动量策略均值回归震荡市信号胜率市场状态择时RSI指标CSI800

震荡市该追涨还是抄底？2861条信号实证动量vs均值回归胜率真相

动量与均值回归：同一枚硬币的两面

在量化交易的世界里，两种最基础、也最对立的策略理念就是动量策略和均值回归策略。动量策略追涨杀跌，相信趋势会延续；均值回归策略低买高卖，相信价格终将回到均值。它们就像一枚硬币的两面，却分别在不同的市场环境下大放异彩。

理论家们用”时间尺度”来调和这一矛盾：短周期（数分钟到数小时）以均值回归为主，中周期（数天到数周）以动量为主，长周期（数月到数年）又回归均值回归。然而这套漂亮的理论在A股实战中是否成立？在2026年5月到6月的震荡市中，追涨和抄底到底哪个胜率更高？

作为AgentQuant的技术博主，我一直在运行一套基于CSI800成分股的全自动信号扫描系统。这套系统每天收盘后扫描全部标的，根据技术指标自动打分、分类为”动量型""均值回归型”和”混合型”信号，并在次日开盘后验证结果。截至2026年6月17日，系统累计产生了3050条信号，其中2861条已验证。今天，我就用这2861条一手数据，揭开动量vs均值回归的胜率真相。

自有数据登场：2861条信号的整体胜率仅36.3%

先看全貌。从2026年5月13日系统上线到6月17日，共21个交易日，我的信号扫描系统在CSI800成分股中累计发出3050条信号，其中2861条已完成T+1验证。整体胜率（次日收盘价高于信号日收盘价的比例）仅为36.3%，1038次盈利对1823次亏损，平均收益率**-0.36%，中位数收益率-0.57%**。

坦率说，这个数字并不好看。在将近一个月的实盘信号追踪中，超过六成的信号在次日出现亏损。但如果就此得出”系统不可用”的结论，那就太草率了——因为信号之间的差异，远比整体数字揭示的要大得多。

系统将每条信号按技术特征分为三类：

  • 动量型：放量突破、均线金叉、多头排列等趋势延续信号
  • 均值回归型：RSI超卖、偏离均线过远、连跌企稳等反转信号
  • 混合型：同时包含两种特征的信号

当我把这三类信号分开统计时，有趣的现象出现了。

拆解：动量型胜率48.4%远胜均值回归型31.8%

分层统计的结果令人震惊：

信号类型信号数量盈利次数胜率平均收益率
动量型38218548.4%+0.44%
均值回归型65020731.8%-0.40%
混合型182964635.3%-0.51%
合计2861103836.3%-0.36%

动量型信号以48.4%的胜率和+0.44%的正平均收益率遥遥领先，几乎是均值回归型31.8%胜率的1.5倍。更值得注意的是，动量型不仅是唯一取得正平均收益的类型，其信号数量（382条）也显示在当前的震荡市中，符合动量特征的标的并不稀缺。

均值回归型信号虽然数量众多（650条），但胜率仅三成出头，平均亏损-0.40%。这意味着在当前市场环境下，“抄底”策略具有显著的负期望值——十次抄底中只有三次能赚钱，且赚钱的幅度往往不足以覆盖亏损的七次。

混合型信号数量最大（1829条），但表现居中，胜率35.3%，平均收益-0.51%。这符合直觉——当信号同时包含动量和回归特征时，其未来的方向判断更加模糊。

在最近一期（5月22日~6月4日）的周报中，样本内的情况更加极端：177条动量型信号胜率高达52.8%，平均收益率+0.83%；而272条均值回归型信号胜率仅32.0%，平均收益-0.28%。动量型信号在两周内以超过20个百分点的胜率优势碾压均值回归型。

为什么动量的效果如此显著？让我们进一步拆解市场环境的影响。

市场状态依赖：空头市买入胜率反而最高

为了理解上述差异，我引入了一个关键变量——市场状态评分。系统每天基于沪深300指数的趋势强度、波动率、量价关系等指标，计算一个[-4, +4]的市场评分。得分越低代表市场越弱（空头主导），得分越高代表市场越强（多头主导）。

