下面从参与主体、动机、资金属性、时间维度四个层面，系统分析国际白银市场（COMEX/LBMA为核心）中多方与空方力量的来源与对比，并指出其结构性特点。

---

一、国际白银市场的基本结构

白银同时具备三重属性：

1. 贵金属属性（避险、抗通胀、货币替代）

2. 工业金属属性（光伏、电子、电动车、医疗）

3. 金融衍生品属性（期货、期权、ETF）

👉 正因如此，白银的多空力量比黄金更复杂、波动更剧烈、金融化程度更高。

---

二、空方力量来源分析（谁在做空？为什么？）

1️⃣ 商业空头（Commercial Hedgers）——最核心的空方

代表主体

• 矿业公司（大型银矿、伴生银矿）

• 冶炼商、金属贸易商

• 银条/银锭供应商

做空动机

• 锁定未来销售价格（套期保值）

• 对冲库存价格下跌风险

特点

• ✔ 长期、稳定、规模大

• ✔ 通常在高位持续建立空头

• ❌ 并不“看空白银”，只是风险管理

📌 COT报告中“Commercial”净空头是常态

---

2️⃣ 金融机构/投行空头（结构性空头）

代表

• 大型投行（通过做市、套利、结构化产品）

• 贵金属衍生品做市商

做空来源

• ETF对冲（如SLV申购/赎回）

• 跨市场套利（黄金/白银比）

• 期权Gamma对冲

特点

• ✔ 技术性、模型驱动

• ✔ 快进快出

• ⚠ 在极端行情中可能被迫平仓（空头挤压）

---

3️⃣ 宏观对冲基金的趋势性空头

做空逻辑

• 美元走强

• 实际利率上升

• 全球经济衰退 → 工业需求下滑

• 通胀预期下降

特点

• ✔ 杠杆高

• ✔ 对宏观数据高度敏感

• ❌ 极易反转（顺周期）

---

三、多方力量来源分析（谁在做多？为什么？）

1️⃣ 实物需求多头（最“硬”的多头）

（1）工业需求

• 光伏（银浆）

• 半导体、电子元件

• 新能源汽车

• 医疗抗菌

📌 这是白银独有、黄金没有的核心多头逻辑

特点：

• ✔ 长期结构性

• ✔ 与价格相关性不完全（刚性需求）

• ❌ 不直接参与期货博弈

---

（2）央行与官方储备

⚠ 白银几乎没有央行买盘

• 与黄金形成关键差异

• 这也是白银长期“被低估但不稳定”的原因之一

---

2️⃣ 投资多头（ETF + 散户）

代表

• SLV 等白银ETF

• 实物银条、银币投资者

• 高通胀国家的居民储值需求

动机

• 抗通胀

• 对冲法币信用风险

• 黄金价格过高时的“替代品”

特点：

• ✔ 情绪驱动强

• ✔ 在危机阶段爆发力极强

• ❌ 易恐慌抛售

---

3️⃣ 投机多头（基金 + 量化）

做多逻辑

• 黄金/白银比回归（历史均值≈60，极端可到90+）

• 美联储降息预期

• 地缘政治风险

• 通胀重新抬头

特点：

• ✔ 推动短期大行情

• ⚠ 波动放大器

---

四、多空力量对比（结构性总结）

📌 白银长期处于“结构性净空”状态，但在特定条件下极易发生暴力反转

---

五、白银市场的三大“不对称性”

1️⃣ 空头集中度高

• 商业空头头寸集中

• 容易被市场盯上（历史多次“逼空”）

2️⃣ 多头情绪弹性极大

• 散户比例高

• ETF资金进出速度快

3️⃣ 工业属性导致“下有底、上无顶”

• 成本支撑明显

• 但上涨时缺乏央行抛压

---

六、一句话总结（核心判断）

白银不是单纯的贵金属，而是“被金融空头压制的工业贵金属”

