【ptrade】行业轮动 · 回测实录

12_行业轮动 · 回测实录

10只行业ETF按5日涨幅排序取最强2只，每周第一个交易日调仓。

策略类型 ：ETF轮动 / 周频

回测批次 ：2026-10-04（本地 QuantStudio 回测引擎）

数据来源 ：QuantStudio 本地行情库（etf_daily / stock_daily）

一、策略思路

相比01号策略，这版做了两处调整：一是把回看窗口从20日缩短到5日，反应更快，更贴近"行业风口"的短周期特征；二是调仓频率从每5个交易日改成每周一次，用固定的日历节奏换手，而不是机械地数交易日。行业ETF之间相关性低、轮动特征明显，是动量策略最经典的试验场。

关键参数

参数	取值
`LOOKBACK`	5
`TOP_N`	2
`EXPOSURE`	0.98

二、回测设置

项目	设置
策略文件	`12_行业轮动.py`
回测区间	2024-01-01 ~ 2026-09-02
初始资金	100000 元
佣金费率	0.00035（最低 5.0 元）
印花税率	0.001
过户费率	1e-05
滑点	0.0
撮合价格	close
基准	000300
交易日数	647

三、回测结果

本图有两条策略线：灰色虚线是回测引擎的原始记录，红色实线是剔除数据污染后的校正净值。请只看红线------灰线里那条垂直往上跳的台阶，不是策略赚的，是数据库里一只房地产ETF的价格断层凭空"送"的。

⚠️ 重要：本策略的原始回测净值受数据断层污染，不可直接引用。

数据库中 512200（房地产ETF）在 2024-08-12 存在唯一一处价格断层：当日 preClose 与前一日收盘的比值约为 2.79 ，即该标的的价格在这一天整体跳到了约 2.79 倍。策略恰好在这一天卖出该标的，成交价被相应抬高，等于向账户凭空注入了一大笔现金。

其结果是：此后账户净值被整体放大约 1.86 倍 。由于这笔注入是一次性的，策略的日收益率序列不变，因此正确的还原方式是把断层日之后的净值整体除以 1.86。

下表中「记录值」为引擎原始输出，「校正值」为剔除该污染后的结果。请以校正值为准。

绩效指标

指标	记录值	校正值
累计收益	113.44%	14.95%
年化收益	34.04%	5.53%
最大回撤	35.03%	35.03%
年化波动率	62.17%	31.98%
夏普比率	0.519	0.328
索提诺比率	1.438	0.493
卡玛比率	0.972	0.158
回合胜率	49.30%	---
日胜率	48.22%	---
盈亏比	137.7%	---
盈利回合数	106	---
亏损回合数	109	---
平均持仓天数	230.2	---
成交笔数	704	---

「盈亏比」= 平均盈利 ÷ 平均亏损 > 100%，表示平均每笔赚的比亏的多。

「回合」指一次完整的买入→卖出（round_trips），「成交笔数」是买卖双方分开计数的原始成交记录条数。
⚠️ 本窗口基准数据不完整 ：引擎的基准序列尾部为占位填充值，据此算出的沪深300收益为 0.00%，该数字不可信；净值图中的基准曲线已截断至有效区间（至 2026-07-31）。因此本策略的 α、β、超额收益、信息比率等相对指标一律不可引用，只能用绝对收益与回撤来判断。

分年度收益（校正后）

年份	区间收益	交易日
2024	2.70%	242
2025	5.60%	243
2026	6.63%	162

四、交易明细

⚠️ 本节所有金额为引擎记录口径 ，已被上述数据断层整体放大约 1.86 倍，绝对金额不可直接引用（尤其盈利榜首那几笔）。盈亏的方向与回合之间的相对排序仍然有效。

完整交易回合数：215 个（盈利 106 / 亏损 109）
单笔平均盈亏：+544.84 元 ；最大单笔盈利 +57605.44 元 ；最大单笔亏损 -23721.49 元
持仓天数：平均 230.2 天 ，最长 657 天 ，最短 6 天

盈利最多的 5 个回合

买入日	卖出日	标的	盈亏(元)	持仓天数
2024-05-06	2024-08-19	`512200.SH`	+57605.44	105
2024-05-06	2024-08-12	`512200.SH`	+28684.89	98
2025-02-24	2026-04-27	`515880.SH`	+28161.04	427
2024-07-08	2024-10-14	`512200.SH`	+22913.07	98
2025-02-10	2026-06-01	`512480.SH`	+20449.75	476