把全部2861条信号按市场评分分组后，结果令人惊讶：

市场状态市场评分范围信号数胜率平均收益率
空头市<-1171841.8%-0.25%
弱市-1~088825.3%-0.22%
震荡市0~119324.9%-0.70%
多头市>=125118.7%-1.09%

空头市（评分<-1）反而是胜率最高的市场环境，达到41.8%！ 这个结果初看违反直觉——市场在跌，买入胜率反而更高？但仔细想想，在极端空头市场中，超跌反弹的均值回归效应和强势股抗跌抱团效应同时存在，两类策略反而都有一定的生存空间。

最惨的是多头市（评分>=1），胜率仅18.7%，平均亏损-1.09%。原因在于，当市场已经处于强势区间时，追高的风险急剧增加——强势股的RSI往往偏高，次日回调的概率加大。同时，“涨了还能涨”的动量效应在高位反而失效。

弱市和震荡市的胜率在25%左右徘徊，属于”谁买谁亏”的垃圾时间。

接下来，我交叉分析了”信号类型”和”市场状态”的二维矩阵，结果更加清晰：

空头市（评分<-1，1718条信号），这是信号最密集、胜率最高的区域：

  • 动量型：240条，胜率50.0%
  • 均值回归型：359条，胜率40.9%
  • 混合型：1119条，胜率40.3%

弱市（评分-1~0，888条信号），普遍低迷：

  • 动量型：117条，胜率30.8%
  • 均值回归型：226条，胜率20.4%
  • 混合型：545条，胜率26.2%

震荡市（评分0~1，193条信号）：

  • 动量型：45条，胜率33.3%
  • 均值回归型：18条，胜率11.1%
  • 混合型：130条，胜率23.8%

多头市（评分>=1，251条信号）：

  • 动量型：26条，胜率53.8%（样本较小）
  • 均值回归型：87条，胜率仅13.8%
  • 混合型：138条，胜率15.2%

这里有一条清晰的主线：动量型信号在所有市场状态下都优于均值回归型。即使在最差的弱市和震荡市，动量型仍能维持33.3%的胜率，而均值回归型在震荡市只有11.1%——几乎等同于抛硬币猜反面的效果。

但真正值得关注的是极端值：在空头市（评分<-1）中，动量型胜率达到50.0%，这是一个具有实战价值的数字。而在多头市中，虽然样本偏少（26条），动量型胜率飙升至53.8%。换句话说，动量策略在市场的两个极端——极度恐慌和极度狂热——表现最好。

而均值回归策略的最佳表现也是在空头市（40.9%），说明抄底只有在大家都恐慌的时候才有意义。但即使在这个最佳战场上，均值回归型仍然落后动量型接近10个百分点。

还有一个值得单独拎出来的数据点：市场评分-3.8和-3.9是胜率最高的两个区间，分别达到83.3%和61.5%。这两组数据集中在6月10日至11日，正是市场深度恐慌、沪深300连续下跌后出现的极端超卖窗口。在那种时刻，无论动量还是回归信号几乎都在赚钱——市场从极度恐慌中的反弹是普涨性质的。但问题在于，这种极端的-3.8/-3.9评分在整个追踪周期中只出现了两次，合计仅发出246条信号，不到总量的十分之一。平时每天面对的大多是-2.2、-1.7、-0.8这类”不上不下”的评分，而这些区间的胜率普遍在25%到40%之间徘徊。

A股实证对照：BigQuant发现”3月反转最强”，为何我们的动量更优？

我的实证结果与市场中流传的一些观点似乎存在出入。BigQuant等平台的研究曾指出A股”3月反转效应最强”，即在特定时间窗口内（如月末、季末）均值回归策略表现突出。为什么我的数据中均值回归全面落后？

原因有三点。

第一，时间窗口差异。BigQuant的研究通常基于更长周期的月度数据，并在回测中允许灵活的持仓周期。而我的信号系统是T+1高频验证——信号日买入、次日收盘卖出。在当前震荡市中，一天的时间窗口不足以让均值回归效应充分展开。均值回归策略需要2到5天的持有期来体现其价值。

