一、本周研究目标：动量策略对比并仿真

本周我主要围绕 期货动量因子 做了一轮更系统的对比研究，并尝试把研究结果进一步衔接到 仿真交易 流程中。

和前两周更多偏向平台熟悉、工作流搭建不同，这一周我开始把重点放在：

1. 经典动量因子的搭建与对比
2. 不同动量思路在期货场景中的适用性分析
3. 基于 PandaAI 平台进行因子分析与筛选
4. 从因子研究继续推进到仿真交易验证

本周实际尝试的因子主要有四类，如工作流所示：

1. 基本截面动量
2. 波动率调整动量
3. 多周期时间序列动量
4. 双重动量
   
   整体目标比较明确：
   先通过因子分析比较不同动量因子的表现，再从中选出一个更适合当前阶段做策略落地和仿真观察的核心因子。

从结果来看，我最终选择了 多周期时间序列动量因子 单因子进入后续策略尝试和仿真阶段。

二、经典动量因子大概有哪几种？以及我本周实际尝试的四类因子

从研究逻辑上看，经典动量因子通常可以分为几类，而我这周测试的四个因子，基本也都可以对应到这些典型框架中。

1. 横截面动量：对应本周的“基本截面动量”

横截面动量关注的是 同一时点、不同标的之间的相对强弱。

最常见的做法是：

• 计算各个期货品种过去一段时间的收益
• 按照收益强弱排序
• 做多更强的品种，做空更弱的品种

它的优点是逻辑直观、适合做排序选仓；
但缺点也很明显：如果市场整体都处于震荡环境，仅凭相对强弱排序，容易选到“相对不差但并不真正强”的标的。

本周我搭建 基本截面动量，就是希望先验证这种最经典、最基础的动量思路，在当前样本区间内是否具备比较稳定的区分能力。

2. 风险调整动量：对应本周的“波动率调整动量”

风险调整动量是在原始动量基础上，再引入波动率约束。
它不是只看“谁涨得多”，而是进一步看：

这个上涨是不是在一个相对可控、相对稳定的波动环境中形成的。

常见形式包括：

• 动量 / 波动率
• 平均收益 / 收益波动率
• 简化版 Sharpe-like 动量结构

它相对于纯价格动量的优势在于：

• 可以过滤部分高波动噪声
• 避免把“暴涨暴跌”的标的误判成高质量趋势
• 更强调趋势质量，而不是只看幅度

本周我测试的 波动率调整动量，本质上就是希望在基本动量的基础上，再加入一层风险过滤，看是否能得到更稳健的因子输出。

3. 时间序列动量：对应本周的“多周期时间序列动量”

时间序列动量和横截面动量最大的区别在于：

• 横截面动量看的是“不同标的之间谁更强”
• 时间序列动量看的是“这个标的自己过去强不强”

例如：

• 过去 (N) 个周期收益为正，则偏多
• 过去 (N) 个周期收益为负，则偏空

它本质上更接近 趋势跟踪 的思路，因此在期货策略中非常常见。

而本周我实际使用的并不是单一周期时间序列动量，而是 多周期时间序列动量。
也就是说，我不是只看一个窗口，而是综合了多个时间尺度的趋势信息，希望减少单周期过于敏感或者过于迟钝的问题。

这种做法的意义在于：

• 短周期可以更早捕捉变化
• 中周期可以平衡噪声
• 长周期可以提供更稳定的方向背景

也正因为它在逻辑上更贴近期货趋势策略的实际需要，所以最终我选择它进入策略尝试阶段。

4. 双重动量：对应本周的“双重动量”

双重动量通常结合了两层判断：

1. 绝对动量：某个标的自身过去表现是否为正
2. 相对动量：在多个标的中，它是否比其他标的更强

它相比单一动量的优势是：

• 可以先筛掉整体偏弱的标的
• 再从剩余标的中选出更强的一批
• 同时兼顾趋势方向和相对强弱

双重动量在资产配置和多标的筛选中比较常见，理论上是一个很有吸引力的框架。
但在实际测试中，它对参数、阈值和市场状态的依赖也更明显，因此在当前阶段，我更倾向于先选择逻辑更直接、可解释性更强、便于快速落地调试的因子来推进仿真。

