ETF轮动策略本地升级：动态回溯与溢价率过滤

本文仅用于学习研究与技术交流，不构成任何投资建议。

大家广为所知的ETF轮动策略，一般采用固定的ETF候选池，再结合固定时间窗口来计算动量，最终轮动持有动量最高的那一只。

常见的ETF池子通常包含：纳指、黄金、创业板、红利或者上证180ETF等。

虽然很多人认为，这种ETF池子的定义本身存在一定的未来函数，但从底层逻辑来看，它其实是成立的：本质上就是在全球主要资产之间进行动态配置和轮动，从而捕捉不同阶段的市场主线。

⚡ 改进策略

年前在聚宽上看到一篇对基础版ETF轮动进行改进的策略，回测效果非常不错。原策略链接：https://www.joinquant.com/post/62821

最近一直忙着带娃，没太多时间研究这个，这几天才断断续续对该策略进行了研究，并实现了本地化（没错，我就喜欢搞搞本地化）。

这个改进版策略主要包含以下几个优化点：

1. 基于波动率动态调整动量回溯窗口

传统ETF轮动策略通常采用固定回溯窗口（例如25天）来计算动量。但不同ETF的波动特征差异很大，固定窗口并不一定合理。

改进策略的核心思路是：

• 对于波动较小的ETF，采用较长的回溯期，从而更好地捕捉长期趋势；

• 对于波动较大的ETF，采用较短的回溯期，以提高对短期行情的敏感度。

回溯窗口基于ATR波动率指标进行动态调整，核心公式如下：

lookback = lb_min + (lb_max - lb_min) * (1 - min(ratio_cap, vol_ratio))

其中：

• vol_ratio: 短窗口波动率 / 长窗口波动率
• lb_min 和 lb_max: 回溯窗口大小边界，例如取10天和60天。
• ratio_cap: 比例阈值，例如取0.9。

这一改动本质上是让动量指标更加自适应不同资产的波动特征，从而提高策略稳定性。

2. 引入ETF溢价率因子

如果某只ETF当前溢价率过高，则在计算动量评分时进行惩罚。

原因很简单：高溢价往往意味着短期资金拥挤，后续存在均值回归风险。

因此，在动量模型中加入这一因子，有助于降低追高风险，提升策略的风险控制能力。

3. 过滤近期大幅下跌的ETF

第三个改进，是加入趋势过滤：

• 过滤近期出现大幅下跌的ETF
• 过滤近期连续下跌的ETF

这一规则的核心思想是：避免在明显的下跌趋势中“抄底”，从而降低回撤。

def has_large_recent_drop(prices: np.ndarray) -> bool:
    if len(prices) < 5:
        return True
    con1 = min(prices[-1] / prices[-2], prices[-2] / prices[-3], prices[-3] / prices[-4]) < 0.95
    con2 = (prices[-1] < prices[-2] < prices[-3] < prices[-4]) and (prices[-1] / prices[-4] < 0.95)
    con3 = (prices[-2] < prices[-3] < prices[-4] < prices[-5]) and (prices[-2] / prices[-5] < 0.95)
    return bool(con1 or con2 or con3)

💻 策略本地化实现

这套策略的逻辑并不复杂，所需数据在Tushare中基本都可以获取，因此完全可以在本地实现。

具体包括：

1）ETF行情数据

可以通过 Tushare 的fund_daily接口获取。

2）ETF溢价率计算

溢价率计算需要基金单位净值信息，该数据可以通过 Tushare 的fund_nav接口获取。

for code in etf_codes:
    try:
        df = pro.fund_nav(ts_code=code, start_date=start_date, end_date=end_date)
    except Exception:
        continue
    if df is None or len(df) == 0:
        continue

    # 这里应该优先用 ann_date
    date_col = next((c for c in ["ann_date", "nav_date", "trade_date"] if c in df.columns), None)
    nav_col = next((c for c in ["adj_nav", "unit_nav", "accum_nav"] if c in df.columns), None)
    if date_col is None or nav_col is None:
        continue

    tmp = df[[date_col, nav_col]].dropna().copy()
    if tmp.empty:
        continue
    tmp[date_col] = tmp[date_col].astype(str)
    tmp[nav_col] = pd.to_numeric(tmp[nav_col], errors="coerce")
    s = (
        tmp.sort_values(date_col)
        .drop_duplicates(subset=[date_col], keep="last")
        .set_index(date_col)[nav_col]
        .dropna()
    )
    if not s.empty:
        nav_history[code] = s

3）动量计算的实时处理

原策略中使用了当日的实时行情参与动量计算。

在本地环境中，由于只有日线数据，因此采用当日开盘价来近似替代实时价格，从而提高策略的现实可执行性。

在实时运行中，可以用Tushare的realtime_quote接口来获取实时行情，然后并入序列进行动量计算。

def calc_score(prices: np.ndarray) -> Optional[Dict[str, float]]:
    if len(prices) < 5:
        return None
    if np.any(~np.isfinite(prices)) or np.any(prices <= 0):
        return None

    y = np.log(prices)
    x = np.arange(len(y), dtype=float)
    weights = np.linspace(1.0, 2.0, len(y))

    try:
        slope, intercept = np.polyfit(x, y, 1, w=weights)
    except Exception:
        return None

    annualized_returns = math.exp(slope * 250) - 1
    y_hat = slope * x + intercept
    ss_res = np.sum(weights * (y - y_hat) ** 2)
    ss_tot = np.sum(weights * (y - np.mean(y)) ** 2)
    r2 = 1 - ss_res / ss_tot if ss_tot else 0.0
    score = annualized_returns * r2
    return {
        "annualized_returns": float(annualized_returns),
        "r2": float(r2),
        "score": float(score),
    }

📈 策略回测

本地回测发现：长期年化为 60.42%，最大回撤为 18.79%。与聚宽回测结果一致，大致说明本地化的正确性。

相比基础版的ETF轮动策略，该策略确实有明显提升，最大回撤降低了不少。

但如果只回测2025年至今的表现，效果会显得非常惊人。

主要原因大概是ETF候选池中包含了多只在2025年表现极为强势的ETF，因此存在一定的“隐性未来函数”问题。

不过即使剔除这一因素，从长期表现来看，该策略依然具备较好的稳定性和收益特征，仍然是一个值得关注的方向。

🎯 ETF候选池

对于ETF轮动策略，最核心的问题还是：

ETF轮动策略的候选池，究竟该如何定义？

1) 主观定义

在真实交易中，我们完全可以根据当前市场行情，定期更新ETF候选池，以捕捉阶段性的强势资产。例如考虑宏观周期变化、短期政策驱动、行业主线、全球风险偏好等。但这种动态调整在回测中往往难以实现，因为容易引入主观偏差。

2) AI构建ETF候选池

我们之前也尝试过，用AI来构建短期未来的ETF候选池。这是一种更加动态和前瞻性的方式。例如利用AI分析宏观环境，挖掘潜在市场主线，动态生成候选资产池。当然，这类方法的有效性，必须通过长期实时运行来验证。

🚀 写在最后

本文主要介绍了该策略的本地化实现，并未对策略进行深入优化。

因为我们已经搭建了完整的模拟盘框架，因此可以将该策略接入模拟盘进行实时跟踪和验证。

策略是否真正有效，最终一定要交给市场。

敬请期待后续实际运行表现。