2026年度最佳量化研究TOP1夺冠论文：动量策略没死，只是你把每一天都看得太平均了

> 来源：微信公众号 QuantAILab（转载自「跟puppy玩量化」，作者 puppy） > 日期：2026年6月23日 > 原文链接：https://mp.weixin.qq.com/s/yYWWz2rG6W3oaP7bcVWcsA

---

背景

Quantpedia 选出了 2026 年度最有价值的 5 篇文章，入池文章必须满足下面的标准：

• 策略是否可实盘执行（implementable）
• 是否有逻辑漏洞
• 是否清晰说明收益和风险
• 是否「黑箱模型」（黑箱会被剔除）

本文解读的是夺冠文章：All Days Are Not Created Equal: Understanding Momentum by Learning to Weight Past Returns

---

核心观点

传统动量策略把过去 12 个月、剔除最近 1 个月后的 231 个日收益「等权平均」；作者认为不是每一天都同等重要，于是用机器学习学习「哪些过去的日收益更该被加权」，构造出 Characteristic-Managed Momentum，简称 CMM，结果显著优于传统动量，并把动量收益主要解释为市场对信息的 「反应不足」。

---

论证过程

传统动量认为过去涨得多的股票，未来一段时间继续涨；过去跌得多的股票，未来继续弱。标准做法是用过去 12 个月收益、排除最近 1 个月，作为动量信号。

作者指出，这里面有一个很强的隐含假设：过去 231 个交易日的收益，对未来收益的预测价值完全一样。

但现实中，有些日子明显更重要，比如：

• 财报公告日
• FOMC 公告日
• 市场大幅跳跃日
• 个股自身出现极端涨跌的日子
• 信息集中释放的日子

所以作者提出：不要等权看过去收益，而是学习每一天应该给多少权重。

CMM 方法

CMM 对过去 231 个日收益做加权平均，但权重由机器学习模型根据「过去日收益 + 公司特征」动态学习。它仍然保留「过去收益加权平均」这个可解释结构，不是一个完全黑箱预测模型。

论文的主样本是美国股票，测试期为 1983–2022 年。CMM 和传统动量的组合构造方式一致，都是按信号分组做多高分组、做空低分组，区别只在于动量信号的计算方式。

> CMM 不只是收益更高，风险也低很多，尤其规避了传统动量著名的 momentum crash。传统动量在 2008/2009 这类市场反转阶段遭遇巨大回撤，而 CMM 最大回撤明显小很多。

---

CMM 是否只是传统动量的变体？

作者做了双重排序检验：同时按照标准动量信号和 CMM 信号分组。

• 在控制 CMM 信号之后，传统动量信号基本失效
• 但在控制传统动量之后，CMM 仍然显著有效

这说明 CMM 不是简单叠加了一个新因子，而是更有效地提取了传统动量本来想捕捉的信息。论文原文中这样描述 CMM 和传统动量的关系：CMM subsumes standard momentum，即 CMM 吸收/涵盖了传统动量的收益来源。

---

哪些日子权重更高？

• 过去 231 个交易日中，平均只有 2 天 就拿到了约 30% 的总权重
• 大约 35 天 就拿到了超过 50% 的总权重

说明绝大多数历史日收益其实信息量很低，少数关键日期贡献了主要预测信息。

> 作者在文末强调：不能简单地只用「财报日收益」或「极端收益日收益」来构造动量。附录中他们测试了只基于这些事件日的动量信号，效果都远不如 CMM。也就是说，关键不只是找到事件日，而是要结合个股特征和收益路径，判断这些日子的反应应该如何被加权。

---

怎么解释 CMM 背后的逻辑？

• 如果市场对重要信息 反应不足，那么大涨/大跌日其实没有充分反映信息，未来价格还会继续朝同方向调整。因此模型应该 提高大绝对收益日的权重。
• 如果市场是 过度反应，那么大涨/大跌日反而可能需要降低权重，因为未来会反转。

实证结果

• 在 60%–90% 的股票中，CMM 学到的是「高权重对应大绝对收益日」
• 这种结构更符合「投资者对新闻反应不足」
• 只有在这个「反应不足」子样本中，CMM 的多空收益显著
• 在「过度反应」或「不确定」子样本中，CMM 收益不显著

因此作者认为，CMM 的收益主要来自：市场对信息，尤其是重要新闻和大幅价格变动背后信息的消化不足。

---

多维度验证

国际市场也有效

在非美国市场、发达市场、新兴市场中，CMM 都显著优于传统动量。比如非美国市场中：

考虑交易成本后仍有效

作者用买卖价差估算交易成本，只选 bid-ask spread 不超过 1% 的股票。扣除交易成本后：

• CMM 全样本净年化收益仍为 13.2%，净 Sharpe 0.979
• 2003 年后净 Sharpe 仍有 0.770

时间序列动量也有效

作者把 CMM 思路用于 time-series momentum，即看每只股票自身信号决定做多或做空，CMM 版本仍优于标准版本。

其他动量改进方法不如 CMM

比如中期动量、近端动量、52 周高点动量等，表现都不如 CMM。

---

总结

这是一篇提出了革命性突破的观点，且论证过程非常严谨的论文。

核心贡献：用机器学习学习历史日收益的加权方式，将传统动量从「等权平均」升级为「动态加权」，既保留了可解释性，又大幅提升了收益和稳健性，同时揭示了动量收益的本质来源——市场对信息的反应不足。

---

论文原文

SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5702162