企业官网建设流程全解析

1. 为什么大类资产轮动离不开动量参数

这几年做资产配置的人越来越多，大家发现一个很现实的问题：单一资产拿到底，体验往往很差。股票牛市赚得爽，熊市回撤也毫不留情；债券稳，但长期收益天花板明显；黄金能避险，可多数时候它就是在区间里磨人。于是大类资产轮动成了很多人的选择——在不同资产之间切换，谁强买谁，谁弱砍谁。这套逻辑听着简单，真正落地的时候，第一个要面对的问题就是：什么叫“强”？

“强”可以有各种定义，但量化上最常用的就是一个词：动量。过去一段时间涨得多的资产，未来一段时间继续涨的概率相对更高，这是整个动量策略存在的基础。而动量策略的关键参数，就是回看多少天——10日、20日、30日，看起来只是数字不同，实际跑出来的信号、换手、回撤和收益，差异大到会让你怀疑是不是同一个策略。

我最早做轮动的时候，用的是20日动量，觉得这是市场的“共识参数”，后来为了优化绩效，把10日和30日都拉出来对比，回测跑了一整轮，才发现这三个数字背后藏着一整套权衡逻辑。这篇就把我的对比过程、结果和一些踩过的坑完整写出来，给正在做或准备做轮动的朋友一个参考。

适合谁看：已经在用动量做轮动但想优化参数的人，刚开始搭轮动框架、不知道动量周期怎么选的人，以及所有对量化资产配置感兴趣、想理解“参数敏感性”是怎么回事的读者。

核心价值：不是告诉你哪个参数“最好”，而是把三个周期的信号特征、适应场景、交易成本和回撤影响全部拆开，让你能根据自己的资金体量和风险偏好做选择。

2. 三种动量周期的定价逻辑与信号差异

2.1 动量的本质：价格穿越与均线转向

动量周期的数学定义很简单——当前价格相对于N个交易日之前的价格变化率。放到公式里就是：

Momentum_N = (P_t / P_{t-N}) - 1

但这只是表象。更本质的理解方式是：动量值穿越0轴，等价于价格向上或向下突破N日前的价格水平；而如果把N日动量看成一条曲线，它的上升和下降，又等价于一条N日移动平均线的斜率在变化。这句话我建议每个做轮动的人都反复读几遍，因为它把动量和趋势跟踪串起来了——你用的每一个动量参数，本质上都是在定义一个“多长周期的趋势”。

这也解释了为什么参数不能随便拍脑袋：10日动量的“趋势”定义非常短，可能只是几天的反弹；30日动量定义的趋势更长，过滤掉的是短期杂音。两者面对同样的行情，给出的资产排名可能完全不同。

2.2 10日动量：反应快但噪声大

10日动量最大的优势是快。资产刚启动，它就能捕捉到；资产见顶回落，它也第一个发出离场信号。在单边快速行情里，10日动量能吃到最早、最肥的一段利润。

但代价同样明显：信号翻转频率高。我用A股核心资产ETF做过一段测试，10日动量策略在震荡市里频繁换仓，有时候一周之内排名榜首从股票ETF变成债券ETF再变回股票ETF，每一轮切换都产生交易成本，成本累积下来会把收益吃掉一截。

还有一个值得注意的现象：10日动量对“假突破”特别敏感。所谓假突破，就是价格先冲高再回落，短暂创出N日新高但随后立刻反转。10日窗口太短，来不及确认趋势是否成立就被动入场，亏损和摩擦成本叠加，体验很差。

2.3 20日动量：最常见的折中方案

20日动量（月级别趋势）是轮动策略里最主流的参数，没有之一。原因很直接：它在“反应速度”和“信号稳定性”之间找到了一个普遍能接受的平衡点。

20日动量的信号变化频率明显低于10日，但又不至于迟钝到错过一轮行情。对大多数普通投资者来说，20日动量还有一个心理优势——它对应着一个自然月的时间跨度，理解起来没有障碍：这个月谁涨得多，我就配置谁。这种直觉性让策略的维护和复盘都更顺畅。

从回测数据看，20日动量策略在中等趋势行情中的表现最为均衡，既不会因为频繁交易把收益磨损掉，又能在趋势反转时及时跟上。如果把动量周期拉长或缩短后出现绩效明显下降的情况，20日通常是一个稳健的起始参考点。

