小果综合动量回测系统专家

一、系统概述

使用教程：https://gitcode.com/qq_50882340/xg_more_mom_backtrader

1.1 系统定位

小果综合动量回测系统（xg_more_mom_backtrader）是一套集成多种动量模型、可叠加大盘择时/动量区间/开仓/平仓/止盈多级过滤的专业级量化动量轮动回测框架。它以「过去 N 日的历史走势」为每只标的计算一个动量分数，按分数降序排名轮动（持有第 max_rank 至第 min_rank 名），并通过若干可独立开关的条件层决定「何时允许买入 / 何时强制卖出 / 何时落袋止盈」。

与纯均值方差（MPT 资产配置）系统不同，综合动量系统靠趋势/强弱排序择时选标的，而非按风险收益做配置——本质是「动量选强势、排名轮动持有、多条件风控」的信号交易型策略。系统支持同一资金池整体运作（不把 cash 均分），每日对全池计算动量、更新目标持仓并执行交易。

> 动量核心思想：强者恒强（追涨）/ 弱者恒弱（杀跌）——历史一段时期内相对强势的标的，未来更可能延续强势；本系统用多种动量模型把“谁强谁弱”数量化，只持有池内排名靠前的强势标的。

1.2 核心策略逻辑（每 interval 交易日执行）

综合动量框架在每个检查交易日运行四步主循环：

① 计算动量分：对每只标的使用所选 mom_models 计算当日动量分数，降序排名
② 动量区间过滤(可选)：仅保留分数 ∈ [mini_value, max_value] 的标的
③ 取排名区间：目标持仓 = 排名第 max_rank ~ min_rank 名(排除区间则退化为前 min_rank)
④ 四步交易执行：
   ├─ 大盘择时(可选)：指数条件不满足 → 清仓非 index_not_trader 标的
   ├─ 轮动卖出：清仓不在目标排名内的持仓(排他 index_not_trader)
   ├─ 轮动买入：对目标排名内但未持有的标的，按 mom_type 分配资金买入(需过买入条件)
   ├─ 平仓条件(可选)：触发卖出条件的持仓强制平仓
   └─ 盘中止盈：当日 zdf ≥ sell_zdf 时按 sell_amount 落袋止盈

interval 控制调仓检查频率（默认 1 = 每个交易日检查）；非检查日仅做市值/持仓记账，不发生交易。买入资金由 mom_type（金额/数量/百分比）与 mom_value 决定，按目标数量均分预算。

1.3 六大动量模型（mom_models 核心）

动量分由 calculate_momentum 按 mom_models 分发到对应打分方法：

> 📌 各打分方法数据不足（少于各自所需周期）时返回 0；未识别 mom_models 时回退到动量1。

1.4 多级条件开关（可独立组合）

> ⚠️ 大盘择时清仓与平仓条件会排除 index_not_trader 名单内的标的（默认纳指/黄金 ETF 常驻不受大盘涨跌拖累）；而轮动卖出/买入与止盈则对所有目标标的作用。

1.5 参数与配置维度总览

基础(mom_type/mom_value) → 模型选择(mom_models/各周期) → 区间过滤(enable_mom_filter)
→ 排名轮动(max_rank/min_rank) → 大盘择时(enable_index_timing/均线/条件/偏移)
→ 开平仓条件(enable_buy/sell_condition) → 盘中止盈(sell_zdf/sell_amount) → 频率(interval)

• 资金分配：mom_type ∈ {金额,数量,百分比}，mom_value 对应「元/份/总资产比例」。
• 轮动范围：max_rank~min_rank（默认均 1，即只持最强 1 只）。
• 数据源：标的 + 指数均支持本地内置与 7 种自定义注入两套通道，use_custom_data / use_custom_index_data 切换。

