用 Python 做一个 ETF 轮动策略：普通人也能理解的多资产量化入门

如果你刚开始学量化，我不建议一上来就研究几千只股票。

股票数量多、停牌多、涨跌停多、财务和行业因素复杂。新手很容易在数据处理、选股池、交易规则里迷路。

ETF 轮动反而是一个更适合入门的方向。

它的核心思想很简单：在一组 ETF 里，定期选择近期表现更强的品种持有。如果所有品种都不好，就降低仓位或空仓。

这篇文章我们用 AlphaFeed 写一个最小可运行的 ETF 轮动策略。它不追求复杂，也不承诺收益。重点是展示一个清晰、可复现、可继续迭代的量化研究流程。

1. 什么是 ETF 轮动

ETF 轮动是一种相对强弱策略。

假设你关注这些方向：

宽基指数 ETF。
科技或成长 ETF。
红利或价值 ETF。
债券或货币类 ETF。
黄金、商品或海外市场 ETF。

每隔一段时间，比如每周或每月，你计算每个 ETF 过去一段时间的收益率，选择表现最强的一个或几个持有。

背后的假设是：市场趋势有一定延续性。近期强的资产，短期内可能继续强。

当然，这不是永远有效。趋势会反转，轮动会失灵，所以必须通过回测和风险控制来评估。

2. 准备 ETF 数据

AlphaFeed 支持 ETF 行情和 K 线。代码格式和股票一致，比如 A 股 ETF 通常使用交易所后缀：

from alphafeed import AlphaFeed

af = AlphaFeed()

df = af.klines.get(
    "510300.SH",
    period="1d",
    count=300,
    adjust="forward",
    to_dataframe=True,
)

print(df.tail())

如果你想看全量 ETF 实时行情，可以使用：

etfs = af.quotes.get(universes="CN_ETF", to_dataframe=True)
print(etfs.head())

为了方便演示，我们先手动设定一个 ETF 池。实际研究时，你可以根据规模、成交额、跟踪指数等条件筛选。

ETF_POOL = [
    "510300.SH",  # 沪深300 ETF 示例
    "510500.SH",  # 中证500 ETF 示例
    "159915.SZ",  # 创业板 ETF 示例
    "588000.SH",  # 科创50 ETF 示例
    "518880.SH",  # 黄金 ETF 示例
]

注意：不同账户和数据权限下，具体可用标的请以接口返回为准。

3. 批量获取 ETF 日 K

from alphafeed import AlphaFeed

af = AlphaFeed()

dfs = af.klines.batch(
    ETF_POOL,
    period="1d",
    count=1000,
    adjust="forward",
    to_dataframe=True,
    show_progress=True,
)

我们先把每个 ETF 的收盘价整理成一个矩阵：

import pandas as pd

def build_close_matrix(dfs: dict[str, pd.DataFrame]) -> pd.DataFrame:
    series = []

    for symbol, df in dfs.items():
        one = df.sort_values("trade_date").set_index("trade_date")["close"]
        one.name = symbol
        series.append(one)

    close = pd.concat(series, axis=1).sort_index()
    close = close.dropna(how="all")
    return close

close = build_close_matrix(dfs)
print(close.tail())

这个 close 就是后面所有研究的基础：

trade_date	510300.SH	510500.SH	159915.SZ	...
2026-06-01	...	...	...	...
2026-06-02	...	...	...	...

多资产策略的第一步，往往就是把不同标的对齐到同一个日期索引上。

4. 定义轮动信号

我们用一个非常简单的规则：

每天计算每个 ETF 过去 60 个交易日收益率。
选择收益率最高的 ETF。
如果最高收益率小于 0，则空仓。
今天生成的选择，明天才持有，避免未来函数。

lookback = 60

momentum = close / close.shift(lookback) - 1
selected = momentum.idxmax(axis=1)
best_momentum = momentum.max(axis=1)

signal = pd.DataFrame(0, index=close.index, columns=close.columns)

for date in close.index:
    if pd.notna(best_momentum.loc[date]) and best_momentum.loc[date] > 0:
        symbol = selected.loc[date]
        signal.loc[date, symbol] = 1

这里的 signal 是一个持仓矩阵。

如果某天选择 510300.SH，那这一行里 510300.SH 为 1，其他 ETF 为 0。如果所有 ETF 动量都小于 0，则全为 0。

5. 计算组合收益

先计算每个 ETF 的日收益：

ret = close.pct_change().fillna(0)

再把信号后移一天：

position = signal.shift(1).fillna(0)

组合收益：

portfolio_ret = (position * ret).sum(axis=1)
equity = (1 + portfolio_ret).cumprod()

加入交易成本：

fee = 0.0003
slippage = 0.0002

turnover = position.diff().abs().sum(axis=1).fillna(0)
cost = turnover * (fee + slippage)

portfolio_ret_after_cost = portfolio_ret - cost
equity_after_cost = (1 + portfolio_ret_after_cost).cumprod()

完整回测逻辑并不复杂，但每一步都要清楚：

步骤	目的
计算动量	找近期更强的 ETF
生成 signal	记录当日选择
signal 后移	避免未来函数
计算收益	得到组合日收益
加交易成本	更接近真实交易
生成净值	观察长期表现

