昨天仔细的介绍了动量策略1的原理，计算公式，运用等，今天看怎么样利用QMT实现动量策略的回测，做策略的研究，给一个简单的学习代码

第一步打开qmt，先补充完整历史数据，点击界面的操作，下面有一个数据管理

点击自己需要的数据补充就可以，也可以自定义标的补充，自定义时间等

点击建立策略，编辑进入策略就可以，简单的回测框架的认识，账户在回测模块中不需要输入都可以

主要注意数据的调用周期需要和右边设置周期一样，默认周期

驱动回测框架，和排序选股算法

动量的买卖轮动交易算法，不在排名的卖出，在的继续持有

其它就是检查函数，比如读取持股，账户等数据

点击回测按钮就可以，注意区分回测按钮和运行按钮，运行按钮是实盘调试当前数据，回测按钮是驱动历史回测的

点击返回界面就可以看见回测的详细数据

标的主要是宽基，波动相对小一点

在黄金、纳指、创业板三个低相关资产中，用"加权对数回归的斜率×R²"选出趋势最强且最稳定的一个满仓持有；同时用N日均线做个股和A股指数双重止损，跌破即空仓——本质是一个"趋势跟踪+风险平价+全天候"的轮动策略。

def MOM(c,date,df,index_df,etf):
    y = np.log(df['close'].values)
    df['line']=df['close'].rolling(c.line).mean()
    n = len(y)  
    x = np.arange(n)
    weights = np.linspace(1,2, n)  # 线性增加权重
    slope, intercept = np.polyfit(x, y, 1, w=weights)
    annualized_returns = math.pow(math.exp(slope), 250) - 1
    residuals = y - (slope * x + intercept)
    weighted_residuals = weights * residuals**2
    r_squared = 1 - (np.sum(weighted_residuals) / np.sum(weights * (y - np.mean(y))**2))
    last_price=df['close'].tolist()[-1]
    last_line=df['line'].tolist()[-1]
    #计算指数风控
    index_df['line']=index_df['close'].rolling(c.index_line).mean()
    last_index=index_df['close'].tolist()[-1]
    last_index_line=index_df['line'].tolist()[-1]
    
    score = annualized_returns * r_squared
    if c.is_index=='是':
        #先检查是否触发指数风险
        if last_index<last_index_line and etf in c.index_trader_stock:
            score=-100
            print(date,etf,'触发指数风险控制卖出*****************')
        else:
            print(date,etf,'没有触发指数风险控制*****************')
            score=score
    else:
        score=score
        print(date,etf,'没有开启指数风险控制*****************')
    if c.is_stock=='是':
        if last_price<last_line:
            score=-100
            print(date,etf,'触发个股风控卖出************')
        else:
            print(date,etf,'没有触发个股风控卖出************')
            score=score
    else:
        print(date,etf,'没有开启个股风控************')
        score=score
    return score
def get_rank(c,etf_pool,score_list):
    df = pd.DataFrame(index=etf_pool, data={'score':score_list})
    df = df.sort_values(by='score', ascending=False)
    #total_score = df['score'].sum() 不告诉你这个怎么用
    df = df[(df['score'] > c.min_value) & (df['score'] <= c.max_value)] #安全区间，动量过高过低都不好
    rank_list = list(df.index)
    if len(rank_list) == 0:
        rank_list=[] #如果全部都小于0，那么空仓或者买《国债、银华日历、黄金》避险
    return rank_list

#动量  #策略 #qmt #量化 #交易 #金融

QMT动量策略回测全流程拆解，看完就能跑

投资顾问

编程语言

算法

QMT动量策略回测实战指南：本文详解从数据补充、策略建立到回测运行的完整流程，涵盖动量因子计算、加权对数回归斜率与R²评分模型，以及个股和指数双重止损机制。通过低相关资产轮动策略示例，展示趋势跟踪与风险控制的量化实现方法。

数据管理

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

QMT动量策略回测全流程拆解，看完就能跑

QMT动量策略回测全流程拆解，看完就能跑

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