1.6 设计哲学

• 模型可插拔：6 种动量模型解耦为独立方法，calculate_momentum 统一分发，可继承新增第 7 种模型。
• 过滤可叠加：大盘择时/动量区间/开平仓/止盈各自独立开关，自由组合出从纯动量轮动到多重风控的任意策略。
• 强弱量化：以相对排名而非绝对涨跌作为交易依据，天然适配“追强弃弱”的轮动逻辑。
• 透明可追溯：每日记录现金/持仓/市值/各标的明细，成交带 reason 解释触发原因。

二、安装与运行环境

2.1 安装包

小果综合动量回测系统以单个类文件 xg_more_mom_backtrader.py 形式提供，无独立安装步骤。将脚本置于工作目录后，在同一目录（或旁路）下放置数据文件即可使用。

使用教程：https://gitcode.com/qq_50882340/xg_more_mom_backtrader

2.2 依赖

• Python ≥ 3.8
• 第三方库：pandas、numpy（动量回归用 np.polyfit / math）
• 本地数据源可选依赖：pyarrow（读取 .parquet 历史数据）
• 无需 scipy（本系统不涉及 SLSQP 优化，与均值方差系统不同）
• 无需安装 xg_tdx_func（不涉及通达信公式引擎）

安装依赖：

pip install pandas numpy pyarrow

2.3 包结构

工作目录/
├── xg_more_mom_backtrader.py   # 主类文件（class xg_more_mom_backtrader）
├── data/
│   ├── 历史数据/              # 本地标的日线 parquet（代码.parquet）
│   ├── stock_data/            # 可选备选路径
│   ├── 指数数据/              # 指数数据（parquet/xlsx/csv/json 多格式回退）
│   └── {代码}.parquet         # 也可直接放工作目录根
└── 策略模型/
    └── 综合动量策略/<user>/   # save_backtrader_data 导出目录（自动创建）

2.4 导入方式

> ⚠️ 本系统导入为带包路径的完整写法：from xg_more_mom_backtrader.xg_more_mom_backtrader import xg_more_mom_backtrader（把 scripts/ 视为包目录，xg_more_mom_backtrader.py 作为其子模块）。若你的脚本与 xg_more_mom_backtrader.py 同级、可直接使用模块名导入时，也可写 from xg_more_mom_backtrader import xg_more_mom_backtrader。推荐统一使用带包路径写法：

from xg_more_mom_backtrader.xg_more_mom_backtrader import xg_more_mom_backtrader

bt = xg_more_mom_backtrader(
    start_date='20250101',
    end_date='20261231',
    stock_list=['159915.SZ', '513100.SH', '518880.SH'],
    cash=100000,
)

> 说明：把 scripts/ 设为 PYTHONPATH（或将脚本目录加入 sys.path）后，from xg_more_mom_backtrader import xg_more_mom_backtrader 亦可。文档示例统一采用带包路径写法，便于在任意相对路径下引用。

2.5 数据目录要求（使用内置数据源时）

当未注入自定义数据（use_custom_data=False）时，标的日线 parquet 依次尝试以下路径：

data/历史数据/{stock_code}.parquet
data/stock_data/{stock_code}.parquet
data/{stock_code}.parquet

找到即用；均找不到则该标的被跳过。_load_single_stock 要求单标的行数 > 50 行（动量计算需足够历史）。

指数数据（index_stock）在本地下依次尝试 data/指数数据/{index_stock}.parquet、.xlsx、.csv、.json（CSV 自动试多编码），用于大盘择时与绩效对比。

2.6 数据字段要求

标的（股票/ETF）日线数据需包含以下字段：

> 动量计算基于 date + close + zdf；数据行数需 > 各动量模型所需周期 + 50 效果最佳（_load_single_stock 已强制 >50 行）。
>
> 指数数据仅需 date + close（close>0），用于大盘择时判断与基准对比输出留档。

三、初始化参数完整参考

> 以下为 __init__ 方法全部参数的详细说明，按功能分组。

3.1 基础参数 (Base)

3.2 大盘择时参数 (Index Timing, enable_index_timing=True 时生效)

3.3 动量交易参数 (Momentum Trading)

3.4 动量模型选择参数 (Momentum Model)

