斜率动量指标详解

一、什么是斜率动量指标？

斜率动量指标（Slope Momentum）是一种量化投资中常用的趋势强度指标，通过线性回归分析价格走势的"斜率"来评估资产的动量。相比简单的价格涨跌幅，斜率指标能更科学地捕捉趋势的方向、速度和稳定性。

核心思想

将资产价格走势看作一条"趋势线"，通过以下两个维度评估：

斜率（Slope）：反映价格上涨或下跌的速度（趋势方向和强度）
拟合优度（R²）：反映价格走势与趋势线的贴合程度（趋势稳定性）

最终的斜率动量得分 = 年化收益率 × R²，既考虑了收益率，又考虑了趋势的确定性。

二、计算步骤详解

第一步：数据准备

python

# 获取指定周期的收盘价数据
close_prices = df['close'].values[-momentum_period:]

说明：提取最近 N 天（momentum_period）的收盘价数据，确保按时间顺序排列（最旧→最新）。

第二步：对数转换

python

y = np.log(close_prices)
x = np.arange(len(y))

为什么使用对数？

对数收益率具有时间可加性：连续多天的对数收益率可以直接相加
对数转换能更好地处理复利效应，让价格变化更符合正态分布
例如：价格从 100 → 110 → 121，对数收益率分别为 9.53% 和 9.53%，直接相加得到总收益

坐标系构建：

x：时间序列，[0, 1, 2, ..., N-1]
y：对数价格，[ln(P₀), ln(P₁), ..., ln(Pₙ₋₁)]

第三步：线性回归拟合

有两种回归方式：

3.1 等权回归

python

slope, intercept = np.polyfit(x, y, 1)

所有数据点的权重相同，平等对待历史和近期数据。

3.2 加权回归

python

weights = np.linspace(1, 2, len(y))
slope, intercept = np.polyfit(x, y, 1, w=weights)

权重设计：从 1 线性增长到 2

最旧的数据权重 = 1.0
最新的数据权重 = 2.0
中间数据权重线性插值

加权的意义：

更重视近期趋势，认为最新数据更能代表当前动量
减少远期噪音对趋势判断的影响
适合快速变化的市场环境

回归结果：

slope（斜率）：每单位时间（天）的对数收益率
intercept（截距）：趋势线的起始点

第四步：计算年化收益率

python

annualized_returns = math.exp(slope * 250) - 1

计算逻辑：

slope 是每天的对数收益率
slope * 250 是一年（250个交易日）的对数收益率
exp(slope * 250) - 1 将对数收益率转换为实际收益率

举例：

如果 slope = 0.002（每天0.2%的对数增长）
年化收益率 = exp(0.002 × 250) - 1 = exp(0.5) - 1 ≈ 64.87%

第五步：计算R²（拟合优度）

python

y_pred = slope * x + intercept

# 残差平方和
ss_residual = np.sum((y - y_pred) ** 2)

# 总平方和
ss_total = np.sum((y - np.mean(y)) ** 2)

# R²
r_squared = 1 - (ss_residual / ss_total)

R² 的含义：

范围：0 ~ 1
R² = 1：所有数据点完美落在趋势线上（完美趋势）
R² = 0.8：80%的价格变化能被趋势解释（强趋势）
R² = 0.3：仅30%能被解释（弱趋势或震荡）

加权R²：如果使用加权回归，R²计算也要加权，确保评估标准一致。

第六步：综合评分

python

slope_momentum = annualized_returns * r_squared

最终得分 = 年化收益率 × R²

举例对比：

资产	年化收益率	R²	斜率动量得分	特征
A	50%	0.9	0.45	稳定上涨 ✅
B	80%	0.4	0.32	高收益但波动大
C	20%	0.95	0.19	稳定但增速慢

结论：资产A得分最高，因为它既有不错的收益率，又有很高的趋势稳定性。

三、加权斜率的两个版本：V1 与 V2

平台目前对"加权斜率"（含分时版）提供两个可选版本：下拉框里不带后缀的加权斜率 / 加权斜率(分时版)（沿用早期实现，下文称 V1）和带后缀的加权斜率-V2 / 加权斜率(分时版)-V2（修正版）。两者的年化收益率计算完全一致，差异仅在 R² 的计算方式上，但这个差异会直接影响最终得分的正负号，因此有必要单独说明。

