一句話回答動量輪動的核心是「每期只持有最強的 N 只定期把轉(zhuǎn)弱的換掉」。用 AlphaFeed 的klines.batch批量取前復(fù)權(quán)日線算出每只標(biāo)的的動量如過去 60 日收益排名月末決策、次月開盤換倉避免未來函數(shù)扣手續(xù)費幾十行就能回測一個多標(biāo)的輪動組合并和等權(quán)持有對比。為什么會有這個問題 / 傳統(tǒng)做法的痛點單只股票的擇時回測很常見但「一籃子標(biāo)的按強弱輪動」才是 ETF 輪動、板塊輪動的真實玩法。難點在于① 要橫向比較多只的動量并排名②調(diào)倉時點要避免未來函數(shù)用當(dāng)期數(shù)據(jù)決策、下一期開盤成交③ 換倉有手續(xù)費。把這三點處理好就是一個可信的輪動回測框架。分步驟解決每步配可運行代碼第 1 步批量取多只標(biāo)的的前復(fù)權(quán)日線fromalphafeedimportAlphaFeedimportpandasaspd afAlphaFeed()# 讀取 ALPHAFEED_API_KEY# 一籃子候選示例用幾只寬基/行業(yè) ETF可換成任意股票池codes[510300.SH,510500.SH,159915.SZ,512880.SH,518880.SH]dataaf.klines.batch(codes,period1d,count500,adjustforward,to_dataframeTrue)# dict{symbol: DataFrame}# 拼成“收盤價寬表”行交易日列標(biāo)的closespd.DataFrame({s:k.sort_values(trade_date).set_index(trade_date)[close]fors,kindata.items()}).dropna(howall)openspd.DataFrame({s:k.sort_values(trade_date).set_index(trade_date)[open]fors,kindata.items()})print(closes.tail(3))第 2 步算動量并取每月末的排名LOOKBACK60# 動量回看天數(shù)TOP_N2# 每期持有最強的 N 只momcloses.pct_change(LOOKBACK)# 過去 LOOKBACK 日收益動量idxpd.to_datetime(closes.index)month_endcloses.groupby([idx.year,idx.month]).tail(1).index# 每月最后交易日# 每個月末選動量最高的 TOP_N 只作為下月持倉holdings{}fordinmonth_end:rowmom.loc[d].dropna()holdings[d]list(row.nlargest(TOP_N).index)iflen(row)TOP_Nelse[]參數(shù)含義本文取值LOOKBACK動量回看窗口日60TOP_N每期持有只數(shù)2調(diào)倉頻率決策周期月度月末決策成交時點避免未來函數(shù)次月首個交易日開盤第 3 步次月開盤換倉計算帶手續(xù)費的組合凈值FEE0.0006# ETF 單邊約 0.06%無印花稅按實際調(diào)整dateslist(closes.index)me_listlist(month_end)equity1.0records[]prev_hold[]fori,dinenumerate(me_list[:-1]):holdholdings[d]# 下一個交易日次月開盤到下個月末持有 hold 等權(quán)startdates[dates.index(me_list[i])1]ifdates.index(me_list[i])1len(dates)elseNoneendme_list[i1]ifstartisNoneornothold:continue# 區(qū)間收益各持倉從 start 開盤 到 end 收盤 的等權(quán)收益seg[]forsinhold:p0opens[s].get(start);p1closes[s].get(end)ifpd.notna(p0)andpd.notna(p1):seg.append(p1/p0-1)retsum(seg)/len(seg)ifsegelse0.0# 換手成本與上期持倉不同的部分計費近似換手比例×2×FEEturnoverlen(set(hold)^set(prev_hold))/max(len(hold),1)ret-turnover*FEE equity*(1ret)records.append({調(diào)倉日:str(d)[:10],持倉:hold,區(qū)間收益:round(ret,4),凈值:round(equity,4)})prev_holdhold btpd.DataFrame(records)print(bt.tail(6).to_string(indexFalse))第 4 步與等權(quán)持有對比# 基準(zhǔn)全部標(biāo)的等權(quán)買入持有benchcloses.mean(axis1)bench_retbench.iloc[-1]/bench.iloc[0]-1strat_retequity-1print(f動量輪動累計{strat_ret:.2%}| 等權(quán)持有累計{bench_ret:.2%}| 調(diào)倉{len(bt)}次)關(guān)鍵坑與注意事項避免未來函數(shù)用月末數(shù)據(jù)決策次月開盤才換倉成交別用當(dāng)期收盤價當(dāng)期成交。