ETF三因子动量轮动:复现与实验结果

Panda AI技术支持-王阿欣Panda AI技术支持-王阿欣··51 浏览

一、研究背景与复现目标

三个动量因子组合起来,是否一定比单因子更好?ETF 轮动中,排名一变就换仓,还是等领先优势足够大再行动?本文使用 PandaAI 的 Qube 对话工作台搭建三因子动量轮动策略,通过单因子、调仓阈值和参数敏感性三组实验,观察这些选择如何影响收益、回撤与交易频率。

策略思路参考猫哥AI量化的《ETF三因子动量轮动策略(7年13倍)》:结合乖离动量、斜率动量和效率动量,对 ETF 进行动态评分与轮动。原文链接。

本次实测区间为 2023-01-01 至 2026-11-17。下文所有指标均对应这一回测样本,窗口、仓位等参数采用本文列示的设置;参数扫描结果单独展示,便于比较默认配置与不同候选的差异。

策略核心逻辑:计算乖离动量、斜率动量与效率动量 → 分别进行 Z-Score 标准化 → 按 0.3 / 0.3 / 0.4 加权评分 → 每日检查最高分 ETF 与当前持仓 → 达到调仓阈值后先卖后买。每日检查信号不等于每日都会成交。

本次研究围绕三个问题展开:三因子组合能否改善单因子的风险收益表现;调仓阈值是否有助于减少低效交易;回看窗口、权重与阈值变化时,策略表现有多大差异。后续实验统一以默认三因子版本为比较基线。

二、参数设定与策略生成

2.1 输入策略规则并确认 ETF 代码

在 Qube 中输入以下策略提示词:

帮我生成一个策略,要求如下:

股票池:红利低波ETF、创业板50ETF、纳指ETF、黄金ETF。

因子一:乖离动量,通过价格与均线的比值计算乖离度,再对近期乖离度进行线性回归,提取斜率。

因子二:斜率动量,通过标准化价格进行线性回归,计算 Slope × R²。

因子三:效率动量,通过价格中枢计算区间动量和效率系数,最终得分为 Momentum × Efficiency Ratio。

标准化:三个因子采用 Z-Score 处理。权重:乖离动量 0.3、斜率动量 0.3、效率动量 0.4。

调仓机制:每日比较当前持仓与最高分ETF。空仓时买入最高分ETF;最高分ETF不同于持仓,且其分数超过持仓分数的1.5倍时换仓,否则继续持有;负分时按分差 > 0.5×持仓分数绝对值判断;换仓先卖后买。

图 1:策略提示词与 Qube 的标的确认反馈。

策略实验图 01

图中 Qube 根据 ETF 类别列出候选产品,并通过对话确认证券代码。把“类别名称”落实到具体代码,能让后续生成、回测和参数比较使用一致的标的配置。

本次生成时确认的代码为 158076.SZ、159949.SZ、513100.SH、518880.SH。本文结果中的实际交易统计覆盖创业板 50ETF(159949.SZ)、纳指 ETF(513100.SH)和黄金 ETF(518880.SH),以下收益分析以该交易样本为范围。

图 2:确认代码后,Qube 返回策略创建结果与核心设置摘要。

策略实验图 02

确认标的后,Qube 生成策略,并集中列出三个动量因子的计算窗口、默认权重、调仓规则和资金配置。从自然语言描述到参数化策略,关键是把每条规则写成可比较、可调整的设置,后续实验才能逐项观察变化。

2.2 默认参数与回测口径

图 3:生成策略的 STRATEGY_PARAMS 参数字典。

策略实验图 03

配置项 截图中的默认值
标的池 158076.SZ / 159949.SZ / 513100.SH / 518880.SH
乖离动量 ma_period=20;bias_regression_window=60
斜率动量 slope_standardize_window=60;slope_regression_window=60
效率动量 pivot_window=20;efficiency_window=60
因子标准化与权重 zscore_window=60;0.3 / 0.3 / 0.4
历史数据与预热 min_history_bars=200;preheat_trade_days=300
预算与仓位上限 entry_budget_ratio=0.20;max_position_ratio=0.95
调仓与交易参数 switch_ratio=0.5;lot_size=100;commission_rate=0.0003;slippage=0.001

调仓门槛:默认 switch_ratio=0.5,换仓条件为“最高分 − 持仓分 > 0.5 × |持仓分|”。持仓分为正时,这等价于最高分超过持仓分的 1.5 倍;为负时按绝对值计算领先门槛,为零时则要求最高分严格大于零。最高分仍是当前持仓时继续持有。

