1000个策略--5日动量因子策略真的有效吗

落花忆流年 · 发表于半小时前

相对动量和绝对动量，下面简单的介绍一下

绝对动量（Absolute Momentum）也叫时间序列动量。它只看自己：这只股票或基金自身现在的价格，比它过去一段时间（比如12个月）的价格高还是低。判断标准：如果当前价格 > 过去N个月前的价格，就是正动量（看涨）；反之是负动量（看跌）。典型策略：趋势跟踪。涨了就买，跌了就卖，不关心别人。例子：现在股价1800元，比1年前1600元高，那它的绝对动量就是正的，趋势交易者会买入或持有。

相对动量（Relative Momentum）:也叫横截面动量。它看的是排名：把一群股票放在一起比，谁过去涨得比同类更猛。判断标准：不关心自己涨没涨，只关心涨得是不是比别人多。典型策略：多空配对。买入过去表现最好的前20%股票，同时做空表现最差的后20%股票。

例子：今年所有股都跌了（绝对动量全是负的），但一个跌了5%，一个跌了20%。第一个相对动量就是正的，因为它在同类里跌得最少、跑赢了同行。

5日动量是我们常见的一个绝对动量的因子，具体我们检验一下这个因子是不是有效的因子，还要因子相关性等问题，第一步进入模型，当然也可以使用ai去分析，skill可以正常的使用，全部的ai工具都可以，比如WorkBuddy，trae等都可以使用，把这个内容发给ai就可以

/小果量化平台系统skill 利用小果排序多因子回测系统，生成这个代码，
策略逻辑： 在 2024-01-01 至 2026-12-31 期间，以 000300.SH 为基准，
对 1595.SZ、500.SH、580.SH、5180.SH、
151.SZ、5000.SH、1325.SZ、
5160.SH 进行排序轮动交易。 最大持股 1 只，
总排序方式: 降序。
买入条件筛选： ✅ 开启
自定义因子： 开启，2个自定义因子 (收盘价大于5日均线、均线评分)
买入条件： 5日涨跌幅(AND, 大于 0)；5日涨跌幅(AND, 小于 5)
排序因子（相关性/权重）： 5日涨跌幅(正相关, 权重:1)
止盈设置： 涨幅3.0%触发，金额卖出1000元，这个是用户账户，
服务器地址等数据url="124.220.32.224",
    port=8888,
    user="小果",
    password="小果",
    auth_code="小果"，不需要分析过程，直接输出完整代码

ai会自动生成分析的框架代码

下面我用手动的方式实现因子的检验策略分析，打开多因子排序算法模型

选择股票池，利用etf建立一个全球大类的组合，重要是低相关性标的，建立组合，避免策略风格的偏移

设置交易的参数，这个可以自定义，我的只是策略的检验不做参考

选择因子比如我们今天需要验证的5日涨跌幅因子，这个我做了一个简单的涨跌幅区间的限制，可以自定义因子我目前计算了600多个因子

排序因子的选择，也是利用5日因子，这里需要注意相关性的选择，先正相关，后面检验一下相关性对策略的影响

系统会自动安策略参数生成一个简单策略说明

点击回测，5日因子动量，正相关排序看看收益

目前来看正相关排序，没有跑过指数，回测也巨大，正相关排序，买因子里面最大的标的，容易追高，看一下回测分析

收益统计

{'start_date': '2024-01-02', 'end_date': '2026-08-28', 
'total_days': 644, 'final_value': 129742.84, 
'total_return': 0.2974, 'total_pnl': 29742.84, 
'final_holdings': 43900, 'remaining_cash': 64946.44, 
'total_trades': 711, 'annual_return': 0.1031,
 'max_drawdown': -0.0845, 'sharpe_ratio': 0.8216, 
 'volatility': 0.1066, 'win_rate': 0.1644, 
 'profit_loss_ratio': 0.0122, 
 'benchmark_final_value': 1.7087, 
 'benchmark_total_return': 0.7087, 'excess_return': -0.4113, 
 'index_final_value': 1.3442, 'index_total_return': 0.3442}

看一下策略排序的因子相关性和策略的关系，在选择买卖的因子基础上，涨跌幅基础上，排序从小到大买入，买入动量小的标的，相关性改成负相关就可以

点击回测看看结果，收益多了一倍，负相关选择收益比正相关高，存在超额收益对比指数

回撤分析

年度统计

{'start_date': '2024-01-02', 'end_date': '2026-08-28', 
'total_days': 644, 'final_value': 134429.78, 
'total_return': 0.3443, 'total_pnl': 34429.78, 
'final_holdings': 30700, 'remaining_cash': 67350.28, 
'total_trades': 625, 'annual_return': 0.118, 
'max_drawdown': -0.1366, 'sharpe_ratio': 0.7675, 
'volatility': 0.1371, 'win_rate': 0.1535,
 'profit_loss_ratio': 0.0121, 
 'benchmark_final_value': 1.7087, 
 'benchmark_total_return': 0.7087, 
 'excess_return': -0.3644, 'index_final_value': 1.3442, 
 'index_total_return': 0.3442}

