趋势型策略原理及股票池机制的设计

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

单只标的的趋势策略极易受到个股黑天鹅与长时间盘整磨损的困扰。将趋势型择时逻辑与动态多因子股票池有机结合，在具备高动量与成长潜力的精选股票池内捕捉大级别突破行情，是实现稳健复利的核心机制。

💡 核心导读

• 趋势策略与股票池协同机制的两级火箭：
  • 一级火箭（股票池选优）：每月初在全市场中按相对强弱（RPS）先以 RPS>85 分位初筛候选池，再从中精选排名前 5 名构成最终高动能交易池（本节示意规模）；
  • 二级火箭（趋势择时进出场）：在股票池内，个股触发唐奇安通道突破（Donchian Breakout）或双均线金叉时开仓，跌破动态止损线时止损出场；
• 低相关分散与资金动态再平衡：
  • 限制单只个股持仓上限（如不超过总资金 10%），实现跨板块趋势捕捉。

┌─────────────────────────────────────────────────────────────┐
│                   趋势择时与股票池协同驱动拓扑图            │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┴─────────────────────────────┐
 ▼                                                           ▼
┌─────────────────────────┐                                 ┌─────────────────────────┐
│ 多因子股票池 (一级火箭) │                                 │ 趋势择时执行 (二级火箭) │
├─────────────────────────┤                                 ├─────────────────────────┤
│ • 每月重平衡            │                                 │ • 每日动态监控          │
│ • RPS 动量 > 85 分位    │                                 │ • 唐奇安 20 日突破开仓  │
│ • 财务质量基本面及格    │ ──────── RPS>85 初筛取 Top5 ───►│ • ATR 吊灯跟踪止损平仓  │
└─────────────────────────┘                                 └─────────────────────────┘

一、相对强弱指标（RPS）与动态股票池联动

相对价格强度（Relative Price Strength, RPS）衡量个股过去 $N$ 日涨幅在全市场股票中的分位数排名：

$$RPS_i = \frac{\text{Rank}(\Delta P_i, \mathcal{U})}{M} \times 100$$

只有 $RPS > 85$ 的领涨强势股才能进入趋势交易备选池（初筛候选池），再从中取 RPS 排名前 5 名构成最终交易池，有效避开弱势盘整股对资金的无谓占用。

import pandas as pd
import numpy as np

def calculate_market_rps(df_prices: pd.DataFrame, window: int = 120) -> pd.Series:
    """
    计算截面相对强弱分位数 RPS（合成教学样例，历史表现不代表未来，存在幸存者偏差风险）
    输入 df_prices 为宽表价格(行=日期、列=股票代码), 函数内部先做 pct_change 计算区间涨幅;
    切勿传入已算好的收益率序列, 否则会被再次 pct_change 导致结果错误。
    """
    returns_n = df_prices.pct_change(window).iloc[-1]
    rps_series = returns_n.rank(pct=True) * 100.0
    return rps_series

# 合成数据示例：5只股票，10个交易日价格
rng = np.random.default_rng(42)
dates = pd.date_range('2023-01-01', periods=10)
symbols = ['AAPL', 'GOOGL', 'MSFT', 'AMZN', 'TSLA']
price_data = {}
for sym in symbols:
    price_data[sym] = 100.0 * np.cumprod(1.0 + rng.normal(0.001, 0.02, 10))
df_prices = pd.DataFrame(price_data, index=dates)

# 计算 RPS 并打印结果
rps_result = calculate_market_rps(df_prices, window=5)
print("===== 截面相对强弱分位数 (RPS) 计算示例 =====")
print(f"计算日期: {df_prices.index[-1].date()}")
print(f"计算窗口: 5个交易日")
print("各股票 RPS 值:")
for sym, val in rps_result.items():
    print(f"  {sym}: {val:.2f}")
print(f"RPS 最高股票: {rps_result.idxmax()} ({rps_result.max():.2f})")

===== 截面相对强弱分位数 (RPS) 计算示例 =====
计算日期: 2023-01-10
计算窗口: 5个交易日
各股票 RPS 值:
  AAPL: 20.00
  GOOGL: 40.00
  MSFT: 80.00
  AMZN: 60.00
  TSLA: 100.00
RPS 最高股票: TSLA (100.00)

二、股票池内趋势择时信号生成与仓位限制

在入选池内，个股收盘价突破过去 20 日最高价时触发买入信号。为控制组合集中度风险，单只标的最大分配权重为 $w_{\max} = 10\%$。

$$\text{Signal}_{i, t} = (P_{i, t} > \max_{1 \le k \le 20} P_{i, t-k}) \land (i \in \mathcal{S}_{pool})$$

import pandas as pd
import numpy as np

def generate_pool_trend_signals(df_prices: pd.DataFrame, pool_symbols: list) -> pd.DataFrame:
    """
    股票池内趋势突破信号生成（合成教学样例，历史回测不代表未来，存在前视偏差风险）
    """
    signals = pd.DataFrame(index=df_prices.index)
    for sym in pool_symbols:
        high_20 = df_prices[sym].rolling(20).max().shift(1)
        signals[sym] = (df_prices[sym] > high_20).astype(int)
    return signals