资金设置:每次买入以当时可用现金的 20% 为预算,账户仓位上限为 95%,交易数量按 100 份取整。这里的 20% 是买入预算比例,95% 是风险敞口上限;收益与回撤都应结合这一资金设置理解。

2.3 三个因子分别衡量什么

因子 本次实现 观察角度
乖离动量 计算 close / SMA20 − 1,
再对最近 60 日乖离序列做线性回归,
取斜率。
价格相对均线的位置
如何变化。
斜率动量 对最近 60 日标准化价格做回归,
取 Slope × R²。
趋势方向及线性趋势的
拟合程度。
效率动量 SMA20 的 60 日涨跌幅 ×
|60 日净价格变动| /
逐日价格变动绝对值之和。
区间涨跌幅与价格路径的
方向效率。
标准化与组合 各 ETF 的各因子按自身历史序列
做滚动 Z-Score,
再按 0.3 / 0.3 / 0.4 加权。
在统一的分数尺度上
组合三种趋势信息。

Z-Score 的默认窗口为 60,标准差采用总体标准差口径(ddof=0)。因子得分相对各自历史水平进行标准化,再用于 ETF 排名。本文的均线、回归、效率和标准化窗口均为本次实测采用值,后文通过扫描观察这些选择对结果的影响。

图 4:回测区间、初始资金、基准及交易成本设置。

策略实验图 04

测试环境:2023-01-01 至 2026-11-17,初始资金 100 万元,基准为沪深 300,频率为日线。滑点输入为 0.001,费用输入为 0.0003;费用金额在后文以报告及逐笔成交统计为准。各组实验沿用同一时间、资金和费用设置。

本次结合 ETF 历史行情覆盖范围,选择从 2023 年开始观察。由于时间范围及参数设置与参考文章不同,本文重点比较同一条件下的实验差异。

数据与实现:使用 PandaAI 的基金日行情接口获取 ETF 收盘价,在 Qube 中完成策略生成与回测;历史预热设为 300 个交易日,最小历史窗口为 200 条。提示词、参数字典和回测配置如上图所示。

三、完整策略回测:建立三因子基线

保持图 3、图 4 的默认配置,先运行三因子策略,作为单因子、调仓阈值和参数敏感性测试的共同对照。图中最大回撤按回撤幅度记为正数,以下正文统一沿用这一写法。

图 5:默认三因子版本的回测指标与净值曲线。

策略实验图 05

核心数据:总收益 20.39%,年化收益 5.08%,最大回撤 5.30%,夏普 0.24,交易 73 笔;基准收益 2.71%,期末权益 1,203,892.39 元。策略累计收益高于基准 17.68 个百分点。

结果解读:净值前段在初始水平附近反复,明显的抬升集中在后半段,期末又从高位回落。本次基线取得 20.39% 的累计收益,最大回撤为 5.30%;年化 5.08%、夏普 0.24,也说明收益的时间分布仍值得关注。整体跑赢基准,并不代表每个阶段都能获得超额收益。

图 5 补充:基线的分标的收益与实际手续费。

策略实验图 06

数据佐证:纳指 ETF 最终收益 76,043.19 元、27 笔;创业板 50ETF 为 70,937.50 元、22 笔;黄金 ETF 为 56,911.70 元、24 笔。三项合计 203,892.39 元,与期末权益减初始资金一致;报告手续费合计 365 元,成交 CSV 的 73 条记录均为每笔 5 元。

结果解读:本区间三类资产的报告损益均为正,纳指金额最高,黄金较低;这补充了组合净值图无法提供的资产层面信息。但这里是平台显示的分标的最终收益,并非三个因子的收益归因,也未按资金占用或持有时长归一化,不能由金额排序推导出哪类资产更有效。

四、实验一:单因子与三因子组合对比

实验目的:拆开三个因子,观察组合是否改善收益、回撤和交易表现。操作时每次恢复默认三因子版本,仅调整 weight_bias、weight_slope、weight_efficiency,依次设为 1 / 0 / 0、0 / 1 / 0、0 / 0 / 1,其余设置保持不变。

复现提示词:恢复默认三因子版本,只将指定因子的权重设为 1,其余两个设为 0;保留原标的池、回测区间、资金、成本和调仓阈值,运行回测并记录结果。

4.1 乖离动量:收益略增,回撤扩大

参数:weight_bias=1.0,weight_slope=0.0,weight_efficiency=0.0。图 6:乖离动量单因子回测结果。

策略实验图 07

核心数据:总收益 20.68%,年化收益 5.14%,最大回撤 7.32%,夏普 0.20,交易 69 笔。相较三因子基线,总收益增加 0.29 个百分点,最大回撤扩大 2.02 个百分点,夏普下降 0.04,交易减少 4 笔。

