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

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

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

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。

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

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

涨得快反而亏得多？斜率动量策略的真相

投资顾问

算法

编程语言

动量策略核心算法解析：基于加权线性回归计算对数价格斜率，以R²加权年化收益率构建动量分数，兼顾趋势强度与稳定性。该策略适用于横截面选股与动量轮动，通过低相关性标的多周期组合回测验证超额收益，需注意控制波动风险。

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！

涨得快反而亏得多？斜率动量策略的真相

涨得快反而亏得多？斜率动量策略的真相

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