5. 期限结构动量：本周有尝试，但暂时没有成功落地

除了以上四个已经实际完成测试的动量因子之外，我本周原本还想尝试做 期限结构因子。

之所以关注它，是因为期货市场本身就具有明显的期限结构特征，例如：

• 近月与远月价差
• 升贴水变化
• 展期收益结构
• 不同月份合约间的相对强弱变化

这类因子相比纯价格动量，更贴近期货市场自身的结构属性，因此我本来希望把它作为一个更“期货特色”的扩展方向。

不过这周尝试了几次，都没有成功把它顺利落到当前的因子分析工作流中。
这个部分我先记录下来，后续继续研究和尝试。

三、为什么最终选择“多周期时间序列动量因子”

本周对比了四类动量因子之后，我最终选择了 多周期时间序列动量因子 来继续做策略尝试和仿真交易。

这次选择它，主要不是因为它“看起来最复杂”，而是因为它在当前阶段具备几个比较现实的优势。

1. 更符合期货策略中常见的趋势跟踪逻辑

期货市场中，时间序列动量本身就是一个非常经典、非常自然的研究方向。
相比只做横截面强弱比较，时间序列动量更直接回答了一个问题：

当前这个品种自己的趋势方向是什么？

这对于后续做开平仓逻辑映射、做多做空判断、连接仿真交易，都会更直接一些。

2. 多周期结构比单周期更稳一些

单周期动量往往有一个问题：
周期太短，容易噪声大；周期太长，又容易反应慢。

多周期时间序列动量相当于把不同周期的信息结合起来，尽量在“敏感”和“稳定”之间做一个平衡。
我选择它，也是因为它比单一周期动量更有研究继续往下推进的价值。

3. 相比其他几个因子，它更适合作为当前阶段的策略原型

本周实际测试下来，我的感受是：

• 基本截面动量：逻辑最简单，但更偏排序型，不一定最适合作为我当前的仿真起点
• 波动率调整动量：增加了质量过滤，但对参数设定会更敏感
• 双重动量：结构上更完整，但也更复杂，对当前阶段调试和验证来说成本更高
• 多周期时间序列动量：趋势逻辑清晰，便于从因子过渡到策略信号，适合作为当前的落地尝试对象

因此，从“研究有效性 + 策略可实现性 + 仿真可验证性”三个角度来看，我最终选择了 多周期时间序列动量因子。

4. 因子分析中，我重点参考的指标包括

本次在 PandaAI 平台做因子分析时，pandaAI的因子分析结果真很直观好用：
推荐大家可以看看pandaAI的b站视频（用好“动量+波动率”双因子，构建自动化股票轮动策略｜量化实战第七课）：https://www.bilibili.com/video/BV1yHmsBwEXF/?buvid=ZD40FBDAEA1D198C4DF2BFE8BA087F47F04E&from_spmid=search.search-result.0.0&is_story_h5=false&mid=XjKM7ytckearm%2BDAo1LHzQ%3D%3D&plat_id=116&share_from=ugc&share_medium=iphone&share_plat=ios&share_session_id=CC122C5C-144F-440B-B314-4A537B2409A1&share_source=weixin&share_tag=s_i&spmid=united.player-video-detail.0.0&timestamp=1765456957&unique_k=HqyWBsN&up_id=3546939909999104&vd_source=8a4f98f0fd4c86dce42e43440c4ae8ef
讲的很清晰
这些指标里，我比较关注几个点：

• IC_mean 为正：说明因子整体上具备一定预测能力
• Rank_IC 为正：说明因子排序能力是成立的
• IC_IR、IR 表现尚可：说明不仅有一定效果，也有一定稳定性
• t统计量较高、p-value 较低：说明当前样本下结果具备一定统计显著性
• 单调性较高：说明分层表现有结构，不只是偶然有效

对我来说，这种“不是特别激进，但整体更均衡”的因子，更适合作为本周仿真尝试的核心对象。

四、本周仿真过程：从“没有成交”到“放宽条件后大量成交”

