3. 轮动强度指标的构建与参数敏感性测试

指标设计：轮动强度 RSI-Rotation 的构成

轮动强度要回答的核心问题是：当前市场里，板块之间的相对强弱排序变化得有多快、多剧烈。如果各板块排名长期稳定，说明资金集中、轮动弱；如果排名频繁大幅换位，说明资金在板块间快速迁移，轮动强。基于这个思路，我们构建一个可计算的指标 RotStr（Rotation Strength），由三个分量合成：

• 排名变动分量 rank_chg：对每个板块计算其收益率排名在相邻两日之间的绝对变动，再对所有板块取均值。数值越大，说明板块相对位置洗牌越剧烈。
• 收益离散分量 disp：当日各板块收益率的横截面标准差。离散度大意味着板块间分化明显，资金有明确的迁移方向。
• 成交集中度变化分量 flow_chg：各板块成交额占比在相邻两日之间的绝对变化之和（除以2归一化）。它捕捉资金在板块间的实际迁移量。

三个分量各自标准化后加权合成：RotStr = w1·z(rank_chg) + w2·z(disp) + w3·z(flow_chg)。默认权重取 w1=0.4, w2=0.3, w3=0.3，因为排名变动最直接反映轮动，而离散度和资金迁移是辅助确认。

参数敏感性测试：窗口长度与平滑参数

指标里有两个关键参数会显著影响输出形态：

• 排名变动窗口 N：rank_chg 比较的是相隔 N 日的排名。N 太小（如1日）会被单日噪声主导，N 太大（如20日）会钝化轮动信号。候选区间取 N ∈ {1, 3, 5, 10, 20}。
• 平滑参数 M：对合成后的 RotStr 做 M 日指数移动平均（EMA），抑制单日跳变。候选区间取 M ∈ {1, 3, 5, 10}（M=1 即不平滑）。

敏感性测试的做法是：对每组 (N, M) 组合，计算指标序列，然后观察三个诊断量——信号自相关（一阶滞后，衡量平滑度）、极值触发频率（超过历史80分位的天数占比，衡量信号稀疏度）、与次日轮动收益的相关性（衡量预测有效性）。参数选择的目标不是追求最高相关性，而是找到在不同市场状态下都稳定的区间。

参数区间的确定与市场状态适配

敏感性矩阵给出的是“可用/推荐/过钝化”的定性分区，但真正落地时需要把参数与市场状态绑定。做法是：先用滚动窗口把样本划分为趋势市与震荡市（例如用板块收益离散度的20日均值是否高于中位数来区分），然后分别在两类状态下统计各参数组合的三个诊断量，取交集得到推荐区间。

根据上图的测试逻辑，一个可操作的参数选择规则是：

关键实现片段

下面给出指标计算与敏感性扫描的核心逻辑（以日频板块收益率与成交额数据框为输入，列名为板块代码）：

import numpy as np
import pandas as pd

def rotation_strength(ret_df, amt_df, N=5, M=3, w=(0.4, 0.3, 0.3)):
    # 1. 排名变动分量
    rank = ret_df.rank(axis=1, ascending=False)
    rank_chg = rank.diff(N).abs().mean(axis=1)

    # 2. 收益离散分量
    disp = ret_df.std(axis=1)

    # 3. 资金迁移分量：成交额占比的日变化绝对值之和 / 2
    share = amt_df.div(amt_df.sum(axis=1), axis=0)
    flow_chg = share.diff().abs().sum(axis=1) / 2

    # 标准化（滚动z-score，避免前视）
    def rz(s, win=60):
        return (s - s.rolling(win).mean()) / s.rolling(win).std()

    raw = w[0]*rz(rank_chg) + w[1]*rz(disp) + w[2]*rz(flow_chg)
    return raw.ewm(span=M, adjust=False).mean()

def sensitivity_scan(ret_df, amt_df, Ns=(1,3,5,10,20), Ms=(1,3,5,10)):
    rows = []
    for N in Ns:
        for M in Ms:
            s = rotation_strength(ret_df, amt_df, N=N, M=M).dropna()
            ac1 = s.autocorr(lag=1)
            extreme_freq = (s > s.quantile(0.8)).mean()
            rows.append({"N": N, "M": M, "自相关": round(ac1,3),
                         "极值频率": round(extreme_freq,3)})
    return pd.DataFrame(rows)

运行 sensitivity_scan 后，把结果与上图的定性分区对照：自相关落在 0.5–0.85、极值频率落在 10%–20% 的组合即为候选参数。再对候选组合做样本外相关性检验，最终确定趋势市与震荡市各自的参数区间。注意 rz 使用滚动窗口标准化而非全样本标准化，是为了避免未来信息泄漏——这一点在参数敏感性测试中尤其重要，否则诊断量会被前视偏差污染。