第22讲 案例三 行业轮动策略完整回测

📎 配套代码：第22讲_案例三_行业轮动完整回测.py
📊 配套数据：data/industry/ —— 行业数据（沪深300 × 2024 年以来，仓库自带，开箱即跑）

前两个案例都停在”因子值”这一步。这一讲走到底：从信号到持仓，从持仓到净值，从净值到绩效指标。

数据换成申万一级行业指数——31 个行业、2015 年以来的日线。比个股面板小得多，正好用来把整条回测链看清楚。

🎬 开场：差一天，年化从 0.64% 变成 42.37%

同一个策略、同一份数据，只改一个数字：

sig = mom.shift(0)     # 用当月末的动量，赚当月的收益
sig = mom.shift(1)     # 用上月末的动量，赚当月的收益

当月末信号 + 当月收益     年化  42.37%    夏普 1.62
上月末信号 + 当月收益     年化   0.64%    夏普 0.14

年化差了 42 个百分点。

第一种写法的意思是：你在 1 月 31 日收盘时算出 1 月的动量，然后用它赚 1 月的钱。但 1 月的钱在 1 月 31 日已经赚完了——你是在用月底的信息交易整个月。

这就是第 19 讲那条规则在完整回测链上的样子：信号必须比收益早至少一期。

它不报错。净值曲线画出来漂亮得不像话，夏普 1.62 看着像个能上线的策略。唯一能发现它的方式，是你知道去检查信号和收益的时间关系。

🎯 这一讲结束时，你能

• 独立完成一条从原始价格到绩效指标的完整回测链
• 说清链上每一处需要对齐时间的地方，以及对错了会怎样
• 用矩阵运算表达”持仓 × 收益 = 组合收益”
• 计算换手率并把交易成本扣进净值
• 判断一个回测结果是不是”好得不真实”

一、🎯 要算什么

问题

给定一个行业轮动想法——每月选动量最高的 5 个行业等权持有——回答：它到底赚不赚钱？

这个问题看着简单，但”赚不赚钱”要用几个数一起回答，而且必须和一个基准比。

产出

一张绩效表：

                 年化      夏普    最大回撤
等权基准         1.14%     0.16    -38.63%
策略（税前）     0.64%     0.14    -54.87%
策略（扣成本）  -1.04%     0.07    -57.56%

三行缺一不可：

• 等权基准——不做任何选择，31 个行业全买。没有它，”年化 0.64%”这个数没有意义
• 税前——策略本身的能力
• 扣成本——实际能拿到的。这一行往往和上一行差得让人意外

为什么要走到净值这一步

前两个案例停在”因子值”和”IC”。但 IC 高不等于赚钱——它没有回答”每次调仓要换掉多少持仓””交易成本吃掉多少”。

只有走到净值和换手率，才能看出一个想法在现实中是不是可行。

二、📥 要用什么数据

sw = rqdata.sw_daily()          # (85653, 4)，31 个行业，2015 年以来
names = rqdata.industry_names() # {'801010.SI': '农林牧渔', ...}

为什么用行业指数而不是个股：31 个行业比 300 只股票小得多，整条回测链的每一步都看得清。而且行业指数本身就是等权/市值加权编制好的，不用再处理成分股变动。

三、🧭 设计思路

从”日线价格”到”绩效表”，中间是一条五段的链：

日线 → 月频 → 信号 → 权重 → 收益 → 净值 → 指标

每一段都要回答一个设计问题。

为什么先转宽表再重采样

后面要做”31 个行业横向排序”——这是列与列之间的比较。长表上要 groupby(日期).rank()，宽表上一个 rank(axis=1) 就够（第 14 讲）。

