主要观点：
　　本篇是“学海拾珠”系列第二百五十七篇，文献提出了一种改进的动量策略——特征管理动量，旨在通过灵活加权历史收益来提升传统动量策略的表现，且涵盖传统动量策略的信息，在危机时期表现良好。
　　方法
　　传统动量策略（如Jegadeesh and Titman,1993）假设过去一年中每一天的收益对未来的预测能力相同，即等权重加总过去收益。然而，这一假设忽略了不同日期信息含量的差异。文献指出，某些日期（如财报公告日、市场大幅波动日）的收益可能更具信息量。为此提出CMM策略，利用机器学习方法动态学习并赋予历史收益不同的权重。
　　CMM策略保留动量信号的基本结构：仍为过去收益的加权平均。同时引入灵活权重：使用前馈神经网络，结合153个公司特征和过去231个交易日的收益，为每一天的收益分配不同权重。训练方式采用滚动窗口方式，逐步扩展训练集，确保模型具备样本外预测能力。
　　业绩表现
　　与标准动量相比，CMM在多个维度表现更优：1、收益更高：年化收益达18.5%，高于标准动量的13.2%；2、风险更低：波动率和最大回撤显著下降，夏普比率从0.49提升至1.47；3、避免动量崩溃：CMM在2008年金融危机等极端市场环境中表现稳健。4、吸收标准动量：在双重排序中，CMM能够完全吸收标准动量的收益，反之则不成立。
　　CMM成功的经济机制
　　1.对信息的反应不足。CMM倾向于赋予大额绝对收益日更高权重，这与投资者对重大信息“反应不足”的假设一致。
　　2.风险解释不成立。CMM的收益无法被时变风险补偿所解释。CMM与标准风险因子模型的alpha仍然显著。
　　3.支持“离散信息释放”理论。CMM的收益与信息离散性显著相关，进一步支持“反应不足”是动量利润的主要来源。
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。