3.5 动量区间过滤参数 (Momentum Filter, enable_mom_filter=True 时生效)

3.6 轮动排序参数 (Rank Rotation)

3.7 交易条件参数 (Buy/Sell Condition, 各自开关启用时生效)

3.8 止盈参数 (Take-Profit)

3.9 数据源开关 (Data Source)

3.10 内部固定参数（构造时自动设置，一般不修改）

3.11 关键口径：整体资金池与资金分配

四、数据加载与处理详解

4.1 标的（股票/ETF）数据来源优先级

get_stock_data(stock_code) 依次尝试：

1. 自定义数据源（use_custom_data=True 且代码在 _custom_data_cache）——add_stock_data_from_* 注入后优先；
2. 本地多路径：data/历史数据/{代码}.parquet → data/stock_data/{代码}.parquet → data/{代码}.parquet；
3. 均无 → 返回空 DataFrame，标的被跳过。

加载后统一：日期过滤到 [start_date, end_date]、按日期升序、剔除 close≤0 或 open≤0 行、adjust_price（当前 adj_type='none' 原样）、补算 zdf = close.pct_change().fillna(0)。

4.2 多线程加载与动量历史要求

get_all_stock_data() 用 ThreadPoolExecutor(max_workers) 并发加载全部标的；_load_single_stock 要求单标的数据 > 50 行，不足则丢弃（动量模型需足够回看历史）。加载成功与否在 verbose 日志中逐只打印。

4.3 指数数据来源与用途

get_index_data() 优先返回注入的自定义指数数据（use_custom_index_data=True 且已注入），否则在 data/指数数据/ 下依次读 {index_stock} 的 .parquet / .xlsx / .csv / .json（多编码自动尝试）。指数用于两处：大盘择时判断（check_index_condition）与基准对比输出留档；策略对照基准实际为 calculate_benchmark_curve 生成的等权持有不动曲线。

五、动量打分与条件判断详解

5.1 动量分发（calculate_momentum）

calculate_momentum(df) 依据 mom_models 从 {'动量1':…,'动量6':…} 字典取对应打分函数；未命中回退 calculate_momentum_score_1。打分输入为截至当日（含当日）的标的历史 df。

5.2 六种动量打分口径

数据不足或价格非正时各方法返回 0，保证排序可运行。

5.3 大盘择时条件（check_index_condition）

enable_index_timing=False 或指数数据缺失/不足 → 恒 True。否则取截至当日指数段算 index_mean_line 均线，再按 index_condition_type 判断：大于均线(现价>均线)、小于均线(现价<均线)、均线之上(现价>均线×(1+offset))、均线之下(现价<均线×(1−offset))。

5.4 开仓/平仓条件（check_buy_condition / check_sell_condition）

开仓仅在 enable_buy_condition=True 时拦截（否则恒通过）：

平仓在 enable_sell_condition=True 时触发清仓（默认关闭则恒不触发），条件与买入对称（跌幅/均线/均线之下/高点/低点）。数据不足时买入恒通过、卖出恒不触发。

5.5 排名轮动与目标持仓

1. 每检查日对全部标计算动量分 → 降序 sorted_stocks；
2. 若开动量区间过滤，仅保留 mini_value ≤ score ≤ max_value；过滤后为空则退化为取前 min_rank 名；
3. 目标持仓 = 过滤后名单中第 max_rank~min_rank 名（max_rank 超出长度则回退前 min_rank 名）。

六、交易执行详解

6.1 交易顺序（每检查日）

1. 大盘择时清仓：指数条件不满足 → 对持仓中非 index_not_trader 标的全仓卖出；
2. 轮动卖出：清仓不在目标排名内、且非 index_not_trader 的持仓（全仓卖出，type=轮动卖出）；
3. 轮动买入：对目标排名内、未持有、且通过买入条件的标的，按预算买入（type=轮动买入）；
4. 条件平仓：对持仓中非 index_not_trader 且触发平仓条件的标的清仓（type=条件平仓）；
5. 盘中止盈：对每只持仓，当日 zdf ≥ sell_zdf → 按 sell_amount 卖出部分（type=止盈卖出）。

