

> 本文你将得到什么：
> 1. 一套滚动夏普排名的自动轮动机制：每月评审、Top-2 入选、垫底淘汰
> 2. 热身期的正确处理——为什么前两个窗口不能参与评审，以及 NaN 是怎么混进评分里的
> 3. 一组实测数字：轮动组合 -4.23% vs 恒定等权 -13.72%，垫底策略被踢出后回撤从 -13.72% 收敛到 -6.45%
> 4. 对"追涨杀跌"式轮动的诚实评估：它赌的是什么，什么时候会失灵

---

## 痛点：策略和人一样，也会过气

组合管理最难承认的一件事：**你当年精心挑选的策略，可能已经不适合现在的市场**。均线策略在趋势市里吃肉、震荡市里挨打；动量策略风来的时候一飞冲天、风停了一地鸡毛。市场风格切换不会提前通知你。

办法之一是给策略建"绩效考核"：定期看各策略近期的风险调整后表现，**表现好的留、表现差的走**。这篇用滚动夏普做评分，搭一套最小可用的入选/淘汰机制。

---

## 环境准备

```bash
pip install mairui pandas numpy matplotlib
```

---

## 第一步：三个候选策略与收益流

候选池还是那三个策略（与前三篇同口径：昨日收盘信号 shift(1)、无前视、零成本）：

```python
from mairui import Client
import pandas as pd
import numpy as np

client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")  # 演示证书，请换成你自己的正式证书

UNIVERSE = [
    ("600519", "sma520", "MA5/20动量"),
    ("000001", "sma310", "MA3/10快速"),
    ("300750", "mom20", "20日动量"),
]

def strategy_daily_returns(df, kind):
    c = df["c"]
    if kind == "sma520":
        sig = (c.rolling(5).mean() > c.rolling(20).mean()).astype(float)
    elif kind == "sma310":
        sig = (c.rolling(3).mean() > c.rolling(10).mean()).astype(float)
    elif kind == "mom20":
        sig = (c / c.shift(20) - 1 > 0).astype(float)
    pos = sig.shift(1).fillna(0.0)
    ret = c.pct_change().fillna(0.0)
    return pos * ret

rets = {}
for code, kind, label in UNIVERSE:
    bars = client.stock_history(code=code, period="d", dividend="f")
    df = pd.DataFrame(bars).rename(columns={"t": "date"}).sort_values("date").reset_index(drop=True)
    df = df.tail(50).reset_index(drop=True)   # 本文统一取最近 50 个交易日做演示窗口
    for col in ("o", "h", "l", "c", "v"):
        df[col] = df[col].astype(float)
    rets[label] = strategy_daily_returns(df, kind)

R = pd.DataFrame(rets)
```

说明：这里用的是公开演示证书，为演示方便明文写入；实际项目请换成你自己的正式证书（申请配置见 SDK 文档 https://github.com/MaiRuiApi/mairui ），换证后代码无需修改。

---

## 第二步：滚动夏普——给策略打"近期绩效分"

滚动 20 日窗口，窗口内日收益均值除以标准差、年化（√252），就是每个交易日的"近一个月夏普"：

```python
WIN = 20          # 滚动夏普窗口
def rolling_sharpe(r, win):
    mu = r.rolling(win).mean()
    sd = r.rolling(win).std()
    return (mu / sd) * np.sqrt(252)

rs = {c: rolling_sharpe(R[c], WIN) for c in R.columns}
for c in R.columns:
    print(f"{c}: 最新滚动夏普 = {rs[c].iloc[-1]:+.2f}")
```

