问题描述
请写一个行业 ETF 动量轮动策略
解决方案
这是一个基于 QMT 平台的 行业 ETF 动量轮动策略。
策略逻辑
- 标的池：选取代表不同行业的 ETF（如半导体、医药、证券、新能源、消费等）。
- 动量因子：计算过去 N 天（例如 20 天）的收益率作为动量指标。
- 排序与筛选：根据动量因子从高到低排序，选取排名前 M 只（例如前 2 只）ETF。
- 轮动交易：
- 卖出：如果持仓的 ETF 不在最新的优选列表中，则清仓。
- 买入/调仓：对优选列表中的 ETF 进行等权重买入或调仓。
- 风控/择时（可选）：本示例为纯轮动，不包含大盘择时，旨在展示轮动框架。
策略代码
# -*- coding: gbk -*-
import pandas as pd
import numpy as np
def init(ContextInfo):
"""
初始化函数，设定策略参数和股票池
"""
# 1. 设定资金账号 (请替换为您自己的资金账号)
ContextInfo.accID = '6000000000'
ContextInfo.set_account(ContextInfo.accID)
# 2. 设定行业ETF池 (示例代码，涵盖主要行业)
# 512480: 半导体, 512010: 医药, 512880: 证券, 515030: 新能源车
# 512690: 酒ETF, 515000: 科技ETF, 512170: 医疗ETF, 510300: 沪深300(作为防守或基准)
ContextInfo.etf_pool = [
'512480.SH', '512010.SH', '512880.SH', '515030.SH',
'512690.SH', '515000.SH', '512170.SH', '510300.SH'
]
ContextInfo.set_universe(ContextInfo.etf_pool)
# 3. 策略参数
ContextInfo.lookback_days = 20 # 动量回顾周期 (N日收益率)
ContextInfo.hold_count = 2 # 持仓数量 (持有排名前几的ETF)
ContextInfo.rebalance_period = 1 # 调仓频率 (每隔多少个bar调仓，1代表每天)
# 4. 费率设置 (回测用)
# 佣金万三，印花税千一(ETF通常免印花税，此处仅为示例)
ContextInfo.set_commission(0, [0.0001, 0.0001, 0.0003, 0.0003, 0, 5])
print("策略初始化完成，ETF池数量：", len(ContextInfo.etf_pool))
def handlebar(ContextInfo):
"""
K线周期运行函数
"""
# 获取当前K线索引
index = ContextInfo.barpos
# 确保有足够的历史数据计算动量
if index < ContextInfo.lookback_days:
return
# 控制调仓频率 (例如每隔N天调仓一次)
# 如果是日线回测，index即代表天数
# 如果是实盘，通常建议在尾盘或固定时间运行，此处简化为每个bar运行
if index % ContextInfo.rebalance_period != 0:
return
# --- 1. 获取数据 ---
# 获取过去 lookback_days + 1 天的收盘价，用于计算收益率
# 使用 get_market_data_ex 接口
# count = lookback_days + 1 (因为要计算 N 天前的价格作为基数)
market_data = ContextInfo.get_market_data_ex(
fields=['close'],
stock_code=ContextInfo.etf_pool,
period='1d',
count=ContextInfo.lookback_days + 1,
dividend_type='front' # 前复权
)
# --- 2. 计算动量 ---
momentum_scores = {}
for code in ContextInfo.etf_pool:
if code in market_data:
df = market_data[code]
# 检查数据长度是否足够
if len(df) >= ContextInfo.lookback_days + 1:
# 获取最新收盘价和N天前的收盘价
current_price = df['close'].iloc[-1]
old_price = df['close'].iloc[0] # 取第一条数据作为基准
# 计算收益率 (动量)
if old_price > 0:
ret = (current_price - old_price) / old_price
momentum_scores[code] = ret
# 如果没有有效数据，直接返回
if not momentum_scores:
return
# --- 3. 排序与筛选 ---
# 将字典按收益率从大到小排序
sorted_momentum = sorted(momentum_scores.items(), key=lambda x: x[1], reverse=True)
# 选取排名前 hold_count 的 ETF 代码
target_list = [item[0] for item in sorted_momentum[:ContextInfo.hold_count]]
