CMM动量因子如何通过路径质量过滤提升选股有效性？

CMM动量因子通过引入状态标量（Scalar）和动态权重机制，实现了对股票价格路径质量的精细化过滤，其核心逻辑在于打破传统动量因子中“每一天同等重要”的假设。

首先，CMM模型利用轻量级神经网络将个股的16维量价与风险特征映射为一个状态标量。这个标量并非直接预测未来收益，而是作为“路径形态调节器”，反映股票当前价格行为的内在质量。当股票近期涨幅较高、波动较大或出现过单日暴涨时，模型倾向于给出更负的状态标量。在Softmax函数的作用下，负向标量会导致历史负收益日的权重增加，从而降低整体动量信号值。这意味着，依靠少数几个交易日暴涨而形成的“伪动量”会被大幅削弱，而那些呈现缓慢、持续上涨趋势的股票则能保留较高的动量得分。

其次，CMM在处理多头组和空头组时表现出显著的逻辑不对称性。对于多头组（G10），CMM的权重分布接近传统等权动量，广泛累积过去一年的收益信息，这符合动量效应在赢家组合中的普遍规律。然而，对于空头组（G1），CMM表现出极强的“个股化”特征，权重集中度显著高于多头组。模型会根据每只股票的具体路径，挑选出最具信息含量的历史交易日进行加权。这种差异使得CMM在做空端能更精准地识别出那些基本面恶化或技术面破位的股票，而非简单地做空近期跌幅最大的股票。

这种路径质量过滤机制直接提升了选股的有效性。实证数据显示，CMM多头组合与传统动量多头组合的月度重合率仅为41.9%，且CMM独有部分的年化收益显著高于重合部分。这表明CMM成功剔除了大量传统动量策略中的噪声股票，保留了真正具备持续上涨潜力的优质标的。同时，由于剔除了高风险的“伪动量”股票，CMM组合在保持高收益的同时，有效控制了回撤，从而显著提升了夏普比率。特别是在市场风格切换或震荡市中，CMM因子的稳健性远超传统等权动量，为投资者提供了更具鲁棒性的Alpha来源。