今天，公众号将为全网读者带来QMT量化实战系列！

公众号将为大家多维度、多策略、多场景来讲述QMT量化平台的实践应用。同时，我们对每段代码都做了解读说明，愿你在Quant的道路上学有所获！

此系列将由浅入深，每月1~2期，大家敬请期待！

今日复现策略：《聚宽年化30%+的ETF轮动策略》

策略逻辑解读

🧠**** 策略核心

从4只ETF中选择动量最强的1只持有，其余清仓。

⚙️**** 动量评分

• 取每只ETF近25日收盘价
• 回归计算上涨趋势（斜率）
• 年化收益 × 拟合优度 R2R^2R2 = 动量得分
• 分数越高代表走势越强

🔁**** 交易逻辑

卖出：不在得分最高的ETF清仓

买入：若目标ETF未持有，用可用资金买入

⏱️**** 执行频率

每日调仓一次

聚宽策略定义

import numpy as npimport pandas as pdimport math  # 需要导入 math 模块，因为你在代码中使用了 math.pow 和 math.exp
# 初始化函数def initialize(context):    # 设定基准    set_benchmark('000300.XSHG')    # 用真实价格交易    set_option('use_real_price', True)    # 打开防未来函数    set_option("avoid_future_data", True)    set_slippage(FixedSlippage(0.000))  # 修正缩进    # 设置交易成本    set_order_cost(OrderCost(open_tax=0, close_tax=0, open_commission=0.0002, close_commission=0.0002, close_today_commission=0, min_commission=5), type='fund')    # 过滤一定级别的日志    log.set_level('system', 'error')    # 参数    g.etf_pool = [        '518880.XSHG',  # 黄金ETF（大宗商品）        '513100.XSHG',  # 纳指100（海外资产）        '159915.XSHE',  # 创业板100（成长股，科技股，中小盘）        '510180.XSHG',  # 上证180（价值股，蓝筹股，中大盘）    ]    g.m_days = 25  # 动量参考天数    run_daily(trade, '9:30')  # 每天运行确保即时捕捉动量变化
def get_rank(etf_pool):    score_list = []    for etf in etf_pool:        df = attribute_history(etf, g.m_days, '1d', ['close'])         y = df['log'] = np.log(df.close)        x = df['num'] = np.arange(df.log.size)        slope, intercept = np.polyfit(x, y, 1)        annualized_returns = math.pow(math.exp(slope), 250) - 1        r_squared = 1 - (sum((y - (slope * x + intercept))**2) / ((len(y) - 1) * np.var(y, ddof=1)))        score = annualized_returns * r_squared        score_list.append(score)    df = pd.DataFrame(index=etf_pool, data={'score': score_list})    df = df.sort_values(by='score', ascending=False)    rank_list = list(df.index)     record(黄金=round(df.loc['518880.XSHG'], 2))    record(纳指=round(df.loc['513100.XSHG'], 2))    record(成长=round(df.loc['159915.XSHE'], 2))    record(价值=round(df.loc['510180.XSHG'], 2))    return rank_list
# 交易def trade(context):    # 获取动量最高的一只ETF    target_num = 1    target_list = get_rank(g.etf_pool)[:target_num]    # 卖出    hold_list = list(context.portfolio.positions)     for etf in hold_list:        if etf not in target_list:            order_target_value(etf, 0)            print('卖出' + str(etf))        else:            print('继续持有' + str(etf))    # 买入    hold_list = list(context.portfolio.positions)    if len(hold_list) < target_num:        value = context.portfolio.available_cash / (target_num - len(hold_list))        for etf in target_list:            if context.portfolio.positions[etf].total_amount == 0:                order_target_value(etf, value)                print('买入' + str(etf))

QMT复现过程

step 1：函数对比

step 2：get_rank函数

def get_rank(ContextInfo):"""对 ETF 进行动量评分，返回得分从高到低的ETF列表动量评分 = 年化收益 * 拟合优度(R2)"""bar_date = timetag_to_datetime(ContextInfo.get_bar_timetag(ContextInfo.barpos - 1), '%Y%m%d%H%M%S')score_list = []etf_pool = ContextInfo.etf_pool df_list = df = ContextInfo.get_market_data_ex(['close'],etf_pool, end_time=bar_date, period='1d', count=ContextInfo.m_days, subscribe=False)# 获取过去N日的收盘价数据 for etf in etf_pool:		df = df_list[etf] if df is None or df.empty or df['close'].isnull().all() or len(df) < 5:print(f'{etf}行情数据不足 跳过')continue# 计算对数收益回归斜率（近似日收益率）		y = df['log'] = np.log(df.close)		x = df['num'] = np.arange(df.log.size)
		slope, intercept = np.polyfit(x, y, 1)
# 年化收益率 = e^(slope * 250) - 1		annualized_returns = math.pow(math.exp(slope), 250) - 1
# 拟合优度R2		r_squared = 1 - (sum((y - (slope * x + intercept)) ** 2) / ((len(y) - 1) * np.var(y, ddof=1)))
# 综合打分		score = annualized_returns * r_squared		score_list.append(score) 
	df_score = pd.DataFrame(index=etf_pool, data={'score': score_list})	df_score = df_score.sort_values(by='score', ascending=False)return list(df_score.index)

复现结果验证

交易明细验证