双均线与动量轮动策略实战：参数稳健性比收益率更重要

Mon, 19 Oct 2026 21:00:00 +0800

远思为径，码动价值。欢迎来到远思码技术实验室的最新技术实践记录。

有了回测引擎，第一件想做的事一定是"跑一个看起来能赚钱的策略"。实验室也不例外，但我们刻意选了最简单、最没有故事性的两个策略来做基准，因为它们最不容易过拟合，也最容易暴露研究流程里的问题。

重要声明：本文所有回测结果均为实验室内部示例，使用的历史区间有限、未考虑全部交易限制，不构成任何投资建议。

一、策略 A：双均线择时

逻辑烂大街：短均线上穿长均线满仓，下穿空仓。它的价值不在于赚钱，而在于给我们一个"基准尺子"——任何复杂策略如果连它都打不过，就没必要继续。

# strategies/ma_cross.py
import pandas as pd


def ma_cross_signal(close: pd.Series, fast: int = 20, slow: int = 60) -> pd.Series:
 """返回目标仓位序列：1 满仓 / 0 空仓。只在收盘后生成，次日生效。"""
 ma_fast = close.rolling(fast).mean()
 ma_slow = close.rolling(slow).mean()
 sig = (ma_fast > ma_slow).astype(float)
 # 均线未成型期间不持仓
 sig[ma_slow.isna()] = 0.0
 return sig

把它接到引擎上只需要构造 target_w 矩阵：

# strategies/run_ma.py
import pandas as pd

from backtest.engine import BacktestConfig, run_backtest
from strategies.ma_cross import ma_cross_signal


def run_ma_backtest(symbol: str, start: str, end: str,
 fast: int = 20, slow: int = 60) -> dict:
 from src.data.loader import load_bars

 df = load_bars([symbol], start, end, adjust="qfq")
 close = df.pivot(index="trade_date", columns="symbol", values="close")
 volume = df.pivot(index="trade_date", columns="symbol", values="volume")
 pct = load_bars([symbol], start, end, adjust="none")
 pct = pct.pivot(index="trade_date", columns="symbol", values="pct_chg")

 sig = ma_cross_signal(close[symbol], fast, slow)
 target_w = pd.DataFrame({symbol: sig}, index=close.index)
 # 引擎内部会做 shift(1)：sig 在 T 日收盘生成，T+1 日承担收益
 res = run_backtest(close, volume, target_w, pct_chg=pct)
 return res.metrics

实验室以沪深 300 ETF（510300）为标的，2019-01 ~ 2025-06 的结果（示例）：

参数 (fast, slow)	年化收益	夏普	最大回撤	年化换手
(20, 60)	7.2%	0.62	-18.4%	2.1 倍
(10, 30)	5.8%	0.49	-21.7%	4.6 倍
(30, 120)	6.9%	0.66	-16.2%	0.9 倍
买入持有	3.4%	0.28	-42.1%	0

有价值的结论只有一个：择时把最大回撤从 -42% 压到 -18%，代价是年化收益只从 3.4% 提到 7.2%。这才是双均线的真实贡献——它是个风险管理工具，不是收益引擎。

二、策略 B：ETF 动量轮动

第二个策略稍微进阶：在一个 ETF 池里按动量排名，只持有最强的几只。

# strategies/momentum_rotation.py
from __future__ import annotations

import numpy as np
import pandas as pd


def momentum_score(close: pd.DataFrame, lookback: int = 20,
 vol_window: int = 20) -> pd.DataFrame:
 """风险调整动量：过去 N 日收益 / 过去 N 日波动。截面排名用。"""
 ret = close / close.shift(lookback) - 1
 vol = close.pct_change().rolling(vol_window).std()
 return (ret / vol).replace([np.inf, -np.inf], np.nan)


def build_target_weights(close: pd.DataFrame, score: pd.DataFrame,
 top_k: int = 2, rebalance: str = "M",
 min_score: float = 0.0) -> pd.DataFrame:
 """月末选动量最强的 top_k 只等权持有，其余现金。

 rebalance='M' 表示只在每月最后一个交易日调仓，中间日权重保持不变。
 """
 idx = close.index
 if rebalance == "M":
 # 每月最后一个交易日。这里统一转成 Timestamp，避免 datetime64 与 Timestamp
 # 在 set 里哈希不一致导致"一个调仓日都没命中"的静默 bug。
 month_end = pd.Series(idx, index=idx).groupby(idx.to_period("M")).max()
 rebal_set = {pd.Timestamp(d).normalize() for d in month_end}
 else:
 rebal_set = {pd.Timestamp(d).normalize() for d in idx}

 target = pd.DataFrame(0.0, index=idx, columns=close.columns)
 last_w = pd.Series(0.0, index=close.columns)
 for date, row in score.iterrows():
 if pd.Timestamp(date).normalize() in rebal_set:
 valid = row.dropna()
 # 只买动量为正的标的，否则空仓
 valid = valid[valid > min_score].sort_values(ascending=False)
 picks = valid.head(top_k).index
 last_w = pd.Series(0.0, index=close.columns)
 if len(picks):
 last_w[picks] = 1.0 / top_k
 target.loc[date] = last_w
 return target

ETF 池选了六只，覆盖股、债、商品、海外：

POOL = {
 "510300": "沪深300ETF",
 "510500": "中证500ETF",
 "159915": "创业板ETF",
 "513100": "纳指ETF",
 "518880": "黄金ETF",
 "511010": "国债ETF",
}

