最近在研究五福及社区多位大佬的 ETF 轮动策略后，我做了一次系统性整合，对几条策略的核心交易逻辑进行了深度杂交优化，最终形成了 这套「 ETF 双池平滑动量轮动」 。 今天，我将为大家深度拆解这条策略的核心逻辑。该策略在传统动量轮动的基础上，引入了 静态+动态双池融合、加权平滑动量打分、双均线趋势过滤、行业分散机制以及严格的止损和防御机制 ，极大地增强了策略的实战鲁棒性。 策略参数速查表 在深入讲解逻辑之前，先把核心参数列出来，方便大家快速掌握调参空间： 参数 默认值 说明 持仓数量 1 只 单满仓轮动，回测数据均基于此设置 动量计算周期 25 天 越短越灵敏，越长越稳健 短期均线 MA20 趋势过滤用 长期均线 MA60 趋势过滤用 止损比例 **8%**（成本价 92%触发） 触发后立即清仓 放量阈值 5 日均量的 2.5 倍 超过则剔除或清仓 动态池大小 全市场成交额前 100 日均成交额≥5000 万 防御 ETF 511880 银华日利 无目标时自动切换 下面，让我们逐一剖析这套策略的全部交易逻辑。 一、 标的池构建：静态精选 + 动态流动性捕捉 传统的 ETF 策略通常只在一个固定的池子里轮动，这就容易错失市场突然爆发的新热点。本策略创新性地采用了 “双池融合” 架构： 静态核心池（防守与底仓） ： 由 130+只核心 ETF 组成。涵盖了宽基（沪深 300 、中证 1000 等）、核心赛道行业（半导体、医药、新能源等）、以及跨境资产（纳指、日经、标普等）。这保证了策略在任何时候都有主流资产作为基本盘。 动态流动性池（进攻与捕捉热点） ： 市场热点在哪里，资金就在哪里。策略 每日盘前 会扫描全市场所有的 ETF ，提取 过去 5 日平均成交额大于 5000 万元的前 100 只 ETF 加入动态池。这种动态优选机制，确保了策略能够自动跟踪近期资金最活跃、流动性极佳的标的。 融合去重 ： 最终的候选池是“静态池”与“动态池”的并集，去重并剔除掉用于现金替代的防御型 ETF （如银华日利），形成最终的“融合池”。 二、 三重核心筛选过滤逻辑 有了候选池后，策略并没有直接计算涨跌幅，而是进行了极其严苛的三重筛选： 1. 趋势护航：双均线过滤（ MA20 & MA60 ） 动量策略最怕在熊市中接飞刀。策略引入了经典的双均线趋势判定： 条件 ：当日收盘价必须 大于 短期均线（ 20 日），且短期均线必须 大于 长期均线（ 60 日）。 作用 ：只有在多头排列（至少是中期多头）的标的才允许参与评分，从源头上过滤掉了处于下降通道或弱势震荡的 ETF 。 2. 核心打分：加权对数平滑动量（ R²评分） 传统动量仅比较首尾涨跌幅，容易选到“上蹿下跳”的妖基，一买就回调。策略使用了更科学的平滑动量： 对数收益加权回归 ：取过去 25 天的收盘价，取自然对数后进行线性回归。并且赋予近期价格更高的权重（权重从 1 递增到 2 ），让近期趋势主导斜率。 计算年化收益率（ Annual Return ） ：由回归直线的斜率计算得出。 拟合优度惩罚（ R²） ：这是策略的灵魂。R²衡量的是价格曲线有多“直”。如果一只 ETF 稳步上涨，R²接近 1 ；如果是暴涨暴跌，R²会很低。 最终得分 = 年化收益率 × R² 。 结果 ：过滤掉得分过低或极度夸张的异常值（有效得分范围限制在 0~5 之间），选出上涨最平稳、动量最强劲的品种。 3. 量价异动排雷：成交量极值过滤 放巨量往往是主力资金分歧或出货的标志，容易形成阶段性顶部。 盘中动态预估 ：策略能够根据盘中交易的时间进度，推算全天的预估成交量。 放量过滤 ：如果当天的预估成交量超过了过去 5 天平均成交量的 2.5 倍 ，即使动量得分再高，也会被无情剔除，防止高位接盘。 三、 资金管理与行业分散机制 在确定了得分最高的标的后，买入阶段同样充满了细节： 行业分散限制 ： 策略内置了一个 ETF 主题分类词典 （如：半导体、医药、消费、跨境、宽基等）。在按照得分从高到低选取目标时，逻辑上会优先选取 不同行业 的 ETF ，以避免同质化标的扎堆。 实战避坑提示 ：这里必须坦诚说明，经过大量回测验证， 强行加上行业分散的实际收益效果并不明显，有时甚至会拉低收益 。如果您的参数设置是 多只持仓 ，可以尝试开启此功能防范黑天鹅；但如果您像我们默认设置的一样是 单满仓轮动（只买 1 只） ，那么这个开关开不开启都无所谓，系统会直接锁定全市场动量最强劲的那一只龙头猛攻！ 目标再平衡 ： 当持仓标的仍在目标池中时，策略不会频繁全量买卖。