6.2 买入撮合（calculate_buy_shares）

buy_amount = amount / (1 + comm)      # 先扣手续费
shares = 向下取整(buy_amount / price)  # 再按 share_multiple(100) 对齐
若 shares < min_shares(100) → 0
实际成本 = shares×price × (1+comm)，循环确保 ≤ amount

6.3 卖出撮合（calculate_sell_shares_all / calculate_sell_shares_by_amount）

• calculate_sell_shares_all(shares, price)：全仓卖出，按 100 对齐（不足 100 则按实际持仓卖出），实收 金额×(1−comm)，用于大盘择时/轮动/条件平仓。
• calculate_sell_shares_by_amount(shares, price, sell_amount)：按金额卖出（止盈用），由 sell_amount÷price 算份数、对齐 100、上界为持仓，实收扣手续费。

6.4 成交记录字段（trade_log）

每笔成交记录：date / stock / type / price / shares / amount / commission / reason。

type 取值全集：大盘择时清仓 / 轮动卖出 / 轮动买入 / 条件平仓 / 止盈卖出；reason 示例：排名跌出第1-1名，卖出XXX、排名第1-1名，买入XXX、平仓条件触发，卖出XXX、涨幅5.20%触发止盈、大盘择时条件不满足，清仓XXX。

七、完整函数清单

> 以下为 xg_more_mom_backtrader 类的全部方法，按功能分组。共 69 个方法（含私有方法），无模块级顶层函数。

7.1 构造与配置

7.2 自定义标的注入（7 种接口）

7.3 自定义标的数据库管理

7.4 自定义指数注入（7 种接口）

7.5 指数数据管理

7.6 数据加载与处理

7.7 动量打分与条件判断（核心）

7.8 交易撮合计算

7.9 回测执行

7.10 绩效与数据生成

7.11 数据获取接口（懒触发，自动 run_backtest）

7.12 结果保存与报告

八、输出数据结构详解

8.1 绩效指标字段（performance_metrics）

8.2 年度收益统计字段（annual_performance，按年份键）

8.3 净值曲线字段（equity_curve_data）

8.4 成交统计（trade_data['statistics']）

total_trades / buy_trades / sell_trades / total_buy_amount / total_sell_amount / total_commission / first_trade_date / last_trade_date。

8.5 持仓统计（position_data['statistics']）

total_days / max_holdings / min_holdings / final_holdings / avg_holdings / first_date / last_date / final_return；每条 positions 含 stock_details（各标的 price/zdf/holdings/value/cash）。

8.6 账户统计（account_data['statistics']）

start_date / end_date / total_days / initial_cash / final_total_value / final_cash / final_holdings / total_pnl / total_return / max_total_value / min_total_value / max_net_value / min_net_value / volatility，含 benchmark_final_value / benchmark_total_return。

8.7 各标的独立结果（get_stock_results）

每标的含：cash / holdings / total_value（每日数组）、trades（该标成交）、total_commission 以及 final_holdings / final_cash / final_value。

8.8 文本报告内容（generate_report()）

打印策略参数、最终持仓、收益指标、基准对比、风险指标、交易统计、年度收益表格（含基准/超额），并标注指数数据来源。

8.9 导出目录结构

策略模型/综合动量策略/<user>/
├── 指数数据/  指数数据.xlsx + 指数数据.json
├── 成交数据/  成交数据.xlsx + 成交数据.json
├── 持股数据/  持股数据.xlsx + 持股数据.json
├── 账户数据/  账户数据.xlsx + 账户数据.json
├── 绩效指标/  绩效指标.xlsx + 绩效指标.json
├── 年度收益统计/  年度收益统计.xlsx + 年度收益统计.json
├── 净值曲线/  净值曲线.json
└── 策略参数/  策略参数.xlsx + 策略参数.json