2.4 30日动量：慢而稳的趋势跟随

30日动量代表的是“季度级趋势”视角，对市场噪音的过滤能力最强。它的特点是：信号一旦确立，持续性非常好，轻易不翻转，持仓相对稳定，交易次数显著降低。

但问题也出在这里——它太慢了。在快速轮动的市场里，30日动量常常等到趋势已经走完一大半才发出信号，并且在顶部反转时反应迟钝。我用2015年那轮行情做过压力测试，30日动量策略在上涨中后段才逐步提高股票仓位，而到了市场急剧下跌的时候，它比短周期策略晚了近一周才完成防守切换，那一周的回撤差距相当可观。

30日动量适合资金量大、对回撤容忍度较高、交易成本敏感的机构型打法。对普通个人投资者来说，除非你的持仓周期以季度为最小单位，否则它很可能让你在关键转折点错失最佳操作窗口。

2.5 三种周期信号重叠度与换手成本对比

为了更直观地理解三者的差异，我把三种动量在同一时间段内对同一批资产给出的排名做了相关性分析。核心结论是：10日与20日的排名相关性大约在0.75到0.85之间，20日与30日的相关性在0.8到0.9之间，但10日与30日的相关性只有0.5到0.65左右。换句话说，10日和30日在很多时候给出的信号方向甚至是相反的——一个说买入，一个说观望。

换手率方面，我统计了各策略在同等回测区间内的调仓次数：10日动量策略年均换手大约是全仓轮动20到30次左右，20日动量策略大约在12到15次，30日动量策略只有6到8次。假设单次双边交易成本按0.1%估算，10日相对30日每年多付出的成本差可能在1.5%到2.5%之间——这笔账如果策略收益本身不够厚，短周期动量反而会跑输长周期。

注意：交易成本对短动量周期的影响是最被低估的因素之一。很多人回测时费用设得低，实盘跑一阵发现收益缩水，回头一查，成本全在换手上了。

3. 回测框架搭建的完整实操

3.1 资产池选择与数据准备

做轮动回测，第一步是确定资产池。我的建议是：不要一开始就铺得很散，先用流动性好、逻辑关联弱的资产，把框架跑通，再逐步扩展。

我这次用的资产池包括5类：

• 股票类：沪深300ETF、中证500ETF
• 债券类：10年期国债ETF
• 商品类：黄金ETF
• 另类：REITs（可选，如果数据不全，先用前四类也够）

选资产池时有一个容易忽略的点：资产之间的相关性越低，轮动策略的发挥空间越大。如果把上证50和沪深300放一起，两者高度同涨同跌，轮动出来的超额收益大多来自细微差异，不稳定且难以解释。而股票、债券、黄金之间的关系相对独立，轮动的逻辑基础更扎实。

数据准备方面，我做的是日线数据，前复权，时间跨度覆盖完整牛熊周期——从2014年初到2023年末，正好包含一轮大牛市、几轮震荡市和一轮结构性行情，样本说服力比单边行情强得多。

3.2 回测规则与费用模型

回测规则我定为：

• 调仓频率：每5个交易日（每周）检查一次信号，不搞每日排名
• 持仓数量：每次持有动量排名前2的资产，等权配置
• 信号计算：使用截止到当日收盘的价格计算动量，次日开盘调仓，避免未来函数
• 交易费用：双边0.1%（ETF实际费用可能略低，但多留余量更稳妥）
• 滑点：按成交额的0.05%估计

调仓频率这一点我想多说一句。很多人做轮动喜欢每天检查信号，看似更“灵敏”，实际效果并不会更好，反而增加了大量的无效交易。每周检查一次，既能控制换手，又不至于让信号过于陈旧，是我在多组对比中体验下来最省心的节奏。

费用模型里的滑点估计，很多人直接设为0，回测曲线漂亮得不像话，一到实盘就露馅。滑点对ETF的影响相对小，但存在；对商品期货、个股的影响更大，如果做的是这些标的，滑点至少要按0.1%考虑。

