前段时间其实做了一个低换手率波动的行业分类策略，结果发现在震荡市表现得很好，但是好行情的时候甚至跑不过沪深300。
这次就做了一个适应不同市场风格的轮动策略，结果出乎意料得好。
首先是用随机森林算法学习从2008年初一直到2019年底的市场行情风格，然后分类成“强市”和“弱市”，判断标准是未来10日收益率是否大于训练期收益率中位数。
强市策略：筛选“非ST、非创业板、上市满1年、流通市值＞5亿、净利润TTM增速＞30%、营收TTM增速＞30%、PE_TTM 0-50、PB＜5”的股票，按总市值从小到大取前5只（小市值成长偏好）；
弱市策略：筛选“上市满252天、非ST、非停牌”的股票，按20日换手率波动率从小到大取前10只（低波动偏好）。
回测时间是2023年初到2025年10月31日，夏普比率2，胜率超过70%，累积收益率超过了560%，效果还是不错的。想要实现风格轮转的朋友可以参考一下。
#量化 #量化交易 #机器学习#股市 #量化策略开发
这次就做了一个适应不同市场风格的轮动策略，结果出乎意料得好。
首先是用随机森林算法学习从2008年初一直到2019年底的市场行情风格，然后分类成“强市”和“弱市”，判断标准是未来10日收益率是否大于训练期收益率中位数。
强市策略：筛选“非ST、非创业板、上市满1年、流通市值＞5亿、净利润TTM增速＞30%、营收TTM增速＞30%、PE_TTM 0-50、PB＜5”的股票，按总市值从小到大取前5只（小市值成长偏好）；
弱市策略：筛选“上市满252天、非ST、非停牌”的股票，按20日换手率波动率从小到大取前10只（低波动偏好）。
回测时间是2023年初到2025年10月31日，夏普比率2，胜率超过70%，累积收益率超过了560%，效果还是不错的。想要实现风格轮转的朋友可以参考一下。
#量化 #量化交易 #机器学习#股市 #量化策略开发