**输出示例**（演示证样例数据，仅供演示）：

```
MA5/20动量: 最新滚动夏普 = -0.25
MA3/10快速: 最新滚动夏普 = -3.53
20日动量: 最新滚动夏普 = -4.15
```

样例窗口是一段下跌行情，三个策略的滚动夏普都是负的，但"谁更抗跌"一目了然。

---

## 第三步：月频评审——Top-2 入选，垫底淘汰

每 20 个交易日评审一次：按**截至评审日的滚动夏普**排名，前 2 名入选下一期组合，垫底者淘汰。两个关键工程细节：

- **热身期不评审**：前 20 日仓位为 0（信号未生效）、动量策略前 20 日窗口不足，这段"全零收益"算出的夏普是 0/0 = NaN，不能进评分。评审从第 2×WIN = 40 个交易日起；
- **NaN 必须在源头消灭**：让 NaN 进排名，排序结果会不可预测（NaN 的比较永远返回 False）。

```python
TOP_N = 2
REVIEW_EVERY = 20

holdings = {}   # 交易日 -> 当期入选名单
for t in range(2 * WIN, len(R), REVIEW_EVERY):   # 热身期后才开始评审
    scores = {c: float(rs[c].iloc[t - 1]) for c in R.columns}
    picked = sorted(scores, key=scores.get, reverse=True)[:TOP_N]
    for t2 in range(t, min(t + REVIEW_EVERY, len(R))):
        holdings[t2] = picked
    print(f"评审日 {t}: " + ", ".join(f"{c}={scores[c]:+.2f}" for c in R.columns)
          + f" → 入选 {picked}")

# 轮动组合日收益：持有期内入选策略等权
rot = pd.Series(0.0, index=R.index)
for t, picked in holdings.items():
    rot.iloc[t] = R.iloc[t][picked].mean()
```

**输出示例**：

```
评审日 40: MA5/20动量=-0.43, MA3/10快速=+0.41, 20日动量=-1.87 → 入选 ['MA3/10快速', 'MA5/20动量']
```

第 40 日评审：20 日动量评分垫底（-1.87），被淘汰；组合在剩余交易日只持有两个均线策略。

---

## 第四步：轮动组合 vs 恒定等权

```python
def perf(r, name=""):
    s = pd.Series(r, dtype=float)
    eq = (1 + s).cumprod()
    vol = s.std() * np.sqrt(252)
    sharpe = s.mean() / s.std() * np.sqrt(252) if s.std() > 0 else 0.0
    mdd = ((eq - eq.cummax()) / eq.cummax()).min()
    return dict(name=name, total=eq.iloc[-1] - 1, vol=vol, sharpe=sharpe, mdd=mdd, eq=eq)

def show(p):
    print(f"{p['name']}: 累计 {p['total']:+.2%}  年化波动 {p['vol']:.2%}  "
          f"夏普 {p['sharpe']:.2f}  最大回撤 {p['mdd']:.2%}")

show(perf(rot, "轮动组合(Top-2)"))
show(perf(R.mean(axis=1), "恒定等权(3腿)"))
for c in R.columns:
    show(perf(R[c], c))
```

**输出示例**：

```
轮动组合(Top-2): 累计 -4.23%  年化波动 12.99%  夏普 -1.61  最大回撤 -6.45%
恒定等权(3腿): 累计 -13.72%  年化波动 22.86%  夏普 -3.14  最大回撤 -13.72%
MA5/20动量: 累计 -6.44%  年化波动 41.31%  夏普 -0.61  最大回撤 -14.59%
MA3/10快速: 累计 -11.53%  年化波动 33.07%  夏普 -1.71  最大回撤 -12.03%
20日动量: 累计 -24.56%  年化波动 41.04%  夏普 -3.25  最大回撤 -27.15%
```

顺手画出净值对比：

```python
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"]
plt.rcParams["axes.unicode_minus"] = False

fig, ax = plt.subplots(figsize=(12, 5))
for p in [perf(rot, "轮动组合(Top-2)"), perf(R.mean(axis=1), "恒定等权(3腿)")] + \
         [perf(R[c], c) for c in R.columns]:
    lw = 2.2 if p["name"].startswith("轮动") else (1.5 if p["name"].startswith("恒定") else 0.9)
    ax.plot(p["eq"].values, label=f"{p['name']} ({p['total']:+.2%})", linewidth=lw)
ax.set_title("滚动夏普 Top-2 轮动 vs 恒定等权（月频评审，零成本）")
ax.set_ylabel("净值（起点=1）")
ax.legend()
ax.grid(True, alpha=0.3)
plt.tight_layout()
plt.savefig("sharpe_rotation.png", dpi=150)
```