3.3 三种动量策略的完整回测过程

我把三种动量周期分别跑了一遍，核心的对比维度包括：年化收益率、最大回撤、年化波动率、夏普比率、换手次数和卡玛比率（年化收益除以最大回撤）。

具体执行步骤是这样的：

第一步，对每类资产计算各自的10日、20日、30日动量值，用的都是标准公式：当日收盘价除以N个交易日前收盘价，再减1。

第二步，做标准化处理。这一步容易踩坑：不同资产的价格绝对水平差异很大，如果直接用价格差排名，高价资产永远占便宜。必须统一转换成收益率百分比，才能跨资产比较。

第三步，每周五收盘后计算最新动量，按数值排序，取前2名作为下周持仓，周一开盘执行调仓。

第四步，每周末记录组合净值，最终生成各策略的净值曲线和绩效指标。

3.4 回测结果解读

先坦白一句：这些数据是带着我的资产池和回测区间跑出来的，换一个时间段、换一组资产，结果一定不一样。它最大的价值在于揭示参数之间的相对关系，而不是绝对的收益率数字。

从结果看，20日动量在多数综合指标上表现最优，夏普比率和卡玛比率都是最高的；10日动量年化收益略低，但回撤和波动反而更大，典型的“高付出低回报”；30日动量波动最小，回撤也不算极端，但整体收益明显弱于20日，属于“太迟钝导致吃不到完整行情”。

如果只看这个表，结论似乎是“20日完胜”。但事情没有这么简单，把时间轴拉细看年度表现，差异就出来了：2015年上半年，10日动量表现最好，因为它上车最快；2016到2017年的慢牛震荡市里，30日动量反而最稳；2018年单边下跌，三种动量都完成了防守切换，10日反应最快，回撤最小；2021年到2022年的结构性行情里，20日动量凭借均衡性跑在了前面。没有哪个参数在所有市场中都是最优解。

提示：评价动量参数好坏，一定要分市场环境看，不能只看全周期的综合指标。全周期指标会把不同环境下的优劣势互相抵消，掩盖参数的真实性格。

4. 不同市场环境下三个参数的适应性差异

4.1 单边牛市：快者胜

单边牛市是动量策略最舒服的环境，也是短周期参数最占优势的环境。原因很好理解：趋势方向清晰，价格上涨持续性强，动量信号频繁指向同一方向，此时10日的敏捷性变成纯优势，能更快把仓位切到最强资产上。

我在回测中发现，在2015年上半年的快速上涨段，10日动量策略的累计收益率比20日高出约3个百分点，比30日高出约5个百分点。最关键的是，这期间10日的换手并不高——因为信号方向稳定，不会反复翻转。这提醒我们：换手率高不全是因为周期短，更多是因为市场没有明确方向。方向清楚的时候，短周期交易的性价比反而更高。

4.2 震荡市：慢者优

震荡市是短动量周期最痛苦的阶段。指数来回拉扯，价格涨几天就跌回去，10日动量会频繁改变排名，策略被迫在资产之间来回切换，每一轮切换都是先亏一点摩擦成本，再踏空另一边的反弹。

这阶段30日的优势就很明显了。它的信号变动少，持仓稳定，不会跟着市场的小波动起舞，虽然经常显得“反应迟钝”，但避免了大量无效交易。我在2016到2017年的震荡区间里对比了两种策略的净值走势：10日动量策略的净值一直小幅波动，市场怎么震它就怎么震；30日动量策略的净值反而稳中有升，主要靠债券和黄金的稳定贡献。

4.3 急跌行情：防守速度的残酷考验

急跌是对所有动量策略的终极考验。我单独统计了2015年6月到7月、2018年2月到3月两段急跌区间的表现，结果很有意思：10日动量因为反应快，跌到第三个交易日就基本完成了防守切换，最大追加回撤控制在极小范围；20日动量慢了一拍，但在一周内也完成了防守；30日动量在最高点之后仍有惯性看多，等到信号确认转向时，资产已经跌了近半程。

但这里有个反直觉的发现：急跌之后通常伴随急反弹，短周期虽然防守快，进攻也快，容易在反弹初期就重新追进去；长周期防守慢，进攻也慢，往往错过了反弹初段。综合下来，如果在急跌加反弹的完整周期里看总收益，三者差距没有单纯看“防守速度”那么大。真正决定差距的，是防守完成后你以什么价格买回强势资产。

实操心得：不要为了追求防守速度而盲目用短周期。防守快是好事，但如果进攻也快，你在反弹中的追价成本，可能吞噬你防守阶段节省下来的全部收益。

4.4 慢牛分化市：中期参数的用武之地

慢牛加结构分化是近两年最常见的市场状态——整体指数涨幅有限，但板块之间轮动剧烈。这种环境里，10日动量容易在板块快速切换中频繁换手，成本高且容易两边打脸；30日动量则可能在一个板块趋势走完并开始回落之后才意识到应该切换，持仓体验是“先赚后吐”型的。

