字数 1491，阅读大约需 8 分钟
大家广为所知的ETF轮动策略，一般采用 固定的ETF候选池 ，再结合 固定时间窗口 来计算动量，最终轮动持有动量最高的那一只。
常见的ETF池子通常包含：纳指、黄金、创业板、红利或者上证180ETF等。
虽然很多人认为，这种ETF池子的定义本身存在一定的未来函数，但从底层逻辑来看，它其实是成立的： 本质上就是在全球主要资产之间进行动态配置和轮动 ，从而捕捉不同阶段的市场主线。
改进策略
年前在聚宽上看到一篇对基础版ETF轮动进行改进的策略，回测效果非常不错。原策略链接：https://www.joinquant.com/post/62821
最近一直忙着带娃，没太多时间研究这个，这几天才断断续续对该策略进行了研究并实现了本地化。
这个改进版策略主要包含以下几个优化点：
1. 基于波动率动态调整动量回溯窗口
传统ETF轮动策略通常采用固定回溯窗口（例如25天）来计算动量。但不同ETF的 波动特征差异很大 ，固定窗口并不一定合理。
改进策略的核心思路是：
- • 对于波动较小的ETF，采用较长的回溯期，从而更好地捕捉长期趋势；
- • 对于波动较大的ETF，采用较短的回溯期，以提高对短期行情的敏感度。
回溯窗口基于 ATR波动率指标 进行动态调整，核心公式如下：
lookback = lb_min + (lb_max - lb_min) * (1 - min(ratio_cap, vol_ratio))其中：
-
•
vol_ratio: 短窗口波动率 / 长窗口波动率 -
•
lb_min和lb_max是自己定义的回溯窗口大小边界，例如取10天和60天。 -
•
ratio_cap: 比例阈值，比如取0.9.
这一改动本质上是让动量指标更加自适应不同资产的波动特征，从而提高策略稳定性。
2. 引入ETF溢价率因子
如果某只ETF当前溢价率过高，则在计算动量评分时进行惩罚。
原因很简单： 高溢价往往意味着短期资金拥挤，后续存在均值回归风险。
因此，在动量模型中加入这一因子，有助于：
- • 降低追高风险
- • 提升策略的风险控制能力
3. 过滤近期大幅下跌的ETF
第三个改进，是加入趋势过滤：
- • 过滤近期出现大幅下跌的ETF
- • 过滤近期连续下跌的ETF
这一规则的核心思想是：避免在明显的下跌趋势中“抄底”，从而降低回撤。
策略本地化实现
这套策略的逻辑并不复杂，所需数据在Tushare中基本都可以获取，因此完全可以在本地实现。
具体包括：
1）ETF行情数据
可以通过 Tushare 的
fund_daily
接口获取。
2）ETF溢价率计算
溢价率计算需要
基金单位净值
信息，该数据同样可以通过 Tushare 的
fund_nav
接口获取。
3）动量计算的实时处理
原策略中使用了当日的实时行情参与动量计算。
在本地环境中，由于只有日线数据，因此采用当日开盘价来近似替代实时价格，从而提高策略的现实可执行性。
在实时运行中，可以用Tushare的
realtime_quote
接口来获取实时行情，然后并入序列进行动量计算。
策略回测
本地回测发现：长期年化为 60.42%，最大回撤为 18.79%。与聚宽回测结果一致，大致说明本地化的正确性。
相比基础版的ETF轮动策略，该策略确实有明显提升，最大回撤降低了不少。
| 指标 | 基础版 | 改进版 |
| 年化 | 38.62% | 60.42% |
| 夏普比率 | 1.319 | 1.811 |
| 最大回撤 | 31.23% | 18.79% |
但如果只回测2025年至今的表现，效果会显得非常惊人。
主要原因大概是ETF候选池中包含了多只在2025年表现极为强势的ETF，因此存在一定的“隐性未来函数”问题。
不过即使剔除这一因素，从长期表现来看，该策略依然具备较好的稳定性和收益特征，仍然是一个值得关注的方向。
ETF候选池
对于ETF轮动策略，最核心的问题还是：
ETF轮动策略的候选池，究竟该如何定义？
主观定义
在真实交易中，我们完全可以根据当前市场行情，定期更新ETF候选池，以捕捉阶段性的强势资产。例如考虑宏观周期变化、短期政策驱动、行业主线、全球风险偏好等。但这种动态调整在回测中往往难以实现，因为容易引入主观偏差。
AI构建ETF候选池
我们之前也尝试过，用AI来构建短期未来的ETF候选池。这是一种更加动态和前瞻性的方式。例如利用AI分析宏观环境，挖掘潜在市场主线，动态生成候选资产池。当然，这类方法的有效性，必须通过长期实时运行来验证。
写在最后
本文主要介绍了该策略的本地化实现，并未对策略进行深入优化。
因为我们已经搭建了完整的模拟盘框架，因此可以将该策略接入模拟盘进行实时跟踪和验证。
策略是否真正有效，最终一定要交给市场。
敬请期待后续实际运行表现。
没有评论:
发表评论