# 合成数据示例：3只股票，30个交易日价格
rng = np.random.default_rng(123)
dates = pd.date_range('2023-01-01', periods=30)
pool_symbols = ['STK_A', 'STK_B', 'STK_C']
price_data = {}
for sym in pool_symbols:
    price_data[sym] = 50.0 * np.cumprod(1.0 + rng.normal(0.0002, 0.015, 30))
df_prices = pd.DataFrame(price_data, index=dates)

# 生成趋势突破信号
signals_df = generate_pool_trend_signals(df_prices, pool_symbols)

print("===== 股票池趋势突破信号生成示例 =====")
print(f"股票池: {pool_symbols}")
print(f"数据期间: {df_prices.index[0].date()} 至 {df_prices.index[-1].date()}")
print("最近5个交易日的信号矩阵:")
print(signals_df.tail())
print(f"信号触发总次数: {signals_df.sum().sum()}")

===== 股票池趋势突破信号生成示例 =====
股票池: ['STK_A', 'STK_B', 'STK_C']
数据期间: 2023-01-01 至 2023-01-30
最近5个交易日的信号矩阵:
            STK_A  STK_B  STK_C
2023-01-26      0      0      0
2023-01-27      1      0      0
2023-01-28      1      0      0
2023-01-29      1      0      0
2023-01-30      1      0      0
信号触发总次数: 7

📝 动手练一练

编写 Python 仿真测试，模拟 RPS 筛选前 5 名股票池并在池内触发趋势突破交易：

import pandas as pd
import numpy as np

def calculate_market_rps(df_prices: pd.DataFrame, window: int = 120) -> pd.Series:
    """
    计算截面相对强弱分位数 RPS（合成教学样例，历史表现不代表未来，存在幸存者偏差风险）
    输入 df_prices 为宽表价格(行=日期、列=股票代码), 函数内部先做 pct_change 计算区间涨幅;
    切勿传入已算好的收益率序列, 否则会被再次 pct_change 导致结果错误。
    """
    returns_n = df_prices.pct_change(window).iloc[-1]
    rps_series = returns_n.rank(pct=True) * 100.0
    return rps_series

def generate_pool_trend_signals(df_prices: pd.DataFrame, pool_symbols: list) -> pd.DataFrame:
    """
    股票池内趋势突破信号生成（合成教学样例，历史回测不代表未来，存在前视偏差风险）
    """
    signals = pd.DataFrame(index=df_prices.index)
    for sym in pool_symbols:
        high_20 = df_prices[sym].rolling(20).max().shift(1)
        signals[sym] = (df_prices[sym] > high_20).astype(int)
    return signals

# 合成数据：20只股票，100个交易日
rng = np.random.default_rng(42)
dates = pd.date_range('2023-01-01', periods=100)
symbols = [f'S_{i:02d}' for i in range(20)]
price_data = {}
for s in symbols:
    price_data[s] = 100.0 * np.cumprod(1.0 + rng.normal(0.0005, 0.02, 100))
df_prices = pd.DataFrame(price_data, index=dates)

# 1. 计算 RPS 选出 Top 5
rps = calculate_market_rps(df_prices, window=60)
top_symbols = list(rps.nlargest(5).index)

# 2. 生成趋势信号
signals = generate_pool_trend_signals(df_prices, top_symbols)
total_signals = signals.sum().sum()

print("================ 股票池趋势协同策略测试 ================")
print(f"入选 Top 5 强势股票池: {sorted(top_symbols)}")
print(f"股票池内累计触发突破次数: {total_signals} 次")
print(f"策略验证: 股票池筛选数量 {'PASS' if len(top_symbols) == 5 else 'FAIL'}")
print("注：合成样例演示机制，历史回测不代表未来，实盘需防范过拟合风险。")
print("======================================================")

运行结果输出：

================ 股票池趋势协同策略测试 ================
入选 Top 5 强势股票池: ['S_03', 'S_04', 'S_07', 'S_09', 'S_10']
股票池内累计触发突破次数: 79 次
策略验证: 股票池筛选数量 PASS
注：合成样例演示机制，历史回测不代表未来，实盘需防范过拟合风险。
======================================================

本章小结

1. 两级火箭驱动机制：一级火箭通过多因子股票池锁定强势领涨主线，二级火箭利用技术突破精准择时。
2. 严格单票权重控制：通过等权重或风险平价限制单一标的暴露上限，防范个股踩雷风险。
3. 动态淘汰与更新：跌出 RPS 阈值或触发止损的标的立即移出股票池，资金迅速释放至高分候选标的。

📋 行动清单 (Action Checklist)

• 运行股票池趋势测试代码，测算 RPS 阈值（80 vs 90）对交易胜率的影响；
• 为趋势信号增加成交量放大（Volume > 1.5 * VMA）确认条件；
• 预习下一节，深入掌握趋势择时信号的设计方法与状态机实现。

—— 小象教研组