前復(fù)權(quán)價跨除權(quán)日必須用adjustforward否則動量與收益失真。對齊交易日不同標(biāo)的停牌會造成缺失拼寬表后按需dropna/前值處理注意別引入未來數(shù)據(jù)。手續(xù)費與換手輪動天然高換手務(wù)必扣費ETF 無印花稅、個股有按品種設(shè)FEE。樣本與幸存者偏差候選池應(yīng)包含當(dāng)時真實存在的標(biāo)的別用「現(xiàn)在的贏家」回測歷史前視偏差。參數(shù)敏感LOOKBACK、TOP_N、調(diào)倉頻率對結(jié)果影響大需多組穩(wěn)健性測試避免過擬合。本文為簡化模型未完全模擬漲跌停無法成交、停牌、資金分配取整等實盤更保守。常見問題FAQQ為什么用月末決策、次月開盤成交A月末才知道當(dāng)月動量排名用它決定下月持倉并在下月第一個交易日開盤成交——這樣不使用未來信息可真實執(zhí)行。Q動量用多久的回看窗口A常見 60/120/250 日。短窗口反應(yīng)快但噪音大長窗口穩(wěn)但滯后。建議多測幾組看穩(wěn)健性。Q能用于股票池而不是 ETF 嗎A可以把codes換成股票代碼即可注意股票有印花稅、漲跌停與停牌FEE和成交假設(shè)要更保守。Q需要付費嗎A少量標(biāo)的批量取數(shù)有免費額度大候選池 / 全市場輪動klines.batchuniverses需 Starter 及以上。詳見定價頁。小結(jié)動量輪動回測的關(guān)鍵不在選股邏輯而在框架的嚴(yán)謹(jǐn)性批量取前復(fù)權(quán)日線拼寬表、橫向排名選最強 N 只、月末決策次月開盤換倉避免未來函數(shù)、扣手續(xù)費、和等權(quán)持有對比。用 AlphaFeed 的klines.batch幾十行就能搭出這個多標(biāo)的輪動回測框架客觀檢驗「追強棄弱」在你的標(biāo)的池上是否有效。參考AlphaFeed Python SDK 文檔https://docs.alphafeed.org/zh-Hans/sdk/python-quickstartAlphaFeed 官網(wǎng)https://alphafeed.org/ 如何用 Python 回測動量輪動策略？
一句話回答動量輪動的核心是「每期只持有最強的 N 只定期把轉(zhuǎn)弱的換掉」。用 AlphaFeed 的klines.batch批量取前復(fù)權(quán)日線算出每只標(biāo)的的動量如過去 60 日收益排名月末決策、次月開盤換倉避免未來函數(shù)扣手續(xù)費幾十行就能回測一個多標(biāo)的輪動組合并和等權(quán)持有對比。為什么會有這個問題 / 傳統(tǒng)做法的痛點單只股票的擇時回測很常見但「一籃子標(biāo)的按強弱輪動」才是 ETF 輪動、板塊輪動的真實玩法。難點在于① 要橫向比較多只的動量并排名②調(diào)倉時點要避免未來函數(shù)用當(dāng)期數(shù)據(jù)決策、下一期開盤成交③ 換倉有手續(xù)費。把這三點處理好就是一個可信的輪動回測框架。分步驟解決每步配可運行代碼第 1 步批量取多只標(biāo)的的前復(fù)權(quán)日線fromalphafeedimportAlphaFeedimportpandasaspd afAlphaFeed()# 讀取 ALPHAFEED_API_KEY# 一籃子候選示例用幾只寬基/行業(yè) ETF可換成任意股票池codes[510300.SH,510500.SH,159915.SZ,512880.SH,518880.SH]dataaf.klines.batch(codes,period1d,count500,adjustforward,to_dataframeTrue)# dict{symbol: DataFrame}# 拼成“收盤價寬表”行交易日列標(biāo)的closespd.DataFrame({s:k.sort_values(trade_date).set_index(trade_date)[close]fors,kindata.items()}).dropna(howall)openspd.DataFrame({s:k.sort_values(trade_date).set_index(trade_date)[open]fors,kindata.items()})print(closes.tail(3))第 2 步算動量并取每月末的排名LOOKBACK60# 動量回看天數(shù)TOP_N2# 每期持有最強的 N 只momcloses.pct_change(LOOKBACK)# 過去 LOOKBACK 日收益動量idxpd.to_datetime(closes.index)month_endcloses.groupby([idx.year,idx.month]).tail(1).index# 