今天介绍一下我简单优化的风控动量算法的原理的研究分析，给大家借鉴学习，优化策略算法，上一个文章介绍了原始的算法算法研究---ETF原始动量算法回测研究

该算法的核心思想是动量轮动 + 双重风控。它并非简单地买入过去一段时间涨幅最大的资产，而是通过一套更精细的“打分系统”来评估资产的上涨质量，并结合资产自身和外部市场环境进行风险控制，力求在捕捉上涨趋势的同时，规避趋势破位和系统性风险。

定性筛选：寻找“稳健”的上涨趋势

策略不只看“涨了多少”，更看重“涨得是否稳健”。

它利用加权线性回归，对资产的对数价格进行拟合。斜率为正代表有上涨趋势，而拟合优度（R-squared）高则代表这个趋势很稳定、价格紧紧围绕趋势线波动，而不是剧烈震荡上行。两者的乘积构成了动量评分的基础。

1量化打分：过滤“过热”与“过冷”

计算出动量得分后，策略设定了上下限阈值。

上限：剔除那些上涨过快、斜率过高的资产。这体现了“均值回归”思想，认为短期过度的暴涨可能透支了未来收益，风险较高。

下限：剔除动量为负或极弱的资产，确保只参与有明确上升趋势的市场。如果所有资产都不合格，则空仓。

个股（标的）风控：如果持仓标的的价格跌破了其短期均线（例如文中设置的10日均线），则直接判定为不合格，会被卖出。这是一种典型的技术性趋势跟踪止损。

这是一种创新的宏观风控方法。策略会观察一个代表性指数的状态，只有当该指数本身处于其均线上方时，才允许持有特定的、与之相关的资产。如果指数破位，即使该资产自身趋势良好，也会强制清仓，以规避系统性下跌风险。

策略的原理是对传统动量因子的一次改进，融合了法玛-弗伦奇三因子模型的思想延伸和对市场状态的判断。

这是策略的“大脑”，其计算逻辑旨在评估趋势的质量：

数据转换：对收盘价取自然对数 y = log(close)。这样做的好处是可以将价格的指数增长线性化，便于线性回归，并且回归系数（斜率）可以直接转化为对数收益率，进而计算年化收益率。

加权线性回归：weights = np.linspace(1, 2, n) 。通过 numpy 的 polyfit 函数进行加权回归。关键在于，权重是线性递增的。这意味着近期价格变动对趋势斜率（slope）的影响远大于远期价格。这使得模型对趋势的转变更加敏感，能更快地反映最新的价格动态。

年化收益率计算：annualized_returns = math.pow(math.exp(slope), 250) - 1。将回归得到的日对数收益率斜率，按每年250个交易日复利计算出年化收益率。这是动量的核心——代表了趋势的强度和方向。

拟合优度计算：计算加权后的 R-squared（r_squared）。它衡量了回归线对价格波动的解释程度。

高R-squared：价格在趋势线附近规律波动，趋势噪音小，更可靠。

低R-squared：价格围绕趋势线大幅震荡，趋势不稳定，噪音大。

最终得分：score = annualized_returns * r_squared。这个乘法设计非常巧妙，它惩罚了“高收益但低质量”的趋势（比如脉冲式上涨），奖励了“收益可观且走势平稳”的趋势。一个斜率极高但R-squared很低的资产，其得分可能不如一个斜率中等但R-squared很高的资产。

标的自身趋势破位风险：通过 c.is_stock 开关控制。last_price < last_line 即价格低于其 N 日均线，这是一个经典的右侧出场信号，承认趋势可能已经结束或逆转。

市场系统性风险：通过 c.is_index 开关控制。last_index < last_index_line 即代表性指数低于其均线，通常意味着市场整体环境恶化，情绪低迷。此时，与指数高度相关的标的（c.index_trader_stock 列表中的标的）极易受到拖累，提前离场是一种预防性保护。这个列表的设计体现了策略的严谨性，例如，用上证指数状态去控制黄金ETF的买卖就是不合理的，因为两者的驱动因素不同。

合格阈值过滤：get_rank 函数中的 (df['score'] > c.min_value) & (df['score'] <= c.max_value) 是精华所在。它过滤掉了动量得分为负（没有上升趋势）和动量过高（过度延伸、回归风险加大）的标的，只在“健康的动量区间”内选择。

集中持仓：参数 c.rank = 1 意味着始终只选择得分最高的那个标的满仓（c.buy_ratio = 1）持有。这是一种极端集中的轮动策略。

每日再平衡：handlebar 函数在每个交易日都会重新计算所有标的的得分，生成新的目标持仓列表，并与当前持仓对比，进行卖出不符合条件标的、买入新的最高分标的的操作。

在大qmt建立回测的框架思路参考

我选择了2024年开始的数据会回测，可以自己研究思路

回测的结果只做数据分析原理的展示，不做交易参考，投资有风险入市需谨慎

优化的结果比原始的算法思路好一点，可以继续结合自己的经验优化算法原理

风控动量算法：加了风控的动量，收益到底怎么样？

投资顾问

算法

职业发展

本文提出一种改进的风控动量算法，结合加权线性回归与R²质量评分，在趋势跟踪基础上融入双重风控（个股均线止损与指数状态过滤），并通过得分阈值过滤过热和过冷标的，实现集中轮动持仓。策略经2024年数据回测验证，较原始动量算法表现更优。

数据分析

数据转换

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！

风控动量算法：加了风控的动量，收益到底怎么样？

风控动量算法：加了风控的动量，收益到底怎么样？

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