而是检查当前持仓市值是否偏离目标市值的 15%以上。如果有较大偏离（跌了），则进行再平衡补仓，否则持股不动，节省交易成本。 四、 卖出、止损与防御切换逻辑 策略的卖出逻辑不仅看动量，还设置了坚固的风控网： 绝对止损（防黑天鹅） ： 买入时记录每一只 ETF 的加权平均成本价。一旦盘中价格跌破成本价的 92%（即亏损 8%） ，立即无条件触发止损清仓，绝不扛单。 放量清仓（防高位反转） ： 如果在持仓期间，盘中预估成交量突然放大到 5 日均量的 2.5 倍 以上，说明资金出现巨大分歧，策略会提前获利了结或离场观望。 动量衰退调仓 ： 如果在每日的轮动计算中，持有的 ETF 掉出了前 N 名（ N 为持仓数量），说明其动量已被其他品种超越，策略会将其清仓，为新龙头腾出资金。 防御型 ETF 避险（空仓替代） ： 如果市场极度恶劣，所有的 ETF 都未能通过均线过滤或动量积弱（即没有计算出任何有效目标），策略 绝不强行买入 。此时，资金会自动切换买入 防御 ETF （如 511880 银华日利） ，获取类现金的低风险日结收益，耐心等待市场转暖。 五、 智能执行细节 避免涨跌停及停牌陷阱 ：策略在执行所有买卖订单前，都会判断标的是否停牌、是否已达涨停（不买）、是否已跌停（不卖），并自动检查 T+1 持仓限制，防止产生无效订单。 执行时间优化 ：将卖出动作设在 13:07 ，买入设在 13:10 ，避开早盘的剧烈波动，在下午趋势相对明朗时进行调仓。盘前 09:20 与收盘 14:59 都有严格的持仓同步对账机制，确保系统记录与真实账户完全一致。 六、 回测表现：短跑爆发与长跑稳健 ⚠️ 特别说明 ：以下所有回测数据均基于 单只满仓轮动 （持仓数量=1 ）的配置。模拟盘**采用的是 3 只分仓，收益有所降低但回撤也更小，后文有详细说明。 ? 亮点呈现：2026 年以来表现（ 2026.01 - 2026.04.22 ） 今年以来的行情中，双池平滑动量展现了极强的"追击热点"能力， 短短不到 4 个月，策略收益突破 62%，年化收益更是飙升至 453%！ 指标 数值 备注 策略收益 62.61% 不到 4 个月 策略年化收益 453.97% ? 超额收益 56.86% 同期基准仅 3.67% 最大回撤 15.18% 最大回撤区间 3/24-4/8 夏普比率 8.288 极强的风险收益比 索提诺比率 12.625 — 阿尔法 4.532 — 胜率 / 盈亏比 63.3% / 1.915 赢 31 次，亏 18 次 信息比率 7.555 — 穿越牛熊：六年期长期回测（ 2020.01 - 2026.04.22 ） 如果说短期的爆发可能是运气，那么长期的稳健才是策略真正的试金石。在长达 6 年的回测中（经历多轮牛熊切换），策略实现了 超 11 倍的收益 ： 指标 数值 备注 策略收益 1166.05% 超 11 倍 策略年化收益 51.57% — 超额收益 980.60% 同期基准仅 17.16% 最大回撤 35.13% 2024 年 6 月-9 月极端行情 夏普比率 1.266 — 索提诺比率 1.937 — 阿尔法 0.486 — 胜率 / 盈亏比 49.3% / 1.417 赢 364 次，亏 375 次 信息比率 1.404 — 总结 ： 从长期表现看，这套策略的胜率稳定在 50%左右，**它并不是"把把都赢"的圣杯，而是典型的"截断亏损，让利润奔跑" 。通过 "均线+R²平滑" 保证趋势可靠性，通过 "双池融合" 保证标的流动性，再辅以 "异动量过滤+8%绝对止损+行业分散+无标的防御"**，构筑起了能在 2026 年打出惊人爆发力的立体风控体系。 七、 跟踪与交割单开源 目前这条策略我已经正式挂载了模拟盘，并接入了 **[9db 智能体竞技场]**（一个第三方策略信号跟踪平台，可查看策略每日真实交割单与持仓动态，完全透明可验证）。欢迎感兴趣的朋友前往围观！ 参数说明 ： 上文回测中展示的是 "单只满仓轮动" 的极限爆发数据；而在我自己的模拟盘实战中，考虑到 心态管理，我将参数调整为了**"同时持有 3 只 ETF" 的分仓模式。分仓之后收益率确实比单仓降低了不少，但最大回撤也随之收窄，心态会更稳。 先求活，再求快！** 希望这篇深度拆解能对大家的量化策略开发有所启发！如果觉得有收获，欢迎 点赞 + 关注 ，后续我会持续分享更多策略开发经验。欢迎在评论区留言，一起探讨 ETF 轮动策略的进阶优化方向！?