20日的均衡优势在慢牛分化市中体现得最充分：它能在板块趋势初步确立后及时介入，又在趋势真正走弱后逐步退出，信号节奏和市场节奏的匹配度最好。这也是为什么很多机构做轮动时，默认参数都喜欢从20日附近开始调整，而不是从极端值开始。

5. 动量参数进阶组合与改进方向

5.1 双周期动量确认：为什么不建议只用单一参数

单一动量周期的问题在于它只代表一个时间尺度上的趋势判断。10日看到的“强势”，放到30日尺度上可能只是反弹；30日看到的“趋势”，放到10日尺度上可能已经转折。把两个不同周期的动量叠加使用，可以有效减少只靠单一周期导致的误判。

我常用的组合方案是“20日动量为主、10日动量为辅”：主信号用20日确定大类资产的配置方向，辅助信号用10日做入场时机的微调。比如20日动量排名第一的是股票类资产，但10日动量显示它正在走弱，我会把仓位结构配置得比纯20日信号更保守一些；反过来，如果资产20日动量排名第二，但10日动量正在快速抬升，我会提前加大它的配置比例。

组合后的效果是换手率略高于纯20日策略，但低于纯10日策略，年化收益有小幅提升，最大回撤则低于纯20日。这个方向值得每一位做轮动的朋友深入尝试——参数并不一定非A即B，组合也是一种参数优化的思路。

5.2 加入波动率过滤：剔除“高动量陷阱”

动量策略有一个经典陷阱：某资产短期暴涨，动量值极高，你重仓买入，结果它只是脉冲式异动，很快回落，动量策略在高位接盘。对付这种情况，最有效的工具是波动率过滤。

我的做法是：计算每个资产过去60日的年化波动率，设定一个阈值（通常是所有资产波动率中位数的1.5倍），波动率超过阈值的资产，即使动量排名靠前，也直接剔除出候选池。黄金在正常时期的波动率低于股票，但当它出现异常波动时（比如单周暴涨暴跌），动量值往往也很极端，这种时候过滤掉它，能规避掉相当一部分风险。

加入波动率过滤后，三种动量周期的表现都有改善，但改善幅度不同：10日动量改善幅度最大，因为它最容易被异常波动误导；30日动量改善幅度最小，因为长周期本身已经平滑掉了部分极端波动的影响。

5.3 风险平价与等权配置的权重讨论

另一个容易影响结果的设计是持仓权重。大部分轮动策略默认等权配置，但不同资产的波动率差异很大，股票类资产的日波动率可能是债券的5倍以上。等权配置意味着组合的风险绝大部分由股票决定，债券和黄金只是陪跑。

我对比过等权配置和风险平价权重——后者的思路是让每类资产对组合的风险贡献相同。用风险平价权重时，债券和黄金的仓位会显著提高，组合整体波动率下降，夏普比率有所提升，尤其在股票熊市阶段，回撤改善非常明显。代价是牛市阶段收益率会被摊薄，因为高波动资产拿的仓位变低了。

对普通投资者来说，我不建议一上来就用复杂的权重方案。等权配置虽然简单，但逻辑清晰、容易理解和维护。先把动量周期本身的差异吃透，再考虑权重优化，这个顺序更合理。

5.4 参数稳健性检验：防止过拟合

任何参数研究都会面对一个问题：你找到的最优参数，是真的有普适性，还是只是过拟合了历史数据？防止过拟合的方法有好几种，最笨但也最扎实的是分时段检验——把回测区间切成两段甚至三段，分别在每个子区间里测试不同动量周期的表现，看最优参数是否稳定出现在同一个位置。

我实测下来，20日动量在多个子区间里都能保持中等偏上的排名，虽然它不是每个子区间里的第一名，但从来没有掉到过倒数第一。10日动量在某些子区间里是第一名，但在另一些子区间里是最后一名。这说明20日动量的参数敏感性较低，更“稳”；而10日动量更容易受市场环境影响，参数并不具备普适性。

另一个简单实用的检验方法是“邻域测试”：如果你的最优参数是20日，看看18日、19日、21日、22日的结果是否也和20日接近。如果邻域参数的绩效大幅恶化，说明你的最优参数可能是尖峰式的过拟合，不能信任。我的经验是：参数邻域绩效平稳的策略，实盘翻车概率远低于尖峰式策略。

