动量研究-1斜率动量策略为什么涨得稳比涨得快更重要？

今天在浏览量化文章，发现动量策略基本都是一样的底层算法，其他复杂策略比如五福，七星等策略都是在这个算法基础加入其他条件演变而来，万变不离其宗，常见的动量大概就几种，斜率，涨跌幅，均线相对位置，本质就是比较某一个因子值的大小排序，在交易分析，我整理了几个常见的很慢详细介绍

这个是计算的公式，仔细看看原理

def calculate_momentum_score(self, df):
        """
        计算动量分数
        使用加权线性回归计算对数收益率的斜率，并结合R²加权
        """
        if len(df) < self.mom_daily:
            return 0
        df_sub = df.tail(self.mom_daily).copy()
        if len(df_sub) < 10:
            return 0
        y = np.log(df_sub['close'].values)
        n = len(y)
        weights = np.linspace(1, 2, n)
        x = np.arange(n)
        slope, intercept = np.polyfit(x, y, 1, w=weights)
        annualized_returns = math.pow(math.exp(slope), 250) - 1
        residuals = y - (slope * x + intercept)
        weighted_residuals = weights * residuals**2
        y_mean = np.mean(y)
        r_squared = 1 - (np.sum(weighted_residuals) / np.sum(weights * (y - y_mean)**2))
        score = annualized_returns * r_squared
        return score

加权，靠近最近的数据权重大

用 R² 乘以年化收益率，可以惩罚那些虽然斜率大但波动剧烈的"假趋势"。

该函数把"过去 N 天对数价格"拟合成一条加权直线：斜率给出年化收益率（赚多少），R² 给出趋势可信度（有多稳），二者相乘得到兼顾收益与稳健性的动量分数。

下面就是利用这个因子进行回测看看结果，第一步选择我们需要回测的标的，一般是相关性低的标的，一般建立是全球大类，让组合策略的风格均衡

第二步是否开启大盘选择交易，比如指数的现在价格大于N日均线开启交易，否则不交易，一般不开启

第三步选择动量的模型，比如第一个斜率动量算法，设置动量的周期，交易的参数等，自定义

开启动量区间的选择，比如动量大于N小于M买入，不符合就卖出，换其他符合的标的，全部标的不风格就清仓

设置开仓的条件一般不开启，

持股做T止盈止损模块的设置

点击回测看看效果怎么样，全部的参数，模块都是自定义的，整理需要特别注意就是，标的的选择，etf有很多一样的标的，有的上市时间早，有的晚，一般选择上市时间长的标的回测，比如创业板etf就有很多个，选择上市时间长的标的回测

这个波动还是很大的，收益和收益有关系，条件严格，收益一般会下降

回撤分析分析，最大回撤发送在今年的7月份，应该是和半导体有关系

加入题材策略的收益，波动会上来，稳健的话一般采用宽基就可以回撤交易记录

收益统计分析

综合来看，动量策略是有超额的，但需要注意动量策略的波动比较大，标的选择需要低相关性，不让容易追涨杀跌，

分数为正 → 处于上升趋势，数值越大，涨得越快越稳。分数为负 → 处于下降趋势，绝对值越大，跌得越快越稳。分数接近零 → 没有明确趋势，处于震荡或横盘。

1. 横截面选股（最核心的用法）

所谓横截面，就是在同一个时间点，把全市场所有股票都用这个函数打分，然后排序。买分数最高的那一批 → 买"跑得最快、趋势最稳"的强势股。卖（或做空）分数最低的那一批 → 卖"跌得最狠"的弱势股。

这是最经典、最成熟的动量用法。它的逻辑是"强者恒强"——过去一段时间趋势最强的股票，未来一段时间往往继续强。R² 加权的好处在于，它会把那些虽然涨幅大、但走势剧烈震荡的"妖股"自动降分，从而避免追高被套。

2. 动量轮动

轮动指的是在多个标的之间来回切换，永远持有当下动量最强的那几个。常见的轮动对象包括：行业轮动：在几十个行业指数里选最强的行业。大小盘轮动：在沪深300和中证500之间切换。股债轮动：在股票和债券之间切换。跨境/资产轮动：在 A 股、美股、黄金、商品之间切换。做法是每隔一段时间（比如每月）重新给所有候选标的打分，只留正分且分数最高的几个，等权持有。这个用法非常稳健，因为它天然会回避掉下跌的资产。

这个动量算法最核心的运用就是两件事：横截面上选强者（买分数最高的品种），时序上做择时（用分数大小调仓位、转负就离场）。围绕这两点，它能扩展到选股、轮动、多因子、趋势跟踪、风控等多个方向，配合多周期组合和止损，就能构成一套完整、可落地的趋势策略

不懂的问我就可以加我备注入群可以加入量化研究群

加我备注开户，有专业的量化支持服务，快速响应

核心的计算代码

def calculate_momentum_score(self, df):
        """
        计算动量分数
        使用加权线性回归计算对数收益率的斜率，并结合R²加权
        """
        if len(df) < self.mom_daily:
            return 0
        df_sub = df.tail(self.mom_daily).copy()
        if len(df_sub) < 10:
            return 0
        y = np.log(df_sub['close'].values)
        n = len(y)
        weights = np.linspace(1, 2, n)
        x = np.arange(n)
        slope, intercept = np.polyfit(x, y, 1, w=weights)
        annualized_returns = math.pow(math.exp(slope), 250) - 1
        residuals = y - (slope * x + intercept)
        weighted_residuals = weights * residuals**2
        y_mean = np.mean(y)
        r_squared = 1 - (np.sum(weighted_residuals) / np.sum(weights * (y - y_mean)**2))
        score = annualized_returns * r_squared
        return score