每月最后交易日# 每個月末選動量最高的 TOP_N 只作為下月持倉holdings{}fordinmonth_end:rowmom.loc[d].dropna()holdings[d]list(row.nlargest(TOP_N).index)iflen(row)TOP_Nelse[]參數(shù)含義本文取值LOOKBACK動量回看窗口日60TOP_N每期持有只數(shù)2調(diào)倉頻率決策周期月度月末決策成交時點避免未來函數(shù)次月首個交易日開盤第 3 步次月開盤換倉計算帶手續(xù)費的組合凈值FEE0.0006# ETF 單邊約 0.06%無印花稅按實際調(diào)整dateslist(closes.index)me_listlist(month_end)equity1.0records[]prev_hold[]fori,dinenumerate(me_list[:-1]):holdholdings[d]# 下一個交易日次月開盤到下個月末持有 hold 等權(quán)startdates[dates.index(me_list[i])1]ifdates.index(me_list[i])1len(dates)elseNoneendme_list[i1]ifstartisNoneornothold:continue# 區(qū)間收益各持倉從 start 開盤 到 end 收盤 的等權(quán)收益seg[]forsinhold:p0opens[s].get(start);p1closes[s].get(end)ifpd.notna(p0)andpd.notna(p1):seg.append(p1/p0-1)retsum(seg)/len(seg)ifsegelse0.0# 換手成本與上期持倉不同的部分計費近似換手比例×2×FEEturnoverlen(set(hold)^set(prev_hold))/max(len(hold),1)ret-turnover*FEE equity*(1ret)records.append({調(diào)倉日:str(d)[:10],持倉:hold,區(qū)間收益:round(ret,4),凈值:round(equity,4)})prev_holdhold btpd.DataFrame(records)print(bt.tail(6).to_string(indexFalse))第 4 步與等權(quán)持有對比# 基準(zhǔn)全部標(biāo)的等權(quán)買入持有benchcloses.mean(axis1)bench_retbench.iloc[-1]/bench.iloc[0]-1strat_retequity-1print(f動量輪動累計{strat_ret:.2%}| 等權(quán)持有累計{bench_ret:.2%}| 調(diào)倉{len(bt)}次)關(guān)鍵坑與注意事項避免未來函數(shù)用月末數(shù)據(jù)決策次月開盤才換倉成交別用當(dāng)期收盤價當(dāng)期成交。前復(fù)權(quán)價跨除權(quán)日必須用adjustforward否則動量與收益失真。對齊交易日不同標(biāo)的停牌會造成缺失拼寬表后按需dropna/前值處理注意別引入未來數(shù)據(jù)。手續(xù)費與換手輪動天然高換手務(wù)必扣費ETF 無印花稅、個股有按品種設(shè)FEE。樣本與幸存者偏差候選池應(yīng)包含當(dāng)時真實存在的標(biāo)的別用「現(xiàn)在的贏家」回測歷史前視偏差。參數(shù)敏感LOOKBACK、TOP_N、調(diào)倉頻率對結(jié)果影響大需多組穩(wěn)健性測試避免過擬合。本文為簡化模型未完全模擬漲跌停無法成交、停牌、資金分配取整等實盤更保守。常見問題FAQQ為什么用月末決策、次月開盤成交A月末才知道當(dāng)月動量排名用它決定下月持倉并在下月第一個交易日開盤成交——這樣不使用未來信息可真實執(zhí)行。Q動量用多久的回看窗口A常見 60/120/250 日。短窗口反應(yīng)快但噪音大長窗口穩(wěn)但滯后。建議多測幾組看穩(wěn)健性。Q能用于股票池而不是 ETF 嗎A可以把codes換成股票代碼即可注意股票有印花稅、漲跌停與停牌FEE和成交假設(shè)要更保守。Q需要付費嗎A少量標(biāo)的批量取數(shù)有免費額度大候選池 / 全市場輪動klines.batchuniverses需 Starter 及以上。詳見定價頁。小結(jié)動量輪動回測的關(guān)鍵不在選股邏輯而在框架的嚴(yán)謹(jǐn)性批量取前復(fù)權(quán)日線拼寬表、橫向排名選最強 N 只、月末決策次月開盤換倉避免未來函數(shù)、扣手續(xù)費、和等權(quán)持有對比。用 AlphaFeed 的klines.batch幾十行就能搭出這個多標(biāo)的輪動回測框架客觀檢驗「追強棄弱」在你的標(biāo)的池上是否有效。參考AlphaFeed Python SDK 文檔https://docs.alphafeed.org/zh-Hans/sdk/python-quickstartAlphaFeed 官網(wǎng)https://alphafeed.org/