如何用 Python 回测动量轮动策略？（多只 ETF/股票按强弱定期换仓，含手续费）

Q: 能用于股票池而不是 ETF 吗？

可以，把 `codes` 换成股票代码即可；注意股票有印花税、涨跌停与停牌，`FEE` 和成交假设要更保守。

Q: 需要付费吗？

少量标的批量取数有免费额度；大候选池 / 全市场轮动（`klines.batch` + `universes`）需 Starter 及以上。详见[定价页](https://alphafeed.org/)。

策略与回测 · 代码验证于 2026-09-26

如何用 Python 回测动量轮动策略？

一句话回答： 动量轮动的核心是「每期只持有最强的 N 只，定期把转弱的换掉」。用 AlphaFeed 的 klines.batch 批量取前复权日线，算出每只标的的动量（如过去 60 日收益）排名，月末决策、次月开盘换仓避免未来函数，扣手续费，几十行就能回测一个多标的轮动组合，并和等权持有对比。

为什么会有这个问题 / 传统做法的痛点

单只股票的择时回测很常见，但「一篮子标的按强弱轮动」才是 ETF 轮动、板块轮动的真实玩法。难点在于：① 要横向比较多只的动量并排名；② 调仓时点要避免未来函数（用当期数据决策、下一期开盘成交）；③ 换仓有手续费。把这三点处理好，就是一个可信的轮动回测框架。

分步骤解决（每步配可运行代码）

第 1 步：批量取多只标的的前复权日线

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

# 一篮子候选（示例用几只宽基/行业 ETF，可换成任意股票池）
codes = ["510300.SH", "510500.SH", "159915.SZ", "512880.SH", "518880.SH"]
data = af.klines.batch(codes, period="1d", count=500,
                       adjust="forward", to_dataframe=True)  # dict{symbol: DataFrame}

# 拼成“收盘价宽表”：行=交易日，列=标的
closes = pd.DataFrame({
    s: k.sort_values("trade_date").set_index("trade_date")["close"]
    for s, k in data.items()
}).dropna(how="all")
opens = pd.DataFrame({
    s: k.sort_values("trade_date").set_index("trade_date")["open"]
    for s, k in data.items()
})
print(closes.tail(3))

第 2 步：算动量并取每月末的排名

LOOKBACK = 60   # 动量回看天数
TOP_N = 2       # 每期持有最强的 N 只

mom = closes.pct_change(LOOKBACK)                 # 过去 LOOKBACK 日收益=动量
idx = pd.to_datetime(closes.index)
month_end = closes.groupby([idx.year, idx.month]).tail(1).index  # 每月最后交易日

# 每个月末：选动量最高的 TOP_N 只作为下月持仓
holdings = {}
for d in month_end:
    row = mom.loc[d].dropna()
    holdings[d] = list(row.nlargest(TOP_N).index) if len(row) >= TOP_N else []

参数	含义	本文取值
`LOOKBACK`	动量回看窗口（日）	60
`TOP_N`	每期持有只数	2
调仓频率	决策周期	月度（月末决策）
成交时点	避免未来函数	次月首个交易日开盘

第 3 步：次月开盘换仓，计算带手续费的组合净值

FEE = 0.0006  # ETF 单边约 0.06%（无印花税），按实际调整
dates = list(closes.index)
me_list = list(month_end)
equity = 1.0
records = []
prev_hold = []

for i, d in enumerate(me_list[:-1]):
    hold = holdings[d]
    # 下一个交易日（次月开盘）到下个月末，持有 hold 等权
    start = dates[dates.index(me_list[i]) + 1] if dates.index(me_list[i]) + 1 < len(dates) else None
    end = me_list[i + 1]
    if start is None or not hold:
        continue
    # 区间收益：各持仓从 start 开盘 到 end 收盘 的等权收益
    seg = []
    for s in hold:
        p0 = opens[s].get(start); p1 = closes[s].get(end)
        if pd.notna(p0) and pd.notna(p1):
            seg.append(p1 / p0 - 1)
    ret = sum(seg) / len(seg) if seg else 0.0
    # 换手成本：与上期持仓不同的部分计费（近似：换手比例×2×FEE）
    turnover = len(set(hold) ^ set(prev_hold)) / max(len(hold), 1)
    ret -= turnover * FEE
    equity *= (1 + ret)
    records.append({"调仓日": str(d)[:10], "持仓": hold, "区间收益": round(ret, 4),
                    "净值": round(equity, 4)})
    prev_hold = hold

bt = pd.DataFrame(records)
print(bt.tail(6).to_string(index=False))

第 4 步：与等权持有对比

# 基准：全部标的等权买入持有
bench = closes.mean(axis=1)
bench_ret = bench.iloc[-1] / bench.iloc[0] - 1
strat_ret = equity - 1
print(f"动量轮动累计 {strat_ret:.2%} | 等权持有累计 {bench_ret:.2%} | 调仓 {len(bt)} 次")

关键坑与注意事项

避免未来函数：用月末数据决策，次月开盘才换仓成交；别用当期收盘价当期成交。
前复权价：跨除权日必须用 adjust="forward"，否则动量与收益失真。
对齐交易日：不同标的停牌会造成缺失，拼宽表后按需 dropna/前值处理，注意别引入未来数据。
手续费与换手：轮动天然高换手，务必扣费；ETF 无印花税、个股有，按品种设 FEE。
样本与幸存者偏差：候选池应包含当时真实存在的标的，别用「现在的赢家」回测历史（前视偏差）。
参数敏感：LOOKBACK、TOP_N、调仓频率对结果影响大，需多组稳健性测试，避免过拟合。
本文为简化模型：未完全模拟涨跌停无法成交、停牌、资金分配取整等，实盘更保守。

常见问题（FAQ）

Q：为什么用月末决策、次月开盘成交？ A：月末才知道当月动量排名，用它决定下月持仓，并在下月第一个交易日开盘成交——这样不使用未来信息，可真实执行。

Q：动量用多久的回看窗口？ A：常见 60/120/250 日。短窗口反应快但噪音大，长窗口稳但滞后。建议多测几组看稳健性。

Q：能用于股票池而不是 ETF 吗？ A：可以，把 codes 换成股票代码即可；注意股票有印花税、涨跌停与停牌，FEE 和成交假设要更保守。

Q：需要付费吗？ A：少量标的批量取数有免费额度；大候选池 / 全市场轮动（klines.batch + universes）需 Starter 及以上。详见定价页。

小结

动量轮动回测的关键不在选股逻辑，而在框架的严谨性：批量取前复权日线拼宽表、横向排名选最强 N 只、月末决策次月开盘换仓避免未来函数、扣手续费、和等权持有对比。用 AlphaFeed 的 klines.batch 几十行就能搭出这个多标的轮动回测框架，客观检验「追强弃弱」在你的标的池上是否有效。