QMT实盘代码解析：构建高效全球ETF动量交易系统

1. 为什么你需要一个全球ETF动量交易系统？

如果你对投资有点兴趣，可能听说过“不要把鸡蛋放在一个篮子里”这句话。但现实是，很多人的“篮子”其实都差不多——A股、基金，或者顶多再加点港股。市场好的时候大家一起涨，市场不好的时候，大家一起跌，这种同涨同跌的体验，相信经历过这几年市场的朋友都深有体会。

那有没有办法，能真正把“篮子”分散到全世界呢？比如，当A股震荡的时候，美股可能正创新高；当科技股调整时，黄金和国债或许在走强。这种全球化的资产配置，能有效平滑我们的投资曲线，降低整体风险。但问题来了，我们普通人怎么去实时跟踪全球这么多市场，又怎么判断该买哪个、卖哪个呢？手动操作几乎不可能。

这就是我今天想跟你分享的，用QMT平台和xtquant库，亲手搭建一个自动化全球ETF动量交易系统。它的核心逻辑很简单：让数据说话，让趋势做主。系统会自动计算全球几十只主流ETF（比如跟踪纳斯达克、标普500、德国DAX、日本日经、黄金、国债的ETF）在过去一段时间的“势头”（也就是动量），然后定期（比如每天收盘前）把资金切换到当前势头最强的几只ETF上。这相当于你拥有了一个不知疲倦的全球市场“扫描仪”和“执行者”。

我刚开始接触量化时，也觉得这玩意儿很高深，全是数学公式和代码。但实际用QMT做下来发现，它其实很“接地气”。你不需要从零搭建复杂的交易接口，QMT的xtquant库已经帮你封装好了对接券商的标准方法；你也不用自己处理繁琐的行情数据，平台提供了稳定的数据源。你要做的，就是把“动量选ETF”这个聪明的想法，用清晰的逻辑写成代码，然后交给系统去7x24小时执行。接下来，我就带你一步步拆解这个系统的代码，从原理到实盘，让你也能拥有自己的“全球资产巡航舰”。

2. 系统核心：动量因子是怎么算出来的？

动量策略听起来高大上，但它的内核非常直观：买涨得好的，卖涨得差的。在我们的系统里，就是定期找出过去一段时间内，上涨趋势最强劲、最稳定的几只ETF。那么，如何用数学来量化这个“强劲且稳定的上涨趋势”呢？这就是动量因子的计算。

我们不会用简单的价格涨跌幅，因为它波动太大，容易受到单日暴涨暴跌的干扰。在提供的策略代码中，使用了一个更稳健的方法：对数价格线性回归的年度化收益率，并结合了拟合优度（R²）。别被名词吓到，我用人话给你解释一下。

假设我们看某只ETF过去60天的收盘价。我们不是直接比较第1天和第60天的价格，而是把这60个价格点画在图上，然后尝试画一条最贴合这些点的、向上或向下的“趋势线”。这条线的斜率，就代表了价格平均每天的增长速度。然后，我们把这个日增长速度复利放大到一年（假设一年250个交易日），就得到了一个“年度化收益率”的估计值。这衡量了趋势的“强度”。

但光有强度还不够。如果价格上蹿下跳，但最终巧合地回到了一个更高的位置，这样画出的趋势线可能斜率也很高，但它的参考意义不大。所以，我们还需要看这条趋势线“拟合”得好不好，也就是所有价格点是不是都老老实实地分布在这条线附近。这个衡量拟合好坏的指标就是R²，它的值在0到1之间，越接近1，说明趋势越稳定、越可靠。

最后，我们把“强度”（年度化收益率）和“可靠性”（R²）乘在一起，得到一个综合“分数”。这个分数高的ETF，就是那种既涨得好、又涨得稳的“优等生”。我们的系统，就定期给池子里的所有ETF打这个分数，然后买入分数最高的前几名。

让我们结合代码片段具体看看：

def get_rank(C, etf_pool):
    score_list = []
    # 计算过去C.m_days天（例如60天）的起始和结束时间
    start_time = timetag_to_datetime(C.get_bar_timetag(C.barpos-C.m_days),'%Y%m%d')
    end_time = timetag_to_datetime(C.get_bar_timetag(C.barpos),'%Y%m%d')

    for etf in etf_pool:
        # 获取该ETF过去C.m_days天的日线收盘价数据
        data = C.get_market_data_ex(fields=["close"],stock_code=[etf], period = "1d",
                                     start_time = start_time, end_