基于机器学习的双重动量指数轮动策略
在线系统平台：dmrml.cn
感谢你的欣赏和订阅 🙏 Thanks so much for your interest, and for subscribing 🙏
这个仓库是 DMR-ML 的初版，一套双动量轮动 + 机器学习风险闸的完整实现，可以直接跑起来，供学习、交流，也欢迎同行和同好者参考。 This repo is the first version of DMR-ML, a complete, runnable implementation of dual-momentum rotation with a machine-learning risk gate. It's here for learning and discussion, and I'd be glad if fellow quants and enthusiasts find it useful.
往后我不再往这个仓库更新新版本代码了，所以网站上实际运行的模型，和这里开源的版本会慢慢有一些出入。但这个项目我一直当成一件长期打磨的事在做，自己也还在不断学习，时不时会试着改进它，想把它做得更好一点。 Going forward I won't be pushing newer versions to this repo, so the model actually running on the website will gradually diverge a bit from the open-source version here. That said, I treat this as a project to refine over the long haul, I'm still learning, and I keep tinkering with it now and then, trying to make it a little better.
但是！！！不需要完整代码，通过网站订阅，就能免费收到最新版模型的每日信号。如果你想更深入地聊聊新的思路，讨论代码和想法，或者有任何的建议或者想法！都非常非常欢迎发邮件联系我！ But here's the thing!!! You don't need the full code, just subscribe on the website and you'll get the latest model's daily signals for free. And if you'd like to talk through new ideas, discuss the code, or share any suggestions or thoughts at all — I'd absolutely love to hear from you by email!
2026.7.15 Kai
DMR-ML = DMR（双重动量轮动）+ ML（机器学习风险门禁）。前半段负责决定"买什么"，后半段负责判断"现在该不该买"。
在沪深 300 与中证 1000 之间做动量轮动，并在每一次轮动前用一个随机森林分类器做风险评估：预测概率超过触发阈值时强制空仓，低于解除阈值时恢复持仓。
之所以选择沪深 300 与中证 1000，是因为两者都有对应的宽基 ETF 与指数基金，任何投资者都可以低成本地跟随操作。
DMR — Dual Momentum Rotation 计算沪深 300 与中证 1000 的短期相对动量和绝对动量，两者均未达到阈值时空仓。
ML — Machine Learning Risk Gate 随机森林分类器预测未来 5 个交易日的下跌概率。双阈值迟滞机制（默认触发 40% / 解除 33%）减少临界区间的频繁切换。
Purged Walk-Forward 验证 训练窗口与测试窗口之间留出 gap，避免因标签重叠导致的数据泄露。特征仅基于历史价量的滚动统计量，不引入任何未来信息。
| 指标 | DMR-ML (Adagio) | Presto | 纯 DMR | 沪深 300 |
|---|---|---|---|---|
| 累计收益 | 186.2% | 193.3% | 134.8% | 49.5% |
| 年化收益 | 15.6% | 16.0% | 12.5% | 5.9% |
| 最大回撤 | -12.7% | -15.8% | -19.0% | -45.6% |
| 夏普比率 | 0.94 | 0.94 | 0.67 | 0.29 |
"纯 DMR"是在 Adagio 相同参数下关闭 ML 风控的消融结果。ML 风控使最大回撤从 -19.0% 改善到 -12.7%（相对降低 33%），年化收益提升 3.1 个百分点。Adagio 与 Presto 夏普比率一致，但 Presto 用更高交易频率换取略高的总收益，代价是更深的回撤。
回测为样本内结果，实际业绩可能因市场结构变化而显著不同。
本仓库与 dmrml.cn 使用完全相同的代码，本地运行后可以得到一致的界面与交互。
- 策略概览 — 净值走势、核心指标、策略与基准对比
- 今日信号 — 每日操作建议、ML 风险概率仪表盘、决策推理面板
- 深度分析 — 回撤分析、月度收益热力图、收益分布、滚动夏普
- 交易记录 — 逐笔成交、持仓时长、盈亏分布
- 交易信号 — 历年轮动时序图
三种模型预设：
| 预设 | 定位 | 动量窗口 | 均线窗口 | 风险触发 | 风险解除 |
|---|---|---|---|---|---|
| Adagio | 稳健低回撤 | 20 | 14 | 40% | 33% |
| Presto | 灵敏搏收益 | 10 | 14 | 40% | 33% |
| Rubato | 参数自定义 | — | — | — | — |
