昨天我们详细的介绍一下动量策略的思路1000个量化策略--1全球大类动量策略

发现动量核心在策略的低相关性和参数的周期选择

周期可以分位长，中短，我取了不同的周期执行了回测，发现了下面的规律

第一步远程执行全部参数的回测，5个时间为一个周期分析

from xg_quant_backtrader_data import xg_quant_backtrader_data
import pandas as pd
import numpy as np
import time
models=xg_quant_backtrader_data(
    url= "124.220.32.224",
    port= 8888,  
    user= "小果",
    password="小果",
    auth_code="小果")
data=pd.DataFrame()
for n in range(5, 121, 5):
    #远程服务器执行策略回测
    print(n,'************************')
    result=models.xg_mom_backtrader(
        start_date= '20250101',
        end_date = '20500101',
        stock_list= '',
        index_stock= '000300.SH',
        cash = 100000,
        comm= 0.0001,
        mom_type= '百分比',
        mom_value= 1,
        mom_daily=n,
        min_mom= 0,
        max_mom= 5,
        buy_rank= 1,
        sell_zdf= 0.03,
        sell_amount= 1000)
    result=result['绩效']
    df=pd.DataFrame()
    for keys,value in result.items():
        df[keys]=[value]
    print(df)
    
    data=pd.concat([data,df],ignore_index=True)
    '''
    #同步发布到个人模拟盘
    result=models.xg_mom_backtrader_moni(
        st_name= '小果动量{}日动量'.format(n),
        open_show= '是',
        start_date= '20250101',
        end_date= '20500101',
        stock_list= '159915.SZ,513100.SH,518880.SH',
        index_stock= '000300.SH',
        cash= 100000,
        comm = 0.0001,
        mom_type = '百分比',
        mom_value = 1,
        mom_daily = n,
        min_mom = 0,
        max_mom = 5,
        buy_rank= 1,
        sell_zdf= 0.03,
        sell_amount= 1000)
    print(result)
    #同步发布到个人社区仿真交易模拟盘
    result=models.xg_mom_backtrader_moni_sq(
        st_name= '小果动量{}日动量'.format(n),
        open_show= '是',
        start_date= '20250101',
        end_date= '20500101',
        stock_list= '159915.SZ,513100.SH,518880.SH',
        index_stock= '000300.SH',
        cash= 100000,
        comm = 0.0001,
        mom_type = '百分比',
        mom_value = 1,
        mom_daily = n,
        min_mom = 0,
        max_mom = 5,
        buy_rank= 1,
        sell_zdf= 0.03,
        sell_amount= 1000)
    print(result)
    '''
data.to_excel(r'动量分析.xlsx')

对数据继续统计分析，先导入数据

先总体看看动量周期和收益的相关性，总体是负相关

动量周期和回测，先小后大，最好基本钝化，时间周期大于100，基本就不变

动量和夏普比率，先大后小，梯度下降


#详细的相关性分析
import pandas as pd
import statsmodels.api as sm
# 1. 定义自变量 (X) 和因变量 (y)
X = df['mom_daily']    # 自变量
y = df['total_return'] # 因变量
# 2. 添加截距项（常数项），statsmodels 默认不包含截距
X_with_const = sm.add_constant(X)
# 3. 拟合 OLS (普通最小二乘) 回归模型
model = sm.OLS(y, X_with_const)
results = model.fit()
# 4. 打印完整的结果摘要
print(results.summary())

详细的相关性分析图，负相关性趋势

import statsmodels.api as sm
import matplotlib.pyplot as plt
# 使用 statsmodels 的 plot_regress_exog 生成 4 合 1 诊断图
fig = plt.figure(figsize=(12, 10))
fig = sm.graphics.plot_regress_exog(results, 'mom_daily', fig=fig)
plt.tight_layout()
plt.show()

import pandas as pd
import numpy as np
import statsmodels.api as sm
import matplotlib.pyplot as plt

def plot_regression_analysis(results, x_name='X', y_name='Y'):
    """
    一键生成一元线性回归的所有诊断图
    """
    fig = plt.figure(figsize=(16, 12))

