算法研究---ETF原始动量算法回测研究

最近看研究，比较热门的动量策略，我把它优化了一些放在大qmt上面做回测研究一下，我只要优化是个股的风控和只是大方向的风控，先看原理

前面介绍了 动量的原理算法研究--3动量策略交易算法研究

这是一个融合了多种经典金融工程思想的量化交易策略，旨在通过动态评估资产的“动量”并辅以严格的风险控制，实现大类资产的轮动配置。

一、 策略总体思路

该策略的核心思想是 “动量优先，风控至上，全天候适应”。

动量优先：它不预测市场涨跌，而是识别并跟随已经形成的趋势。通过计算每个底层资产在特定时间窗口内的“加权动量得分”，对它们进行排序，并买入得分最高的资产。

风控至上：在做出买卖决策前，策略会强制进行两道风险过滤：

底层资产风控：避免买入或持有已跌破自身均线的弱势资产。

基准指数风控：对于特定的、与A股市场关联度高的资产（如国内创业板类资产），只有当大盘（如上证指数）处于健康状态时，才允许持有或买入。这能有效规避系统性风险。

全天候适应：策略的投资标的池横跨不同资产类别，包括贵金属类资产（避险/商品）、海外科技类资产和国内成长类资产。这种组合旨在利用不同资产在经济周期不同阶段的表现差异，实现更平滑的净值曲线。

一句话概括：策略在每个交易日，从贵金属、海外科技、国内成长这三个资产类别中，计算经过风险调整后的动量分数，选择分数最高且处于安全区间的一个进行满仓持有，否则空仓。

二、 核心原理深度解析

策略的核心在于其独特的动量分数计算方法和双重风险控制机制。

1. 动量分数（MOM）的构建原理

这是策略的精髓，它没有使用简单的价格收益率，而是结合了线性回归的斜率（趋势强度） 和拟合优度（趋势质量）。

加权线性回归求斜率：

对过去N天的收盘价取对数，将其线性化，使复合收益率变为可加。

进行线性回归，并赋予近期数据更高的权重。这使得趋势的评估对近期价格变化更敏感，反应更及时。

得到的斜率代表单位时间的对数收益率。将其年化。年化收益率越高，代表趋势越强。

计算加权R-squared：

R-squared衡量价格点偏离回归直线的程度，即价格运动的“一致性”或“稳定性”。

值越接近1，说明价格几乎是沿着一条直线运动，趋势清晰、噪音小。值接近0，说明价格杂乱无章。

这里同样使用了权重，强化了近期“一致性”的重要性。

合成动量分数：分数 = 年化收益率 × R-squared

这个乘积非常巧妙。它既奖励上涨速度快（高年化收益）的资产，也奖励上涨过程平稳、回撤小（高R-squared）的资产。

一个暴涨暴跌、趋势不清晰的资产，虽然年化收益可能很高，但低R-squared会拉低总分。

反之，一个缓慢但稳定上涨的资产也能获得不错的分数。

2. 双重风险控制原理

这是策略的保护机制，在计算完分数后立即执行，直接修改分数以触发卖出。

底层资产风控：逻辑：比较当前价格与过去特定天数的移动平均线。

执行：如果当前价格跌破均线，说明短期趋势走坏，直接将分数设为负值。负分确保该资产在后续的排序和筛选中被剔除，触发卖出。

基准指数风险控制：

逻辑：仅对预设的、与国内市场关联度高的资产（如国内成长类资产）生效。比较基准指数（如上证指数）的当前价格与其均线。

执行：如果基准指数跌破其均线，说明市场整体环境不佳，存在系统性风险。此时，属于风控名单内的资产分数也被设为负值，强制卖出。贵金属、海外科技等资产不受A股指数风控影响，体现了“全天候”的部分思想。

3. 标的筛选与持仓管理

安全区间过滤：只考虑得分在特定正数区间内的标的。这剔除了得分为负（风控触发）或动量过强（可能存在回调风险）的资产。

排名买入：从通过安全区间过滤的、已按分数降序排列的列表中，选出第一名。

持仓调整：

先卖后买：遍历当前持仓，如果持有的资产不在目标列表中，则清仓卖出。

再买入：如果目标资产不在当前持仓中，则全仓买入。

最终效果：策略永远保持满仓（持有第一名）或空仓（无符合条件的标的）。

原理图

下面使用原始的思路做回测研究。不开启风控优化模块

数据的分析处理

轮动

我选取了，20240101到最新的数据回测，点击开始回测分析，回测下来的情况，收益，波动还是比较大的，需要结合其他指标分析，只做结果的客观展示，不做交易的投资参考，思路自己优化研究

风险提示：历史回测仅供技术研究，不代表未来收益。

不懂的问我就可以

思路的分析流程