月末取哪个价

resample("ME").last() 而不是 .mean()。月末调仓用的是月末那天的价格，不是整月均价。用均价等于假设你能在一个不存在的价格上成交。

信号必须比收益早一期

这是整条链上最要命的一步。t 月的动量要等 t 月末收盘才算得出来，而 t 月的收益是从 t−1 月末持有到 t 月末才实现的。

用 t 月的信号赚 t 月的钱，等于收盘前就知道了当月涨跌。

→ sig = mom.shift(1)

权重怎么表达

选中的 5 个行业各占 20%，其余为 0。表达成一个和收益矩阵形状相同的权重矩阵，这样组合收益就是一次逐元素相乘再按行求和——不用循环，不用 merge。

成本从哪来

换手率 = 相邻两期权重差的绝对值之和 ÷ 2。乘上双边费率就是这一期的成本，从收益里直接扣。

四、📝 伪代码

输入：行业指数日线（行业代码、日期、收盘价）

1. 转宽表：行 = 日期，列 = 行业
2. 月频重采样：每月取最后一个交易日的收盘价

3. 算收益和信号：
   本月收益 = 相对上月末的涨幅
   动量     = 相对 6 个月前的涨幅
   信号     = 动量整体后移一期          # ← 关键
   
4. 由信号生成权重：
   对每个月：
       把 31 个行业按信号从高到低排名
       前 5 名各给 1/5 权重，其余给 0
   检查：每行权重和为 1、无负权重、每期恰好 5 个

5. 组合收益 = 权重矩阵 × 收益矩阵，按行求和
   净值     = (1 + 组合收益) 累乘

6. 绩效指标：
   年化   = 净值末值 ^ (1/年数) − 1
   夏普   = 月收益均值 / 月收益标准差 × √12
   回撤   = min(净值 / 历史最高净值 − 1)

7. 换手与成本：
   换手 = |本期权重 − 上期权重| 求和 ÷ 2
   成本 = 换手 × 双边费率
   扣成本后收益 = 组合收益 − 成本
   
8. 基准：31 个行业等权，同样算一遍 6、7 步

第 5 步那一行 权重矩阵 × 收益矩阵 是整条链的枢纽。两个矩阵形状必须完全一致——这正是前面坚持用宽表的原因。

五、🔧 逐段实现

日线 → 月频（第 14、19 讲）

sw["dt"] = pd.to_datetime(sw["trade_date"], format="%Y%m%d")
w = sw.pivot(index="dt", columns="ts_code", values="close").sort_index()
m = w.resample("ME").last()

(85653, 4)  →  (2763, 31)  →  (137, 31)
   长表          日频宽表        月频宽表

两步各有理由：

• 转宽表（第 14 讲）：后面要做”31 个行业横向排序”，这是列与列之间的比较，宽表是唯一自然的形态
• 月频重采样（第 19 讲）：resample("ME").last() 取每月最后一个交易日的收盘价

.last() 而不是 .mean()——月末调仓用的是月末价格，不是月度均价。

月频 → 信号

ret = m.pct_change(fill_method=None)          # 每月收益
mom = m.pct_change(6, fill_method=None)       # 6 个月动量
sig = mom.shift(1)                            # ← 关键的一行

(137, 31) → (137, 31)      形状不变，含义完全不同

shift(1) 把信号整体推后一期：第 t 月用的是第 t−1 月末算出的动量。

fill_method=None 见第 14 讲——默认会先填充缺失再算，在数据空缺处造出假收益。

IMPORTANT: 🔑 判断方法：这个数在什么时候能被算出来
mom 在 t 月末才算得出来（要用到 t 月末的收盘价）。
ret 是 t 月的收益，从 t−1 月末持有到 t 月末才实现。
两者相乘，必须让 mom 比 ret 早一期。
这和第 19 讲 rolling 那个 .shift(1) 是同一条规则，只是从日频换成了月频。

信号 → 持仓权重

rank = sig.rank(axis=1, ascending=False)      # 横向排名，1 是动量最高的
long = (rank <= 5).astype(float)              # 选前 5 个行业
long = long.div(long.sum(axis=1), axis=0)     # 等权，每行加起来是 1