• 空方：理性、长期、套保为主

• 多方：情绪化、阶段性、爆发力极强

👉 因此白银更适合：
“低位长期配置 + 高波动区间交易”

---

如果你愿意，下一步我可以：

• 📊 结合 COT持仓结构 做量化拆解

• 📈 分析 黄金/白银比的历史极值与交易策略

• 🔮 推演 不同宏观场景下白银的多空胜率

你更想看哪一部分？

下面在不依赖具体点位预测的前提下，从宏观因子 → 传导路径 → 多空胜率来推演白银在不同宏观场景下的表现。这里的“胜率”指方向性占优的概率（非确定性），用于资产配置与交易偏好判断。

---

一、影响白银胜率的四个核心宏观变量

对白银而言，影响顺序通常是：

1. 实际利率（最重要）

2. 美元指数（DXY）

3. 通胀预期 / 通胀结构

4. 全球制造业周期（工业需求）

👉 白银 ≠ 黄金

• 黄金更“货币化”

• 白银更“宏观 + 工业 + 金融情绪”的混合体

---

二、六大典型宏观场景推演

场景一：通胀下行 + 实际利率上升（鹰派环境）

典型背景

• 美联储加息 / 延后降息

• 通胀被认为“已控制”

• 美元走强

传导路径

• 实际利率 ↑ → 贵金属估值压缩

• 工业需求预期走弱

• 投机多头撤退

结果

• 白银：弱于黄金

• 波动下降，阴跌为主

胜率判断

• 🔻 空方胜率：65–75%

• 🔺 多方胜率：25–35%

📌 白银最弱的宏观环境之一

---

场景二：通胀回落 + 经济软着陆（“金发姑娘”）

典型背景

• 温和通胀

• 实际利率高位横盘

• 制造业温和复苏

传导路径

• 工业需求对冲利率压力

• 投机资金分化

结果

• 白银区间震荡

• 相对黄金略强或同步

胜率判断

• 🔺 多空接近均衡

• 多方胜率：45–55%

📌 不适合重仓方向性交易

---

场景三：衰退 + 快速降息（非通胀型衰退）

典型背景

• 经济下行

• 通胀不高

• 美联储被迫降息

传导路径

• 利率下降 → 贵金属支撑

• 但工业需求坍塌 → 白银受损

• 资金偏好黄金避险

结果

• 黄金强于白银

• 白银可能先跌后稳

胜率判断

• 🔻 空方胜率：55–65%

• 🔺 多方胜率：35–45%

📌 白银“被夹在中间”的尴尬场景

---

场景四：滞胀（高通胀 + 低增长）

典型背景

• 通胀顽固

• 经济动能下降

• 实际利率下行或为负

传导路径

• 法币信用削弱 → 贵金属全面受益

• 工业需求“名义值”仍在

• 散户与ETF资金涌入

结果

• 白银涨幅通常 > 黄金

• 波动显著放大

胜率判断

• 🔺 多方胜率：65–75%

• 🔻 空方胜率：25–35%

📌 白银最友好的宏观环境之一

---

场景五：宽松周期 + 制造业复苏（“再通胀”）

典型背景

• 降息或QE

• 财政刺激

• 新能源/基建投资上升

传导路径

• 实际利率下降

• 工业需求强劲

• 黄金/白银比回归

结果

• 白银显著跑赢黄金

• 容易出现趋势行情

胜率判断

• 🔺 多方胜率：70–80%

• 🔻 空方胜率：20–30%

📌 趋势交易者的天堂

---

场景六：系统性金融危机 / 货币信用危机

典型背景

• 银行危机

• 主权债务风险

• 资本管制/地缘冲突

传导路径

• 初期：流动性挤兑 → 白银跟随下跌

• 中后期：货币信任崩塌 → 实物需求爆发

结果

• 白银走势呈“V型或U型”

