如果一条利好消息先传到几个人耳中，他们率先买入；旁边的人未必知道消息，却可能把买盘当成信号跟进。价格于是继续上涨。等消息传遍市场，大家重新计算值不值得买，才发现价格已经跑过头，于是行情掉头。
Jiahao Weng 的论文研究的正是这个过程：动量——近期上涨后仍倾向上涨——与反转——先前的强弱关系后来倒置——看似方向相反，却可能来自同一张投资者网络。论文把信息传播和跟随交易拆开建模，试图说明价格为何先延续、后纠正。这个视角值得看，因为它没有把两种行情当成互不相干的异常，而是追问它们能否是一段连续过程的前后半场。
不过，本文证据主要来自作者自建的模拟。A 股部分提供的是描述性印证，不能独立证明真实市场中的动量和反转都由这套机制引起。
先把“听到消息”和“跟着别人”分开
论文使用 Agent-Based Model（主体模型）：它不直接拟合一条价格公式，而是给许多虚拟投资者设定规则，再观察他们互动后形成怎样的价格。
每名投资者对下一期价格都有自己的判断，具体表示为一个高斯分布。面对当前价格，他们可以选择买入、卖出或不交易。每个人还会观察邻居上一期做了什么，并调整自己的行动概率。羊群强度越高，投资者越愿意把自己的判断往邻居的多数选择上靠。
关键的一步，是作者另设了一条信息传播链。一个信号从网络中的某个节点出发，每期只能传给有限数量、此前尚未获知消息的邻居。收到信号的人更新价格预期；没有收到的人仍沿用原先判断。这样，模型把两件现实中容易混在一起的事分开了：有人买入，究竟是因为知道了消息，还是因为看见别人买。
价格则由市场出清产生——简单说，就是找到让买卖需求相互匹配的价格。于是，分散的个人判断、邻居的行动和消息到达速度，最终都会落到同一条价格路径上。
动量怎样长出来
先关掉新信息，只改变羊群强度。论文的模拟显示，羊群越强，买卖行动越容易在网络的局部区域聚集，价格波动也越大。收益率会更频繁地挤在零附近，同时出现更多极端变化，因此呈现更明显的超额峰度——也就是相较正态分布，中心更尖、尾部更厚。
再关掉羊群，只让一条偏正面的信息逐步扩散。先收到消息的人先交易，后来收到的人再跟上，价格不会一步抵达信号所暗示的水平，而是渐进靠近。这种延迟本身就能形成短期延续。
网络连接多少会改变速度。在重复模拟中，采用 von Neumann 格点——每个节点连接上下左右四个邻居——价格到达信号均值平均需要 15.41 期；采用 Moore 格点——再加四个对角邻居，共八个——平均需要 9.22 期。联系更多，消息走得更快，价格也更早接近信号所暗示的价值。
值得注意的是，论文发现即使没有羊群，信息扩散也可能带来超调。知情者与不知情者暂时形成的需求失衡，会把出清价格推过信号均值；等传播完成、分歧缩小，价格又回到信号隐含区域。因此在这套模型里，羊群不是动量或反转的必要条件，更像一个放大器。
同一股力量，也会把行情推向反面
当信息扩散和羊群同时开启，过程更直观。最早收到利好的人买入，抬高价格，也提高了邻居眼中的买入占比。后来收到消息的人根据新信息买入；尚未收到消息的人，则可能模仿眼前的买盘。信息与社会强化相互推着走，价格延续会比只有信息扩散时更强。
但强化不会无限持续。多数人都采取同一行动后，继续跟随的空间变小。如果价格已经超过信号隐含价值，潜在买家的预期回报会转差。随着羊群减弱、投资者的判断逐渐追上信息，局部多数可能转向卖出，超调随之变成反转。
换句话说，动量不是一套机制，反转也不必另找一套机制。信息传得慢，让价格先走一段；邻居互相模仿，把这段走势推得更远；信息最终传开、羊群趋于饱和，又让价格回头。三者连起来，就是论文提出的统一解释。
作者还把规则格点换成 Erdős–Rényi 随机网络和 Watts–Strogatz 小世界网络。前者随机连边，后者保留较强的局部聚集，同时通过重连缩短节点间距离。模拟中的核心方向没有改变：羊群仍带来聚集交易和更厚的收益尾部，延迟信息仍带来渐进调整，两者结合仍可能产生超调和反转。网络形状会影响反应速度和集中程度，但这只能算若干拓扑设定下的稳健性测试，不能视为对真实投资者关系网络的验证。
A 股数据提供了什么支持
论文使用 2015—2024 年中国 A 股滚动样本，并以 SSE 50 股票池进行市场层面的比较。作者并列观察三类羊群指标。
CSAD（横截面绝对偏差）看个股收益是否在市场大幅波动时异常靠拢；LSV 看某只股票的买入或卖出是否比独立交易情形更集中。两者口径不同：前者看收益分散度，后者看交易方向。
论文还提出 rolling tail-based herding indicator（滚动尾部羊群指标）。它在每个 30 个交易日窗口内，先用 Johnson transformation 处理收益分布，以减弱偏度对尾部测量的干扰；再比较两侧尾部质量与标准正态分布的差异。正值表示极端收益出现得比正态基准更多。
在作者提供的分析中，这个尾部指标与汇总后的 LSV 大体同向，并在 2015 年市场扰动和 COVID-19 时期上升。论文将其视为压力期相关交易增强的相容证据。但“走势相似”不代表指标等价，更不能排除共同消息、波动率、流动性约束或涨跌停制度等其他解释。
为什么值得关注
这篇工作的价值，主要不在于又造出一个择时信号，而在于把微观互动串成了一段可检查的因果故事。它明确区分信息更新和行为模仿，也说明相似的市场表象可能来自不同路径：渐进上涨可能只是消息尚未传完，也可能被羊群进一步放大；尾部变厚可能对应相关交易，却不能自动证明非理性模仿。
论文还展示了一项结合羊群指标与近期趋势的交易规则，报告其 2019—2024 年路径跑赢市场基准。但作者没有给出交易成本、换手率、参数选择流程和完全留出的测试期，因此这更适合作为机制演示，不能当作可实施异常的证据。
局限与未知
- 模型使用高斯信念、买卖持有三种行动，并省略了财富变化、持仓约束和订单簿微观结构；网络也由外部给定，不会随表现和关系变化而演化。
- A 股结果以指标共振为主，缺少对尾部指标的正式不确定性估计，也没有独立识别信息、模仿、流动性等渠道。
- 交易规则尚未报告成本和严格样本外检验。更稳妥的结论是：论文展示了一种能同时生成动量与反转的网络机制，而不是证明它已经解释了真实市场中的全部同类现象。