九、完整实战示例

9.1 示例1：经典动量1轮动回测（本地数据）

from xg_more_mom_backtrader.xg_more_mom_backtrader import xg_more_mom_backtrader

bt = xg_more_mom_backtrader(
    start_date='20250101',
    end_date='20261231',
    stock_list=['159915.SZ', '513100.SH', '518880.SH'],
    index_stock='000300.SH',
    cash=100000,
    comm=0.0001,
    max_workers=4,
    # 动量模型与交易
    mom_models='动量1',   # 线性回归动量
    mom_daily=25,
    mom_type='百分比',
    mom_value=0.5,        # 每次买入总资产的50%
    # 轮动持有第1名
    max_rank=1,
    min_rank=1,
    interval=1,
)

bt.run_backtest()
print(bt.generate_report())
bt.save_backtrader_data(user="动量1轮动")

9.2 示例2：均线交叉(动量5) + 轮动持有前2名

bt = xg_more_mom_backtrader(
    start_date='20250101',
    end_date='20261231',
    stock_list=['159915.SZ', '510300.SH', '518880.SH', '511010.SH'],
    cash=500000,
    mom_models='动量5',   # 短/长均线交叉
    short_ma=5,
    long_ma=20,
    mom_type='百分比',
    mom_value=0.5,
    max_rank=1,
    min_rank=2,           # 持有动量前2名
)
bt.run_backtest()
print(bt.generate_report())

9.3 示例3：开启大盘择时 + 动量区间过滤 + 开平仓条件 + 止盈

bt = xg_more_mom_backtrader(
    start_date='20250101',
    end_date='20261231',
    stock_list=['159915.SZ', '513100.SH', '518880.SH'],
    index_stock='000300.SH',
    cash=200000,
    mom_models='动量2',   # 现价/N日前价涨幅
    period=20,
    mom_type='金额',
    mom_value=10000,      # 每次固定买1万
    max_rank=1, min_rank=1,
    # 大盘择时：沪深300在20日线上方才允许买入
    enable_index_timing=True,
    index_mean_line=20,
    index_not_trader=['513100.SH', '518880.SH'],
    index_condition_type='大于均线',
    # 动量区间过滤：仅留分数 0~5
    enable_mom_filter=True,
    mini_value=0, max_value=5,
    # 开仓条件：近20日涨幅超1%
    enable_buy_condition=True,
    buy_condition_type='涨幅', buy_period=20, buy_period_ratio=0.01,
    # 平仓条件：近20日跌幅超3%
    enable_sell_condition=True,
    sell_condition_type='跌幅', sell_period=20, sell_period_ratio=-0.03,
    # 止盈：当日涨3%卖1000元
    sell_zdf=0.03, sell_amount=1000,
    interval=1,
)
bt.run_backtest()
print(bt.generate_report())

9.4 示例4：自定义标的数据注入 + 综合动量回测

bt = xg_more_mom_backtrader(
    start_date='20250101',
    end_date='20261231',
    stock_list=['CUSTOM_A', 'CUSTOM_B', 'CUSTOM_C'],
    cash=100000,
    mom_models='动量1',
    use_custom_data=True,
)

# 注入自定义数据（DataFrame 需含 date/open/high/low/close/volume）
# bt.add_stock_data_from_csv('CUSTOM_A', 'data/a.csv')
# bt.add_stock_data_from_dataframe('CUSTOM_B', pd.read_parquet('data/b.parquet'))

bt.run_backtest()
# 落盘分类结果(Excel+JSON)到 策略模型/综合动量策略/{user}/
bt.save_backtrader_data(user="自定义动量")
# 如需自定义 JSON 落盘，可对 get_all_data()/get_backtrader_data() 手动 dump
import json
with open('result/mom.json', 'w', encoding='utf-8') as f:
    json.dump(bt.get_all_data(), f, ensure_ascii=False, indent=2)