    # 1. 散点图 + 回归线 + 置信区间
    ax1 = plt.subplot(3, 3, 1)
    ax1.scatter(results.model.exog[:, 1], results.model.endog, alpha=0.5)
    ax1.plot(results.model.exog[:, 1], results.fittedvalues, 'r-', linewidth=2)
    ax1.set_xlabel(x_name)
    ax1.set_ylabel(y_name)
    ax1.set_title(f'回归拟合图 (R²={results.rsquared:.3f})')
    ax1.grid(True, alpha=0.3)

    # 2. 残差 vs 拟合值
    ax2 = plt.subplot(3, 3, 2)
    ax2.scatter(results.fittedvalues, results.resid, alpha=0.5)
    ax2.axhline(y=0, color='r', linestyle='--')
    ax2.set_xlabel('拟合值')
    ax2.set_ylabel('残差')
    ax2.set_title('残差 vs 拟合值')
    ax2.grid(True, alpha=0.3)

    # 3. Q-Q 图
    ax3 = plt.subplot(3, 3, 3)
    sm.qqplot(results.resid, line='s', ax=ax3)
    ax3.set_title('Q-Q 图')
    ax3.grid(True, alpha=0.3)

    # 4. 残差直方图
    ax4 = plt.subplot(3, 3, 4)
    ax4.hist(results.resid, bins=15, density=True, alpha=0.6, edgecolor='black')
    from scipy.stats import norm
    x = np.linspace(results.resid.min(), results.resid.max(), 100)
    ax4.plot(x, norm.pdf(x, results.resid.mean(), results.resid.std()), 'r-', linewidth=2)
    ax4.set_xlabel('残差')
    ax4.set_ylabel('密度')
    ax4.set_title('残差分布')
    ax4.grid(True, alpha=0.3)

    # 5. 残差 vs 自变量
    ax5 = plt.subplot(3, 3, 5)
    ax5.scatter(results.model.exog[:, 1], results.resid, alpha=0.5)
    ax5.axhline(y=0, color='r', linestyle='--')
    ax5.set_xlabel(x_name)
    ax5.set_ylabel('残差')
    ax5.set_title('残差 vs 自变量')
    ax5.grid(True, alpha=0.3)

    # 6. Cook's Distance
    ax6 = plt.subplot(3, 3, 6)
    influence = results.get_influence()
    cooks_d = influence.cooks_distance[0]
    ax6.stem(range(len(cooks_d)), cooks_d, basefmt=" ")
    ax6.axhline(y=4/len(cooks_d), color='r', linestyle='--')
    ax6.set_xlabel('观测值索引')
    ax6.set_ylabel("Cook's Distance")
    ax6.set_title('影响点诊断')
    ax6.grid(True, alpha=0.3)

    # 7. 预测区间图
    ax7 = plt.subplot(3, 3, 7)
    from statsmodels.sandbox.regression.predstd import wls_prediction_std
    prstd, iv_l, iv_u = wls_prediction_std(results)
    ax7.scatter(results.model.exog[:, 1], results.model.endog, alpha=0.5)
    ax7.plot(results.model.exog[:, 1], results.fittedvalues, 'r-', linewidth=2)
    ax7.fill_between(results.model.exog[:, 1], iv_l, iv_u, alpha=0.2, color='r')
    ax7.set_xlabel(x_name)
    ax7.set_ylabel(y_name)
    ax7.set_title('95%预测区间')
    ax7.grid(True, alpha=0.3)

    plt.suptitle('一元线性回归完整诊断图', fontsize=16)
    plt.tight_layout()
    plt.show()

# 使用示例
np.random.seed(42)
df = pd.DataFrame({
    'mom_daily': np.random.normal(0, 0.1, 50),
    'total_return': np.random.normal(0.05, 0.02, 50)
})
df['total_return'] = df['total_return'] + 0.5 * df['mom_daily']