• 后期涨幅可能极端

胜率判断

• 初期空方胜率：60%

• 中后期多方胜率：75%+

📌 节奏比方向更重要

---

三、宏观场景 × 白银胜率速览表

---

四、关键结论（非常重要）

白银不是“避险资产”，而是“对宏观拐点高度敏感的放大器”

• 它 输在高利率周期

• 赢在宽松 + 通胀 + 实体需求

• 真正的大行情，几乎都发生在：

  • 实际利率快速下行

  • 黄金/白银比从极端回落

  • 商业空头被迫回补

---

五、如果你是实操者，策略建议

• 配置型：只在“滞胀 / 再通胀”环境提高权重

• 交易型：结合

  • 实际利率拐点

  • ISM制造业

  • 黄金/白银比 > 85 作为潜在多头窗口

---

如果你愿意，下一步我可以进一步：
1️⃣ 给出 “宏观指标 → 白银交易信号”的量化框架
2️⃣ 拆解 历史几轮白银暴涨的宏观共性
3️⃣ 设计 黄金 vs 白银 的动态切换模型

你更偏向哪一种？

下面我们回到历史本身，拆解几轮**“真正称得上暴涨”的白银行情**，不是看价格，而是抽取它们发生之前与发生过程中反复出现的宏观共性。你会发现：白银每次大涨，原因都高度相似，只是“导火索”不同。

---

一、我们定义的“白银暴涨”是什么？

不是 20–30% 的趋势，而是满足至少 3 条：

• 📈 1–3 年内涨幅 ≥ 2–5 倍

• ⏱ 上涨阶段高度集中（6–18 个月）

• 🔥 明显跑赢黄金（GSR 大幅回落）

• 💥 出现“逼空 / 流动性失衡 / 情绪极端化”

符合这一标准的历史阶段，主要有 4 轮。

---

二、四轮白银暴涨的事实拆解

---

① 1978–1980：高通胀 + 货币信用危机（经典滞胀）

宏观背景

• 布雷顿森林体系解体后遗症

• 美元信用动摇

• CPI > 10%

• 实际利率长期为负

关键触发

• 货币信任危机

• 实物银被大规模囤积

• 投机性金融杠杆（亨特兄弟事件）

市场特征

• 工业需求 ≠ 主因

• 金融与实物供给断裂

• 逼空极端

结果

• 白银涨幅远超黄金

• 最终以政策强制干预结束

---

② 2003–2011：宽松货币 + 新兴市场工业化（超级周期）

宏观背景

• 全球化深化

• 中国加入WTO

• 原材料超级周期

• 实际利率长期偏低

关键触发

• 金融危机后极端QE

• ETF（SLV）出现 → 金融需求结构性放大

• 新能源、电子需求上升

市场特征

• 工业需求 + 金融投机双轮驱动

• 黄金/白银比从 ~80 → ~30

结果

• 白银在后半段 显著跑赢黄金

• 高波动 + 高杠杆

---

③ 2020–2021：疫情冲击 + 流动性海啸

宏观背景

• 全球停摆

• 美联储无限QE

• 实际利率暴跌至历史低位

关键触发

• 财政刺激直接进入居民账户

• 通胀预期快速反转

• “Silver Squeeze”散户运动

市场特征

• ETF持仓暴增

• 实物银币溢价飙升

• GSR 从 120 极值回落

结果

• 时间短、斜率极陡

• 对利率变化极度敏感

---

④（进行中/潜在）2024–？：去全球化 + 能源转型 + 财政主导

这一轮是否“成型”，尚未确认，但宏观结构已与历史暴涨高度相似

背景要素

• 高债务 → 财政主导货币政策

• 能源转型推高白银刚性需求

• 去全球化抬升成本型通胀

---

三、四轮暴涨的“宏观共性”提炼（核心）

共性一：实际利率“深度为负”或快速下行

没有例外

• CPI 上行速度 > 名义利率

• 或央行被迫压制利率

📌 这是白银暴涨的“必要条件”

