1. 概述
在过去，想要复现一篇多因子研究的研报往往是一项艰巨的任务。市面上缺乏成熟、统一的多因子研究平台，研究者不得不从零开始：自行下载数据、进行复杂的数据清洗、构建因子库，搭建因子评价体系，整个过程既耗时又容易出错。对于那些没有编程基础、但对量化投资充满兴趣的人来说，这几乎成为一道无法跨越的门槛。许多想入门的人因此望而却步，迟迟无法真正踏入量化研究的大门。
而如今，PandaAI 的出现极大地降低了量化的门槛。它为因子研究提供了一个高效、统一、易用的平台，只需掌握一套简单的函数体系，就可以快速完成因子的构建与测试。曾经需要几天甚至几周才能完成的工作，现在几行代码就能搞定，真正做到了让量化研究触手可及。这不仅降低了入门难度，也极大地提升了专业研究者的效率。对于整个量化生态而言，这是一次标志性的事件。
本文以《中金公司-量化多因子系列（6）：关于动量，你所希望了解的那些事》为例，借助 PandaAI 平台，快速复现研报中关于动量因子的核心结论。
2. PandaAI 平台介绍
PandaAI 平台介绍：社区中已有小伙伴分享了各个函数的用法，相信参加了本次因子大赛的同学都已经比较熟悉了，这里不再赘述。
3. 动量因子的底层逻辑
3.1 传统动量因子的定义
传统动量因子的构造方法相对简单，其核心思想是：将标的在过去某一特定时间区间内的收益率作为该时间点的因子值。根据时间窗口的不同，最常见的两类动量因子包括：
一个⽉动量因子（MOM_1M）
该因子取标的最近一个月的收益率作为因子值。其计算公式为：
参数说明：
- (Pt)：当前交易日的收盘价
- (Pt-20)：前20个交易日的收盘价（约等于一个自然月）
一年动量因子（MOM_1Y）
参数说明：
- ( Pt-21)：前21个交易日的收盘价（即排除最近一个月后的价格）
- ( Pt-252)：前252个交易日的收盘价（约为过去一整年的交易日数）
有了因子的定义，我们就直接打开PandaAI，看看因子的效果。
打开PandaAI的因子界面，点击创建因子，新建因子。
可以看到，平台默认给我们创建了月度的动量因子，左边回测区间我们选5年，调仓周期选择5天，股票池我们就选全A股，因子方向设置为正向，我们再点击右上角的运行按钮，稍等片刻，就可以看到结果了，点击深度分析，可以看到各样指标。
从结果上来看，一个月的动量因子正向的结果很不理想，因子分层回测里面，也是中间组的表现好一些，因子最大的一组表现最不好。
那我们如果把因子换个方向呢，会得到什么结果呢。把因子方向改成负向，然后运行。
效果立马变好了，说明在A股市场，动量因子比较表现出反转特征。
分析完一个月的动量因子，我们再来看看一年的动量的因子，根据定义，我们可以在右边询问PandaAI助手，让他帮我们完成因子的代码编写。直接把定义贴给助手，然后点击应用即可。
因子方向改为正向，再跑一遍。
从结果上来看，也是A股的表现差强人意，不如上一个负向的月度动量因子。但研报里面说一年的动量因子在海外的成熟市场长期有效，说明这个因子跟投资者的结构也是密切相关的，笔者暂时没有海外市场的数据，感兴趣的小伙伴可以去复现下。贴一张研报的图片，大家感受下。
从我们复现的结果以及研报的数据可以看出，在A股市场动量因子主要表现为反转特性，而海外市场则主要表现为动量特征。
那么，为什么动量在A股主要表现为反转特性呢，下一篇，我们将从投资者结构的角度来深度分析，相信大家看完之后，也会更愿意转型到因子投资的量化交易者 (●’◡’●)
下期见！