# 打印当天的排名情况 (调试用)
# date_str = timetag_to_datetime(ContextInfo.get_bar_timetag(index), '%Y-%m-%d')
# print(f"{date_str} 动量排名: {sorted_momentum[:3]}... 目标持仓: {target_list}")
# --- 4. 交易执行 ---
# 获取当前持仓
# 注意：回测模式下，get_trade_detail_data 返回的是回测账户状态
# 实盘模式下，返回的是真实账户状态
positions = get_trade_detail_data(ContextInfo.accID, 'stock', 'position')
current_holdings = [obj.m_strInstrumentID + '.' + obj.m_strExchangeID for obj in positions if obj.m_nVolume > 0]
# A. 卖出逻辑：不在目标列表中的持仓，全部卖出
for code in current_holdings:
if code not in target_list:
# 目标价值设为0，即清仓
order_target_value(code, 0, ContextInfo, ContextInfo.accID)
# print(f"卖出: {code}")
# B. 买入逻辑：在目标列表中的，调整至目标仓位
# 计算每只ETF的目标市值 (总资产 / 持仓数量)
# 获取账户总资产
account_info = get_trade_detail_data(ContextInfo.accID, 'stock', 'account')
if len(account_info) > 0:
total_asset = account_info[0].m_dBalance
# 预留少量现金防止手续费不足，乘以 0.98
target_value_per_etf = (total_asset * 0.98) / ContextInfo.hold_count
for code in target_list:
# 使用 order_target_value 自动计算买卖数量达到目标金额
# 23代表买入(股票)，1101代表单股单账号普通下单(此处order_target_value封装了passorder)
# 注意：order_target_value 在回测中非常方便，实盘中需谨慎使用，因为它会市价下单
order_target_value(code, target_value_per_etf, ContextInfo, ContextInfo.accID)
# print(f"买入/调仓: {code}, 目标金额: {target_value_per_etf}")
代码关键点解析
-
# -*- coding: gbk -*-:- 这是 QMT Python 策略文件的必须声明，否则中文注释会导致编译错误。
-
数据获取 (
get_market_data_ex):- 我们使用
get_market_data_ex获取多只股票的历史数据。 count=ContextInfo.lookback_days + 1：为了计算 20 日涨幅，我们需要获取当前日期往前推 21 个数据点（第 1 个点是基准，第 21 个点是当前价）。dividend_type='front'：使用前复权数据，保证收益率计算不受分红除权影响。
- 我们使用
-
动量计算:
- 逻辑简单直接：
(当前收盘价 - N天前收盘价) / N天前收盘价。 - 使用了
sorted函数对字典进行降序排列。
- 逻辑简单直接：
-
交易执行 (
order_target_value):- 这是一个非常便捷的高级交易函数。它会自动判断当前持仓和目标市值的差额，自动发出买入或卖出指令。
- 例如：目标持有 5 万元，当前持有 3 万元，它会自动买入 2 万元；如果当前持有 0，则买入 5 万元。
- 资金分配：代码中将总资产乘以
0.98，预留 2% 的资金用于支付手续费和防止因价格波动导致的废单。
-
实盘与回测:
- 该代码既可用于回测，也可用于实盘（需将
ContextInfo.accID替换为真实账号，并将运行模式切换为实盘）。 - 注意：实盘中使用
order_target_value默认通常以市价或对手价下单，请确保 ETF 流动性充足。
- 该代码既可用于回测，也可用于实盘（需将
常见问题 Q&A
Q: 如何修改动量周期？
A: 修改 init 函数中的 ContextInfo.lookback_days = 20，例如改为 60 即为 60 日动量。
Q: 为什么使用 get_market_data_ex 而不是 get_market_data？
A: get_market_data_ex 是 QMT 推荐的新版接口，返回的数据结构（Pandas DataFrame/Panel）更规范，且支持订阅和历史数据的一体化获取，处理多股数据更方便。
Q: 策略在盘中会频繁交易吗？
A: 代码中设置了 if index % ContextInfo.rebalance_period != 0: return。如果 rebalance_period 设为 1 且运行周期为日线，则每天收盘（回测）或每天盘中（实盘，取决于运行频率设置）检查一次。如果在实盘中想固定在每天 14:50 交易，可以在 handlebar 中增加时间判断逻辑：
import time
# 获取当前tick时间
timetag = ContextInfo.get_tick_timetag()
now_time = timetag_to_datetime(timetag, '%H%M%S')
# 仅在 14:50 到 14:55 之间运行逻辑
if not ('145000' <= now_time <= '145500'):
return