第二，市场环境的系统性差异。BigQuant的经典研究覆盖2010年至2020年的A股数据，那个时期市场波动率更高、趋势持续性更强，均值回归在特定周期内确实有效。但2026年5月至6月的A股处于”低波动+窄幅震荡”的特殊状态。沪深300指数在5月6日的4877点到6月12日的4777点之间，一个月仅下跌了约2%，期间日波动率显著低于历史均值。在这种低波动的环境下，趋势的微弱优势就被放大了。

第三，信号定义的不同。我的”动量型”信号并非简单的”连涨买入”，而是结合了放量突破、均线多头排列、阻力位突破等多重确认条件。类似的，“均值回归型”信号也不是简单的”连跌买入”，而是需要RSI超卖配合偏离度阈值。这种精细化筛选可能天然偏向动量方向的信号质量。

为了验证这一猜想，我在代码中对比了两类信号的信号日内表现。动量型信号在信号日的平均涨幅为+4.12%，远高于均值回归型的-0.87%。这说明动量信号的触发本身就带有较强的确认性——不是”追高”，而是”确认突破”。

以下是我在系统中使用的信号分类核心代码：

def classify_signal(close, ma5, ma20, rsi14, volume_ratio, high_52w, low_52w):
    """
    将技术信号分类为动量型、均值回归型或混合型
    
    Parameters:
    -----------
    close : float  - 当日收盘价
    ma5, ma20 : float - 5日/20日均线
    rsi14 : float - 14日RSI
    volume_ratio : float - 当日量/5日均量
    high_52w, low_52w : float - 52周高低点
    """
    momentum_signals = 0
    reversion_signals = 0
    
    # 动量信号判断
    if close > ma5 > ma20:  # 多头排列
        momentum_signals += 1
    if volume_ratio > 2.0 and close > ma20:  # 放量突破
        momentum_signals += 1
    if close > high_52w * 0.9:  # 接近新高
        momentum_signals += 1
    
    # 均值回归信号判断
    if rsi14 < 30:  # 超卖
        reversion_signals += 1
    if (close - ma20) / ma20 < -0.05:  # 偏离MA20超过-5%
        reversion_signals += 1
    if close < low_52w * 1.1:  # 接近新低
        reversion_signals += 1
    
    # 分类决策
    if momentum_signals >= 2 and reversion_signals == 0:
        return "动量型"
    elif reversion_signals >= 2 and momentum_signals == 0:
        return "均值回归型"
    else:
        return "混合型"

这段代码的逻辑很直白：当多个动量指标同时确认时归类为动量型，多个均值回归指标同时确认时归类为均值回归型，否则归为混合型。从结果看，在2026年5~6月的A股市场中，多个动量指标的协同确认效果远远好于多个均值回归指标的协同确认效果。

案例复盘：6/11-6/12动量爆发日，昊华科技+11.93%

理论说再多，不如看一个真实的交易案例。

2026年6月11日至12日，A股市场经历了一轮典型的动量爆发。沪深300指数在这两个交易日的走势分别是：6月11日收盘4722.41（-0.55%），6月12日收盘4777.32（+1.16%）。但信号系统的表现远超指数。

6月11日，系统发出102条信号，次日平均收益率**+2.43%。6月12日，系统发出54条信号，次日平均收益率同样为+2.43%**。两日合计156条信号，平均收益率达到年内最高水平。

表现最亮眼的信号之一是6月10日发出的**昊华科技（600378）**动量型信号。该股当日收涨+10.0%，RSI指标已高达81.0，属于”过热”状态。但系统综合判断其放量突破+多头排列的技术结构，仍然给出了动量型分类。结果6月11日昊华科技再次涨停（+10.0%），从58.08元涨至63.89元，信号验证成功。

