【量化实战】动量策略详解:从数学原理到Python代码实现

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sns# 设置绘图风格plt.style.use('ggplot')sns.set_palette("husl")# 1. 模拟生成5只股票，1000个交易日的价格数据np.random.seed(42)dates = pd.date_range(start='2020-01-01', periods=1000)tickers = ['Stock_A', 'Stock_B', 'Stock_C', 'Stock_D', 'Stock_E']# 模拟随机漫步价格returns = pd.DataFrame(np.random.normal(0.0005, 0.02, (1000, 5)), index=dates, columns=tickers)prices = (1 + returns).cumprod() * 100print("--- 价格数据前5行 ---")print(prices.head())

第二步：计算动量因子我们将使用 60日动量（近似3个月），并且为了简化演示，暂不剔除最近一个月（如果想剔除，可以使用 .shift(20)）。

# 3. 生成持仓信号# rank(axis=1) 对每一行（每天）的股票进行排名，method='min'rank_df = momentum_factor.rank(axis=1, ascending=False)# 选取排名前2的股票，标记为1（持有），否则为0long_position = (rank_df <= 2).astype(int)# 即使是动量策略，通常也是按月调仓，但为了演示向量化回测，# 我们这里假设每天都根据昨天的动量调整持仓（注意：实盘中这会产生巨额手续费）# 信号必须滞后一天，因为今天的收盘价算出的动量只能用于明天的交易position = long_position.shift(1).fillna(0)

# 4. 计算策略收益# 假设等权重持有选中的2只股票# 每日策略收益 = sum(个股次日收益 * 持仓权重) / 持仓数量strategy_returns = (returns * position).sum(axis=1) / 2# 计算基准收益（买入并持有所有股票的平均收益）benchmark_returns = returns.mean(axis=1)# 计算累计净值strategy_cum = (1 + strategy_returns).cumprod()benchmark_cum = (1 + benchmark_returns).cumprod()