1. 板块轮动追高风险的识别与量化框架搭建

为什么追高风险需要“框架”而不是“感觉”

板块轮动中的追高风险，本质是“短期涨幅已经透支了轮动动能”的状态。单看涨幅会误判：强势板块可能继续加速，弱势板块也可能只是超跌反弹。因此需要一个可复用的量化框架，把风险拆成三个可观测维度，再合成一个每日可比的评分。

本框架定义三类指标，全部基于板块指数日线数据（收盘价、成交量）与大盘基准指数计算：

• 轮动强度 R：板块相对大盘的超额收益在近 N 日横截面排名中的变化速度，刻画“资金是否正在加速涌入”。
• 涨幅偏离 D：板块收盘价相对其 20 日均线的偏离度，刻画“短期价格是否已远离中枢”。
• 量能异动 V：当日成交量相对其 20 日均量的放大倍数，刻画“是否出现情绪化放量”。

三者分别做横截面标准化（Z-score），加权合成追高风险评分 RiskScore，取值范围经压缩后落在 0~100，便于跨日、跨板块比较。

框架结构与数据流

下图展示从原始日线数据到每日风险评分的完整链路：三条指标支路并行计算，各自标准化后进入加权合成，最终输出板块×日期的评分矩阵，并给出风险分档。

指标定义与计算口径

为避免“看起来合理但算不出来”，先把每个指标的口径固定下来。以下以单个板块 s、交易日 t 为例，close 为收盘价，vol 为成交量。

三个指标都做了“越大越危险”的方向统一，因此合成时直接加权即可，无需再翻转符号。

可复用的计算实现

下面是一段自洽的 Python 实现，输入为宽表格式的板块收盘价与成交量（行=日期，列=板块），以及大盘收盘价序列。函数返回每日每板块的 RiskScore。

import numpy as np
import pandas as pd

def build_chase_risk(close_wide, vol_wide, bench_close,
                     w=(0.4, 0.4, 0.2), ma_win=20, rank_win=5):
    """
    close_wide : DataFrame, index=日期, columns=板块, 收盘价
    vol_wide   : DataFrame, 同形状, 成交量
    bench_close: Series, index=日期, 大盘收盘价
    w          : (w_R, w_D, w_V) 权重
    返回: DataFrame, 同形状, 追高风险评分 0~100
    """
    # 1) 轮动强度 R：超额收益的横截面排名变化
    ret_s = close_wide.pct_change()
    ret_b = bench_close.pct_change().reindex(close_wide.index)
    ex = ret_s.sub(ret_b, axis=0)                 # 每日超额收益
    ex_cum = ex.rolling(rank_win).sum()           # 5日累计超额
    rank = ex_cum.rank(axis=1, ascending=False)   # 1=最强
    R = rank.shift(rank_win) - rank               # 排名上升为正

    # 2) 涨幅偏离 D
    ma20 = close_wide.rolling(ma_win).mean()
    D = (close_wide - ma20) / ma20

    # 3) 量能异动 V
    vma20 = vol_wide.rolling(ma_win).mean()
    V = vol_wide / vma20

    # 4) 横截面 Z-score 标准化
    def zscore(df):
        mu = df.mean(axis=1)
        sd = df.std(axis=1).replace(0, np.nan)
        return df.sub(mu, axis=0).div(sd, axis=0)

    ZR, ZD, ZV = zscore(R), zscore(D), zscore(V)

    # 5) 加权合成并压缩到 0~100
    raw = w[0]*ZR + w[1]*ZD + w[2]*ZV
    score = 50 + 15 * raw          # 均值50, 1个标准差约15分
    return score.clip(0, 100)

关键点说明：rank.shift(rank_win) - rank 中，排名数值变小代表变强，所以“旧排名 − 新排名”为正表示排名上升；zscore 按行（每个交易日）做横截面标准化，保证不同日期的评分可比；50 + 15*raw 是线性映射，使评分集中在 0~100 且便于分档。

用示例数据验证框架输出

构造 4 个板块、60 个交易日的示例数据，其中“板块A”在第 40 日后出现连续放量拉升，用于检验评分是否能识别追高风险。

np.random.seed(7)
dates = pd.bdate_range("2024-01-01", periods=60)
names = ["板块A", "板块B", "板块C", "板块D"]

# 基础随机游走
base = pd.DataFrame(
    np.cumprod(1 + np.random.normal(0.0005, 0.012, (60, 4)), axis=0),
    index=dates, columns=names) * 1000

# 板块A 后20日加速上涨并放量
base["板块A"].iloc[40:] *= np.linspace(1.0, 1.18, 20)
vol = pd.DataFrame(
    np.random.normal(1.0, 0.15, (60, 4)).clip(0.4),
    index=dates, columns=names) * 1e6
vol["板块A"].iloc[40:] *= 1.9

bench = pd.Series(
    np.cumprod(1 + np.random.normal(0.0003, 0.008, 60)), index=dates) * 3000

score = build_chase_risk(base, vol, bench)
print(score.tail(3).round(1))

预期现象（示例数据下的合理结果，非实测）：板块A 在加速段后期，其 RiskScore 应显著高于其他板块，通常进入 70 以上区间；而板块B/C/D 因无放量加速，评分多在 40~60 附近波动。若板块A 评分未抬升，应检查 rank_win 是否过长导致排名变化被平滑，或 vol 单位是否与均量一致。

评分分档与使用边界

• 0~40 低风险：轮动、偏离、量能均未共振，通常不构成追高风险。
• 40~60 关注：单项指标偏高，需结合板块基本面与市场环境判断。
• 60~80 高风险：多项指标共振，短期追入的回撤概率上升。
• 80~100 极高风险：典型“加速末端”特征，应重点警惕。

框架输出的是风险提示，不是卖出或做空信号；它的价值在于把“这个板块是不是涨得太急了”转化为每日可扫描、可回溯、可调参的数值，为后续的阈值设定与信号验证提供统一底座。