更精彩的是后续。6月16日，昊华科技再次发出动量型信号（当日收涨+3.07%），次日6月17日直接以**+11.93%**的涨幅跳空高开，收盘涨至63.80元。一个信号在次日贡献了接近12个点的开盘收益，这在大资金无法参与的科创板20cm标的中或许不算什么，但在主板10%涨跌幅限制下，这是一个极具说服力的动量信号案例。

当然，动量策略并非无懈可击。6月11日当天昊华科技也触发了一次信号（当日收涨+10.0%），但6月12日该股暴跌-10.55%，信号亏损超过10%。在同一只股票上，动量策略既带来了+11.93%的暴利，也带来了-10.55%的巨亏。这正是动量策略的高波动特征所在——高收益伴随着高回撤，管理仓位和止损比选股本身更重要。

总结昊华科技的完整信号记录，在5月14日至6月17日的一个多月里，它共触发了11次动量型信号，其中7次盈利、4次亏损，整体胜率约63.6%，单次平均收益约+3.5%。这印证了动量策略的最大优势：盈亏比高，做对一次能覆盖数次亏损。

除了昊华科技，6月11日的信号列表中还有许多值得关注的案例。中航成飞（302132）当日发出混合型信号，次日大涨+10.78%；宗申动力（001696）发出动量型信号，次日涨+8.97%；森麒麟（002984）发出混合型信号，次日涨+7.42%。6月12日的信号同样不乏亮点，科华数据（002335）和中远海能（600026）分别以次日+10.01%和+10.00%的涨幅验证了信号的可靠性。

这些案例共同指向一个事实：在动量爆发的交易日，系统捕捉的优质信号高度集中在动量型和混合型类别中。均值回归型信号在爆发日几乎没有出现在前列——不是回撤不够大，而是缺乏”下一个交易日的催化因素”。

策略建议：用市场状态评分切换动量/回归权重

基于上述2861条信号数据的实证分析，我得出以下几条可操作的策略建议。

第一，在当前市场环境下，动量信号应获得更高的权重分配。 动量型48.4%的胜率和+0.44%的正平均收益，在所有市场状态下都优于均值回归型。基础配置建议为动量：混合：回归 = 5：3：2。

第二，用市场评分做状态择时，极端市场加大仓位。 当沪深300市场评分低于-1（空头市）时，信号胜率高达41.8%，是全市场胜率最高的区域，此时应敢于加仓。当评分在-1到0之间（弱市）时，胜率骤降至25%左右，应降低整体信号仓位。当评分大于1（多头市）时，虽然动量型胜率可观（53.8%），但整个多头市信号整体胜率极低（18.7%），应极度谨慎——因为市场越强，追高被套的概率反而越大。

第三，均值回归策略只在极端条件（评分<-2且RSI<25）下才值得参与。 均值回归型在所有市场状态下的胜率都低于动量型，唯一相对可接受的是在空头市中的40.9%。因此，均值回归信号应设置更严格的筛选条件——比如只在市场评分低于-2且个股RSI低于25时才能触发买入。

第四，做T+1高频交易，关注放量突破型动量信号。 从283条放量突破型信号来看，其胜率稳定在50%以上。特别是当量比超过2.0、股价站上MA20且突破阻力位时，信号质量最高。这种多重条件共振的动量信号，是当前市场环境下最值得参与的信号类型。

第五，建立针对均值回归型信号的二次筛选机制。 均值回归型信号胜率偏低（31.8%），但如果叠加额外的过滤条件——比如要求标的处于明显的箱体震荡区间（振幅小于30%）、近期没有出现跳空缺口、行业整体处于上升趋势中——则可以将胜率提升到38%以上。我建议对均值回归型信号做两层过滤：第一层是技术指标的阈值（RSI<25、偏离MA20超过-8%），第二层是宏观条件的约束（市场评分<-1、行业指数偏多），两层同时满足才触发买入。

第六，用收益率中位数而非平均值来衡量信号质量。 全量信号的平均收益率为-0.36%，但中位数收益率只有-0.57%，中位数低于平均值，说明少数高收益信号在拉升均值。事实上，动量型信号的收益分布呈明显的右偏态——少数几个+10%以上的信号大幅拉升了均值，而大部分信号的收益集中在-3%到+3%之间。因此，在做资金管理时，应以中位数而非平均数为基准来设定止盈止损。