本周在把 多周期时间序列动量因子 往仿真策略推进时，经历了一个比较典型、也很有代表性的过程。

1. 周四：策略跑了一天没有成交

因为最终因子的确定和策略搭建完成得比较晚，周四我把策略接到仿真环境后，先按照相对偏严格的成交条件运行了一天。

结果是：全天基本没有成交。

这个现象一开始会让人怀疑，是不是策略有问题，或者是不是工作流没有跑通。
但结合日志和信号逻辑去看之后，我更倾向于认为，这并不是“策略失效”，而是：

• 信号阈值设得偏严
• 过滤条件较多
• 当前行情环境没有频繁触发条件
• 因子虽然在研究层面有效，但策略层面的执行门槛仍然偏高

2. 周五：大幅降低成交条件后，开始出现大量成交

为了确认策略链路是否真的打通、信号是否能顺利触发、仿真账户是否能稳定执行，我在周五对策略条件做了比较明显的放宽。

调整后，策略终于开始出现了大量成交。

这一步对我来说其实很重要，因为它验证了几件事：

• 工作流本身是可以正常运行的
• 因子信号是能够转化成交易动作的
• 仿真账户连接是正常的
• 日志、信号、成交之间的链路是打通的

也就是说，周五的“有大量成交”并不意味着策略参数已经最优，
但它至少说明：从因子研究到策略执行，这条链路已经初步走通了。

3. 这次仿真过程给我的一个直接感受

我觉得这次最直观的收获是：

因子研究阶段关注的是“这个信号有没有统计意义”；
而仿真阶段更关注的是“这个信号如何被转成实际可执行的交易动作”。

两者之间有明显区别。

一个因子可能分析结果不错，但如果：

• 交易阈值过严
• 调仓节奏不合适
• 开平仓规则不够匹配
• 风控限制太强

那么它在仿真里就可能长期不触发，导致“看起来像没有效果”。

所以后续我会继续在仿真中观察，并进一步区分：

• 哪些参数是为了研究有效性服务
• 哪些参数是为了执行可行性服务

五、从因子到仿真实盘，策略上还需要补哪些内容？

这一周让我体会非常深的一点是：

一个因子分析跑得通，不代表一个策略就已经成熟；一个策略能仿真成交，也不代表它已经具备稳定实盘能力。

从因子到仿真实盘，至少还需要继续补充以下内容。

1. 把因子映射成更清晰的交易规则

例如：

• 什么条件下开多
• 什么条件下开空
• 什么条件下平仓
• 是否允许反手
• 是否设置最小持有周期
• 是否使用绝对阈值或相对阈值

目前这部分虽然已经搭出基础框架，但后续还需要继续细化。

2. 优化成交阈值和信号触发条件

这周周四“没成交”、周五“放宽后大量成交”的过程，实际上就说明了这一点：

• 阈值太严，策略可能几乎不动
• 阈值太松，策略可能过度交易

所以后续需要继续研究一个更合适的平衡点，让策略既能保持交易频率，又不至于因为过度放宽而损失信号质量。

3. 增加仓位管理

当前阶段我更关注的是先把链路跑通，因此仓位上还是偏保守。
但如果后续要继续深入，仓位管理一定需要补充，包括：

• 单品种最大持仓
• 总仓位上限
• 多空敞口控制
• 是否按因子强弱分配仓位
• 是否按波动率调整头寸大小

4. 补充交易成本、滑点和流动性约束

期货策略在回测和仿真之间，经常会受到以下因素影响：

• 手续费
• 滑点
• 合约活跃度
• 主力合约切换
• 极端行情下的成交质量

这些因素如果不补充进去，策略在研究层面的表现和交易层面的表现可能会有不小差异。

5. 加入更完整的风险控制

后续至少还需要逐步补上：

• 单日亏损限制
• 单品种风险暴露限制
• 最大回撤控制
• 波动率过高时降低仓位
• 极端行情暂停交易
• 连续亏损后的风控降档

6. 重视日志、持仓和成交记录

本周仿真过程中我越来越明显地感觉到，
日志不是附属信息，而是策略调试的核心工具。

很多问题都要通过日志来判断，例如：

• 为什么没有触发交易
• 是条件没满足，还是数据没准备好
• 是代码没应用成功，还是策略逻辑本身太严格