(137, 31) → (137, 31)      每行 31 个数，其中 5 个是 0.2，其余是 0

rank(axis=1) 是横向排名（第 09 讲），在每一行（每个月）内部对 31 个行业排序。宽表的价值在这里体现——长表上要 groupby(日期).rank()，宽表上一个 axis=1 就够了。

div(..., axis=0) 是按行归一化：每行除以该行的和，得到权重。

TIP: 🚀 权重矩阵的检查点

assert np.allclose(long.sum(axis=1).dropna(), 1.0)     # 每行和为 1
assert (long >= 0).all().all()                          # 纯多头没有负权重
assert (long > 0).sum(axis=1).max() == 5                # 每期恰好持 5 个

权重矩阵是回测链的中枢，后面所有结果都从它出发。这三个断言几乎零成本。

持仓 → 组合收益 → 净值

port = (long * ret).sum(axis=1)               # 组合收益
nav = (1 + port).cumprod()                    # 净值曲线

(137, 31) × (137, 31) → (130,) → (130,)

long * ret 是逐元素相乘——权重矩阵和收益矩阵形状相同，对应位置相乘就是”这个行业贡献了多少”。再按行求和，得到组合当月的总收益。

这一步是宽表形态的直接回报：组合收益就是一次矩阵乘法。长表上要先 merge 再 groupby，绕得多。

cumprod() 把收益序列累乘成净值。注意用 (1 + port) 而不是 port ——净值是复利累乘，不是收益累加。

净值 → 绩效指标

years = len(port) / 12
annual = nav.iloc[-1] ** (1 / years) - 1                  # 年化收益
sharpe = port.mean() / port.std() * np.sqrt(12)           # 年化夏普
mdd    = (nav / nav.cummax() - 1).min()                   # 最大回撤

三个指标各用了一个 pandas 特性：

• 年化：净值末值开 1/年数 次方
• 夏普：月度均值除以月度标准差，再乘 √12 年化。月频用 12，日频用 252
• 最大回撤：cummax() 是历史最高点（第 19 讲的 expanding 家族），当前净值除以它减 1 就是当前回撤，取最小值

                 年化      夏普    最大回撤
等权基准         1.14%     0.16    -38.63%
策略（税前）     0.64%     0.14    -54.87%

必须有基准。 单看”年化 0.64%”没有信息量——它是好是坏，取决于同期把 31 个行业等权持有能拿到多少。这里基准是 1.14%，策略不但收益更低，最大回撤还深了 16 个百分点。

换手与交易成本

turnover = (long.diff().abs().sum(axis=1) / 2)     # 单边换手率
cost = turnover * 2 * 0.002                        # 双边成本 0.2%
port_net = port - cost

月均单边换手  34.9%
年化成本拖累   1.68%

long.diff() 是权重矩阵的逐行差分——这个月的权重减上个月的。取绝对值求和再除以 2，就是单边换手率（除 2 是因为买入和卖出被算了两遍）。

扣掉成本之后：

                 年化      夏普    最大回撤
策略（税前）     0.64%     0.14    -54.87%
策略（扣成本）  -1.04%     0.07    -57.56%

年化从 +0.64% 变成 −1.04%。1.68 个百分点的成本，把一个勉强为正的策略变成了负的。

IMPORTANT: 🔑 换手率是回测里最容易被忽略的一列
一个”年化 5%”的策略，如果月均换手 80%，扣完成本可能只剩 1%。
计算成本很简单——难的是记得算。回测代码里 turnover 这一行经常被省略，因为不算它净值曲线一样能画出来。