3.1 V1 的问题：回归权重与 R² 权重不一致

回顾第三步的加权线性回归：从 1 到 2 线性增长的权重序列 weights，理论上应该在整条计算链路（回归拟合、残差平方和、总平方和、均值）中保持同一套权重口径，才能让 R² 真实反映"加权回归"的拟合优度。

V1 的历史实现中，加权最小二乘回归实际使用的有效权重是线性权重的平方（weights²），但计算 R² 时的残差平方和、总平方和却直接使用了未平方的线性权重，并且用来计算离差的均值 mean(y) 还是普通算术平均，并未按权重加权：

python

# V1：回归用 weights²，但 R² 用未平方的 weights，且均值不加权
slope, intercept = weighted_polyfit(x, y, w=weights**2)   # 回归：有效权重 = weights²

y_pred = slope * x + intercept
mean_y = np.mean(y)                                        # 均值：未加权（问题点）
ss_residual = np.sum(weights * (y - y_pred) ** 2)          # R²：权重 = weights（问题点）
ss_total    = np.sum(weights * (y - mean_y) ** 2)          # R²：权重 = weights（问题点）
r_squared = 1 - ss_residual / ss_total

后果：回归线是在"weights² 加权"的意义下拟合出的最优解，但 R² 却是在另一套（weights + 未加权均值）标准下计算的拟合优度，两者不是同一套评价体系。在某些价格走势下，这种口径错位会导致 ss_residual > ss_total，使 R² 出现负值。

由于最终得分 = 年化收益率 × R²，一旦 R² 变成负数：

本来处于稳定上涨（年化收益率为正）的资产，反而被打出负分，在排名中被错误地排到后面
少数下跌趋势的资产反而可能因为这种符号错位被打出正分

这就是设计文档中所说的"动量符号翻转"问题——不是数值大小的偏差，而是评分方向性的错误，对轮动策略的选股排序有实质影响。

3.2 V2 的修正：统一权重口径

V2 把回归拟合、残差平方和、总平方和、均值这四处计算全部统一为同一套权重（weights²），包括把均值也改为加权均值：

python

# V2：回归、均值、R² 全部统一使用 weights² 作为权重
w = weights ** 2
slope, intercept = weighted_polyfit(x, y, w=w)

y_pred = slope * x + intercept
mean_y = np.sum(w * y) / np.sum(w)                          # 均值：改为加权均值
ss_residual = np.sum(w * (y - y_pred) ** 2)                 # R²：权重与回归一致
ss_total    = np.sum(w * (y - mean_y) ** 2)                 # R²：权重与回归一致
r_squared = 1 - ss_residual / ss_total

统一口径后，R² 是在与回归拟合完全相同的加权标准下计算的拟合优度，不会再出现因权重错位导致的负值和评分符号翻转问题，最终得分更可靠地反映"趋势方向 × 趋势稳定性"。

3.3 如何选择

新建策略：下拉框中"加权斜率""加权斜率(分时版)"对应 V1（历史实现，为兼容存量策略保留）；"加权斜率-V2""加权斜率(分时版)-V2"对应上述修正版。建议新建策略优先选择 V2。
已有策略：已保存策略的动量计算方式、历史回测/实盘表现均不受影响，V1、V2 是两个独立的类型选项，不存在自动升级或覆盖。
两者可同时回测对比：由于计算逻辑存在差异，同一 ETF 池、同一周期下 V1 与 V2 的净值曲线、收益指标通常会不同，属于预期内的差异，可通过回测直观比较两者表现。

四、等权 vs 加权回归的选择

等权回归

优点：

全面考虑整个周期的趋势
不容易被短期波动误导
适合识别中长期趋势

适用场景：

市场相对平稳
周期较长（如60天、120天）
追求稳健的趋势判断

加权回归

优点：

对市场变化反应更灵敏
能快速捕捉趋势转折
更符合"动量延续"的短期特性

适用场景：

市场快速变化
周期较短（如20天、30天）
需要快速响应趋势变化

实战建议：

短周期（≤30天）：建议使用加权回归
长周期（≥60天）：等权回归更稳健
可同时计算两种，构建多维度评分体系

五、在ETF轮动策略中的应用价值

4.1 核心作用：资产排序与筛选

ETF轮动策略的关键是定期选出最强势的资产持有。斜率动量指标提供了科学的排序依据：

python

# 计算所有ETF的斜率动量
etf_scores = []
for etf in etf_pool:
    score = calculate_slope_momentum(etf.data, period=60)
    etf_scores.append({'etf': etf.name, 'score': score})