Adagio 与 Presto 共用同一套 ML 风控，差别仅在动量计算周期的长短。两组参数分别通过网格搜索在稳健与激进两个风格区间内寻优得到。Rubato 在前端提供滑杆，可自行调整上述四个参数。
- 后端：FastAPI + uvicorn
- 前端：原生 HTML / CSS / JavaScript，无前端框架
- 数据源：Tushare Pro
- 持久化：JSON / Supabase（订阅模块可选后端）
├── config.py # 参数配置
├── data_service.py # 行情数据接入与缓存
├── models.py # ML 风险模型
├── backtest_engine.py # 回测引擎
├── reports.py # 策略报表与信号生成
├── visualization.py # 图表
├── subscription_service.py # 邮件订阅
├── send_daily_email.py # 每日推送入口
├── run.py # 命令行入口
└── web/
├── api.py # FastAPI 后端
├── templates/ # 前端页面
└── static/ # 样式、脚本、插画
环境： Python 3.9 – 3.11
git clone https://github.com/ykkai-w/DMR-ML.git
cd DMR-ML
pip install -r requirements.txt复制 .env.example 为 .env 并填写：
TUSHARE_TOKEN=你的 Tushare Token # tushare.pro/register 注册获取
ADMIN_PASSWORD=自定义管理密码
EMAIL_PASSWORD=SMTP 授权码 # 仅启用邮件订阅时需要
启动：
python run.py web # Web 界面，访问 http://localhost:8000
python run.py backtest # 命令行回测
python run.py signal # 生成今日信号仓库自带的邮件订阅足以满足基本需求，但邮件的到达率和时效性都不理想。如果希望把每日信号推送到微信、飞书、iMessage、Telegram 等即时通讯平台，推荐接入 OpenClaw —— 一个开源的自托管 AI 助手，原生支持上述平台。
send_daily_email.py 每天收盘后执行一次，计算当日信号并通过 SMTP 发送。把发送环节替换成 HTTP 调用 OpenClaw，即可转发到任意支持的通讯平台。
1. 部署 OpenClaw
按 OpenClaw 官方文档 部署，配置好目标平台（企业微信机器人、飞书自定义机器人、iMessage 中继等）。记录 OpenClaw 的 HTTP 接口地址和对应的 channel / user ID。
2. 新建推送适配器
在项目根目录创建 push_openclaw.py：
import os
import requests
from reports import SignalGenerator
from data_service import get_data_service
from models import MLRiskModel
from config import get_config
OPENCLAW_URL = os.environ["OPENCLAW_URL"]
OPENCLAW_TARGET = os.environ["OPENCLAW_TARGET"]
def build_signal_text() -> str:
data_service = get_data_service()
df300, df1000 = data_service.get_aligned_data()
ml_probs = MLRiskModel().fit_predict(df300, verbose=False)
config = get_config()
signal_gen = SignalGenerator(
df300, df1000, ml_probs,
config.strategy.default_momentum_window,
config.strategy.default_ma_window,
)
return signal_gen.format_signal_text()
def push():
text = build_signal_text()
requests.post(
OPENCLAW_URL,
json={"target": OPENCLAW_TARGET, "message": text},
timeout=10,
)
if __name__ == "__main__":
push()3. 配置环境变量
OPENCLAW_URL=http://your-openclaw-host:port/send
OPENCLAW_TARGET=your_wechat_or_feishu_channel_id
4. 每日定时执行
Linux crontab（每交易日 16:30）：
30 16 * * 1-5 cd /path/to/DMR-ML && /usr/bin/python push_openclaw.py >> push.log 2>&1
Windows 任务计划程序同理。
SignalGenerator 返回的是结构化字段，替换推送通道不涉及策略逻辑改动。
本项目仅为学习与研究用途，不构成任何投资建议。历史回测表现不代表未来收益，A 股市场结构可能发生变化，使用前请自行评估风险。
MIT License. 见 LICENSE。
作者：Kai（中国农业大学 金融学 & 数据科学 在读） 联系：ykai.w@outlook.com 在线演示：dmrml.cn