fre 10年12倍收益的动量轮动战略(附代码完了)
发布日期：2025-01-12 10:36 点击次数：185
本文先容的战略在黄金、纳指、创业板和沪深300之间进行轮动，在最近10年的回测周期中总收益率为1243%，年化复合收益率为19.89%，夏普比率1.24，Sortino比率1.85，最大回季度胜率大于60%fre，年度胜率大于90%。
图片
四色网站钞票遴荐
轮动钞票遴荐黄金(ETF基金:518880)，纳指(ETF基金:513100)，创业板(ETF基金:159915)和沪深300(ETF基金:510300)。
黄金(ETF基金:518880)：黄金是一种避险钞票，一样在经济不踏实或通货膨大高企时施展较好。它的价钱与股票和其他金融钞票的施展一样存在负关系关系，因此不错用来对冲股票商场风险。黄金还被觉得是一种通胀对冲钞票，因为它的价钱一样会在通货膨大上升时上升。纳指(ETF基金:513100)：纳斯达克指数代表了好意思国科技股商场的施展。科技股一样具有高增长性和高估值，是投资组合中增长部分的伏击组成部分。与其他股票商场（如沪深300）比拟，纳斯达克指数的波动性一样更高。因此，它不错通过与其他股票商场的组合来完了钞票组合的万般化。创业板(ETF基金:159915)：创业板指数代表了中国翻新式企业的施展。创业板股票一样具有高估值和高风险，但也具有高增长后劲。与沪深300等传统股票商场比拟，创业板一样更具有成长性和波动性。因此，它不错用来增多投资组合的成长性和风险。沪深300(ETF基金:510300)：沪深300指数代表了中国A股商场的施展。它是中国境内最具代表性的股票指数之一，包括了中国境内市值较大的300家公司。沪深300一样被觉得是中国股票商场的伏击代表，与创业板等股票商场比拟，波动性相对较低。因此，它不错用来完了投资组合的肃穆性和万般化。黄金、纳指、创业板和沪深300代表了不同类型、立场和商场的钞票，它们之间具有一定的互补性。通过将这些钞票组合在一齐，不错完了投资组合的万般化和风险散布。在遴荐钞票时，需要探究到钞票的特点和风险收益特征，以及投资者的风险偏好和方向。
战略形色
该战略的基本念念想是恒久执有曩昔一段时间涨幅大（动量强）的钞票，在4种钞票间进行轮动。构建体式如下：
逐日计较每个ETF曩昔21个交往日（含计较当日）的涨跌幅手脚动量。比较动量，遴荐动量更大的ETF手脚投资标的，以当日收盘价买入对应的ETF基金。执有所购买的ETF基金，直到下一个调仓日。每个调仓日类似以上体式，证明涨幅更大的指数进行轮动投资。代码完了# pip install akshare quantstatsimport warningswarnings.filterwarnings('ignore')import timeimport akshare as akimport numpy as npimport pandas as pdimport quantstats as qsimport matplotlib.pyplot as pltimport matplotlib.ticker as tickerdef calculate_etf_performance(etf_symbols， window， html_file=None): # 取得 ETF 历史数据 etf_data = {} for symbol in etf_symbols: etf_df = ak.fund_etf_hist_em(symbol=symbol， period='daily'， adjust='hfq')[['日历'，'收盘']] \ .rename(columns={'日历':'date'，'收盘':f'{symbol}'}).set_index('date') etf_data[symbol] = etf_df # 统一数据 data = pd.concat(list(etf_data.values())， axis=1).dropna().iloc[:] data.index = pd.to_datetime(data.index) # 计较逐日涨跌幅和退换收益率 for symbol in etf_symbols: column_name = f'{symbol}' data[f'{column_name}_day_return'] = data[column_name].rolling(2).apply(lambda x:(x[-1]-x[0])/x[0]) data[f'{column_name}_return'] = data[column_name].rolling(window=window).apply(lambda x: x[-1]/x[0]) data[f'{column_name}_ma'] = data[column_name].rolling(window=window).mean() # 去掉缺失值 data = data.dropna() data['signal'] = data[[f'{symbol}_return' for symbol in etf_symbols]].idxmax(axis=1).str.split('_').str[0] data['signal'] = data['signal'].shift(1) data = data.dropna() data['signal_return'] = (np.cumprod(data.apply(lambda row: row[f'{row['signal']}_day_return']， axis=1) + 1) * 100) for symbol in etf_symbols: column_name = f'{symbol}_return' data[column_name] = (100/data[f'{symbol}'].values[0]) * data[f'{symbol}'] # 绘图弧线图 fig， ax = plt.subplots(figsize=(15， 6)) ax.set_xlabel('Time') ax.set_ylabel('Return') for symbol in etf_symbols: column_name = f'{symbol}_return' ax.plot(data[column_name].index， data[column_name].values) ax.plot(data['signal_return'].index， data['signal_return'].values) ax.legend(etf_symbols + ['signal_return']) ax.xaxis.set_major_locator(ticker.MultipleLocator(500)) # 计较战略施展倡导 result = {} for symbol in etf_symbols + ['signal'，]: column_name = f'{symbol}_return' result[column_name] = [] for stat in ['avg_return'， 'volatility'， 'sharpe'， 'max_drawdown'， 'win_rate']: r = getattr(qs.stats， stat)(data[column_name]) result[column_name].append(r) result = pd.DataFrame(result， index=['avg_return'， 'volatility'， 'sharpe'， 'max_drawdown'， 'win_rate']) return result# 构建轮动战略进行回测etf_symbols = ['518880'， '513100'， '159915'， '510300']window = 21result = calculate_etf_performance(etf_symbols， window， 'out.html')print(result)回测后果
该战略的施展颠倒优秀。在战略实践本事，该战略的总收益率为1243.01%，年化收益率为19.89%，意味着该战略在耐久投资中施展颠倒优秀。此外，该战略的夏普比率为1.24，Sortino为1.85，最大回撤24.78%，季度胜率大于60%，年度胜率大于90%。详细来看，该战略的收益率较高，风险斥逐，且踏实性较强，是一种值得探究的投资战略。
图片
图片
需要珍重的是，上述战略的回测流程未计较调仓手续费和滑点对战略收益产生的影响。且曩昔的施展并不成保证畴昔的施展，商场风险和不笃定性永久存在。注 | 本文仅为常识共享，不组成任何投资见原提出。
END本站仅提供存储就业，总共试验均由用户发布，如发现存害或侵权试验，请点击举报。