IT之家 5 月 6 日消息，今天下午，交通运输部公布数据显示，5 月 1 日至 5 日，全社会跨区域人员流动 总量为 151712.8 万人次，日均为 30342.56 万人次 ，同比增长 3.49%。 IT之家从数据中获悉，假期期间，铁路客运总量 10637.7 万人次，日均为 2127.54 万人次，同比增长 4.6%。公路人员流动总量（包括高速公路及普通国省道非营业性小客车人员出行量、公路营业性客运量）139172 万人次，日均为 27834.4 万人次，同比增长 3.51%。其中： 公路营业性客运总量 19885 万人次，日均为 3977 万人次，同比增长 9.53%； 高速公路及普通国省道非营业性小客车人员出行总量 119287 万人次，日均为 23857.4 万人次，同比增长 2.57%。 水路客运总量 849.2 万人次，日均为 169.84 万人次，同比下降 1.37%。 民航客运总量 1054 万人次，日均为 210.8 万人次，同比下降 5.74%。 2026 年 5 月 5 日，全社会跨区域人员流动量 28206 万人次，环比下降 5.8%，同比增长 5%。其中： 铁路客运量 2277.1 万人次，环比增长 11.7%，同比增长 7.9%。 公路人员流动量（包括高速公路及普通国省道非营业性小客车人员出行量、公路营业性客运量）25604 万人次，环比下降 6.9%，同比增长 4.8%。其中，公路营业性客运量 3952 万人次，环比增长 2.3%，同比增长 2.5%；高速公路及普通国省道非营业性小客车人员出行量 21652 万人次，环比下降 8.5%，同比增长 5.3%。 水路客运量 96.6 万人次，环比下降 42.7%，同比下降 5.4%。 民航客运量 228.4 万人次，环比增长 6.1%，同比下降 1.4%。 全国邮政行业揽收包裹 5.18 亿件，环比增长 5.5%；投递包裹 4.89 亿件，环比增长 1.7%。
IT之家 5 月 4 日消息，据央视新闻，交通运输部数据显示， 今天（4 日）全社会跨区域人员流动量预计 29379.4 万人次 ，同比增长 4.2%。其中： 铁路客运量预计 2030 万人次，同比增长 2.6%； 公路人员流动量预计 26971 万人次，同比增长 4.4%； 水路客运量预计 162.4 万人次；民航客运量预计 216 万人次。 4 月 28 日，交通运输部运输服务司副司长高博介绍，2026 年五一劳动节假期， 全社会跨区域人员流动量预计将达 15.2 亿人次，日均 3.04 亿人次，同比增长 4% 。 据IT之家了解，今年五一劳动节假期期间，全国收费公路照例对小型客车实施免收通行费政策。具体的免费时段从 5 月 1 日 0 时起，一直持续到 5 月 5 日 24 时。 假期期间，公路出行占主导。预计假期期间公路人员流动量占比将达 91.6%，全国高速公路日均车流量约 6400 万辆。其中日均新能源车约 1540 万辆，占比 24%，同比增长 33%。
IT之家 5 月 2 日消息，今天下午，交通运输部公布最新数据： 2026 年 5 月 1 日，全社会跨区域人员流动量 33747 万人次，环比增长 52.9%，同比增长 1.4% 。 铁路客运量 2484.4 万人次，环比增长 25.5%，同比增长 7.5%。 公路人员流动量（包括高速公路及普通国省道非营业性小客车人员出行量、公路营业性客运量）30854 万人次，环比增长 56.1%，同比增长 1%。IT之家获悉，其中公路营业性客运量 4219 万人次，环比增长 16.5%，同比增长 6.9%；高速公路及普通国省道非营业性小客车人员出行量 26635 万人次，环比增长 64.9%，同比增长 0.1%。 水路客运量 176.1 万人次，环比增长 100.7%，同比增长 6.8%。 民航客运量 232.5 万人次，环比下降 2.3%，同比下降 0.9%。 全国邮政行业揽收包裹 4.46 亿件，环比下降 14.4%；投递包裹 5.17 亿件，环比下降 9.8%。