六、🐛 完整回测链上的时间对齐点

这条链上有四个地方需要对齐时间，错任何一个结果都会失真：

前三个都属于用了当时还不知道的信息。它们的共同特征在这门课里出现过很多次：

• 不报错
• 结果的形状、量级都正常
• 让结果变好看

第一条尤其值得记住：未来函数总是让回测变好。所以当你看到一个夏普 1.5 的简单策略时，第一反应不该是兴奋，而是回去检查时间对齐。

七、📊 完整结果

回测区间     2015-08 ~ 2026-05     130 个月
持仓         每月选动量最高的 5 个行业，等权
调仓         月末信号，次月持有

                 年化      夏普    最大回撤
等权基准         1.14%     0.16    -38.63%
策略（税前）     0.64%     0.14    -54.87%
策略（扣成本）  -1.04%     0.07    -57.56%

月均单边换手   34.9%

NOTE: 💡 这个结果不需要修
简单的行业动量在这段样本上跑输等权基准，扣完成本是负的。这是诚实的输出。
这一讲的目标是走通整条链，不是找到一个能用的策略。 一个跑通的回测框架比一条漂亮的净值曲线有价值——因为框架可以用来测下一个想法，而漂亮的曲线往往只是某处时间没对齐。
如果你想让它变好看，最快的办法就是把 shift(1) 去掉——年化立刻变成 42%。这恰恰说明了为什么要检查。

八、📚 复盘：这个案例用到了哪些 pandas 功能

按讲次回顾

这一讲用到的 API 最少，但每一个都在做不可替代的事。 因为回测链的每一段都是不同性质的运算：重塑、重采样、排序、矩阵乘、累乘。

一个观察：整条链都在宽表上

从第 1 步 pivot 之后，一直到最后算完指标，数据始终是 (137, 31) 这个形状。这不是巧合：

回测天然是矩阵运算——权重矩阵 × 收益矩阵。第 14 讲说”宽表擅长矩阵运算”，这一讲就是那句话最完整的兑现。

一个对比：三个案例的形态选择

同样是量化流程，形态选择完全不同。判据不是”哪个更好”，是”下一步要做什么运算”（第 14 讲）。

最值得带走的三件事

① 未来函数总是让回测变好。 差一天，年化从 0.64% 变成 42.37%。所以看到一个夏普 1.5 的简单策略，第一反应不该是兴奋，而是回去检查时间对齐。结果太好，通常意味着某处用了当时还不知道的信息。

② 权重矩阵是回测链的中枢。 后面所有结果——收益、净值、换手、成本——都从它出发。所以那三个断言（每行和为 1、无负权重、每期恰好 N 个）值得写：中枢错了，下游全错，而且全都不报错。

③ 算了收益还要算换手。 换手率这一行经常被省略，因为不算它净值曲线一样能画出来。但这个案例里，1.68 个百分点的成本把 +0.64% 变成了 −1.04%。一个不含成本的回测，回答的不是”能不能赚钱”，只是”信号有没有方向”。

🏋️ 训练营

QUESTION: 🟢 训练 1：权重矩阵 long 每行应该满足什么条件？写出三个断言。
TIP: 👉 参考

assert np.allclose(long.sum(axis=1).dropna(), 1.0)      # 每行和为 1
assert (long >= 0).all().all()                           # 纯多头无负权重
assert (long > 0).sum(axis=1).max() == 5                 # 每期恰好 5 个持仓

第一条最重要——权重和不为 1 意味着你的组合没满仓或者超配了，后面所有收益都会按比例失真。
dropna() 不能省：前 6 个月因为算不出动量，整行是 NaN，sum 会得到 0 而不是 1。

QUESTION: 🟡 训练 2：把 sig = mom.shift(1) 改成 mom.shift(2)，结果会怎样？这么改有没有合理的场景？
TIP: 👉 参考
shift(2) 意味着用两个月前的信号交易当月，信息更陈旧，通常会让结果变差（动量信号的有效期有限）。
但它有合理场景：如果你的调仓不是月末立刻执行，而是需要几天时间（研究流程、审批、分批建仓），那么实际可用的信号确实更旧。用 shift(2) 做一次敏感性测试，能回答”这个策略对执行延迟有多敏感”。
这是回测里的一个常规检查：把关键参数上下动一动，看结果是不是稳定。如果 shift(1) 赚钱、shift(2) 就亏，说明策略依赖于极快的执行，实盘很难复制。

