交易市场千变万化，投资策略也在不断更新迭代，许多投资者采用动量交易的策略获取了不错的收益，本文旨在研究动量策略在A股市场中的有效性。

将证券市场与物理现象相类比，如果我们把证券的价格类比成运动中的物体，证券价格的上涨或下跌类比为物体的运动。则依据惯性原则，证券价格上涨，则其具有继续上涨的动能，也可以说证券价格保持着上涨的动量；同理，证券价格下跌，则其可能有继续下跌的动量。

最早研究动量效应的是Jegadeesh和Titman，他们发现美国股市中，投资组合收益表现出中期价格动量效应(JT价格动量策略)。Conrad与Kaul进一步验证了JT动量策略能获得显著利润，且发现最佳投资期限为3~12个月。Rouwenhorst研究了欧洲12个国家的股票市场，Hameed和Kusnadi研究了亚洲6个国家的股票市场，都发现了中期动量效应的存在。

因此，本文以A股2000年至2023年数据为基础，实证研究中期（35天）动量策略的有效性。

1. 实证研究方法

1.1价格动量的除法公式（ROC）

$$ ROCt=\dfrac{P_t-P_{t-m}}{P_{t-m}} $$

Pt—当前股价

Pt-m—m 天前的股价

图1：万科股票自2022年1月至今的5日动量图

Pt—当前股价

Pt-m—m 天前的股价

图1：万科股票自2022年1月至今的5日动量图 在实证研究过程中，以reh_close（复权收盘价）替代上述公式中的股价。 $$ Re=\dfrac{reh_close_t}{reh_close_0}-1 $$

1.2编写动量函数momentum

股价动量计算过程中，除了5日（指交易日），更为常见的一般时间跨度为1个月，35天，3个月，6个月，9个月，12个月。以10天、20天、25天为时间间隔的动量被视为短期动量，以1个月至1年为时间跨度被视为中期动量，时间跨度超过一年的被视为长期动量。

因此，根据前一步的股价动量计算公式，在程序中编写更为一般情况的动量计算公式，其中输入数据为包含股票收盘价的DataFrame和时间跨度，输出数据为包含动量序列的DataFrame。为计算方便，我们还增加了后续会提及的买入信号和卖出信号。

#动量函数
def momentum(data, period=35):
    data['p_close'] = data['close'].shift(period)
    data['momentum'] = data['close']/data['p_close'] - 1
    data.dropna(inplace=True)
    return data

1.3判断交易信号和持仓信号

根据每个交易日得到的动量值可以判断当日的交易信号：

（1）交易信号

①该交易日动量符号与上一交易日动量符号相同，则无交易信号；

②上一交易日动量小于0，该交易日动量大于0，则发出多头信号（signal=1），下个交易日以开盘价买入（开盘不涨停）；

③上一交易日动量小于0，该交易日动量大于0，则发出多头信号（signal=0），下个交易日以收盘价卖出（当日不跌停）；

（2）持仓信号

①上一交易日无交易信号，则持仓信号与上一交易日相同

②上一交易日交易信号为多头（signal=1），则该交易日持仓信号为持仓（pos=1）

③上一交易日交易信号为空头（signal=0），则该交易日持仓信号为空仓（pos=0）

# 计算开多信号
long_cond_1 = data['开盘涨停'].shift(-1) == False
long_cond_2 = data['momentum'] > 0
data.loc[long_cond_1 & long_cond_2, 'long_entry'] = 1
# 计算平多信号
short_cond_1 = data['momentum'] < 0
short_cond_2 = data['跌停'].shift(-1) == False
data.loc[short_cond_1 & short_cond_2, 'long_exit'] = 0