4. 排名选ETF策略规则设计

上一节我们已经能算出每个交易日、每只候选ETF的动量得分并完成横截面排名。但排名本身不是策略，它只是“信号源”。要把排名变成可回测、可复现的交易规则，必须把三件事说清楚：多久调一次仓、每次持有几只、什么条件下买和卖。这三者共同决定了策略的换手率、集中度和信号滞后程度，也直接决定了回测结果是否可信。本节就围绕这三项规则展开，并给出一个可直接运行的信号生成函数。

一、调仓频率：在信号新鲜度与交易成本之间取舍

调仓频率决定了策略“看排名”的节奏。常见选择有每日、每周、每两周、每月。频率越高，排名信号越新鲜，但换手率和交易成本也越高；频率越低，成本越低，但可能错过趋势反转。对ETF轮动策略而言，周频和月频是最常用的两档，因为ETF本身的波动比个股温和，日频调仓往往只是把噪声当成信号。

实现上不建议用“每隔N个自然日”这种写法，而应使用交易日历上的重平衡日。一个稳妥的做法是：预先在交易日索引上标记调仓日，例如每周最后一个交易日，或每月最后一个交易日。这样既避免了节假日错位，也让回测与实盘的执行日一致。下面用“每周最后一个交易日调仓”作为教学示例设定。

二、持仓数量：集中度与稳定性的平衡

持仓数量N决定了组合的集中度。N=1时策略最激进，完全押注排名第一的ETF，收益弹性大但回撤也大；N=3~5是常见折中，既能分散单一品种的意外风险，又保留了排名靠前品种的超额收益；N过大（如10以上）则逐渐退化为等权持有全部候选，排名信号被稀释。

需要特别注意的是候选池规模与N的关系。如果候选池只有8只ETF而N取5，那么排名的作用非常有限；一般建议候选池规模至少是N的3倍以上，排名才有区分度。教学示例中我们设定候选池为12只行业与宽基ETF，持仓数量N=3。

三、买入与卖出条件：把排名转成可执行指令

最直接的规则是“买入排名前N、卖出跌出前N”。但这条规则有一个隐患：当某只ETF在N名附近反复徘徊时，会产生频繁的买卖抖动。工程上通常加入缓冲区（buffer）：买入要求排名进入前N，卖出要求排名跌出前N+B（B为缓冲位数，如2）。这样排名在第N与第N+B之间波动时持仓不变，显著降低换手。

此外还要处理两个边界情况。其一是数据不足：新上市ETF动量窗口不满时，应将其排名置为无效并排除在候选之外，而不是用短窗口硬算。其二是空仓保护：可设定“若排名第一的ETF动量得分低于阈值（如0），则全部空仓”，用于规避系统性下跌。教学示例中缓冲位B=2，动量阈值设为0。

四、信号生成函数：把规则写成代码

规则明确后，就可以写信号生成函数。它的输入是动量得分矩阵和调仓日标记，输出是每个调仓日的目标持仓列表。下面给出一个结构清晰的教学示例实现（Python，pandas），参数与上文设定一致：

import pandas as pd

def generate_signals(score_df, rebalance_days, N=3, buffer=2, threshold=0.0):
    """
    score_df: 索引为交易日，列为ETF代码，值为动量得分（NaN表示数据不足）
    rebalance_days: 调仓日集合（交易日索引的子集）
    返回: dict{调仓日: [目标持仓ETF列表]}
    """
    signals = {}
    holding = set()

    for day in score_df.index:
        if day not in rebalance_days:
            continue

        row = score_df.loc[day].dropna()          # 剔除数据不足的ETF
        if row.empty:
            signals[day] = []
            holding = set()
            continue

        rank = row.rank(ascending=False, method="min")  # 1为最强

        # 空仓保护：Top1得分不达标则清仓
        if row.max() <= threshold:
            signals[day] = []
            holding = set()
            continue

        # 卖出：已持有但排名跌出 N+buffer
        holding = {c for c in holding if rank.get(c, 999) <= N + buffer}

        # 买入：排名进入前N且当前未持有
        buys = [c for c in rank[rank <= N].index if c not in holding]
        holding |= set(buys)

        # 若买入后超过N只，按排名截断
        target = sorted(holding, key=lambda c: rank[c])[:N]
        holding = set(target)
        signals[day] = target

    return signals

这段代码有几个值得注意的实现细节。第一，rank(ascending=False, method="min")保证得分最高者排名为1，且并列时取最小名次，避免并列导致持仓数超标。第二，卖出判断用rank.get(c, 999)，当某只持仓ETF当日得分缺失（NaN被dropna剔除）时，视为排名极差而卖出，这是一种保守处理。第三，买入后若持仓超过N只，按排名截断，保证持仓数量严格受控。

五、规则参数速查与验证要点

把本节规则整理成一张可对照的参数表，便于在回测中逐项核对：

验证信号函数是否正确，不必等完整回测。可以先做三项快速检查：其一，任取一个调仓日，手工按得分排序，核对输出的目标持仓是否恰为前N名（在无历史持仓的初始日）；其二，构造一个“某持仓ETF排名从第2跌到第6”的场景，确认它被卖出；其三，构造“排名在第4、第5徘徊”的场景，确认持仓不被反复买卖。这三项检查覆盖了买入、卖出和缓冲区三条主路径，能有效发现排名方向写反、缓冲位用错等常见错误。

至此，排名信号已经被完整地翻译成“何时调、买几只、买什么、卖什么”的可执行规则，并封装为可复用的信号生成函数。下一步只需把目标持仓转换为权重、叠加交易成本，即可进入回测环节。