='before_open', reference_security=get_future_code('RB'))
    # 开盘时运行
    run_weekly(market_open, 1,time='open', reference_security=get_future_code('RB'))
    # 交易运行 
    run_weekly(Trade, 1, time='open', reference_security=get_future_code('RB'))
    # 收盘后运行
    run_daily( after_market_close, time='after_close', reference_security=get_future_code('RB'))

在动量计算方面，代码如下：
g.Momentum[ins]作为每个品种的代码dict数据结构，可以看到它实际上是很简单的一种动量计算方式。

## 开盘时运行函数
def market_open(context):
    # 输出函数运行时间
    #log.info('函数运行时间(market_open):' str(context.current_dt.time()))
    # 以下是主循环
    for ins in g.instruments:
        # 过滤空主力合约品种
        if g.MappingReal[ins] != '':
            IndexFuture = g.MappingIndex[ins]
            RealFuture = g.MappingReal[ins]
            # 获取当月合约交割日期
            end_date = get_CCFX_end_date(RealFuture)
            # 当月合约交割日当天不开仓
            if (context.current_dt.date() == end_date):
                return
            else:
                g.LastRealPrice[RealFuture] = attribute_history(RealFuture,1,'1d',['close'])['close'][-1]
                # 获取价格list
                #if g.StatusTimer[ins] == 0:
                g.PriceArray[IndexFuture] = attribute_history(IndexFuture,g.BackWindow 5,'1d',['close','open','high','low'])

                # 如果没有数据，返回
                if len(g.PriceArray[IndexFuture]) < 1:
                    return
                else: 
                    g.ClosePrice[ins] = g.PriceArray[IndexFuture]['close']
                    g.CurrentPrice[ins] = g.ClosePrice[ins][-1]
                    g.Price_DaysAgo[ins] = g.ClosePrice[ins][-g.BackWindow]

                    g.close = np.array(g.PriceArray[IndexFuture]['close'])
                    g.high = np.array(g.PriceArray[IndexFuture]['high'])
                    g.low = np.array(g.PriceArray[IndexFuture]['low'])
                    g.ATR[IndexFuture] = talib.ATR(g.high,g.low,g.close, g.BackWindow)[-1]

                    g.Momentum[ins] = g.CurrentPrice[ins]/g.Price_DaysAgo[ins] -1

动量的排序在这里：

## 交易模块 
def Trade(context):
    # 定义每周买卖的列表
    log.info(g.ClosePrice.keys())
    BuyList = []
    SellList = []
    # 将字典进行排序，并将数值前五品种的symbol写入列表
    a = sorted(g.Momentum.items(), key=lambda x: x[1],reverse = True)
    for i in range(int(g.Range*len(g.MappingReal.keys()))):
        BuyList.append(a[i][0])
        SellList.append(a[-i-1][0])

首先放上一个长期测试的绩效图如下，不知道这样的绩效你能否满意，反正我觉得很难：

对于横截面动量，在2017年开始的回撤比较显著，并且在历史上也没有带来非常理想的回报。我们测试了以5日为持有期，10、15、20这3组动量测算期的绩效，并且测试了持有前20%，30%，40%的品种绩效组合，也就是3*3=9个参数绩效如下图：

上图分别是多组参数测试绩效、资金曲线图、收益风险矩阵。它们都是周度调仓，或者说接近研报上的5日调仓（持有）参数H。最终发现，做多前30%涨幅最多的品种，做空后30%跌幅最多的品种，持有5日，以10日考核期动量效应，这个组合绩效最好。

我们还测试了双周调仓，也就是每半个月调仓的效果，类似于研报中的10日调仓（持有）参数H，情况更不理想。

我们感觉还需要反复迭代或者思考的是：

1、多头和空头的动量衡量周期，是不是应该保持一致，还是应该拆分？
2、以较大的周期进行动量考核（某机构给出的250日动量考核期R参数）是否合理？
3、较为严格的止损方案，在较短周期的截面动量模型中，是否有效？

总之，还请大家多多提出意见，提出修改观点，来完善这个多空都持有的比较另类的动量模型。