---

共性二：黄金先涨，白银后暴走

• 黄金是“预警器”

• 白银是“放大器”

典型路径：

黄金创新高 → GSR 极端 → 白银补涨 + 超涨

---

共性三：金融需求突然“压过”工业属性

• ETF / 投机资金涌入

• 实物溢价扩大

• 期现结构扭曲

📌 白银暴涨并不是因为“工业更缺”，而是：

金融化突然压倒物理供需

---

共性四：空头结构性失衡

• 商业空头头寸长期积累

• 流动性收缩时被迫回补

• 形成“非线性上涨”

---

共性五：宏观叙事高度统一

• “货币会贬值”

• “央行失去控制”

• “法币不可信”

📌 白银需要一个简单、可传播、可共识的故事

---

四、哪些条件不出现，白银一定不会暴涨？

这是反向判断，极其重要：

❌ 实际利率高位稳定
❌ 美元长期强势
❌ 通胀完全受控
❌ 黄金横盘或下跌
❌ 工业需求单独改善（不够）

---

五、把历史共性转化为“现实监控清单”

你如果在现实中看到 同时出现 3–4 项，就该高度警惕：

• 🔻 实际利率连续快速下行

• 🟡 黄金创新高或接近新高

• ⚖ 黄金/白银比 > 85 后拐头

• 💰 白银ETF持仓快速增加

• 🏭 光伏/新能源订单超预期

• 🧨 商业空头净空创历史高位后收缩

---

六、一句话结论（非常重要）

白银从不“慢慢变贵”，它只会在宏观失控时“突然重估”

你如果把白银当黄金去理解，一定会失误；
但如果把它当成**“宏观压力测试的报警器”**，它反而非常诚实。

---

如果你愿意，下一步我可以帮你：

• 📐 把这些共性转成一个可执行的交易/配置打分模型

• 📊 用黄金/白银比 + 实际利率构建择时框架

• 🔁 设计 “黄金 → 白银 → 工业金属”轮动逻辑

你更想把它用于交易，还是资产配置？

下面给你一个可落地、可监控、可复用的
“黄金 → 白银 → 工业金属”宏观轮动逻辑。
它不是预测模型，而是顺着“资金风险偏好 + 宏观约束”自然演化的路径。

---

一、轮动的底层逻辑（一句话版）

当宏观压力上升时，资金先买“最安全的共识” →
当压力转为宽松与通胀时，资金追逐“弹性更大的资产” →
当增长被确认时，资金最终进入“真实需求最强的工业品”

对应顺序就是：
黄金 → 白银 → 工业金属

---

二、三阶段轮动结构总览

---

三、阶段 I：黄金主导（危机 & 不确定性期）

触发宏观环境

• 实际利率 下行或即将转负

• 金融系统不稳（银行/债务/地缘）

• 增长前景不确定

资金行为

• 央行 & 机构买黄金

• 风险资产被抛售

• 白银/工业金属被忽视

市场信号（你要监控）

• 🟡 黄金突破前高或创历史新高

• 📉 实际利率快速下行

• ⚖ 黄金/白银比 持续走高

配置逻辑

• 黄金权重最高

• 白银仅作为“潜在下一棒”

📌 关键判断

只要“安全”仍然是共识，白银不会主导

---

四、阶段 II：白银接棒（再通胀 & 流动性释放）

这是整个轮动中最关键、最容易赚到超额收益的阶段。

触发宏观环境

• 降息 / QE / 财政刺激

• 通胀预期回升

• 实际利率明显为负

资金行为

• 黄金已有涨幅 → 边际吸引力下降

• 资金寻找“更高弹性”