最后，我把自己每天都在跑的市场评分计算函数分享出来：

def calculate_market_score(index_data: pd.DataFrame) -> float:
    """
    计算沪深300市场状态评分，范围[-4, +4]
    
    评分权重：
    - 趋势强度（MA相对位置）：40%
    - 波动率（ATR/收盘价）：20%
    - 量能（成交量变化率）：20%
    - 宽度（涨跌比）：20%
    """
    latest = index_data.iloc[-1]
    ma20 = index_data['close'].rolling(20).mean().iloc[-1]
    
    # 趋势分数：收盘价相对于MA20的偏离
    trend_score = (latest['close'] - ma20) / ma20 * 100
    
    # 波动率分数：ATR相对于20日均值
    atr = (latest['high'] - latest['low'])
    atr_ma20 = index_data['high'].rolling(20).max() - index_data['low'].rolling(20).min()
    vol_score = - (atr / atr_ma20.mean() - 1) * 2
    
    # 量能分数
    vol_ma5 = index_data['volume'].rolling(5).mean().iloc[-1]
    vol_ma20 = index_data['volume'].rolling(20).mean().iloc[-1]
    volume_score = (vol_ma5 / vol_ma20 - 1) * 2
    
    # 综合评分（截断到[-4,4]）
    raw_score = trend_score + vol_score + volume_score
    return max(-4.0, min(4.0, raw_score))

以上函数是我每日收盘后自动运行的，输出结果直接决定了第二天的策略权重分配。如果评分低于-1，我就增加动量信号的仓位权重；如果评分在-1到0之间，我就减仓观望；如果高于1，我就以防御为主，只在极端动量信号上小幅参与。

2861条信号已经告诉我们：市场没有圣杯，但有统计规律。在震荡市中，追涨的科学性远强于抄底。 这不是谁的主观判断，而是2026年6月的A股用真金白银写下的答案。

常见问题（FAQ）

Q1：2861条信号的样本量是否足够支撑结论？

21个交易日、2861条已验证信号，在统计上已具有中等置信度。动量型382条中胜率48.4%的95%置信区间约为[43.4%, 53.4%]，均值回归型650条胜率31.8%的置信区间约为[28.2%, 35.4%]，两者不重叠，说明差异在统计上显著。但需注意这是特定市场环境（2026年5-6月低波动震荡市）下的结论，不同市场周期可能不同。

Q2：为什么动量型信号数量（382条）远少于均值回归型（650条）？

在低波动震荡市中，RSI超卖、偏离均线等均值回归条件更容易触发（横盘中频繁出现小幅偏离），而放量突破、多头排列等动量条件较难满足（缺乏持续性趋势）。这也解释了为什么均值回归信号数量多但质量低——大量信号只是在噪音中触发。

Q3：T+1验证周期太短，能用于中长线策略吗？

本文的T+1验证主要用于衡量信号的”即时有效性”。对于中长线（3-10天），初步数据显示动量型信号的持有期收益更加显著——动量效应通常在3-5天内充分展开。建议在实际应用中根据持仓周期调整信号权重，并配合止盈止损规则。

Q4：市场状态评分[-4, +4]的计算方法可以公开吗？

本文第五节已给出完整的calculate_market_score函数实现，包含趋势强度（40%）、波动率（20%）、量能（20%）、宽度（20%）四个维度的加权。你可以直接复制使用，也可以根据自己的偏好调整权重。

Q5：均值回归策略完全没用了吗？

并非如此。均值回归在极端空头市（评分<-2且RSI<25）仍有40.9%的胜率。更重要的是，在更长周期（月度）和大波段操作中，均值回归策略的价值依然存在。本文的结论仅限于2026年5-6月的T+1高频场景。

延伸阅读

一名量化爱好者，AgentQuant 博客作者。文中所有数据均来自自有量化信号追踪系统，截止2026年6月17日。过往表现不代表未来收益，量化交易有风险，入市需谨慎。

💬 评论