X = df['mom_daily']
y = df['total_return']
X_with_const = sm.add_constant(X)
results = sm.OLS(y, X_with_const).fit()

# 一键生成所有图
plot_regression_analysis(results, x_name='mom_daily', y_name='total_return')

import seaborn as sns
import matplotlib.pyplot as plt
import statsmodels.api as sm
import warnings
import pandas as pd
import numpy as np

# ==================== 1. 关闭警告 ====================
warnings.filterwarnings('ignore')

# ==================== 2. 设置中文字体（关键！）====================
# 先设置 matplotlib
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False

# 再设置 seaborn（重要！）
sns.set_style("whitegrid")
sns.set_context("notebook")
# 关键：通过 rc 参数强制 seaborn 使用中文字体
sns.set(font='SimHei', font_scale=1.2)  # 或者用 'Microsoft YaHei'

# ==================== 3. 创建示例数据 ====================
np.random.seed(42)
df = pd.DataFrame({
    'mom_daily': np.random.normal(0, 0.1, 50),
    'total_return': np.random.normal(0.05, 0.02, 50)
})
df['total_return'] = df['total_return'] + 0.5 * df['mom_daily']

# ==================== 4. 绘图 ====================
fig, axes = plt.subplots(1, 3, figsize=(18, 5))

# 图1: regplot
sns.regplot(data=df, x='mom_daily', y='total_return', ax=axes[0],
            scatter_kws={'alpha':0.5}, line_kws={'color':'red'})
axes[0].set_title('散点图与回归线', fontsize=14)
axes[0].set_xlabel('mom_daily', fontsize=12)
axes[0].set_ylabel('total_return', fontsize=12)

# 图2: residplot
sns.residplot(data=df, x='mom_daily', y='total_return', ax=axes[1],
              scatter_kws={'alpha':0.5})
axes[1].axhline(y=0, color='red', linestyle='--')
axes[1].set_title('残差图', fontsize=14)
axes[1].set_xlabel('mom_daily', fontsize=12)
axes[1].set_ylabel('残差', fontsize=12)

# 图3: jointplot
g = sns.jointplot(data=df, x='mom_daily', y='total_return', kind='reg',
                  height=5, ratio=5)
# jointplot 需要单独设置标题
g.fig.suptitle('联合分布与回归线', y=1.02, fontsize=14)
g.ax_joint.set_xlabel('mom_daily', fontsize=12)
g.ax_joint.set_ylabel('total_return', fontsize=12)

plt.tight_layout()
plt.show()

#动量策略 #规律发现 #策略回测 #策略研究 #数据分析 #交易研究

动量天数对策略表现的影响规律及原因分析

一、收益随动量天数增加先升后降

规律： 收益随动量天数延长先快速攀升，到达顶峰后断崖式下跌，之后虽有短暂反弹但整体震荡下行，长期处于低迷状态。

原因：上升阶段：动量天数过短时，信号受日内噪声和随机波动干扰严重，频繁出现虚假突破，交易方向不稳定，收益无法有效累积。随着动量天数延长到合理区间，信号过滤掉了短期噪音，捕捉到的趋势更接近真实市场方向，趋势跟踪有效性显著提升。

下跌阶段：动量天数过长后，指标对价格变化反应迟钝，入场和出场严重滞后。当趋势已逆转时，动量信号仍指示原方向，策略在行情拐点处承受最大亏损，这种滞后效应一旦突破阈值，收益会迅速恶化。

长期低迷：极长周期动量信号完全钝化，几乎不再对市场变化做出有效响应，在震荡市中反复被收割，在趋势市中因反应太慢吃不到完整波段，策略失去择时能力。

二、最大回撤随动量天数增加先降后升

规律： 最大回撤随动量天数增加先不断改善至最低点，随后急剧放大，且放大后长期维持在高位不再收敛。

原因：改善阶段：动量周期过短时频繁开平仓，震荡中反复止损，小亏损频繁叠加出较大回撤。周期适当延长后交易频率下降，无效止损减少，单笔交易有更充足空间让利润奔跑，回撤自然收窄。

