Claude Code 开发100个量化策略：行业ETF轮动策略（五年10倍）

文/猫哥AI量化

ps：4000字

朋友们，猫哥的'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。

Claude Code 开发100个量化策略：海龟交易策略

Claude Code 开发100个量化策略：全天候策略

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。

关于Ptrade和QMT的对比，猫哥目前也是有一定的心得，就是Ptrade是运行在券商服务器上，好处是获取行情很快延迟很低，适合高频、打板类的策略，但是因为服务器资源有限，回测速度比较慢。

QMT则是运行在本地电脑上，回测速度很快，但是获取行情的速度可能就比不上Ptrade，所以适合一些低频的、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。

今天猫哥给大家带来一个更有'攻击性'的策略——行业ETF轮动策略。

轮动策略是什么？

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。

需要注意的是，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。

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。

代码实现长这样：

# 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。

1. 对过去18天的最高价和最低价做线性回归
2. 得到的斜率代表'上涨空间相对下跌空间的大小'
3. 计算这个斜率在过去600天中的Z-score（标准分）
4. 再乘以R²修正，得到最终的RSRS得分

# 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

RSRS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 > 0.7and today_MA > before_MA:
    signal = 'BUY'# RSRS强势 + 均线上升 = 买入
elif rsrs_score < -0.7and 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。

第一种是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。

那么第二种是什么，第二种是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: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。 

此外，我还可以在此基础上添加大盘择时，例如RSRS、均线等等，可以说在AI的加持下，已经可以自由将头脑中的想法，转化为量化策略去实现。

第三步：回测验证和优化

生成代码后，放到QMT或Ptrade平台回测。如果有报错或逻辑问题，直接把错误信息复制给AI，它会帮你快速定位和修复。

例如猫哥在回测的时候遇到一个问题，就是ETF数据不足，很多行业ETF上市时间不一致，如果在回测时间之后上市的，获取不到数据就会报错。

 于是我通过AI添加一个功能，加入数据完整性检测，不足25天的ETF跳过评分。

回测结果

下面看一下回测结果，回测时间是2020年1月1日-2025年9月30日：

回测截止到2025年9月30日，单位净值是10.162，五年10倍，年化收益率51.39%，夏普比率1.46，效果是非常好的，但是也需注意，策略在2023年之前，收益率曲线并没有很陡峭，因为股池大部分是科技类ETF，而科技牛是在2023年ChatGPT横空出世，特别是去年的九二四行情以来，市场风格偏向科技，特别是AI股的炒作，所以如果你看好未来继续延续AI科技的风格，那么此策略可以关注；如果更看好反内卷等低位板块，需要重新考虑如何设计ETF池子。

刚才展示的是添加了RSRS择时和均线择时的情况，现在展示一下取消均线择时，仅仅依靠RSRS择时是什么效果：

可以看到，取消了均线择时，仅依靠RSRS的择时，会降低策略的表现，但效果也还不错，五年8倍，年化46.12%，夏普1.36 。

本来还想展示一下，完全不择时，满仓轮动是什么效果。但国金的QMT这几天一直登不上去，哎想研究一下策略都那么难，下午好不容易登上去了，没回测几次就崩了自动退出了，等下次有机会再更新吧。

总结

通过这个案例，我们不仅学到了一个轮动策略，更重要的是理解了几个投资思想：

1. 动量投资的本质，动量投资不是追涨杀跌，而是识别趋势并跟随趋势。斜率×R²这个指标，本质上是在量化'趋势的强度和确定性'。

2. 择时的必要性，纯轮动策略在单边下跌中也会亏损，加入择时功能可以在系统性风险来临时及时止损。但择时不是预测，而是对市场状态的响应。

3. AI的价值，Claude Code在这个案例中展现了强大能力：不仅能实现交易逻辑，还能考虑工程细节、处理异常情况、优化代码结构。这大大降低了量化策略开发的门槛。

但AI只是工具，策略思想还是要靠人。你需要清楚地知道自己想要什么策略、适合什么市场、能承受多大风险，然后让AI帮你实现。

 认真研究策略背后的逻辑，理解市场的运行规律，才是投资的长久之道。