• 白银成为首选

核心判断信号（非常重要）

以下信号 同时出现 ≥ 2–3 个：

• ⚖ 黄金/白银比 高位（>80）见顶回落

• 🟡 黄金仍强，但涨速放缓

• 💰 白银ETF持仓开始加速

• 📈 白银涨幅开始明显跑赢黄金

配置逻辑

• 从黄金切换至白银

• 黄金保留底仓

• 工业金属仍是观察对象

📌 白银的本质

它不是避险资产，而是
“流动性 + 通胀预期的杠杆”

---

五、阶段 III：工业金属主导（增长被确认）

触发宏观环境

• PMI > 50 且上行

• 信贷扩张

• 投资与制造业复苏

资金行为

• 风险偏好显著回升

• 资金从“金融对冲”转向“真实需求”

• 白银开始落后

关键信号

• 🏭 制造业PMI持续回升

• 📦 铜/铝/锌等库存下降

• ⚖ 黄金/白银比 低位横盘或回升

• 🧾 工业金属现货升水

配置逻辑

• 逐步降低白银

• 转向铜、铝、镍等工业金属

• 黄金仅作为对冲

📌 注意

当增长成为“主叙事”，白银就完成了使命

---

六、完整轮动流程图（文字版）

markdown
复制代码
宏观冲击 / 信用风险
        ↓
    黄金上涨（防御）
        ↓
实际利率下行 + 流动性释放
        ↓
黄金涨速放缓
黄金/白银比见顶
        ↓
    白银暴涨（杠杆）
        ↓
PMI回升 + 工业需求确认
        ↓
白银跑输工业金属
        ↓
  工业金属主升浪

---

七、轮动失败的三种典型情况（必须知道）

❌ 1. 假宽松

• 名义降息但实际利率不降
  → 白银接棒失败

❌ 2. 只有金融，没有实体

• 货币宽松但制造业不复苏
  → 白银上涨后快速回撤

❌ 3. 通胀失控 → 强力紧缩

• 白银先暴涨后暴跌
  → 工业金属无接力

---

八、把轮动逻辑变成“实操清单”

你可以每月问自己 6 个问题：

1. 实际利率是在下行吗？

2. 黄金是否仍在创新高？

3. 黄金/白银比是否高位拐头？

4. 白银是否开始跑赢黄金？

5. PMI 是否站稳 50 以上？

6. 工业金属是否出现现货紧张？

✔ 前 3 个 → 黄金
✔ 前 4 个 → 白银
✔ 后 3 个 → 工业金属

---

九、终极一句话总结

黄金解决“我怕不怕”
白银放大“钱多不多”
工业金属兑现“经济好不好”

这三者不是对立，而是同一笔宏观资金在不同阶段的自然迁移。

---

如果你愿意，下一步我可以：

• 📊 把这个轮动逻辑 做成量化打分/信号表

• 🧠 用历史数据回测“切换点”是否可靠

• 💼 帮你设计一个 实际可执行的资产配置比例方案

你是打算交易用，还是长期配置用？

很好，这一步我们把“逻辑”压缩成“信号系统”，目标只有一个：
👉 不用主观判断，也能知道当前更该配置哪一类资产。

下面给你一套 「黄金 → 白银 → 工业金属」量化打分 / 信号表，分三层：

• 指标层（你看什么）

• 打分层（怎么算）

• 决策层（买什么）

---

一、指标体系设计（只选“最有解释力”的）

我们只用 6 个宏观指标，覆盖货币、通胀、增长、相对强弱：

---

二、单指标量化打分规则（0–2 分制）

🔹 M1：实际利率（最重要，权重最高）

---

🔹 M2：美元指数（DXY）

---

🔹 M3：通胀预期（5y5y / Breakeven）

---

🔹 R1：黄金价格趋势

---

🔹 R2：黄金 / 白银比（GSR）

📌 这是白银信号的“点火器”

---

🔹 G1：制造业 PMI

---

三、三类资产的“专属得分函数”