# 按得分排序，选出Top N
top_etfs = sorted(etf_scores, key=lambda x: x['score'], reverse=True)[:N]

4.2 三大优势

优势1：同时考虑收益与稳定性

传统涨跌幅只看收益率，可能选到"虚高"的资产：

指标	简单涨跌幅	斜率动量
ETF-A：稳定上涨	+30%	0.27（30% × 0.9）
ETF-B：暴涨后回调	+40%	0.16（40% × 0.4）
选择结果	❌ 选B	✅ 选A

结论：斜率动量能过滤掉不稳定的"虚假强势"。

优势2：平滑噪音，识别真实趋势

线性回归本质上是一种去噪拟合，能过滤短期波动：

价格波动: 100 → 105 → 103 → 108 → 106 → 112
简单涨跌: +12%（但中间反复震荡）
斜率拟合: 识别出稳定的+2%/天趋势（R²高）

优势3：多周期组合，提升稳健性

可以结合不同周期构建评分体系：

python

# 短期（捕捉近期动量）
score_20d = calculate_slope_momentum(df, 20, use_weighted_regression=True)

# 中期（确认趋势延续）
score_60d = calculate_slope_momentum(df, 60, use_weighted_regression=False)

# 长期（避免追高）
score_120d = calculate_slope_momentum(df, 120, use_weighted_regression=False)

# 综合评分
final_score = 0.5 * score_20d + 0.3 * score_60d + 0.2 * score_120d

斜率动量指标详解

一、什么是斜率动量指标？

核心思想

二、计算步骤详解

第一步：数据准备

第二步：对数转换

第三步：线性回归拟合

3.1 等权回归

3.2 加权回归

第四步：计算年化收益率

第五步：计算R²（拟合优度）

第六步：综合评分

三、加权斜率的两个版本：V1 与 V2

3.1 V1 的问题：回归权重与 R² 权重不一致

3.2 V2 的修正：统一权重口径

3.3 如何选择

四、等权 vs 加权回归的选择

等权回归

加权回归

五、在ETF轮动策略中的应用价值

4.1 核心作用：资产排序与筛选

4.2 三大优势

优势1：同时考虑收益与稳定性

优势2：平滑噪音，识别真实趋势

优势3：多周期组合，提升稳健性

六、总结

斜率动量指标的核心价值

在ETF轮动中的独特优势

斜率动量指标详解 ​

一、什么是斜率动量指标？ ​

核心思想 ​

二、计算步骤详解 ​

第一步：数据准备 ​

第二步：对数转换 ​

第三步：线性回归拟合 ​

3.1 等权回归 ​

3.2 加权回归 ​

第四步：计算年化收益率 ​

第五步：计算R²（拟合优度） ​

第六步：综合评分 ​

三、加权斜率的两个版本：V1 与 V2 ​

3.1 V1 的问题：回归权重与 R² 权重不一致 ​

3.2 V2 的修正：统一权重口径 ​

3.3 如何选择 ​

四、等权 vs 加权回归的选择 ​

等权回归 ​

加权回归 ​

五、在ETF轮动策略中的应用价值 ​

4.1 核心作用：资产排序与筛选 ​

4.2 三大优势 ​

优势1：同时考虑收益与稳定性 ​

优势2：平滑噪音，识别真实趋势 ​

优势3：多周期组合，提升稳健性 ​

六、总结 ​

斜率动量指标的核心价值 ​

在ETF轮动中的独特优势 ​

斜率动量指标详解

一、什么是斜率动量指标？

核心思想

二、计算步骤详解

第一步：数据准备

第二步：对数转换

第三步：线性回归拟合

3.1 等权回归

3.2 加权回归

第四步：计算年化收益率

第五步：计算R²（拟合优度）

第六步：综合评分

三、加权斜率的两个版本：V1 与 V2

3.1 V1 的问题：回归权重与 R² 权重不一致

3.2 V2 的修正：统一权重口径

3.3 如何选择

四、等权 vs 加权回归的选择

等权回归

加权回归

五、在ETF轮动策略中的应用价值

4.1 核心作用：资产排序与筛选

4.2 三大优势

优势1：同时考虑收益与稳定性

优势2：平滑噪音，识别真实趋势

优势3：多周期组合，提升稳健性

六、总结

斜率动量指标的核心价值

在ETF轮动中的独特优势