做了一个小频率动量策略，主要感受了回测和实盘差异。。

最近老加班，但也挤时间做了一个小频率动量策略（主要是日内或日频），我是真的爱，谁懂！！

1. 策略思路

• 核心逻辑很简单：选过去 N 天涨幅靠前的股票做多，跌幅靠后的做空（可对冲组合）。

• 使用因子：动量、成交量变化率、部分基本面修正指标。

• 回测周期：近 3 年历史数据，排除假期和停牌。

2. 回测表现

• 夏普比率、累计收益表现都还算稳定。

• 很少出现连续亏损，策略曲线比较平滑。

• 回测前假设了“理想成交”，没有考虑滑点和成交延迟。

回测部分其实代码不复杂，核心就是用过去几天收益做一个简单排序：

import pandas as pd

#假设已有行情数据：date, symbol, close
df = pd.read_csv("daily_price.csv", parse_dates=["date"])

#按股票分组，计算过去 5 日收益率（动量因子）
df["momentum"] = df.groupby("symbol")["close"].pct_change(5)

#每天按动量排序，取前 20%作为买入信号
df["rank"] = df.groupby("date")["momentum"].rank(pct=True)

df["signal"] = 0
df.loc[df["rank"] >= 0.8, "signal"] = 1

#下一交易日收益（模拟第二天持有）
df["next_return"] = df.groupby("symbol")["close"].pct_change().shift(-1)

#回测收益（理想状态，不考虑滑点手续费）
df["strategy_return"] = df["signal"] * df["next_return"]

#每天组合平均收益
daily_return = df.groupby("date")["strategy_return"].mean()

#累计收益曲线
cum_return = (1 + daily_return).cumprod()

print(cum_return.tail())

实盘中你需要处理缺失值、停牌、成交量异常，否则 signal 可能触发错误交易。

如果有接类似 AKShare 、AllTick 之类的实时行情 API ，可以直接把 data 替换成实时数据流，生成实时 signal 。

3. 实盘差异

• 成交延迟：实时下单比回测慢了 0.5~1 秒，导致部分交易价格偏离预期。

• 滑点/手续费：尤其是成交量小的标的，实际价格和回测差别明显。

• 因子波动：部分信号在实盘中噪声更大，需要对阈值做调整。

• 连续回撤：实盘出现了比回测多的连续亏损段，心理压力比想象大很多。。。

4. 小小心得

• 回测结果只能作为参考，实盘才是真正的考验。

• 数据质量很关键：延迟、缺失、异常值都会直接影响实盘表现。

• 小频率策略对滑点敏感度低于高频策略，但还是要做风险控制。

• 建议先小规模实盘测试，再慢慢加仓。