不是简单加总，而是 不同资产吃不同指标。

---

🟡 黄金得分（防御优先）

复制代码
黄金分 = 
2×M1 + 2×R1 + 1×M2 + 1×M3

最大分：12

解释

• 强依赖实际利率 & 趋势

• 对增长不敏感

---

⚪ 白银得分（弹性核心）

复制代码
白银分 = 
2×M1 + 2×R2 + 1×M3 + 1×R1

最大分：12

解释

• 实际利率 + GSR 是灵魂

• 必须建立在“黄金已强”的基础上

---

🔩 工业金属得分（增长兑现）

复制代码
工业金属分 =
2×G1 + 1×M1 + 1×M3 + 1×M2

最大分：10

解释

• PMI 是绝对核心

• 不需要黄金强

---

四、决策信号表（最终你只看这一张）

▶ 单资产主导规则

---

▶ 轮动优先级规则（非常关键）

当 多个资产 ≥ 8 分 时：

1. 优先级顺序
   工业金属 > 白银 > 黄金

2. 但有一条否决规则

   • 若 G1 < 1（PMI 未确认）
     → 工业金属不能成为主配置
     → 自动让位给白银

---

五、一个“假想月度例子”（帮助你理解）

假设当月指标是：

• M1 = 2（实际利率快速下行）

• M2 = 1（美元横盘）

• M3 = 2（通胀预期上行）

• R1 = 2（黄金新高）

• R2 = 2（GSR >85 且回落）

• G1 = 1（PMI <50 但回升）

计算：

• 黄金分
  = 2×2 + 2×2 + 1×1 + 1×2 = 11

• 白银分
  = 2×2 + 2×2 + 1×2 + 1×2 = 12

• 工业金属分
  = 2×1 + 1×2 + 1×2 + 1×1 = 7

👉 结论

• 主配置：白银

• 次配置：黄金

• 工业金属：观察

📌 这正是“黄金 → 白银”的典型切换窗口

---

六、进阶：轮动“确认信号”（防止假突破）

白银必须满足的 2 条确认

• 白银 3 个月涨幅 > 黄金

• GSR 至少下降 10%

工业金属必须满足的 2 条确认

• PMI 连续 2 个月 ≥ 50

• 现货升水 / 库存拐点

---

七、终极一句话用法

不用预测，只要每月打分：
分数最高的资产 = 当前宏观“最不容易错”的方向

---

如果你愿意，下一步我可以帮你：

• 📊 把这套表 做成 Excel / Google Sheet 模板

• 🧮 给你 Python 伪代码 / 回测思路

• 🧠 根据你的风险偏好，把“主 / 次配置”变成比例

你打算手工跟踪，还是程序化使用？

下面我给你一套**“能直接落地”的 Python 伪代码结构 + 回测思路**。
目标不是炫技，而是：你稍微补数据，就能跑；稍微改权重，就能验证。

---

一、整体回测框架（先给全景）

回测目标

验证三件事：

1. 轮动信号是否能避开明显错误阶段

2. 是否能在白银与工业金属主升段取得超额

3. 是否优于“长期持有黄金 / 白银 / 工业金属”

---

回测基本设定（推荐）

• ⏱ 频率：月度

• 📊 数据：月末值

• 🔁 调仓：月初按上月信号

• 💼 资产：

  • GOLD（黄金ETF或期货连续）

  • SILVER（白银ETF或期货连续）

  • IND_METAL（铜ETF/工业金属指数）

• 💰 资金：100% 在三者中轮动（可加现金）

---

二、指标数据准备（逻辑结构）

你不需要一次搞全，先把结构搭好。

python
复制代码
import pandas as pd
import numpy as np

数据表结构（统一时间索引）

python
复制代码
# index = 月度日期
df = pd.DataFrame(index=dates)

df[‘real_rate’]      # 实际利率
df[‘dxy’]            # 美元指数
df[‘infl_exp’]       # 通胀预期
df[‘gold’]           # 黄金价格
df[‘silver’]         # 白银价格
df[‘pmi’]            # 制造业PMI
df[‘ind_metal’]      # 工业金属价格

