通达信TQ实现ETF动量轮动

之前写了通达信TQ获取股票、可转债、期货数据，有同学留言区问能获取etf基金数据。 这里写一篇关于etf动量轮动的文章介绍。

一、为什么是ETF轮动？

先说策略底层的逻辑。

A股有一个非常显著的特征：不同大类资产之间的轮动极为明显。

2023年AI概念爆发，通信ETF一骑绝尘；2024年避险情绪升温，黄金ETF持续走强；美股科技长牛，纳指ETF屡创新高；市场不好时，国债ETF是唯一的避风港。

这些资产之间的相关性很低。黄金涨的时候，创业板不一定涨；纳指跌的时候，A股价值股可能纹丝不动。

ETF轮动的核心思路就是：不预测哪个会涨，只跟踪谁正在涨。 每天算一算哪个ETF势头最猛，全仓持有它，第二天再算一遍，该换就换。

不用选股，不用研究财报，不用盯盘——让动量替你做决定。

二、ETF池怎么选？低相关性是关键

ETF池不是随便选的。很多人一上来就选科创50、芯片、半导体、5G通信——这些ETF的成分股大量重叠，走势几乎同步，轮动等于白换仓，还搭上手续费。

选池原则：跨资产、跨市场、低相关性。

我最终选了6只ETF，覆盖四个资产类别：

怎么验证低相关性？用皮尔逊相关系数算一下就知道了：

df_returns = pd.DataFrame({code: df['close'].pct_change() for code, df in data_dict.items()})
corr_matrix = df_returns.corr()

黄金和国债的相关性约0.1，纳指和创业板约0.3，大部分组合的相关性都在0.5以下。这个池子做轮动才有意义——涨跌不同步，换仓才能捕捉到差异收益。

代码里我也封装了相关性分析功能，运行 python etf_momentum_tq_strategy.py corr 即可查看矩阵。

三、三因子动量模型：不是简单的"谁涨得多"

很多人理解动量就是看涨幅，谁涨得多买谁。这太粗糙了。

我的模型从三个维度评分：趋势强度、短期动量、量能指标。 三个因子各司其职，互相印证。

3.1 趋势强度（权重40%）：衡量"涨得稳不稳"

取最近25个交易日的收盘价，取对数后做线性回归。得到两个值：

• 斜率：代表上涨速度，将其年化得到年化收益率
• R²（决定系数）：衡量走势的线性程度，越接近1说明越像一条直线

趋势得分 = 年化斜率 × R²

举个例子：ETF-A和ETF-B最近都涨了20%，但A是稳步上涨，R²=0.9；B是暴涨暴跌，R²=0.3。A的趋势得分远高于B。

为什么？因为稳步上涨的趋势更可能延续，而暴涨暴跌往往是资金博弈的结果，持续性差。

log_prices = np.log(closes[-window:])
x = np.arange(len(log_prices))
slope, intercept = np.polyfit(x, log_prices, 1)
annualized_return = math.pow(math.exp(slope), 250) - 1

# R²
y_pred = slope * x + intercept
ss_tot = np.sum((log_prices - np.mean(log_prices))**2)
ss_res = np.sum((log_prices - y_pred)**2)
r_squared = 1 - ss_tot / ss_tot if ss_tot > 0 else 0

trend_score = annualized_return * r_squared

3.2 短期动量（权重35%）：捕捉"近期爆发力"

趋势强度看的是25天的整体走势，但市场热点切换很快，还需要捕捉近期的加速信号。

动量得分 = 0.6 × 5日ROC + 0.4 × 10日ROC

5日权重更大，因为它更能反映最近资金的流向变化。一只ETF如果5日涨幅突然放大，很可能是新一轮行情启动。

roc5 = (closes[-1] / closes[-6] - 1) * 100
roc10 = (closes[-1] / closes[-11] - 1) * 100
momentum = 0.6 * roc5 + 0.4 * roc10

3.3 量能指标（权重25%）：确认"有没有资金支撑"

量在价先。无量上涨是空中楼阁，随时可能反转。

量能指标 = ln(5日均量 / 20日均量)

如果近期成交量远高于长期均量，指标为正且数值大，说明有真金白银在涌入，趋势的含金量更高。如果缩量上涨，即使价格在涨，量能指标会拉低综合得分，给你一个"注意风险"的信号。

vol_ma5 = np.mean(volumes[-5:])
vol_ma20 = np.mean(volumes[-20:])
volume_indicator = np.log(vol_ma5 / vol_ma20)

3.4 综合评分

综合得分 = 40%×趋势 + 35%×动量 + 25%×量能

每日对所有ETF评分，全仓持有得分最高的那只。

四、均线空仓：熊市保命的底线

光有相对排名还不够。如果全市场都在跌，"最不差"的那个也不该持有。

所以加了一道60日均线过滤：当前价格低于60日均线的ETF，直接排除。如果所有ETF都低于均线——空仓等待。

这条规则的威力在熊市中体现得淋漓尽致。2022年全市场下跌、2024年初微盘股崩盘，均线过滤能让你在第一时间退出，避免扛着亏损硬撑。

ma_value = np.mean(closes[-60:])
current_price = closes[-1]
if current_price < ma_value:
    # 低于均线，排除该ETF
    score = -999

有人会说："空仓会不会错过反弹？"

会。但量化交易的核心不是抓住每一次机会，而是只在胜率站在你这边的时候下注。 均线之上，趋势是你的朋友；均线之下，现金是最好的持仓。

五、注意事项

1. 注意TQ版本兼容性。 TQ策略功能仅支持专业研究版和量化模拟版V7.73，普通金融终端V7.73已移除该功能。下单前先确认你的版本是否支持。

2. 别小看手续费。 ETF轮动是每日调仓，如果ETF之间的动量差距不大，频繁换仓的手续费会吃掉轮动收益。代码中设了0.03%的手续费率，回测时一定要算进去。

3. 均线周期可以优化。 60日均线偏保守，如果你希望更灵活，可以缩短到20日；如果希望更稳，可以拉长到120日。但不要过度拟合——用2024年数据调出来的最优参数，2025年未必管用。

4. 滑点对ETF影响不大，但不能忽略。 ETF流动性普遍好，但在尾盘急跌或开盘跳空时，市价单可能成交在较差的价格。代码中默认0.1%滑点，保守但合理。

5. 空仓不可怕，扛亏才可怕。 均线过滤会让策略在某些时段空仓，看着别人赚钱心里痒。但量化的意义就是执行纪律——信号不满足就不动，这是系统最大的优势。

六、完整代码获取方式

完整可运行代码 etf_momentum_tq_strategy.py 已整理好，四种运行模式：

python etf_momentum_tq_strategy.py signal    # 查看当前信号
python etf_momentum_tq_strategy.py backtest  # 回测
python etf_momentum_tq_strategy.py corr      # 相关性分析
python etf_momentum_tq_strategy.py live      # 实盘运行，仅供参考

使用前修改配置中的通达信路径和账号信息，先用 signal 模式验证。

代码获取3种途径：

1、点赞、在看、转发三连，这种方式的灵感看群里同学转发XX公众号，看看是不是好的传播方式

2、 不想让人看到，随意赞赏也可以

3、 直接知识星球获取完整代码

这里说明下，后续本号文章调整为每天20:00发布，感觉晚上发布流量好些。 明天就要开盘了， 挣点零花钱明天加仓干。