在金融市场，有一种被称为 “动量” 的现象。其核心理念很简单：如果一个资产（如股票）的价格正在上涨，那么它短期内更有可能继续上涨；同样，如果一个资产的价格正在下跌，它也更有可能继续下跌。这就像惯性一样。
本文将基于这个现象具体介绍下动量策略，并回测这个策略在 数字货币市场上的表现。
前言说明
我们先搞清楚为什么会出现动量。常见的说法有两个主要原因：
信息传播需要时间：当一条好消息或坏消息出现时，并非所有市场参与者都能立刻知晓并采取行动，价格的调整会随着信息的逐步扩散而持续一段时间。
机构交易行为：大型投资机构在买卖大量资产时，会不断执行买入操作，这个交易行为本身就会在市场上形成一个持续的趋势。
基于此，发展出了两种主要的动量策略思路：
时间序列动量：关注资产自身的历史表现。例如，买入过去一段时间表现绝对好的资产，卖出表现绝对差的资产。
横截面动量：关注资产之间的相对表现。例如，在一个股票组合中，买入过去一段时间表现最好的几支，同时卖出表现最差的几支，形成一个“做多强势、做空弱势”的组合。
基于这个策略架构，我将用 backtrader 测试动量策略在币圈的表现情况。
策略定义
首先选择交易的池子，我将选择市值前 10 的加密货币作为交易标的，不包括 USDT 和其他的包装代币。
交易逻辑采用横截面动量思路，选择每周内表现好的币种做多，同时做空表现差的币种，比例是五五开。这其实是实现了对冲，算是个中性策略，要保证多仓和空仓的价值相等。
还有，即使每周的多空品种没有变化，也会再平衡，实现每个品种的风险暴露相同。
因为没找到按日期查询前十市值数字货币的方法，我就按当前时间固定了 10 个币种。这里其实是引入了未来信息了。
如果查看 CoinMarketcap 的历史快照页面，历史上的前 10 市值的品种变化不算太大。
回测代码
策略代码实现起来非常简单，如下是策略的核心交易逻辑部分。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
| import backtrader as bt
import backtrader.indicators as btind
class MomentumStrategy(bt.Strategy):
def __init__(self):
self.pchgs = {}
for data in self.datas:
self.pchgs[data] = bt.ind.PercentChange(data, period=1)
self.count = len(self.datas)
self.cut_pos = int(self.count / 2)
def next(self):
sorted_datas = sorted(
self.pchgs.keys(),
key=lambda k: self.pchgs[k][0],
)
total_value = self.broker.getvalue()
target_value = total_value / self.count
for data in sorted_datas[:self.cut_pos]:
self.order_target_value(data, -target_value)
for data in sorted_datas[-self.cut_pos:]:
self.order_target_value(data, target_value)
|
指标是通过 backtrader 的 PercentChange 计算，period 设置为1。这样在我们加载周线数据到系统就行了。
1
2
3
| self.pchgs = {}
for data in self.datas:
self.pchgs[data] = bt.ind.PercentChange(data, period=1)
|
因为这是一个组合策略，有多个标的，指标是通过字典，键是 backtrader 的 dataFeed 对象，代表的具体的某个品种。
在 next 策略逻辑方法中，按每周变化对各个标的排序。
1
2
3
4
| sorted_datas = sorted(
self.pchgs.keys(),
key=lambda k: self.pchgs[k][0],
)
|
接着就是每周定期按当前的持仓价值，在在平衡风险暴露，统一风险暴露。
1
2
3
4
5
6
7
| total_value = self.broker.getvalue()
target_value = total_value / self.count
for data in sorted_datas[:self.cut_pos]:
self.order_target_value(data, -target_value)
for data in sorted_datas[-self.cut_pos:]:
self.order_target_value(data, target_value)
|
到这里，就核心的策略部分，每个周期按当前组合总价值对组合进行平衡。
接下来是主函数部分。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
| symbols = [
"BTC/USDT",
"ETH/USDT",
"XRP/USDT",
"BNB/USDT",
"SOL/USDT",
"TRX/USDT",
"DOGE/USDT",
"ADA/USDT",
"BCH/USDT",
"LINK/USDT",
]
cerebro = bt.Cerebro(stdstats=False)
# 只绘制 broker 资金和价值变化
cerebro.addobserver(bt.observers.Broker)
cerebro.broker.setcash(1e8)
cerebro.broker.setcommission(commission=0.0005)
cerebro.broker.set_slippage_perc(0.0001)
cerebro.addanalyzer(bt.analyzers.drawdown.DrawDown, _name="drawdown")
if len(symbols) % 2 != 0:
raise ValueError(f"标的个数是{len(symbols)}, 要保证能匹配成对")
|
选择了市值排名前十的标的，设置初始资金为1e8，费率为万五，滑点为万一，还加入了回撤 Drawdown 分析器。
如下加载数据和策略并运行回测代码。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
| for symbol in symbols:
df = download(
symbol, start_date="2020-01-01", end_date="2025-11-30", interval="1w"
)
data = bt.feeds.PandasData(
dataname=df,
name=symbol,
)
data.plotinfo.plot = False
cerebro.adddata(data)
cerebro.addstrategy(MomentumStrategy)
print(f"初始持仓价值：{cerebro.broker.getvalue()}")
strats = cerebro.run()
print(f"最终持仓价值：{cerebro.broker.getvalue()}")
max_drawdown = strats[0].analyzers.getbyname("drawdown").get_analysis()['max']['drawdown']
print(f"最大回撤：{max_drawdown}")
cerebro.plot()
|
运行结果：
1
2
3
| 初始持仓价值：100000000.0
最终持仓价值：605325844.8474668
最大回撤：17.627636120733097
|
绘图结果：
看起来还不错，回撤 17% 也不是很大。不过这里用的周线数据，更细粒度的回撤没有被回测出来。
还有这里没有风险控制，可以用日线或小时线回测看看，这里应该还有优化空间。
数据下载函数 download 是我通过 ccxt 封装的函数，这里不暂时出来了。完整代码请查看地址 momentum.py。
还有一点注意，加入的多个标的数据要保证日期对齐，否则会导致回测结果错乱。
最后
本文是基于动量这个思路的策略回测，如果从周线上看，这个动量效应还是比较明显的，或许这和高杠杆有很大关系吧。
欢迎关注我的公众号：
欢迎加入我的知识星球：
