手册定位：模块二第 5 篇。动量（追涨）与反转（抄底）是技术面因子主力——核心是「过去 N 日收益率」。本篇讲怎么从历史K线算出来，并区分动量与反转视角。
数据来源复用 #02 历史K线（日线 close 序列）。

1. 你将得到什么

• 从日线 close 算过去 N 日收益率（动量因子）的代码；
• 用短期反转（近 5 日收益取反）构建反转因子的写法；
• 多股票横截面排名打分；
• 动量/反转因子的 4 个坑（停牌缺口、复权、N 选择、换手率）。

2. 取数约定（复用）

3. 数据来源（复用，不重复罗列）

详见 #02 历史K线接口手册（日线端点 /hs/history/{代码}.{市场}/d/n）。

4. 核心模板函数（自包含可跑）

import pandas as pd

_MOCK = True


def n_day_return(close, n=20):
    if len(close) <= n:
        return None
    return close.iloc[-1] / close.iloc[-1 - n] - 1


def momentum_frame(prices, n=20, reversal_short=5):
    rows = []
    for code, cl in prices.items():
        s = pd.Series(cl)
        mom = n_day_return(s, n)
        rev = -n_day_return(s, reversal_short) if len(cl) > reversal_short else None
        rows.append({"代码": code, "动量_%d" % n: mom, "反转_%d" % reversal_short: rev})
    return pd.DataFrame(rows)


def run_check():
    prices = {
        "600519": [10, 10.2, 10.5, 11.0, 11.3, 12.0, 12.5],
        "000001": [10, 9.8, 9.5, 9.2, 9.0, 8.8, 8.5],
    }
    mf = momentum_frame(prices, n=5, reversal_short=3)
    assert mf["动量_5"].iloc[0] > 0 and mf["动量_5"].iloc[1] < 0
    mf["动量_s"] = mf["动量_5"].rank(pct=True)
    print("校验通过 | 动量:", mf["动量_5"].round(3).tolist())
    return mf


if __name__ == "__main__":
    run_check()

5. 跑通示例

mf = run_check()
print("动量前1:", mf.sort_values("动量_5", ascending=False).head(1)[["代码", "动量_5"]].to_dict("records"))

6. 坑与注意事项

1. 停牌缺口：长期停牌后复牌，N 日收益会混入停工期，要剔除或对齐交易日历。
2. 复权：必须用前复权 close 算收益，不复权会因分红跳空失真。
3. N 的选择：20 日偏中期、5 日偏短期，不同 N 对应不同风格。
4. 换手率：纯动量策略换手极高，实盘要加换手约束或用短期反转降低摩擦。

7. 小结与下一篇预告

技术面动量/反转因子就位，与基本面四维合成「五维」。下一篇讲多因子打分与排序——把上面所有因子用 Zscore/分位标准化合成总分。

下一篇预告：《【Python量化实战全攻略 #14】多因子打分与排序手册：Zscore、分位标准化（附代码）》

8. 免责声明

本文为因子构建方法示例，演示数据为虚构，不构成投资建议。

关于数据来源：本文动量/反转因子所需的日线数据来自智兔数服（www.zhituapi.com）官方文档接口（详见本系列 #02），覆盖 200+ 已验证路径，注册可领免费 token 做研究测试。
更多实战手册见技术博客：zhituapi.com/blog.html。
本系列《Python量化实战全攻略》共 32 篇，下一篇讲多因子打分。