9.5 示例5：注入自定义指数并开启大盘择时

import pandas as pd

bt = xg_more_mom_backtrader(
    start_date='20250101',
    end_date='20261231',
    stock_list=['159915.SZ', '513100.SH'],
    index_stock='CUSTOM_INDEX',
    cash=100000,
    enable_index_timing=True,
    index_mean_line=20,
    use_custom_index_data=True,
)

index_df = pd.read_csv('data/my_index.csv')   # 需 date/close 列
bt.add_index_data_from_dataframe(index_df)
print("是否有指数:", bt.has_index_data(), bt.get_index_data_info())

bt.run_backtest()
print(bt.generate_report())

9.6 示例6：提取结果做二次分析 + 画净值/回撤图

bt.run_backtest()

metrics = bt.get_performance_metrics()
curve = bt.get_equity_curve_data()
trades = bt.get_trade_data()

print(f"总收益率: {metrics['total_return']*100:.2f}%")
print(f"年化收益率: {metrics['annual_return']*100:.2f}%")
print(f"最大回撤: {metrics['max_drawdown']*100:.2f}%")
print(f"夏普比率: {metrics['sharpe_ratio']:.3f}")
print(f"胜率: {metrics['win_rate']*100:.2f}%")
print(f"交易笔数: {trades['statistics']['total_trades']}")

import matplotlib.pyplot as plt
dates = curve['dates']
plt.figure(figsize=(11, 5))
plt.plot(dates, curve['net_value'], label='策略净值', linewidth=2)
if curve.get('benchmark_net_value'):
    plt.plot(dates, curve['benchmark_net_value'], label='基准(等权持有)', linestyle='--')
plt.legend(); plt.title('综合动量策略净值 vs 基准')
plt.xticks(rotation=45); plt.tight_layout(); plt.show()

十、自定义数据详解

10.1 标的注入后系统自动做的事

add_stock_data_from_* 会调用 _normalize_dataframe：识别日期列/索引→排序→补齐 close/high/low/open/volume→补 zdf→（有 preClose 时）补 return/adj_factor。注入成功后 use_custom_data 应设为 True（多数方法自动切换）。

10.2 指数注入说明

add_index_data_from_* 只需 date+close（自动剔除 close≤0、识别日期列）；注入后 use_custom_index_data=True 时优先作为指数基准。

10.3 注入成功判定与验证

print("标的自定义键:", bt.get_custom_data_keys())   # 含代码即成功
print("has_custom_data:", bt.has_custom_data('CUSTOM_A'))
print("指数:", bt.has_index_data(), bt.get_index_data_info())

十一、常见问题与 FAQ

Q1: 提示「没有共同交易日」或回测终止？

系统以全部标的数据的共同交易日为回测交易日（calculate_benchmark_curve 也用共同交集）。检查各标的数据日期范围是否重叠足够；缺某标的长期停牌/无数据会显著压缩回测区间。_load_single_stock 还要求每只 >50 行，不足则被丢弃。

Q2: 为什么几乎不交易 / 一直空仓？

可能原因：大盘择时开启且指数不满足条件（所有非排除标的无法建仓）；或开仓条件过严（无标的通过 check_buy_condition）；或动量数据不足全部返回 0 且过滤后为空。可关闭对应开关或放宽条件。

Q3: 目标排名与实际持仓为何短暂不一致？

轮动在每 interval 日检查；且买入需过 check_buy_condition、卖出会排除 index_not_trader。若某标的排名靠前但未触发买入条件，可能不立即持有，需在后续检查日确认。

Q4: 动量分数含义与量纲？

不同模型量纲不同：动量1 是「年化回归斜率×R²」（量纲大），动量2~6 是「涨跌幅/偏离度」（≈0 附近）。若开动量区间过滤，建议按所选模型单独校准 mini_value/max_value；动量区间过滤仅对动量2~6 这类“比率”分数更直观。

Q5: 自定义数据注入后仍走本地目录？

确认注入返回 True，用 get_custom_data_keys() 验证，并把 use_custom_data=True（或确认注入方法自动切换）。指数同理需 use_custom_index_data=True。