结果解读:收益只小幅提高,回撤却明显扩大。曲线中既有快速上冲,也有高位回落,尤其末段从较高位置下行。因此,本区间内单独使用乖离动量没有带来更好的风险收益折中,不能把略高的总收益直接解释为因子优于组合。

延伸结论:乖离动量在本样本中表现出更突出的收益弹性,但额外收益只有 0.29 个百分点,回撤却增加 2.02 个百分点。如果希望利用这一因子,应继续观察提高其组合权重后的收益增量和回撤代价,而不是只看单因子期末收益更高就完全替换组合。

4.2 斜率动量:交易更少,风险没有同步下降

参数:weight_bias=0.0,weight_slope=1.0,weight_efficiency=0.0。图 7:斜率动量单因子回测结果。

策略实验图 08

核心数据:总收益 20.77%,年化收益 5.16%,最大回撤 8.27%,夏普 0.20,交易 58 笔。相较基线,总收益增加 0.38 个百分点,交易减少 15 笔,但最大回撤扩大 2.97 个百分点,夏普下降 0.04。

结果解读:该版本在三个单因子中总收益最高、交易最少,同时最大回撤也最大。图中后段出现明显回落,说明减少交易并没有自动降低净值波动带来的损失。交易笔数与回撤分别描述交易活动和净值风险,不能相互替代。

延伸结论:斜率动量体现了“少交易”与“低回撤”的区别:它用更少的 58 笔交易取得三个单因子中最高的累计收益,但最大回撤也达到 8.27%。评估低频轮动时,应同时看交易活动与净值风险;降低交易频率只是一个维度。

4.3 效率动量:回撤最小,收益与夏普偏弱

参数:weight_bias=0.0,weight_slope=0.0,weight_efficiency=1.0。图 8:效率动量单因子回测结果。

策略实验图 09

核心数据:总收益 14.77%,年化收益 3.74%,最大回撤 4.24%,夏普 -0.06,交易 87 笔。相较基线,总收益减少 5.62 个百分点,最大回撤缩小 1.06 个百分点,夏普下降 0.30,交易增加 14 笔。该结果与斜率动量明显不同。

结果解读:效率动量的回撤在三个单因子中最小,收益也最低,交易则最多。曲线的大幅抬升仍集中在后半段,其余阶段多次往返。这说明较低最大回撤并未同时转化为较高收益或较高夏普;总收益为正,也可以与图中负夏普同时出现。

延伸结论:效率动量可作为低回撤方向的比较对象,但仅凭这一组试验还不能确定它在三因子组合中承担了多少风险缓冲作用。单独使用它与组合使用它会改变 ETF 排名和交易路径;若要验证边际贡献,应补做去掉效率动量、其余权重按固定规则调整的消融实验。

4.4 单因子对比总结与组合启示

将三组单因子与默认三因子的指标放在一起,更容易看清各自的收益与风险取舍。

版本 因子配置 总收益 年化收益 最大回撤 夏普 交易笔数
三因子基线 0.3 / 0.3 / 0.4,阈值 1.5 倍 20.39% 5.08% 5.30% 0.24 73
单因子一 乖离动量 1.0 20.68% 5.14% 7.32% 0.2 69
单因子二 斜率动量 1.0 20.77% 5.16% 8.27% 0.2 58
单因子三 效率动量 1.0 14.77% 3.74% 4.24% -0.06 87

对比结论:三因子基线的夏普 0.24 高于三个单因子;总收益略低于乖离动量和斜率动量,但最大回撤也小于这两个版本。效率动量以更低回撤对应更低收益和更多交易。因此,三因子适合作为后续实验的共同基线,其优势主要体现在本次区间的折中表现。

五、实验二:调仓阈值是否改善表现

实验目的:检验“最高分发生变化就换仓”与“领先分差达到门槛才换仓”的差别。先恢复三因子权重 0.3 / 0.3 / 0.4,再取消调仓阈值,其余设置保持不变。

复现提示词:恢复默认三因子版本,然后取消 1.5 倍调仓阈值;最高分 ETF 与当前持仓不同时直接换仓,不再要求分差超过阈值。保持标的、区间、资金及成本不变,重新回测。

图 9:恢复权重、取消阈值的操作记录与回测摘要。

策略实验图 10

图中先恢复三因子权重 0.3 / 0.3 / 0.4,再取消调仓门槛,返回总收益 17.10%、最大回撤 6.07%、夏普 0.06、交易 127 笔。本节以原三因子基线为对照,比较同一因子组合下的两种调仓方式。