亏损最多的 5 个回合

买入日	卖出日	标的	盈亏(元)	持仓天数
2025-02-24	2026-07-20	`512480.SH`	-23721.49	511
2025-02-24	2026-08-03	`512480.SH`	-19930.86	525
2024-06-03	2024-11-18	`512660.SH`	-13533.28	168
2024-04-29	2024-10-14	`512690.SH`	-13109.93	168
2025-07-28	2026-06-15	`515220.SH`	-10513.28	322

五、完整回测代码

文件名：12_行业轮动.py（共 111 行）

引擎：QuantStudio 本地回测；全部为公开 API，无平台专有调用。

python 复制代码

# -*- coding: utf-8 -*-
"""
12_行业轮动策略 (QuantStudio 本地回测版)
========================================
核心逻辑：10只行业ETF按5日涨幅排序，取最强2只，每周第一个交易日调仓。
周频行业轮动，降低换手率，捕捉行业中期趋势。
"""

import numpy as np

# 10只行业ETF
SECTOR_ETF_POOL = [
    '512880.SS',  # 证券
    '512800.SS',  # 银行
    '512690.SS',  # 酒（消费）
    '512170.SS',  # 医疗
    '512480.SS',  # 半导体
    '515880.SS',  # 通信
    '512660.SS',  # 军工
    '516160.SS',  # 新能源
    '512200.SS',  # 房地产
    '515220.SS',  # 煤炭
]

LOOKBACK = 5         # 动量回看天数
TOP_N = 2            # 持仓数量
EXPOSURE = 0.98


def initialize(context):
    set_benchmark('000300.SS')
    g.last_rebalance_week = None
    run_daily(context, trade, time='09:30')
    log.info('12_行业轮动初始化: 行业ETF=%d只, 回看=%d日, Top%d, 周频调仓',
             len(SECTOR_ETF_POOL), LOOKBACK, TOP_N)


def _get_momentum(code):
    try:
        h = get_history(LOOKBACK + 1, '1d', field=['close'],
                        security_list=code, fq='pre', include=False, is_dict=True)
        if h is None or code not in h:
            return None
        closes = np.asarray(h[code]['close'], dtype=float)
        closes = closes[np.isfinite(closes)]
        if len(closes) < LOOKBACK + 1 or closes[0] <= 0:
            return None
        return float(closes[-1] / closes[0] - 1.0)
    except Exception:
        return None


def _is_first_trading_day_of_week(context):
    """判断是否为本周第一个交易日（用ISO周编号去重）"""
    try:
        dt = context.current_dt
        iso_cal = dt.isocalendar()
        current_week = (iso_cal[0], iso_cal[1])
        if g.last_rebalance_week is None or current_week != g.last_rebalance_week:
            g.last_rebalance_week = current_week
            return True
        return False
    except Exception:
        # 兜底：每5个交易日调仓
        if not hasattr(g, 'day_counter'):
            g.day_counter = 0
        g.day_counter += 1
        return g.day_counter % 5 == 0


def trade(context):
    # 只在每周第一个交易日调仓
    if not _is_first_trading_day_of_week(context):
        return

    # 计算所有行业ETF的动量
    scores = {}
    for code in SECTOR_ETF_POOL:
        mom = _get_momentum(code)
        if mom is not None:
            scores[code] = mom

    if not scores:
        log.info('无有效动量数据，跳过')
        return

    # 取TopN
    ranked = sorted(scores.keys(), key=lambda c: scores[c], reverse=True)
    target = ranked[:TOP_N]

    # 卖出不在目标中的
    held = list(context.portfolio.positions.keys())
    for code in held:
        if code not in target:
            order_target_value(code, 0)
            log.info('行业轮动卖出 %s (动量=%.2f%%)', code, scores.get(code, 0) * 100)

    # 等权买入
    if not target:
        return
    total_value = context.portfolio.total_value
    per_value = total_value * EXPOSURE / len(target)
    for code in target:
        order_target_value(code, per_value)
        log.info('行业轮动买入 %s (动量=%.2f%%, 目标市值=%.0f)',
                 code, scores[code] * 100, per_value)


def handle_data(context, data):
    pass

六、风险提示

5日动量非常短，容易把一两天的消息面波动误判成趋势，在行业快速切换的市场里会来回打脸。周频调仓意味着信号有一周的执行延迟。另外本策略标的池中的房地产ETF存在数据质量问题，阅读收益数字时须以校正值为准。

免责声明：本文所有数字来自本地历史回测，回测收益不代表未来表现，也不构成任何投资建议或个股/基金推荐。策略代码仅供研究学习，实盘执行还需额外考虑滑点、冲击成本、流动性、涨跌停与平台差异等因素。投资有风险，决策需谨慎。