2019-01 ~ 2025-06，lookback=20, top_k=2, 月度调仓 的示例结果：

指标	动量轮动	沪深300 买入持有
年化收益	11.8%	3.4%
年化波动	14.2%	21.5%
夏普	0.79	0.28
最大回撤	-19.6%	-42.1%
Calmar	0.60	0.08
年化换手	8.4 倍	0
日胜率	53.1%	48.6%

分年度看，它并不每年都赢：

年份	轮动	沪深300	差异
2019	+21.4%	+36.1%	-14.7%
2020	+28.6%	+27.2%	+1.4%
2021	+16.3%	-5.2%	+21.5%
2022	-8.9%	-21.6%	+12.7%
2023	+5.2%	-11.4%	+16.6%
2024	+14.7%	+14.7%	0.0%
2025H1	+6.1%	+2.8%	+3.3%

2019 年跑输 15 个点，原因是牛市里持有单一最强动量 ETF，反而在板块轮动中来回挨打。这个"缺陷"贯穿了后面所有讨论：动量策略在趋势延续时赚钱，在急切换时亏钱。

三、参数稳健性：热力图比单点更好看也更诚实

实验室的规矩是：任何策略都不允许只看一组参数的结果。于是把 lookback × 调仓周期 打成一张热力图。

# scripts/grid_robustness.py
import itertools

import pandas as pd

from strategies.momentum_rotation import build_target_weights, momentum_score
from strategies.run_ma import run_ma_backtest # noqa: F401 (示意：复用取数/引擎)


def grid_search(close: pd.DataFrame, volume: pd.DataFrame, pct: pd.DataFrame) -> pd.DataFrame:
 rows = []
 for lookback, top_k, rebal in itertools.product([10, 20, 40, 60], [1, 2, 3], ["M", "W"]):
 score = momentum_score(close, lookback=lookback)
 w = build_target_weights(close, score, top_k=top_k, rebalance=rebal)
 res = run_backtest(close, volume, w, pct_chg=pct)
 rows.append({"lookback": lookback, "top_k": top_k, "rebal": rebal,
 **{k: res.metrics[k] for k in ("年化收益", "夏普", "最大回撤", "年化换手")}})
 return pd.DataFrame(rows)


def robustness_table(df: pd.DataFrame) -> pd.DataFrame:
 """汇总：多少比例的参数组合夏普 > 0.5，多少 > 0.3。"""
 return pd.DataFrame({
 "夏普>0.8": [(df["夏普"] > 0.8).mean()],
 "夏普>0.5": [(df["夏普"] > 0.5).mean()],
 "夏普>0.3": [(df["夏普"] > 0.3).mean()],
 "夏普中位数": [df["夏普"].median()],
 "最差夏普": [df["夏普"].min()],
 })

24 组参数的实际分布（示例）：

夏普中位数 0.61，最好 0.88，最差 0.12；
18/24 组夏普 > 0.4，说明策略不是靠某一组魔法参数撑起来的；
但 top_k=1 的 8 组里有 5 组夏普 < 0.4，集中度过高是这个策略的脆弱点。

判断标准很朴素：如果参数热力图上有大片"深坑"，说明策略在拟合噪声；如果是一片"高原"，参数不敏感，策略逻辑本身站得住。上面这张表勉强算高原。

四、成本敏感性：把假设打回原形

回测里最贵的不是滑点，是乐观。把成本参数逐级调高，看策略还剩多少：

成本假设	年化收益	夏普
佣金万三 + 无滑点	13.2%	0.88
佣金万三 + 单边 0.1% 滑点	11.8%	0.79
佣金万三 + 单边 0.2% 滑点	10.4%	0.70
再加 0.1% 冲击成本	8.1%	0.55
极端：单边 0.5%	3.2%	0.22

换手 8.4 倍的策略，成本每提高 0.1%，年化就掉 1.3~1.4 个点。这是 ETF 轮动真实的脆弱面——它需要每月真金白银地换仓。

也正因为这个原因，实验室的实盘版本改成了"只在新信号与当前持仓差异超过一定阈值时才调仓"，把年化换手从 8.4 倍压到 4 倍左右，年化收益只掉了 0.8 个点。这类工程细节，永远比再找一个因子更值钱。

五、几个只在实盘阶段才暴露的问题

ETF 溢价与流动性。纳指 ETF（513100）长期有溢价，回测里按净值成交的假设在实盘会被吃掉 1~3%。更麻烦的是它偶尔限购，大资金根本买不进去。
上市时间不同。创业板 ETF 2011 年就有，纳指 ETF 2013 年上市。如果起始日期按最长的算，早期回测里那些"缺失标的"会被当成持续下跌处理，动量排名就失真了。正确做法是只在当期有数据的标的里排名（dropna() 已经处理，但要检查是不是真的这么做的）。
幸存者偏差。ETF 池是按今天的名单选的。2019 年时并没有现在这么多行业 ETF，如果回测里混进了"因为后来表现好才被记住的品种"，结论就不可信。
分红与拆分。ETF 分红会导致价格跳空，未做复权的动量会误判趋势反转。

六、结论：策略的意义在于暴露流程问题

两个策略跑完，实验室得到的收获不是"找到了一条年化 12% 的曲线"，而是三件事：

择时工具的价值主要在压回撤，不要在它身上指望超额收益；
参数稳健性比单点最优重要一个数量级，热力图上的高原才是真信号；
换手是隐形税，任何策略的第一版都应该先算"成本翻倍后还剩多少"。

下一阶段，我们从"规则策略"转向"机器学习选股"——用 LightGBM 做截面收益预测，那里会碰到比参数网格更危险的东西：信息泄露。

远思为径，码动价值。回测里每一条平滑的曲线，背后都藏着一堆没写进报告的前提。