• 交易是否真的按预期执行

这部分后续我会继续重点观察。

六、本周一个未完成但已记录的方向：期限结构因子

本周我原本希望在动量因子之外，再尝试把 期限结构因子 加入研究范围。

原因在于，期限结构本身就是期货市场非常有代表性的特征。
和单纯的价格涨跌相比，期限结构类信号更能体现期货品种自身的结构变化。

但这周尝试了几次后，暂时还没有成功跑通。
目前我先把这个方向记录下来，后续继续尝试，重点可能会从以下几个方面去排查：

• 合约月份数据如何组织更合理
• 近月、远月之间如何稳定匹配
• 价差和展期收益如何定义得更清晰
• 当前工作流是否适合直接承载期限结构型因子表达

这部分虽然本周没有完成，但我觉得它是一个值得继续投入的方向。

七、本周平台使用中的建议

希望“超级图表 + 因子分析”后续能支持在一个工作流中可以做多因子参数对比

本周我在测试四类动量因子时，最直接的感受就是：

多因子横向比较的效率还有提升空间。

当前的流程中，通常需要：

• 分别搭建和运行多个工作流
• 再分别查看各自结果
• 手动比较 IC、IR、单调性等指标

如果后续平台能够支持：

• 在 一个工作流 中同时运行多个因子
• 统一输出每个因子的核心分析结果
• 直接进行参数横向对比
• 以表格或图表形式展示差异

这部分是我的主观感受，不知道是不是平台已经有了更直观科学的方法，或者已经实现，但我还没找到

八、本周的整体收获

本周的重点不在于把策略做“完整”，而在于把几类典型动量因子放到同一研究框架下做对比，并完成从因子分析到仿真验证的第一次闭环。

这周比较明确的几点收获是：

• 对 基本截面动量、波动率调整动量、多周期时间序列动量、双重动量 四类因子的结构差异有了更直接的对比认识
• 在当前研究框架下，多周期时间序列动量因子 更适合作为后续继续推进的核心对象
• 因子分析结果和策略执行结果之间仍然存在明显差异，尤其体现在 信号阈值、成交条件和触发频率 上
• 仿真阶段的价值更多在于验证执行链路和参数适配，而不仅仅是看是否“有收益”

整体来看，这周更像是在完成一次策略研究框架的收敛：
先把候选因子做横向比较，再挑出更适合当前场景的方向，最后通过仿真去验证它在执行层面是否成立。

九、下周准备继续推进的方向

下周准备围绕已经选出的 多周期时间序列动量因子 继续往下推进，重点放在以下几个方面：

1. 继续优化交易触发条件
   结合本周“周四无成交、周五放宽后大量成交”的情况，进一步调整开平仓阈值，寻找更合理的触发区间。

2. 观察仿真成交结构与信号质量
   不只看成交数量，还会继续看成交分布、持仓变化和日志表现，判断当前参数是否导致过度交易或无效交易。

3. 补充更实用的策略约束
   逐步加入仓位管理、风险控制、交易成本和滑点等约束，让策略从“能跑”进一步过渡到“更接近真实交易”。

4. 继续尝试期限结构因子
   本周这一部分没有跑通，下周会继续排查数据组织、因子表达和工作流适配问题，看看能否形成可分析版本。

5. 整理多因子对比流程
   把这周四类动量因子的测试过程进一步整理，沉淀成后续可复用的比较框架，提升后面做因子筛选的效率。

结语

整体来看，本周比前两周更接近“真正做策略”的状态了。

如果说前面更多是在熟悉 PandaAI 平台和工作流使用方式，
那么这一周我更关注的是：

如何把一个因子，从研究结果一步步推进到仿真策略。

虽然当前选择的 多周期时间序列动量因子 还处在继续调试和观察阶段，
而且期限结构因子的尝试也还没有成功，
但至少这周我已经把“因子比较 → 因子筛选 → 策略搭建 → 仿真验证”这条路径走通了一部分。

后续我会继续围绕这个因子做观察和优化，也继续补上策略真正落地所需要的那些环节。

也欢迎大家交流：
在做期货动量因子、从因子走到仿真交易的过程中，你们通常最先补的是哪一部分？