---

## 结果怎么读（诚实的部分）

1. **淘汰机制这次踢对了腿**：被淘汰的 20 日动量恰好是最差的策略（-24.56%），轮动组合 -4.23% 明显好于恒定等权 -13.72%，波动也从 22.86% 降到 12.99%——因为组合在下跌段少了一条"出血腿"；
2. **但别急着高兴，样本太短**：50 个交易日只够一次评审（第 40 日），"轮动跑赢"的结论只有 10 个交易日的持有期支撑，统计意义有限。真正的检验需要跨越多次风格切换的长样本；
3. **轮动赌的是"近期表现延续"**：夏普排名入场，本质是动量逻辑在策略层面的应用——过去一个月好的策略，未来一个月继续好的概率更高。当风格**急速反转**时（比如均值策略在底部反转瞬间起飞），排名会晚一步，你会在低点踢掉即将起飞的策略；
4. **成本没有计入**：轮动意味着换手，被淘汰腿的清仓、入选腿的建仓都有成本。评审频率越高、组合越大，成本越不能忽略——月频 + 3 腿的小组合成本尚可，周频轮动就要认真算了；
5. 数字为演示证样例数据结果，仅演示机制；换正式证书即得真实行情下的对比。

---

## 常见坑

1. **热身期混进评分**：前 20 日收益全零，0/0 的滚动夏普是 NaN；NaN 进 `sorted` 排序结果不可预测。本文用"从第 2×WIN 日开始评审"在源头规避；
2. **用当日数据评当日仓**：评审应使用截至上一交易日的滚动夏普（本文 `rs.iloc[t - 1]`），拿当日收益评当日入选又是前视偏差；
3. **评审频率与窗口不匹配**：20 日窗口 + 每日评审，相邻两天评分几乎相同、换手全是噪声；20 日窗口至少配月频评审才有区分度；
4. **淘汰永不回聘**：本文机制只出不进。工程实践中常给被淘汰策略设"观察期"，连续多期垫底才移出候选池，避免风格反转时永久错杀。

---

## 小结与下篇预告

- 滚动夏普排名 + 月频评审 + Top-N 入选，是最小可用的策略轮动机制：本例淘汰垫底的 20 日动量后，组合 -4.23% vs 恒定等权 -13.72%；
- 热身期 NaN、评审日错位、换手成本，是这类机制最常翻车的三个地方；
- 组合管到这个程度，最后一公里是**汇报**：月末给自己（或团队）看的组合月报，净值、归因、风险指标能不能一键生成？下一篇收官，把整个系列串成一条自动化月报流水线。

---

## 免责声明

本文所有内容仅用于技术学习与交流，不构成任何投资建议。股市有风险，投资需谨慎。


热身期的正确处理——为什么前两个窗口不能参与评审，以及 NaN 是怎么混进评分里的

【Python量化组合管理实战 05】策略也会过气？滚动夏普排名的策略入选与淘汰

编程语言

算法

本文介绍一套基于滚动夏普排名的策略轮动机制：月频评审、Top-2入选、垫底淘汰。实测显示，轮动组合累计收益-4.23%，显著优于恒定等权的-13.72%，最大回撤从-13.72%收敛至-6.45%。文章详细说明热身期NaN处理、评审日错位规避及换手成本等关键工程细节，并对追涨杀跌式轮动的适用场景与失效条件进行了诚实评估。

代码解释

GitHub

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！

社区新版编辑器体验调研

本文介绍一套基于滚动夏普排名的策略轮动机制：月频评审、Top-2入选、垫底淘汰。实测显示，轮动组合累计收益-4.23%，显著优于恒定等权的-13.72%，最大回撤从-13.72%收敛至-6.45%。文章详细说明热身期NaN处理、评审日错位规避及换手成本等关键工程细节，并对追涨杀跌式轮动的适用场景与失效条件进行了诚实评估...

【Python量化组合管理实战 05】策略也会过气？滚动夏普排名的策略入选与淘汰-腾讯云开发者社区-腾讯云

【Python量化组合管理实战 05】策略也会过气？滚动夏普排名的策略入选与淘汰

【Python量化组合管理实战 05】策略也会过气？滚动夏普排名的策略入选与淘汰

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