一、轮动策略概述

什么是轮动策略

轮动策略，说白了就是「哪个强买哪个，哪个弱换掉」。

我刚开始做量化的时候，总觉得这玩意儿太简单了。不就是每天看看涨幅榜，买前几名吗？后来踩了坑才知道，这里面的门道深着呢。

轮动策略的核心逻辑其实就一句话：在不同资产或板块之间，根据某种规则动态切换持仓。你想想看，市场里的钱就像水一样，今天流到白酒，明天流到新能源。我们要做的，就是跟着水流走。

举个例子：

• 你同时跟踪5个行业ETF
• 每周五收盘后，计算它们的动量指标
• 买入动量最强的2个，卖出剩下的
• 下周重复这个动作

这就是最经典的轮动框架。嗯，这里要注意，轮动不是简单的追涨杀跌。它背后有统计学逻辑支撑。

我个人习惯把轮动策略分成两类：

• 截面轮动：同一时间点，比较不同资产的表现，选最优的
• 时间序列轮动：看单个资产自身的历史表现，决定进出时机

实际项目中，我更喜欢把两者结合起来用。比如先用截面选出前5名，再用时间序列判断这5个是否值得进场。

轮动策略的收益来源

很多人以为轮动策略的收益来自「预测准确」。其实不是。

轮动策略的收益，主要来自三个地方：

收益来源	解释	我踩过的坑
动量溢价	强者恒强的趋势效应	曾经以为动量永远有效，结果2018年震荡市被打脸
波动率控制	通过分散降低整体波动	一开始只轮动2个标的，回撤大到睡不着
错误定价修复	市场短期过度反应后的回归	这个最难把握，我建议用多因子综合判断

为什么会这样？说白了，市场不是完全有效的。资金流入流出需要时间，趋势一旦形成，短期内很难逆转。轮动策略就是吃这口「趋势延续」的饭。

我曾经做过一个回测：

# 简单的双均线轮动示例
import pandas as pd
import numpy as np

def momentum_rotation(data, lookback=20, top_n=3):
    """
    动量轮动策略
    data: DataFrame, 每列是一个资产的日收益率
    lookback: 回看天数
    top_n: 每次持有几个资产
    """
    # 计算动量分数
    momentum = data.rolling(lookback).mean()
    
    # 每月调仓
    monthly = momentum.resample('M').last()
    
    # 选前N名
    ranks = monthly.rank(axis=1, ascending=False)
    selected = ranks <= top_n
    
    return selected

这个代码看起来简单，但实际跑起来你会发现：选对参数和选错参数，收益能差3倍以上。我建议新手先从20天回看期、持有3个标的开始试。

轮动策略的风险特征

说到风险，我得先泼盆冷水。轮动策略不是万能药。

我见过太多人，回测曲线漂亮得不行，实盘一跑就崩。为什么？因为他们忽略了轮动策略的几个致命风险。

第一个风险：趋势反转

轮动策略最怕什么？怕市场风格突然切换。你刚买进去，趋势就断了。

我记得2021年春节后，很多做白酒轮动的策略直接腰斩。因为白酒连涨了两年，所有人都觉得「这次不一样」。结果呢？

第二个风险：交易成本

轮动策略调仓频繁，手续费和滑点能把收益吃掉一大半。

我曾经帮一个朋友优化策略，他的回测年化收益25%，但加上千分之二的交易成本后，只剩12%。嗯，这里要注意，回测时一定要把滑点算进去。

第三个风险：流动性陷阱

小市值、冷门资产的轮动，看着收益高，但你可能根本卖不出去。

我建议：

• 标的池的日均成交额不低于1亿
• 单次调仓不超过日均成交额的5%
• 避开ST股和庄股

风险矩阵总结：

风险类型	影响程度	应对方法
趋势反转	高	加入止损、多策略组合
交易成本	中高	降低调仓频率、用ETF代替个股
流动性	中	筛选标的、控制仓位
过拟合	高	样本外测试、参数稳健性检验

最后说一句：轮动策略的本质，是承认自己无法预测市场，但可以利用市场的惯性。别想着战胜市场，跟着走就行了。