五年10倍！用Claude Code打造“攻击性”行业轮动策略

87e4770f583d539caaf1b6cff1bd9ff3.png# Claude Code 开发100个量化策略：行业ETF轮动策略

朋友们，利用"Claude Code开发100个量化策略"系列又更新了！前两期我们分别讲了经典的海龟交易策略和稳健的全天候策略，反响热烈。

至于为什么一段时间没有更这个系列呢，是因为猫哥之前一直用Ptrade，现在正在陆续切换到QMT，所以这几天一直在熟悉接口规范、数据结构啥的。

Ptrade vs QMT 平台对比

关于Ptrade和QMT的对比，猫哥目前也是有一定的心得：

  • Ptrade：运行在券商服务器上

    • 优点：获取行情很快延迟很低，适合高频、打板类的策略
    • 缺点：服务器资源有限，回测速度比较慢

  • QMT：运行在本地电脑上

    • 优点：回测速度很快
    • 缺点：获取行情的速度可能就比不上Ptrade
    • 适合：低频的、需要大量回测的策略，例如因子投资、ETF轮动这种

所以猫哥也会视策略的不同，选择合适的平台进行回测和交易。

行业ETF轮动策略详解

什么是轮动策略？

说到轮动策略，很多朋友可能不太熟悉。简单来说，就是在一篮子资产中，定期挑选表现最好的进行持仓，表现差的就踢出去。

为什么轮动策略有效呢？ 这背后有几个市场逻辑：

  • 动量效应：涨得好的资产短期内往往会继续涨（趋势延续）
  • 行业轮动：经济周期不同阶段，不同行业表现差异巨大
  • 相对强弱：同一时期总有强势板块和弱势板块

今天我们要实现的策略，就是在9个行业ETF中，每天计算它们的"动量得分"，然后选出得分最高的持仓。
383c1c9f269f0ced950dfef1aeefe5de.png

注意：因为股票池是固定的，所以一定程度上有过拟合的问题，股池以偏向科技类ETF居多，适合最近的市场风格，但是未来的市场风格能不能继续这样演绎下去，就见仁见智了。

策略示意图

策略核心逻辑

💡 核心亮点1：斜率动量打分

传统的动量策略往往只看涨跌幅，比如"买入过去20天涨幅最大的"。但这个策略更聪明，它用的是线性回归斜率。
383c1c9f269f0ced950dfef1aeefe5de.png

什么意思呢？ 举个例子：

  • ETF-A：20天涨了10%，但走势曲折，今天涨明天跌
  • ETF-B：20天也涨了10%，但走势流畅，稳步上涨

虽然涨幅一样，但ETF-B的趋势更稳定，未来继续上涨的概率更大。线性回归斜率就是用来量化这种"趋势稳定性"的。

更妙的是，策略还乘以了R²（决定系数）。R²越大，说明价格走势越接近一条直线，趋势越清晰。这样就能筛选出既涨得快、又涨得稳的优质标的。

代码实现：

# 计算斜率动量得分
x = np.arange(1, N_DAYS + 1)  # 时间序列
y = df['close'] / df['close'].iloc[0]  # 价格归一化

lr = LinearRegression()
lr.fit(x.reshape(-1, 1), y)

slope = lr.coef_[0]  # 斜率
r_squared = lr.score(x.reshape(-1, 1), y)  # R²

# 最终得分 = 斜率 × R² × 10000
score = 10000 * slope * r_squared

💡 核心亮点2：RSRS择时系统

光会选股还不够，还得知道什么时候该买、什么时候该躲。

这就要靠RSRS择时指标了。RSRS全称是"阻力支撑相对强度"，由光大证券在2017年发布的研报《基于阻力支撑相对强度的市场择时》中提出。

计算步骤：

对过去18天的最高价和最低价做线性回归

得到的斜率代表"上涨空间相对下跌空间的大小"