图 10:取消阈值后的完整回测指标与净值曲线。

策略实验图 11

版本 总收益 年化收益 最大回撤 夏普 交易笔数
三因子基线:保留阈值 20.39% 5.08% 5.30% 0.24 73
三因子:取消阈值 17.10% 4.30% 6.07% 0.06 127

数据佐证:取消阈值后,交易增加 54 笔,增幅约 74.0%;总收益下降 3.29 个百分点,年化收益下降 0.78 个百分点,最大回撤扩大 0.77 个百分点,夏普下降 0.18。增加交易的同时,本次回测的收益和风险指标均未改善。

图 10 补充:取消阈值后的分标的收益与实际手续费。

策略实验图 12

费用变化:取消阈值后手续费为 635 元,比基线增加 270 元;127 条成交均为每笔 5 元。两版期末权益相差 32,884.20 元,新增手续费只占差额约 0.82%。收益差异还与持仓路径、买卖时机等因素有关,不能仅用新增手续费解释。

核对项 保留阈值基线 取消阈值
实际手续费 365 元 635 元
已完整平仓的持仓轮次 36 63
盈利 / 亏损轮次(扣双边手续费) 21 / 15 34 / 29
补算已平仓胜率 58.33%(21/36) 53.97%(34/63)
期末未平仓头寸 1 笔买入对应持仓,排除出胜率 1 笔买入对应持仓,排除出胜率

胜率口径:根据两份成交 CSV,将同一 ETF 从开仓至全部平仓记为一轮,扣除双边手续费后净收益大于零记为盈利;期末未平仓头寸不参与计算。由此得到基线 21/36=58.33%、取消阈值 34/63=53.97% 的已平仓持仓胜率,该指标与盈利交易日占比不同。

结果解读:取消阈值后已平仓轮次增加,胜率下降约 4.37 个百分点,且收益、回撤和夏普均较差。这为本样本保留门槛提供了成交层面的补充证据;胜率本身没有包含盈亏幅度,不能单独解释收益差异或证明因果。

交易频率:保留阈值时共 73 笔成交、36 轮完整平仓;取消阈值后为 127 笔、63 轮,交易活动明显增加。本文以成交笔数和完整平仓轮次比较交易频率,两者均不等同于按成交额与账户权益计算的换手率。

实验边界:这组对比支持在当前样本中保留阈值,尚不能证明 1.5 倍门槛在所有时期都合适。下一步需比较多个门槛,并查看不同年份的结果,确认结论是否由某一段行情集中贡献。

实验启示:比较调仓规则时,要固定因子权重、窗口和资金设置,只改变换仓条件。这样才能看清门槛带来的实际差异。本次结果支持保留领先优势门槛,后文继续用多个 switch_ratio 值观察门槛高低的影响。

六、实验三:参数敏感性测试

实验目的:恢复默认基线后,观察回看窗口、因子权重和调仓阈值变化对回测结果的影响。截图显示共完成 29 组结果,其中包含默认基线;这些结果均来自本次样本内扫描。

图 11:恢复初始版本并发起参数敏感性测试的提示词。

策略实验图 13

图中恢复默认三因子配置后,同时考察回看窗口、权重和阈值三个维度。每组参数结果都与同一个基线比较,便于区分不同调整方向。

6.1 参数摘要:收益提升伴随不同的风险代价

图 12:Qube 返回的敏感性测试摘要与参数解释。

策略实验图 14

核实后的参数变化 总收益 年化收益 夏普 最大回撤 交易笔数
基线 20.39% 5.08% 0.24 5.30% 73
zscore_window=90 32.84% 7.87% 0.64 6.41% 57
zscore_window=30 32.37% 7.77% 0.64 6.68% 85
权重 0.5 / 0.3 / 0.2 29.37% 7.11% 0.53 6.11% 57
ma_period=30 22.82% 5.64% 0.37 4.81% 63
权重 0.4 / 0.4 / 0.2 22.77% 5.63% 0.30 5.69% 67

回看窗口:按摘要标注,zscore_window 从 60 调为 90,总收益增加 12.45 个百分点,夏普增加约 0.40,交易减少 16 笔,但最大回撤扩大 1.11 个百分点。30 日窗口也有接近的收益,却有更高回撤和更多交易。不能只凭两个较优点推导出窗口越长越好;摘要中 120 日窗口的总收益已回落至 21.65%。