恶化阶段：动量周期过长后信号严重滞后，策略往往在市场顶部做多、底部做空。一旦市场快速反转，策略无法及时止损，单次错误的方向性暴露造成巨大亏损，最大回撤被瞬间拉大，回撤结构从"小亏频繁"变成"大亏偶尔"。

无法修复：信号钝化后策略失去主动管理风险的能力，每一次大的市场波动都可能造成不可逆的净值损失，且因反应太慢，回撤后无法通过后续交易快速收复失地。

三、风险调整后收益（夏普/索提诺/卡玛）与收益同步先升后降，且恶化更快

规律： 夏普、索提诺、卡玛均呈现先升后降的倒U型趋势，峰值与收益峰值重叠，但越过最佳区间后这些指标下降的斜率比收益本身更陡。

上升阶段：收益快速增加的同时，回撤和波动率都在下降，分子上升、分母下降，风险调整指标自然同步快速走高。

恶化更快：越过甜区后收益开始下降，但回撤和波动率却在加速上升，分子减小、分母增大，形成双杀效应。索提诺尤其敏感是因为它只关注下行波动，而长周期动量恰恰在下行风险上暴露最大；卡玛恶化最快是因为回撤的急剧扩大直接放大了分母，导致该指标率先崩塌。

四、胜率随动量天数变化不明显

规律： 胜率在各动量周期下整体窄幅波动，与动量天数无明确的单调关系。

原因： 动量策略本质上靠的是"大赚小亏"而非高胜率取胜。胜率主要由市场本身的趋势-震荡比例决定，动量天数调整的是每次盈亏的幅度结构而非方向判断的准确率。因此胜率在各周期下差异不大，始终在随机水平附近小幅波动。

五、波动率随动量天数增加先降后升

规律： 波动率随动量天数增加先减小至最低点，随后逐步放大，后期维持在高位震荡。

原因：下降阶段：短周期频繁交易加上噪声干扰，日间收益率起伏剧烈；周期延长后有效过滤了噪音，交易频率适中，净值曲线最为平滑。

上升阶段：信号钝化后策略与市场走势经常出现方向错配，净值要么长期不涨、要么集中性大跌，这种不规则的净值变动推高了整体波动率。同时长周期下交易次数极少，少数几次大盈亏对波动率的贡献极大，无法通过多次交易来平滑。

六、综合规律：策略存在明显的"甜区"效应

规律： 动量周期从短到长，策略表现呈现清晰的"甜区"结构——短周期未达最优，中短周期各项指标同时达到最佳平衡，中长周期策略有效性急剧衰减，长周期进入完全钝化状态。

原因： 这是动量因子"信号-噪声比"随周期先升后降的必然结果。动量周期过短时噪声主导，过长时滞后效应主导。滞后效应在周期过长时会指数级放大尾部风险，而市场本身的趋势持续时间有限，一旦动量窗口超过市场主流趋势的平均长度，信号中包含的更多是噪声和反转信息而非有效趋势信息，导致策略从"跟踪趋势"变成"追逐已结束的趋势"。这是所有趋势跟踪策略共同的底层约束

回测了N个动量增强参数，这几个坑踩一个白干

投资顾问

算法

动量策略周期选择存在明显“甜区效应”：短周期受噪声干扰收益不稳，中短周期各项绩效指标最优，长周期信号钝化、滞后加剧导致收益衰减、回撤放大。收益、夏普比率与最大回撤随动量天数呈倒U型变化，波动率先降后升，胜率基本稳定。动量周期超过100日后策略失效。

数据分析

服务器

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

回测了N个动量增强参数，这几个坑踩一个白干

回测了N个动量增强参数，这几个坑踩一个白干

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