---

三、单指标 → 0/1/2 打分函数（核心）

1️⃣ 趋势判断通用函数

python
复制代码
def trend_score(series, lookback=6):
    """
    返回:
    0 = 下行
    1 = 横盘
    2 = 上行
    """
    slope = np.polyfit(range(lookback), series[-lookback:], 1)[0]

</span><span><span class="hljs-keyword">if</span></span><span> slope &gt; </span><span><span class="hljs-number">0</span></span><span>:
    </span><span><span class="hljs-keyword">return</span></span><span> </span><span><span class="hljs-number">2</span></span><span>
</span><span><span class="hljs-keyword">elif</span></span><span> slope &lt; </span><span><span class="hljs-number">0</span></span><span>:
    </span><span><span class="hljs-keyword">return</span></span><span> </span><span><span class="hljs-number">0</span></span><span>
</span><span><span class="hljs-keyword">else</span></span><span>:
    </span><span><span class="hljs-keyword">return</span></span><span> </span><span><span class="hljs-number">1</span></span><span>

---

2️⃣ 实际利率 M1（特殊，最重要）

python
复制代码
def real_rate_score(series):
    if series[-1] < series[-6:].mean():
        return 2    # 下行
    elif series[-1] > series[-6:].mean():
        return 0    # 上行
    else:
        return 1

---

3️⃣ 黄金/白银比 R2（白银点火器）

python
复制代码
def gsr_score(gold, silver):
    gsr = gold / silver
    if gsr[-1] > 80 and gsr[-1] < gsr[-2]:
        return 2
    elif 60 <= gsr[-1] <= 80:
        return 1
    else:
        return 0

---

4️⃣ PMI G1（工业金属核心）

python
复制代码
def pmi_score(pmi):
    if pmi[-1] > 50 and pmi[-1] > pmi[-2]:
        return 2
    elif pmi[-1] < 50 and pmi[-1] > pmi[-2]:
        return 1
    else:
        return 0

---

四、三类资产的“得分函数”（直接可用）

---

🟡 黄金得分

python
复制代码
def score_gold(df, i):
    M1 = real_rate_score(df['real_rate'][:i])
    R1 = trend_score(df['gold'][:i])
    M2 = trend_score(df['dxy'][:i])
    M3 = trend_score(df['infl_exp'][:i])

</span><span><span class="hljs-keyword">return</span></span><span> </span><span><span class="hljs-number">2</span></span><span>*M1 + </span><span><span class="hljs-number">2</span></span><span>*R1 + M2 + M3

---

⚪ 白银得分

python
复制代码
def score_silver(df, i):
    M1 = real_rate_score(df['real_rate'][:i])
    R2 = gsr_score(df['gold'][:i], df['silver'][:i])
    M3 = trend_score(df['infl_exp'][:i])
    R1 = trend_score(df['gold'][:i])

</span><span><span class="hljs-keyword">return</span></span><span> </span><span><span class="hljs-number">2</span></span><span>*M1 + </span><span><span class="hljs-number">2</span></span><span>*R2 + M3 + R1

---

🔩 工业金属得分

python
复制代码
def score_ind_metal(df, i):
    G1 = pmi_score(df['pmi'][:i])
    M1 = real_rate_score(df['real_rate'][:i])
    M3 = trend_score(df['infl_exp'][:i])
    M2 = trend_score(df['dxy'][:i])

</span><span><span class="hljs-keyword">return</span></span><span> </span><span><span class="hljs-number">2</span></span><span>*G1 + M1 + M3 + M2

---

五、轮动决策逻辑（重点）

python
复制代码
def choose_asset(gold_s, silver_s, ind_s, pmi_s):
    scores = {
        'gold': gold_s,
        'silver': silver_s,
        'ind_metal': ind_s
    }