6. 计算指标

import numpy as np

def calc_metrics(equity: pd.Series, returns: pd.Series) -> dict:
    total_return = equity.iloc[-1] / equity.iloc[0] - 1
    annual_return = (1 + total_return) ** (252 / len(equity)) - 1
    drawdown = equity / equity.cummax() - 1
    max_drawdown = drawdown.min()
    sharpe = 0 if returns.std() == 0 else returns.mean() / returns.std() * np.sqrt(252)

    return {
        "total_return": total_return,
        "annual_return": annual_return,
        "max_drawdown": max_drawdown,
        "sharpe": sharpe,
    }

metrics = calc_metrics(equity_after_cost, portfolio_ret_after_cost)
print(metrics)

再画净值曲线：

import matplotlib.pyplot as plt

equity_after_cost.plot(figsize=(10, 5), title="ETF Rotation Equity")
plt.tight_layout()
plt.savefig("etf_rotation_equity.png", dpi=160)

7. 输出每天持有了什么

只看净值不够。轮动策略还应该能解释每天持仓。

holding = position.idxmax(axis=1)
has_position = position.sum(axis=1) > 0
holding = holding.where(has_position, "CASH")

report = pd.DataFrame({
    "holding": holding,
    "portfolio_ret": portfolio_ret_after_cost,
    "equity": equity_after_cost,
})

print(report.tail(20))

这份报告能告诉你：

策略最近持有什么。
什么时候切换了 ETF。
空仓发生在哪些阶段。
净值变化和持仓是否对应。

策略不能只是一个黑箱。尤其是新手阶段，你必须能解释结果。

8. 参数扫描：20 日、60 日、120 日动量谁更稳

轮动策略最重要的参数之一是动量周期。

我们可以扫描多个 lookback：

def run_rotation(close: pd.DataFrame, lookback: int) -> dict:
    momentum = close / close.shift(lookback) - 1
    selected = momentum.idxmax(axis=1)
    best_momentum = momentum.max(axis=1)

    signal = pd.DataFrame(0, index=close.index, columns=close.columns)
    for date in close.index:
        if pd.notna(best_momentum.loc[date]) and best_momentum.loc[date] > 0:
            signal.loc[date, selected.loc[date]] = 1

    ret = close.pct_change().fillna(0)
    position = signal.shift(1).fillna(0)
    portfolio_ret = (position * ret).sum(axis=1)

    turnover = position.diff().abs().sum(axis=1).fillna(0)
    cost = turnover * 0.0005
    portfolio_ret = portfolio_ret - cost
    equity = (1 + portfolio_ret).cumprod()

    metrics = calc_metrics(equity, portfolio_ret)
    metrics["lookback"] = lookback
    return metrics

results = [run_rotation(close, lb) for lb in [20, 40, 60, 120]]
result_df = pd.DataFrame(results).sort_values("sharpe", ascending=False)
print(result_df)

还是那句话：不要只看最优参数。你要看不同参数下结果是否都还能接受。

如果只有 40 日动量很好，20、60、120 都不行，那要警惕过拟合。

9. 可以继续升级的方向

ETF 轮动是一个很好的量化练习框架，因为它可以逐步加复杂度：

升级方向	示例
多持仓	每次持有动量前 2 或前 3
波动率调整	对高波动 ETF 降低权重
趋势过滤	只有指数在长期均线上方才开仓
再平衡频率	从每日切换改成每周或每月
成交额过滤	排除流动性较差的 ETF
加入债券/黄金	提高资产类别分散度

比如多持仓版本，可以让策略更平滑：

top_n = 2
signal = pd.DataFrame(0, index=close.index, columns=close.columns)

for date in momentum.index:
    row = momentum.loc[date].dropna()
    row = row[row > 0].sort_values(ascending=False).head(top_n)
    if len(row) > 0:
        signal.loc[date, row.index] = 1 / len(row)

这时策略不再把所有资金压到一个 ETF 上，而是分散到近期表现较强的多个 ETF。

10. 为什么 ETF 轮动适合新手

ETF 轮动有几个优点：

标的数量少，容易理解。
数据结构简单，适合 pandas 练习。
不需要复杂财务数据。
策略逻辑直观，容易解释。
很适合学习多资产回测。

它也有缺点：

趋势反转时可能回撤。
参数容易过拟合。
频繁切换会产生交易成本。
ETF 选择会影响结果。
过去有效不代表未来有效。

新手最应该学到的不是“ETF 轮动一定能赚钱”，而是完整研究流程：选池、取数、对齐、生成信号、延迟持仓、计算收益、加入成本、输出指标、检查参数稳定性。

这套流程学会了，以后研究股票、指数、美股、港股都能复用。

结语

ETF 轮动是普通人学习量化的好入口。

它足够简单，能让你快速跑出结果；又足够真实，能覆盖数据对齐、持仓矩阵、交易成本、参数扫描这些关键问题。

AlphaFeed 在这个过程里承担的是数据底座的角色。你用统一的 Python SDK 获取 ETF K 线和实时行情，把精力放在策略假设和回测逻辑上，而不是反复修数据接口。

先写一个简单版本，再一点点加规则。量化研究就是这样长出来的。

普通人也能理解的量化入门 - Python ETF 轮动策略