Q6: 收益率为 0 或异常？

检查价格列是否全为正、cash 初始值、stock_list 是否都有数据、成交撮合是否因手续费过高导致 0 份、以及动量是否因历史不足返回 0 导致从未买入。

Q7: index_not_trader 的作用？

列出后这些标的不受大盘择时清仓与平仓条件影响，可常驻持有（如纳指/黄金 ETF 与大盘相关度低）。但轮动卖出/买入仍会正常作用——即若它们排名跌出目标区间，仍会被轮动卖出。

Q8: 如何只做“纯动量轮动”不叠加风控？

保持 enable_index_timing / enable_mom_filter / enable_buy_condition / enable_sell_condition 全为 False，仅由 mom_models + mom_type + max_rank/min_rank + interval 驱动即可。止盈为常开，若不需要可把 sell_zdf 设很大（如 99）使其几乎不触发。

十二、高级技巧与二次开发

12.1 参数调优建议

12.2 综合动量策略设计经验

• 动量模型与周期要匹配标的特性：ETF 适合均线/价格动量，波动大品种可适当缩短回看。
• 条件过滤是风控而非收益来源：开平仓/止盈主要用于规避极端行情，参数不宜过紧以免频繁空仓。
• index_not_trader 巧妙混搭：可把与大盘相关性低的品种设为常驻，兼顾“择时防守+常驻进攻”。
• 排名轮动天然自带再平衡：随动量排名变化自动“卖弱买强”，无需额外调仓逻辑。

12.3 自定义第 7 种动量模型

继承 xg_more_mom_backtrader，新增打分方法并在 calculate_momentum 的分发字典里注册：

class MyMomentum(xg_more_mom_backtrader):
    def calculate_momentum_score_7(self, df):
        # 自定义动量：例如 RSI 动量
        if len(df) < self.period:
            return 0
        delta = df['close'].diff()
        up = delta.clip(lower=0).rolling(self.period).mean()
        down = (-delta.clip(upper=0)).rolling(self.period).mean()
        rs = up / down.replace(0, 1e-9)
        rsi = 100 - 100 / (1 + rs)
        return float(rsi.iloc[-1] - 50) / 50.0   # 归一化到 -1~1 附近
    def calculate_momentum(self, df):
        func = getattr(self, f"calculate_momentum_score_7", None) if self.mom_models == '动量7' else None
        if func is None:
            return super().calculate_momentum(df)
        return func(df)

> 提示：在 __init__ 里把 mom_models 校验扩充或直接复写 calculate_momentum 分发字典即可启用 '动量7'。

12.4 自定义交易/成本规则

重写 calculate_buy_shares（改买入逻辑）、calculate_sell_shares_all / calculate_sell_shares_by_amount（改卖出逻辑）、或 calculate_performance_metrics（加自定义绩效指标）。

十三、技术说明与提示

• 整体资金池：cash 不均分到各标的，全池共用账户现金，按排名目标分配敞口。
• 仅依赖 pandas/numpy：动量回归用 np.polyfit，无需 scipy（区别于均值方差系统）。
• 无模块级函数：全部逻辑在类内，69 个方法覆盖动量/条件/撮合/绩效全流程。
• 交易类型全集：大盘择时清仓 / 轮动卖出 / 轮动买入 / 条件平仓 / 止盈卖出，每笔带 reason。
• 多条件可组合：大盘择时 / 动量区间 / 开平仓 / 止盈各自开关，自由叠加。
• 指数多格式回退：指数本地支持 parquet/xlsx/csv/json；标的本地支持三条 parquet 路径回退。
• 数据门槛：单标的需 >50 行，动量/条件各自还有最小周期要求（不足返回 0 或恒通过/不触发）。
• 复权：当前固定 adj_type='none'，如需复权可二次开发 adjust_price。

小果综合动量回测系统，让动量轮动策略落地更高效、更透明。如需源码、更多因子库或技术支持，欢迎联系小果（微信：xg_quant）。