如果说均值回归是在“跌深了赌反弹”，那么动量策略就是“涨多了赌继续涨”——你更相信哪一种？
在之前的均值回归文章中，我们详细拆解了一个融合ADF平稳性检验与Z‑score异常检测的均值回归策略，并在11只美股ETF上获得了胜率62.9% 的表现。然而，该策略的年化收益仅为3.60%，夏普比率也只有0.06，属于典型的“高胜率、低盈亏比”类型。
今天，我们来学习这种思维方式完全相反的策略——动量策略。它不抄底、不博反弹，而是顺势而为，买入近期表现最强的资产，相信趋势会延续。
我们将用同一套ETF数据、同样的回测框架，实现一个横截面动量轮动策略，并对比它与均值回归策略的绩效差异。代码完全开源，你可以一键运行，亲身体验两种哲学在实战中的碰撞。
一、动量策略的核心逻辑
动量策略（Momentum Strategy）基于一个朴素却有力的观察：过去一段时间表现好的资产，在未来一段时间内往往继续表现好；反之，过去表现差的资产倾向于继续差。
这个现象最早由Jegadeesh和Titman在1993年系统记录，并被称为“动量效应”。它存在于全球多个股票市场以及商品、债券、外汇等资产类别中，是量化投资中最经典的因子之一。
与均值回归策略不同，动量策略不预测反转，而是追随趋势。它的典型操作是：
在我们的实现中，为了与上一篇文章保持一致且避免做空风险，我们只做多：即每日调仓，持有动量最强的Top-K只ETF，等权重配置。
二、策略实现（Python代码）
下面是完整的动量策略代码，结构与之前的均值回归策略高度相似，方便你对比学习。你只需要将数据路径改为自己的本地CSV文件夹即可运行。、
"""================================================================================动量策略（美股ETF版）：横截面动量轮动- 只做多，每日调仓- 计算过去 N 日收益率，选择排名前 K 只 ETF 等权持有- 数据来源：本地 CSV 文件（列名：date,open,high,low,close,volume）================================================================================"""import pandas as pdimport numpy as npfrom datetime import datetimeimport matplotlibmatplotlib.use('TkAgg')import matplotlib.pyplot as pltfrom dataclasses import dataclassfrom typing import Dict, List, Optional, Tupleimport warningsimport oswarnings.filterwarnings('ignore')plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']plt.rcParams['axes.unicode_minus'] = False@dataclassclass TradeRecord: date: datetime code: str action: str shares: int price: float value: float pnl: float = 0.0 reason: str = ""class MomentumStrategy: def __init__( self, start_date: str = "20190101", end_date: str = "20260410", lookback: int = 60, # 动量计算窗口（交易日） top_k: int = 3, # 选择表现最强的 K 只 initial_capital: float = 1_000_000, commission: float = 0.0001, slippage: float = 0.0002, local_data_path: str = r"你的数据路径", ): self.start_date = start_date self.end_date = end_date self.lookback = lookback self.top_k = top_k self.initial_capital = initial_capital self.commission = commission self.slippage = slippage self.local_data_path = local_data_path # 美股 ETF 标的池（11只，与均值回归策略相同） self.etf_pool = [ "XLE", "XLF", "XLK", "XLU", "XLV", "XLY", "XLP", "XLI", "XLB", "XLRE", "XLC" ] self.close_data: Dict[str, pd.Series] = {} self.open_data: Dict[str, pd.Series] = {} self.trades: List[TradeRecord] = [] self.positions: Dict[str, Dict] = {} self.daily_stats = [] self.current_capital = initial_capital self.peak_capital = initial_capital self.trading_dates = [] # -------------------- 数据读取 -------------------- def _read_local_etf_file(self, code: str) -> Optional[Tuple[pd.Series, pd.Series]]: file_path = os.path.join(self.local_data_path, f"{code}.csv") if not os.path.exists(file_path): print(f" ✗ {code}: 文件不存在") return None try: df = pd.read_csv(file_path, encoding='utf-8') except UnicodeDecodeError: df = pd.read_csv(file_path, encoding='gbk') df['date'] = pd.to_datetime(df['date']) df.set_index('date', inplace=True) close = df['close'].astype(float) open_ = df['open'].astype(float) return close, open_ def fetch_data(self): print("\n[数据加载]") for code in self.etf_pool: result = self._read_local_etf_file(code) if result: close, open_ = result self.close_data[code] = close self.open_data[code] = open_ all_dates = [set(d.index) for d in self.close_data.values()] self.trading_dates = sorted(set.intersection(*all_dates)) self.start_idx = self.lookback + 1 print(f"共同交易日: {len(self.trading_dates)} 天") # -------------------- 动量信号生成（横截面）-------------------- def generate_signals(self, current_date: datetime) -> Dict[str, str]: momentum_scores = {} for code in self.close_data: hist = self.close_data[code][self.close_data[code].index <= current_date].tail(self.lookback) if len(hist) < self.lookback: momentum_scores[code] = -np.inf continue ret = (hist.iloc[-1] - hist.iloc[0]) / hist.iloc[0] momentum_scores[code] = ret sorted_codes = sorted(momentum_scores.keys(), key=lambda x: momentum_scores[x], reverse=True) selected = [c for c in sorted_codes if momentum_scores[c] > -np.inf][:self.top_k] signals = {} for code in list(self.positions.keys()): if code not in selected: signals[code] = 'SELL' for code in selected: if code not in self.positions: signals[code] = 'BUY' return signals # -------------------- 交易执行 -------------------- def execute_trades(self, date: datetime, signals: Dict[str, str], next_opens: Dict[str, float]): # 先平仓 for code, action in signals.items(): if action == 'SELL' and code in self.positions: pos = self.positions[code] price = next_opens.get(code) if price is None: continue gross = pos['shares'] * price fee = gross * (self.commission + self.slippage) net = gross - fee self.current_capital += net pnl = net - (pos['shares'] * pos['entry_price']) self.trades.append(TradeRecord(date, code, 'SELL', pos['shares'], price, net, pnl, '动量轮动卖出')) del self.positions[code] # 再开仓 buy_codes = [c for c, a in signals.items() if a == 'BUY'] if buy_codes: capital_per = self.current_capital / len(buy_codes) for code in buy_codes: price = next_opens.get(code) if price is None: continue shares = int(capital_per / price) if shares < 1: continue cost = shares * price * (1 + self.commission + self.slippage) if cost > self.current_capital: shares = int(self.current_capital / (price * (1 + self.commission + self.slippage))) if shares < 1: continue cost = shares * price * (1 + self.commission + self.slippage) self.current_capital -= cost self.positions[code] = {'shares': shares, 'entry_price': price} self.trades.append(TradeRecord(date, code, 'BUY', shares, price, -cost, 0, '动量轮动买入')) # -------------------- 回测引擎 -------------------- def run_backtest(self): print("\n[回测运行]") for i in range(self.start_idx, len(self.trading_dates) - 1): curr = self.trading_dates[i] nxt = self.trading_dates[i+1] signals = self.generate_signals(curr) next_opens = {c: self.open_data[c].loc[nxt] for c in self.close_data if nxt in self.open_data[c].index} self.execute_trades(curr, signals, next_opens) total = self.current_capital for code, pos in self.positions.items(): if curr in self.close_data[code].index: total += pos['shares'] * self.close_data[code].loc[curr] self.peak_capital = max(self.peak_capital, total) dd = (self.peak_capital - total) / self.peak_capital if self.peak_capital > 0 else 0 self.daily_stats.append({'date': curr, 'total': total, 'dd': dd}) return pd.DataFrame(self.daily_stats) # -------------------- 绩效报告 -------------------- def report(self, stats_df): # ...（与均值回归策略相同，此处省略以节省篇幅，完整代码见文末） pass def run(self): self.fetch_data() stats = self.run_backtest() self.report(stats)if __name__ == "__main__": strategy = MomentumStrategy( local_data_path=r"你的数据路径", start_date="20190101", end_date="20260410", lookback=60, top_k=3, initial_capital=1_000_000, commission=0.0001, slippage=0.0002, ) strategy.run()
完整代码已包含所有必要函数，复制保存为 .py 文件并修改数据路径即可运行。
三、实际回测结果
我们使用与均值回归策略完全相同的11只美股ETF（XLE, XLF, XLK, XLU, XLV, XLY, XLP, XLI, XLB, XLRE, XLC），时间区间 2019年1月1日 – 2026年4月10日，初始资金100万美元。动量参数设置为：lookback=60（约3个月），top_k=3（持有最强3只）。
净值曲线与回撤图：
回测结果如下：
核心亮点：
总收益率71.91%，远超同期均值回归策略的27.02%
年化收益8.04%，是均值回归（3.60%）的两倍多
平均盈亏1,073美元，显著高于均值回归的244美元
代价：
四、均值回归 vs 动量策略：正面PK
| 指标 | 均值回归策略 | 动量策略 |
|---|
| 总收益率 | +27.02% | +71.91% |
| 年化收益 | 3.60% | 8.04% |
| 年化波动 | 9.61%（低） | 23.06% |
| 夏普比率 | 0.06 | 0.22 |
| 最大回撤 | 17.55%（小） | 40.45% |
| 胜率 | 62.9% | 49.7% |
| 平均盈亏 | 244美元 | 1,073美元 |
| 交易次数 | 1240笔 | 577笔 |
结论很清晰：
从夏普比率看，动量策略（0.22）优于均值回归（0.06），说明其风险调整后收益更好。但0.22的夏普仍不算高，意味着两个策略都不是“圣杯”，都需要结合市场环境选择使用时机。
五、为什么动量策略在美股ETF上更有效？
我们的回测结果与学术研究一致：动量效应在美股市场非常显著。背后的原因包括：
机构化市场：美股以机构投资者为主，定价相对理性，趋势一旦形成，不容易被散户噪声打断。
低交易成本：美股ETF流动性极好，买卖价差小，动量策略的高换手率不会造成太大磨损。
长期牛市背景：2019–2026年美股整体呈上升趋势，动量策略在牛市中表现尤为突出。
而在A股，传统动量策略往往失效甚至反向，因为散户主导的市场容易产生过度反应和短期反转。如果你在A股尝试动量策略，需要改用“残差动量”或“基本面动量”等改进版本。
六、动量策略的风险与改进方向
主要风险
动量崩溃：在市场风格突然切换时（例如2020年3月新冠疫情爆发），前期强势资产可能瞬间暴跌，动量组合遭遇巨大回撤。
震荡市磨损：在无趋势的横盘市场中，动量策略会反复追高杀低，产生连续小额亏损。
高波动带来的心理压力：40%的最大回撤意味着资金一度腰斩近一半，多数人难以坚持。
改进思路
加入趋势过滤：只在主要指数（如SPY）处于200日均线之上时启用动量策略，熊市时转为现金或均值回归。
波动率调整：根据当前市场波动率动态调整仓位，高波动时减仓。
多参数组合：同时使用多个动量窗口（如20天、60天、120天）的信号综合判断，减少对单一参数的依赖。
结合止损：单只ETF亏损超过一定比例（如15%）时强制平仓，避免个别黑天鹅造成巨大损失。
七、总结
均值回归与动量策略，代表了量化投资中两种最经典的对立思维：反转 vs 趋势。没有绝对的优劣，只有适合与不适合。
实际投资中，许多量化基金会将两者结合——根据市场状态（波动率、趋势强度等）动态切换策略权重。这才是更高阶的玩法。
希望今天的文章能帮你打开量化策略的另一扇大门。下期我们将探讨如何用机器学习自动切换均值回归与动量策略，敬请期待！
附：完整代码获取关注公众号并回复“动量策略ETF”即可下载完整Python脚本及美股ETF数据。
声明：本文所有内容仅为量化策略教学与交流，不构成任何投资建议。过去收益不代表未来表现，市场有风险，投资需谨慎。