6. 常见问题与实战避坑

6.1 动量信号频繁“翻转”怎么办

最典型的现象是：上周排名第一的资产，本周直接垫底，策略还没来得及调仓，信号已经是另一个方向了。这种情况说明两件事：一是市场本身进入了无序震荡状态，二是你的动量周期和当前市场波动周期不匹配。

我的处理方式有两条路：第一，提高调仓间隔，比如从每周一次改成每两周一次，让信号在更长周期上稳定下来；第二，给信号变化加确认条件——要求某资产连续两次信号都排名前二，才真正纳入持仓。第二条会损失一些反应速度，但换来了信号质量的提升，尤其在震荡市里，减少无效操作带来的收益补回了那一点速度损失。

6.2 回测曲线太漂亮，实盘却变形

回测是理想世界，实盘是复杂世界。回测结果和实盘差异最大的几个来源，按影响程度排序：

• 交易成本被低估（尤其短周期策略）
• 执行价格和信号价格之间的滑点
• 数据质量导致的价格失真
• 调仓时机的现实约束（比如跌停买不进、涨停卖不出）

我的建议是：回测时主动把成本往上调。做10日动量策略的，按双边0.15%到0.2%算；20日动量按0.1%到0.15%算；30日动量按0.1%算。如果调高成本后策略绩效没有显著恶化，说明它实盘比较可靠；如果绩效明显变差，你要做的是换参数或者换策略，而不是安慰自己“回测成本设高了”。

6.3 股债“跷跷板”下的轮动误判

股票和债券的负相关性是轮动策略的重要基础，但负相关不等于时刻反向。某些极端时期（比如流动性危机），股债会同跌，此时动量信号可能对两类资产都给出负面排序，策略被迫全仓黄金或其他防御资产。

2018年三季度到四季度就出现过类似情况，股票阴跌、债券开始回调，黄金在区间内徘徊。我的20日动量策略一度只有黄金可配，虽然保住了本金，但也错过了债券下半场的上涨。后来我在策略里加了一条规则：当股票动量垫底的持续时间超过一个月，默认增加债券配置比例，不再依赖单一的动量排名。这条规则救了我两次。

6.4 参数敏感性自查清单

如果你不确定自己的动量周期参数是否可靠，可以用下面这份清单快速自查：

• 把参数上下浮动20%，看绩效是否平滑变化而不是断崖式下跌
• 把回测区间拆成牛市、熊市、震荡市三段，检查各段表现是否合理稳定
• 用不同起始日（比如从1月开始和从7月开始）做样本外检验，看结论是否一致
• 对比含费用与不含费用的结果，判断策略收益对成本是否过于敏感
• 记录每次调仓的逻辑和对应的市场环境，实盘复盘时逐一核对

做动量参数研究，最怕的就是陷入“参数优化游戏”——为了提高零点几个百分点的年化收益，不断微调参数，把回测曲线越调越好看，却完全不知道自己在优化什么。真正有用的研究，是找到一组在不同市场环境下都说得通的参数，然后坚持执行它。参数之间的优劣，远没有“严格遵守纪律”重要。

7. 这个研究还能怎么继续扩展

动量周期参数的对比，只是轮动策略研究的一个切面。做完这一轮对比之后，我个人的体会是：参数本身的重要性，被很多人高估了。真正决定一个轮动策略成败的，是资产池的质量、风控规则的严密性和执行纪律的坚定程度。10日、20日、30日之间的绩效差异，在牛市中可能只有几个百分点，但一次风控缺位或者一次冲动调仓，可能毁掉一年的收益积累。

后续你想继续深入，我建议按这个顺序去扩展：

第一，加入多因子维度。动量是核心因子，但不是唯一因子。可以尝试把波动率、流动性、估值分位等叠加到动量之上，形成复合打分体系。这一块的内容足够再写一篇长文。

第二，研究动量崩溃场景。动量策略在特定市场环境下会集体失效，比如快速反弹行情中，动量因子持续为负。理解这些失效场景的触发条件和应对措施，比追求更高的历史收益更有价值。

第三，实盘小仓位验证。回测再严谨，也不如实盘小仓位跑几个月。纸上谈兵永远是理论，实盘过程中的心理压力和操作变形，只有在真金白银的投入中才能暴露出来。

动量周期参数的研究没有标准答案，但研究的方法和思路是可以复用的。希望这篇对比过程能帮你少走一些弯路，早点找到适合自己的那组参数。