← 返回报告库
Quantpedia Awards 2026 · 冠军论文拆解 + A股实测
动量的每一天，不该等权 —— 但 A股要反着加权
2026 年 Quantpedia 最佳论文第一名是 Beckmeyer & Wiedemann 的《All Days Are Not Created Equal》：传统动量把过去 231 个日收益等权平均，作者用机器学习学每一天该给多少权重，构造 CMM（Characteristic-Managed Momentum），显著跑赢传统动量。机制是美股对大消息日反应不足。我们把这个思想搬到 A股行业上实测——结论是个干净的镜像：A股对大波动日反应「过度」，CMM 的加权方向要反过来。
覆盖：美股 1983–2022（论文） · A股申万行业 2018–2026（我们的实测，含 0.2% 换手成本） · 信号窗口 180 交易日 · 数据截至 2026-06
15.3% / 夏普0.71
大波动日加权（CMM 美股版）搬到 A股 —— 比标准还差
20.2% / 夏普0.88
大波动日降权（只数涨跌天）—— A股最优
16.8% / 夏普0.73
标准等权动量 Σr（A股行业基线）
19.7% / 夏普1.34
论文：CMM 国际市场（传统动量仅 13.7% / 0.48）
一句话结论：论文的核心洞见「不是每一天都同等重要」在 A股完全成立——但方向相反。美股是反应不足（大涨大跌日信息没消化完 → 给大波动日加权，CMM 因此有效）；A股是反应过度（大波动日含噪声、会反转 → 应给大波动日降权）。在 A股，把动量从「看幅度」改成「数涨跌天的方向一致性」，年化 16.8%→20.2%、夏普 0.73→0.88。CMM 不能照抄，要反着用。
论文讲了什么
CMM：把「过去收益等权平均」升级成「学习加权」Beckmeyer & Wiedemann (2025), Journal of Banking & Finance
传统动量用过去 12 个月、剔除最近 1 个月的 231 个日收益等权累加作信号——隐含假设是这 231 天对未来的预测价值完全一样。作者认为不对：财报日、FOMC 日、跳跃日、个股极端涨跌日，信息含量天差地别。于是 CMM 保留「加权平均过去收益」这个可解释结构（不是黑箱），但权重由机器学习根据「日收益 + 公司特征」动态学习。
论文主要结论（美股 1983–2022）：
- 少数几天扛了大部分信号：231 天里平均 2 天就占约 30% 权重、约 35 天占 50%+。绝大多数日收益信息量极低。
- CMM 涵盖（subsumes）传统动量：双重排序后，控制 CMM 信号则传统动量失效；控制传统动量则 CMM 仍显著。
- 更高收益 + 更低回撤：尤其规避了 2008/2009 那种著名的 momentum crash。
- 稳健：国际市场有效（非美 CMM 19.7%/夏普1.34 vs 传统 13.7%/0.48）、扣成本仍有效（净 13.2%/夏普0.98）、时序动量版也成立。
- 机制 = 反应不足：60–90% 的股票里，CMM 学到的是「大绝对收益日 → 高权重」，且多空收益只在「反应不足」子样本里显著。
我们的 A股实测：方向反了
A股申万行业动量 · 三种「日权重」对比2018–2026，月度选最强 top5，含 0.2% 换手成本
| 信号（怎么给每天的收益加权） | 年化 | 夏普 | 最大回撤 | 含义 |
|---|
| 标准等权 Σr（传统动量） | 16.8% | 0.73 | −40% | 基线 |
| 大波动日加权 Σ|r|·r（CMM 美股版代理） | 15.3% | 0.71 | −38% | 更差 → A股不反应不足 |
| 大波动日降权（只数涨跌天）Σ sign(r) | 20.2% | 0.88 | −35% | 最优 → A股反应过度 |
OOS（train 2018–23 / test 2024+）：CMM 代理夏普 0.63 / 0.86，对比等权 0.67 / 0.87——大波动日加权在 A股两段都没赢，确认不是样本偶然。
为什么方向会反 —— 反应不足 vs 反应过度
美股：反应不足（CMM 正用）
- 机构主导、信息消化慢，大消息日的信息没在当天充分定价。
- 所以大涨/大跌日之后，价格继续同向调整 → 给大波动日加权能更早抓住趋势。
- CMM 在 60–90% 股票里学到「大绝对收益日 = 高权重」，多空收益集中在「反应不足」子样本。
A股：反应过度（CMM 反用）
- 散户主导、情绪驱动，大波动日往往反应过头（追涨杀跌），含大量噪声。
- 所以大涨/大跌日之后常反转 → 给大波动日加权反而踩反；降权、只看方向一致性更稳。
- 这与我们此前一系列发现一脉相承：A股的 V 型急反弹、个股价格动量是负α（只有行业层面动量才有效）、择时信号在 V 底卖在地板——都是「反应过度」的同一张脸。
跟我们「弹性 R」因子的关系：我们行业/跨资产动量用的信号是 R = Σ上涨幅度 ÷ Σ|下跌幅度|——本身就是「不等权、把涨跌区别对待」，和这篇冠军论文「All days are not created equal」是同一个出发点。这次 A股实测进一步告诉我们：在 A股，比「幅度」更该看的是「方向的持续性」（数涨跌天）——这是对弹性思路的一个可落地升级方向。
怎么用 / 边界
- 别把美股 CMM 照搬 A股：大波动日加权在 A股两段 OOS 都没赢；A股要么降权、要么用「数涨跌天」的方向信号。
- 本测试在行业层面（A股个股动量是负α，不能在个股上做）；窗口 180 日、月度调仓、含 0.2% 成本。
- 论文的 CMM 是 ML 学权重，我们用的是手工代理（|r| 加权 / sign 计数）以保证可解释、可证伪——结论是方向性的，不追求复刻论文的精确数字。
- "反应过度"是 A股的统计常态、非每次都成立；样本 2018+、OOS 留出段偏顺，别外推。