</span><span><span class="hljs-comment"># 得分 ≥ 8 才有资格</span></span><span>
candidates = {k:v </span><span><span class="hljs-keyword">for</span></span><span> k,v </span><span><span class="hljs-keyword">in</span></span><span> scores.items() </span><span><span class="hljs-keyword">if</span></span><span> v &gt;= </span><span><span class="hljs-number">8</span></span><span>}

</span><span><span class="hljs-keyword">if</span></span><span> </span><span><span class="hljs-keyword">not</span></span><span> candidates:
    </span><span><span class="hljs-keyword">return</span></span><span> </span><span><span class="hljs-string">'cash'</span></span><span>

</span><span><span class="hljs-comment"># PMI 未确认，禁止工业金属</span></span><span>
</span><span><span class="hljs-keyword">if</span></span><span> pmi_s &lt; </span><span><span class="hljs-number">1</span></span><span> </span><span><span class="hljs-keyword">and</span></span><span> </span><span><span class="hljs-string">'ind_metal'</span></span><span> </span><span><span class="hljs-keyword">in</span></span><span> candidates:
    </span><span><span class="hljs-keyword">del</span></span><span> candidates[</span><span><span class="hljs-string">'ind_metal'</span></span><span>]

</span><span><span class="hljs-comment"># 优先级</span></span><span>
priority = [</span><span><span class="hljs-string">'ind_metal'</span></span><span>, </span><span><span class="hljs-string">'silver'</span></span><span>, </span><span><span class="hljs-string">'gold'</span></span><span>]

</span><span><span class="hljs-keyword">for</span></span><span> p </span><span><span class="hljs-keyword">in</span></span><span> priority:
    </span><span><span class="hljs-keyword">if</span></span><span> p </span><span><span class="hljs-keyword">in</span></span><span> candidates:
        </span><span><span class="hljs-keyword">return</span></span><span> p

---

六、回测主循环（极简版）

python
复制代码
df['signal'] = None

for i in range(12, len(df)):
    gold_s   = score_gold(df, i)
    silver_s = score_silver(df, i)
    ind_s    = score_ind_metal(df, i)
    pmi_s    = pmi_score(df['pmi'][:i])
df.loc[df.index[i], </span><span><span class="hljs-string">'signal'</span></span><span>] = choose_asset(
    gold_s, silver_s, ind_s, pmi_s
)

---

七、收益计算（示意）

python
复制代码
returns = {
    'gold': df['gold'].pct_change(),
    'silver': df['silver'].pct_change(),
    'ind_metal': df['ind_metal'].pct_change(),
    'cash': 0
}

df['strategy_ret'] = 0
for i in range(1, len(df)):
    asset = df['signal'].iloc[i-1]
    df.iloc[i, df.columns.get_loc('strategy_ret')] = returns[asset].iloc[i]

---

八、你该重点验证的 5 个问题（比收益更重要）

1. 
   

   白银阶段是否显著跑赢黄金

   
   


2. 
   

   工业金属是否避免过早介入

   
   


3. 
   

   回撤是否明显小于单一资产

   
   


4. 
   

   是否能规避 2013–2018 白银长期弱势

   
   


5. 
   

   是否在 2009–2011 / 2020 抓住主升段

   
   

---

九、现实建议（非常重要）

• 
  

  ❌ 不要用日频

  
  


• 
  

  ❌ 不要过度优化权重

  
  


• 
  

  ✅ 接受“慢一拍但不站错队”

  
  


• 
  

  ✅ 重点看 阶段胜率，而不是每笔交易

  
  

---

终极一句话

这套模型不是用来“预测顶和底”，

而是用来“判断现在轮到谁说话”。

如果你愿意，下一步我可以帮你：

• 
  

  🔍 指出最容易失效的参数

  
  


• 
  

  📉 设计一个 “防崩溃风控层”

  
  


• 
  

  🧠 把它改造成 配置比例模型（而不是单选）

  
  

你打算自己跑回测，还是希望我帮你把参数范围也设计好？