总结为什么负相关排序有效？

规避“追涨杀跌”陷阱：正相关排序（买入5日最强）在市场震荡或反转时极易高位站岗。回测显示其虽年化有10%，但超额收益为-41%，说明因子暴露方向错误，完全抵消了资产配置的优势。

负相关=逆向价值挖掘：买入5日最弱资产，本质是短期均值回归策略。在全球资产呈现明显的轮动和震荡特征，超跌资产往往有阶段性反弹机会。负相关排序成功捕捉了这一特性，不仅收益翻倍，且回撤更小（因为买入时资产已处于相对低位）。

与低相关性组合的协同：由于底层已配置了全球低相关性ETF，当某一类资产（如某国股票）因短期弱势被买入时，往往其他资产（如债券、商品）处于强势，形成天然对冲。这解释了为什么负相关策略在控制回撤的同时，还能获得高收益。

不懂的问我就可以，加我备注入群可以加入量化交流群

找我开户也可以专业的量化支持

分析框架代码验证因子

"""
作者:小果
微信:xg_quant
小果量化平台 - 排序多因子回测系统
策略逻辑：
  - 回测区间：2024-01-01 至 2026-12-31
  - 基准指数：000300.SH
  - 交易标的：1595.SZ, 5130.SH, 5188.SH, 5180.SH, 1531.SZ, 5100.SH, 155.SZ, 516310.SH
  - 排序轮动，最大持股 1 只
  - 总排序方式：降序
  - 买入条件筛选：开启
  - 自定义因子：开启，2 个自定义因子（收盘价大于5日均线、均线评分）
  - 买入条件：5日涨跌幅(AND, 大于 0)；5日涨跌幅(AND, 小于 5)
  - 排序因子：5日涨跌幅(正相关, 权重:1)
  - 止盈设置：涨幅3.0%触发，金额卖出1000元
"""
from xg_quant_backtrader_data.xg_quant_backtrader_data import xg_quant_backtrader_data
# 初始化客户端（用户账户信息）
client = xg_quant_backtrader_data(
    url="124.220.32.224",      # 数据库服务器
    port=8888,                 # 数据库端口
    user="小果",               # 用户名
    password="小果",           # 密码
    auth_code="小果"           # 认证token
)
print("\n" + "=" * 60)
print("📊 排序多因子回测")
print("=" * 60)
result = client.xg_rank_factor_backtrader(
    start_date='20240101',                                   # 回测开始日期
    end_date='20261231',                                     # 回测结束日期
    stock_list='115.SZ,510.SH,510.SH,580.SH,531.SZ,51.SH,1525.SZ,51.SH',  # 交易标的
    index_stock='000300.SH',                                 # 基准指数
    cash=100000,                                             # 初始资金
    comm=0.0001,                                             # 佣金费率
    min_commission=0,                                        # 最低佣金
    trader_type='百分比',                                    # 交易类型
    trader_value=0.5,                                        # 交易值
    hold_stock_limit=1,                                      # 最大持股 1 只
    is_open_user_factor=True,                                # 启用自定义因子
    user_factor_list='close,high,low,open,amount,volume,zdf',# 因子列表
    user_factor_cacal='{"收盘价大于5日均线": "IF(df[\'close\']>MA(df[\'close\'],5),True,False)", "均线评分": "IF(MA(df[\'close\'],3)>MA(df[\'close\'],5),25,0)+IF(MA(df[\'close\'],5)>MA(df[\'close\'],10),25,0)+IF(MA(df[\'close\'],10)>MA(df[\'close\'],20),25,0)+IF(MA(df[\'close\'],20)>MA(df[\'close\'],30),25,0)"}',
    is_open_buy_condi=True,                                  # 启用买入条件
    buy_condi_factor='{"5日涨跌幅": {"选择类型": "and", "选择方向": "大于", "值": 0}, "5日涨跌幅": {"选择类型": "and", "选择方向": "小于", "值": 5}}',
    rank_factor='{"5日涨跌幅": {"相关性": "负相关", "权重": 1}}',  # 排序因子
    total_factor_rank='降序',                                # 总因子排序方式
    sell_type='金额',                                        # 卖出类型
    sell_zdf=0.03,                                           # 止盈涨幅 3.0%
    sell_value=1000,                                         # 卖出金额 1000元
    max_workers=4,                                           # 最大进程数
    interval=1,                                              # 间隔
    min_hold_days=1,                                         # 最少持有天数
    risk_free_rate=0.02,                                     # 无风险利率
    slippage=0,                                              # 滑点
    enable_limit_up_down_filter=True,                        # 启用涨跌停过滤
    max_single_position_ratio=1.0                            # 最大单仓位比例
)
print("排序多因子回测结果：")
print(result['绩效'])