均线窗口:ma_period=30 时,总收益比基线增加 2.43 个百分点,最大回撤缩小 0.49 个百分点,夏普提高 0.13,交易减少 10 笔。在图中列出的候选里,它提供了与追求最高收益不同的选择方向,值得作为兼顾收益与回撤的独立候选继续验证。

因子权重:调优结果页已核实,29.37% 总收益对应完整权重为 0.5 / 0.3 / 0.2,其余参数沿用基线,最大回撤为 6.11%。因此它同时提高乖离权重、降低效率权重,不能把改善独归于乖离因子。它与 1 / 0 / 0 的单因子实验也不同,后者总收益仅为 20.68%。

调仓阈值:摘要中 switch_ratio=0.2 的总收益为 15.06%、夏普约 -0.04;0.8 与 1.0 分别为 19.83% 和 21.78%,1.0 的夏普约 0.31。降低分差门槛意味着更容易触发换仓,本组结果未显示这一方向带来改善;提高门槛后的收益也并非单调变化,仍需结合完整指标比较。

结论范围:图中支持分别研究窗口、权重与阈值,尚未给出“提高乖离权重且同时拉长 Z-Score 窗口”的联合回测。各单项改善不能直接相加,也不能据此宣称已经得到组合后的最优参数。

6.2 逐组结果:收益最高与夏普最高并非同一组

图 13:包含基线在内的 29 组扫描结果列表。

策略实验图 15

列表确认共有 29 组结果,基线位于第 14 行,总收益为 20.39%;扫描中总收益最低为 14.64%,最高为 32.84%,相差 18.20 个百分点。头两组夏普显示为 0.636 与 0.642,说明总收益最高与夏普最高并非同一组,候选排序应先明确评价目标。

主要候选对应的配置为:zscore_window=90,总收益 32.84%;zscore_window=30,总收益 32.37%;权重 0.5 / 0.3 / 0.2,总收益 29.37%;ma_period=30,总收益 22.82%。这些是各自独立的参数实验,不能把不同组的改善幅度直接相加。

6.3 净值路径:检查收益差异出现在哪个阶段

图 14:29 组任务完成状态及归一化净值对比。

策略实验图 16

图中 29 组任务均已完成,净值起点统一为 1。前期曲线大多靠近,后期收益差距扩大,多条曲线又在相近阶段出现抬升和回落。这说明参数不仅改变最终收益,也改变收益在时间上的分布;进一步比较时,应观察候选在不同时段的表现,而不只看期末排名。

6.4 参数选择:先明确目标,再比较候选

如果关注累计收益,可继续研究 90 日 Z-Score 窗口;如果希望兼顾收益与回撤,ma_period=30 是另一个值得观察的候选;如果研究因子组合,可继续比较 0.5 / 0.3 / 0.2 与默认权重。三个方向分别回答不同问题,应保留独立结果进行比较。

本次样本内最高总收益达到 32.84%,比默认配置提高 12.45 个百分点,但最大回撤也从 5.30% 扩大至 6.41%。较高收益对应了不同的风险代价,选择参数时要把这两项一起看。

这 29 组比较都使用了同一段历史样本。后续可固定候选参数,在未参与选参的数据中继续观察,并按年份比较收益与回撤,判断改善是否集中在某一段行情。本文将扫描结果作为研究线索,不据此推断未来表现。

七、三组实验带来的策略启示

第一,三因子组合的意义在于风险收益的平衡。默认组合收益 20.39%、最大回撤 5.30%、夏普 0.24;乖离与斜率单因子收益略高,但回撤更大,效率单因子回撤更小但收益更低。组合的本次优势体现在几项指标之间的折中。

第二,排名变化不一定需要立即响应。取消门槛后,成交从 73 笔增至 127 笔,手续费从 365 元增至 635 元,已平仓胜率由 58.33% 降至 53.97%,累计收益降为 17.10%。在这一样本中,等待领先优势达到一定幅度,比更频繁地切换持仓取得了更好的结果。

第三,窗口和权重会明显改变策略表现。90 日 Z-Score 窗口取得更高累计收益,30 日均线窗口提供了兼顾收益与回撤的另一个候选。参数选择应围绕明确目标展开,并结合后续独立数据检验。

通过 PandaAI,可以把策略描述转为参数化配置,再用单因子、交易规则和参数扫描逐项比较。对 ETF 动量轮动而言,值得持续研究的是:哪些趋势信息适合组合、领先多少才值得换仓,以及这些选择在不同时期是否仍然有效。

评论

还没有评论,来说点什么吧
0 / 2000