计算这个斜率在过去600天中的Z-score（标准分）

再乘以R²修正，得到最终的RSRS得分
853b29476866da5131f52a34ebb7d5e9.png

# 计算RSRS指标
high_data = data['high'].values
low_data = data['low'].values
_, slope, r2 = get_ols_regression(low_data, high_data)

# 计算Z-score
rsrs_score = get_zscore(slope_series) * r2

SRS得分的含义：

大于0.7：市场处于强势，支撑远大于阻力，可以买入

小于-0.7：市场处于弱势，阻力远大于支撑，应该清仓

-0.7到0.7之间：震荡行情，保持现状

但光靠RSRS还不够，策略还加入了20日均线过滤：

# 均线信号
today_MA = close_data.iloc[MEAN_DIFF_DAY:].mean()  # 当前均线
before_MA = close_data.iloc[:-MEAN_DIFF_DAY].mean()  # 5天前的均线

# 综合判断
if rsrs_score > 0.7 and today_MA > before_MA:
    signal = "BUY"  # RSRS强势 + 均线上升 = 买入
elif rsrs_score < -0.7 and today_MA < before_MA:
    signal = "SELL"  # RSRS弱势 + 均线下降 = 清仓
else:
    signal = "KEEP"  # 维持现状

这种双重确认机制，有效降低了虚假信号。只有当市场真正转强或转弱时，才会发出交易信号。

🛠️ 如何用Claude Code开发？

好了，讲完策略原理，该说说怎么用AI开发了。

猫哥这次的开发过程也是全程AI辅助，几乎没怎么手动改代码。

关于AI写量化策略，猫哥最近也有自己的心得体会，大体分为两种方式，第二种最简单。

第一种方式

你脑海中有一个想法，但是没有现成的代码，所以需要给AI提出非常详细的需求描述，例如：

整体的逻辑是什么

  • 如何选股

  • 如何交易

  • 如何设置参数

  • 函数应该如何命名

  • 如何处理异常

  • 如何持久化交易数据等等

需要AI先阅读QMT的文档，然后根据你的需求去写代码（最好写一个完整的需求文档），相当于从头开始，不建议这样做。

第二种方式

你已经有了一个完整的QMT代码，虽然这个代码的交易逻辑可能跟你脑海中的想法不一样，但是在数据获取、交易下单、异常处理等模块，已经写好了现成的代码，直接就可以在其他代码里用。

例如之前猫哥写了这样一篇文章：
十年26倍，ETF乖离动量轮动策略了解一下

这个代码是做宽基ETF轮动，例如创业板ETF、国债ETF、纳指ETF等等，那么我这次想做行业ETF是不是就改一下股票池就可以？

此外这个代码是基于90日均线的乖离率做线性回归，但我觉得行业ETF的价格波动更剧烈想改成价格的线性回归，是不是直接让AI改就可以？

prompt示例：

将 ETF乖离动量轮动策略.py 的ETF动量评分方式，修改为直接对股价本身做线性回归。

StockAPI 2025 全景介绍
stockapi是一个专业的股票数据分析与量化交易接口平台。把行情、指标与特色数据“一条链路”拉到本地
定位
StockAPI 是一套面向量化交易者、财经 App 与内部投研系统的「一站式股票数据接口」；2025 版本在原有实时行情基础上，补全了技术指标、集合竞价、龙虎榜三大刚需模块，并全部提供 REST/JSON 与 WebSocket 双协议。

stockapi官网（www.stockapi.com.cn）

股票数据接口文档

1. 板块、概念成分股列表

接口说明：接口说明：板块、概念个股列表复盘必备工具
更新时间：交易日17:00
接口地址：
https://stockapi.com.cn/v1/base/bkList?bkCode=BK1036&pageNo=1&pageSize=50

2.1 板块代码

接口地址：
https://stockapi.com.cn/v1/base/bk

posted on 2025-10-10 21:16  星星之火之  阅读(6)  评论(0)    收藏  举报

博客园  ©  2004-2025
浙公网安备 33010602011771号 浙ICP备2021040463号-3