如何在聚宽（JoinQuant）中构建全球ETF轮动策略？（附Python源码）

聚宽全球ETF轮动策略构建与实现指南

全球ETF轮动策略是一种经典的动量资产配置策略。通过在不同的资产类别（如国内A股、海外美股、港股、黄金、商品等）之间进行轮动，选择近期表现最强势的ETF进行持有，能够有效分散单一市场风险，获取全球资产增长红利。在聚宽（JoinQuant）平台上，我们可以通过跨境ETF（如纳指ETF、标普500ETF、德国30ETF等）轻松实现这一配置。

一、 策略核心设计

1. 标的选择（全球资产覆盖）：

   • 国内权益：沪深300 ETF (510300.XSHG)、中证500 ETF (510500.XSHG)
   • 海外权益：纳指ETF (513100.XSHG)、标普500 ETF (513500.XSHG)
   • 避险/商品：黄金ETF (518880.XSHG)

2. 动量指标计算：

   • 采用过去 $N$ 个交易日（如 20 日或 60 日）的累积收益率作为动量得分。
   • 每日或每周/月定期调仓，计算候选池中所有 ETF 的动量得分，选择得分最高（且为正）的 $M$ 只 ETF 均仓买入。

3. 交易与数据处理注意事项：

   • 动态复权（真实价格）：跨境ETF常有拆分或分红，必须在 initialize 中开启 set_option('use_real_price', True)，避免回测使用未来复权因子导致失真。
   • 交易时间一致性：虽然海外ETF跟踪的是境外指数，但其在A股交易时间（9:30-15:00）内正常交易，因此数据获取和下单逻辑与普通A股完全一致。
   • 滑点与税费：场内基金（ETF）不征收印花税，佣金通常比股票更低，且无最低5元限制。需通过 set_order_cost 针对 fund 类型进行单独设置。

二、 聚宽完整策略源码

以下是一个在聚宽平台可直接运行的全球ETF轮动策略示例：

import pandas as pd
import numpy as np
from jqdata import *

def initialize(context):
    # 1. 设定基准
    set_benchmark('000300.XSHG')
    # 2. 开启真实价格模式（动态复权），防止未来函数
    set_option('use_real_price', True)
    
    # 3. 设置ETF交易税费（基金免印花税，无最低5元限制）
    set_order_cost(OrderCost(open_tax=0, close_tax=0, 
                             open_commission=0.0001, close_commission=0.0001, 
                             min_commission=0), type='fund')
    
    # 4. 定义全球轮动资产池
    g.etf_pool = [
        '510300.XSHG',  # 沪深300 ETF (国内大盘)
        '510500.XSHG',  # 中证500 ETF (国内中盘)
        '513100.XSHG',  # 纳指ETF (美国科技)
        '513500.XSHG',  # 标普500 ETF (美国大盘)
        '518880.XSHG'   # 黄金ETF (避险商品)
    ]
    
    # 5. 策略参数设置
    g.momentum_window = 20  # 动量计算窗口（20个交易日）
    g.top_n = 1             # 每次持有最强势的1只ETF
    
    # 6. 定时运行：每周第一个交易日开盘进行调仓
    run_weekly(handle_rotation, weekday=1, time='09:30')

def handle_rotation(context):
    # 获取当前可用资金
    cash = context.portfolio.available_cash
    
    # 1. 计算各ETF的动量得分（过去N日收益率）
    scores = {}
    for etf in g.etf_pool:
        # 获取历史收盘价
        hist = attribute_history(etf, g.momentum_window + 1, '1d', ['close'])
        if len(hist) < g.momentum_window + 1:
            continue
        
        # 计算收益率
        start_price = hist['close'].iloc[0]
        end_price = hist['close'].iloc[-1]
        momentum_score = (end_price - start_price) / start_price
        scores[etf] = momentum_score
        
    # 2. 按照得分从大到小排序
    sorted_etfs = sorted(scores.items(), key=lambda x: x[1], reverse=True)
    
    # 3. 筛选出得分大于0的强势资产
    target_etfs = [etf for etf, score in sorted_etfs if score > 0][:g.top_n]
    
    # 4. 执行调仓
    # 获取当前持仓
    current_positions = list(context.portfolio.positions.keys())
    
    # 卖出不在目标持仓中的ETF
    for etf in current_positions:
        if etf not in target_etfs:
            order_target(etf, 0)
            log.info(f"[调仓] 卖出未上榜资产: {etf}")
            
    # 买入目标ETF
    if target_etfs:
        # 均分资金
        target_value = context.portfolio.total_value / len(target_etfs)
        for etf in target_etfs:
            order_target_value(etf, target_value)
            log.info(f"[调仓] 买入/持有强势资产: {etf}，目标价值: {target_value:.2f}")
    else:
        log.info("[调仓] 无动量大于0的资产，空仓避险")

三、 策略优化方向

1. 引入均线过滤（双重保险）：在动量得分大于0的基础上，可以增加限制条件，如目标ETF的价格必须在20日均线（MA20）之上才允许买入，否则空仓避险。
2. 多周期动量结合：结合 20 日、60 日和 120 日动量进行加权打分，降低单一周期噪声干扰。
3. 波动率倒数加权（Risk Parity）：如果同时持有多个ETF，可以使用聚宽内置的投资组合优化器 portfolio_optimizer，采用风险平价模型分配权重，使组合波动更平稳。