北京
来源：市场投研资讯
（来源：贝塔阿尔法）
// 核心结论 //
研究背景与动机：不同交易日承载的信息量差异大——财报日、市场跳跃日、量价背离日集中了价格发现信号，普通低波动日则以噪声为主。传统动量等权平均过去231 个交易日收益，隐含"每一天同等重要"的假设；CMM 打破该假设，由等权动量转化为特征管理动量。
量价与风险特征CMM动量测试（16特征）：从波动、成交活跃、收益形态、分布四类特征刻画个股量价与风险特征（共16个）。采用结构轻量的CMM 拟合预测信号与未来收益的截面相关性：卷积层提取因子序列局部模式，16→8 前馈漏斗逐层压缩，早停控制训练轮数，每6 个月重训适应市场变化；前馈网络将特征映射为状态标量θ，softmax将 θ×历史日收益归一化为 231日动态权重，加权得到 CMM信号。2020年1月23日至2026年7月末，CMM动量因子（16特征）Rank IC 均值 8.50%、ICIR 0.69、IC为正占比 77.9%，多头年化 19.8%、多空年化 33.9%，均显著优于传统等权动量 SM。Top20/30/50 年化 23.6%/23.2%/21.3%，单调性清晰。
CMM动量因子（16特征）效果解读：CMM对空头组判断更具"个股化"——按股票路径挑出更重要的历史日；对多头组判断接近传统形成期动量，广泛累积过去约一年收益。结合模型公式，近期涨幅较高、波动较大或出现过大涨日的股票，网络常给出更负的状态标量（scalar），使权重更多落在历史负收益日，更像"路径形态调节器"而非独立的收益预测值。CMM G10 （多头）与SM G10 （多头）差异显著，月度个股重合率均值41.9%、最低仅16.8%；中性化后仍有alpha 且风险调整后表现更好，选股能力不依赖市值/行业暴露。
特征扩容测试、叠加基本面因子后的收益提升：CMM动量因子（16特征）仍保留正向动量特征但相关度低于 0.20，存在明显差异化信息。对CMM 做截面回归、以残差作为去风格化因子，盈利、流动性、分红、盈利能力等单因子正交化后多头收益高于原始CMM，说明这些风格并非CMM 收益主要来源，剔除其线性重叠后仍保留较强选股信息。进一步叠加Barra 风格暴露与更多量价基本面因子（共56特征），2020年1月23日至2026年7月末，G10 多头年化23.0%、夏普0.88，LS 多空年化40.9%。
风险提示：若市场环境或政策因素发生不利变化将可能造成行业发展表现不及预期；报告采用的样本数据有限，存在样本不足以代表整体市场的风险，且数据处理统计方式可能存在误差；市场存在一定的波动性风险；报告中结论均基于对历史客观数据的统计和分析，但过往数据并不代表未来表现。
// 报告正文 //
研究报告名称：《基于CMM的路径加权动量重构——每天的收益并不总是同样重要》
对外发布时间：2026年8月24日
报告发布机构：华福证券研究所
本报告分析师：李杨 SAC：S0210524100005；熊颖瑜：S0210524100007；何佳玮 SAC：S0210524100009
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