QUESTION: 🔴 训练 3：把这个策略从”选前 5 个行业做多”改成”多空组合”——做多动量最高的 5 个、做空最低的 5 个。写出权重矩阵的构造，并说明哪些检查点要跟着改。
TIP: 👉 参考

n = sig.notna().sum(axis=1)                              # 每期有效行业数
rank_asc = sig.rank(axis=1, ascending=True)              # 升序排名

long_  = (rank <= 5).astype(float)
short_ = (rank_asc <= 5).astype(float)
w = long_.div(long_.sum(axis=1), axis=0) - short_.div(short_.sum(axis=1), axis=0)

检查点要改三处：
① w.sum(axis=1) 现在应该是 0 而不是 1（多空对冲，净敞口为零）
② (w >= 0).all() 不再成立——空头是负权重
③ 新增一个检查：w.abs().sum(axis=1) 应该是 2（多头总权重 1 + 空头总权重 1），这是杠杆率

换手率的算法也要改：w.diff().abs().sum(axis=1) / 2 仍然成立，但含义变了——多空组合的换手包含了两边的调整，绝对值会更大，成本更高。
另外：A 股融券成本高、可融券的标的有限，行业指数更是无法直接做空。这个多空组合在数学上成立，在 A 股实际做不了。回测里做得出来、现实中做不到的事，要在结论里注明。

✍️ 作业

1. 把完整回测跑一遍，记录每一步的形状。重点确认 (137, 31) × (137, 31) → (130,) 这一步——组合收益是怎么从两个矩阵变成一个序列的。
2. 复现开场那个对比：shift(0) 和 shift(1) 各跑一次，记录两组年化和夏普。用”信号在什么时候能被算出来”解释差异。
3. 给权重矩阵加上三个断言，然后故意把 div(long.sum(axis=1), axis=0) 去掉，确认断言能抓住”权重和不为 1″。
4. 把持仓数从 5 个改成 3 个和 10 个，各跑一次，记录三组的年化、夏普和换手率。观察持仓数和换手率的关系。
5. 把双边成本从 0.2% 改成 0.05%（机构费率）和 0.5%（含冲击成本），看策略在什么成本水平下开始亏钱。这个数叫”成本盈亏平衡点”。
6. 思考题：本讲用 resample("ME").last() 取月末价。如果改成 resample("ME").mean()（月度均价），回测结果会偏好还是偏差？为什么？（提示：想想月均价里包含了哪些日子的信息，以及你在月末那天实际能以什么价格成交。）

🎓 全课收官

二十二讲走完，回头看这条线：

第 02–07 讲教的是取数——按位置、按标签、按条件，以及 Series 和 DataFrame 这两个容器。
第 08–14 讲教的是把数据揉成形状——读进来、补缺失、改值、分类、层次索引、合并、长宽互转。
第 15–19 讲教的是分组和时间——聚合、组内变换、透视、时间索引、重采样与滚动。
第 20–22 讲把它们串起来，做了三条完整的流水线。

如果只留一句，是这个：pandas 里最危险的错误都不报错。

课程里反复出现的那些——groupby 不排序、rolling 跨越股票边界、merge 悄悄膨胀、财报按报告期对齐、信号和收益同期相乘——它们的共同点是结果的形状正常、量级正常、画出来也正常。

所以真正的能力不是”会写 pandas”，而是：

• 知道每一步的输出应该是什么形状，并在形状变化处设检查点
• 知道每个数在什么时候能被算出来，不用还没发生的信息
• 知道数据本身有什么局限，并在结论里如实说明

前两条决定你的代码对不对，第三条决定别人该多大程度上相信你的结果。