前阵子发了个 小频率动量策略 ，当时回测看着还行，但实盘一跑就开始露问题。 最近刚好在看《打开量化投资的黑箱》第九章，且根据 v 友建议，顺手把自己那一套研究流程从头捋了一遍，相当于是给之前那个策略“补课”。 1. 策略起点 之前做动量，基于一个很直觉的想法： 👉 涨得多的继续涨 当时没太多犹豫，直接写代码+回测。 现在回头看，更像是一个“没被明确表达的假设”。 现在会刻意把这一步写清楚一点： 是基于经济逻辑？ 还是纯数据挖出来的？ 简单给自己加了一条约束： if 没有清晰逻辑: 回测再好也不直接用 2. 数据 之前策略有个问题其实一直没认真处理数据。 现在回头看，这一块基本决定了上限。 （ 1 ）幸存者偏差 用当前成分股回测历史，这个坑就不展开了。 （ 2 ）时间对齐 之前直接拼不同频率数据，本质就是未来函数。 现在我给自己加了个很简单的检查： 👉 每一份数据都问一句：当时能不能拿到 顺手也把数据源换成了直接拉 API ，至少链路是“接近实盘”的： import requests import pandas as pd API_KEY = "YOUR_ALLTICK_API_KEY" def get_price_data(symbol="AAPL"): url = "https://api.alltick.co/marketdata/stock/history" params = { "symbol": symbol, "start_date": "2020-01-01", "end_date": "2023-01-01", "interval": "1d", "apikey": API_KEY } res = requests.get(url, params=params) data = res.json()["data"] df = pd.DataFrame(data) df["date"] = pd.to_datetime(df["date"]) return df df = get_price_data() # 基础清洗 df = df.sort_values("date") df["close"] = df["close"].fillna(method="ffill") df = df[df["volume"] > 0] 这块其实没什么技术含量，但好处是： 👉 回测用的数据结构，跟以后实盘用的是同一套来源 3. 回测：开始老老实实加“现实约束” 之前那版动量策略的问题是： 👉 默认理想成交 现在基本都会强制加： 成本 简单滑点 信号延迟 举个最简单的均线例子： df['ma20'] = df['close'].rolling(20).mean() df['signal'] = (df['close'] > df['ma20']).astype(int) df['returns'] = df['close'].pct_change() df['strategy'] = df['signal'].shift(1) * df['returns'] cost = 0.0005 df['strategy_net'] = df['strategy'] - cost * df['signal'].diff().abs() 一旦把成本加进去，很多策略当场变脸。 现在对回测的理解更偏向： 👉 这是一个“历史条件下的生存测试” 4. 参数优化：开始刻意“反着来” 之前是找最优参数，现在是故意破坏它： for p in [17, 20, 23]: 跑一下 不稳的策略，一动就崩。 再加一个基本操作： train = df[df['date'] < '2021-01-01'] test = df[df['date'] >= '2021-01-01'] test 基本只看一次。 慢慢变成一个很简单的判断： 能扛参数扰动的 → 再看 需要精调的 → 基本放弃 这一轮下来，有个挺明显的变化： 👉 不太会被“完美回测”骗了 以前是： 曲线好看 = 可以上 现在更像是： if 解释不了 + 不抗扰动: 默认不可用 有点反直觉的是： 能用的策略变少了， 但心里反而更踏实一点。
前阵子发了个 小频率动量策略 ，当时回测看着还行，但实盘一跑就开始露问题。 最近刚好在看《打开量化投资的黑箱》第九章，且根据 v 友建议，顺手把自己那一套研究流程从头捋了一遍，相当于是给之前那个策略“补课”。 1. 策略起点 之前做动量，基于一个很直觉的想法： 👉 涨得多的继续涨 当时没太多犹豫，直接写代码+回测。 现在回头看，更像是一个“没被明确表达的假设”。 现在会刻意把这一步写清楚一点： 是基于经济逻辑？ 还是纯数据挖出来的？ 简单给自己加了一条约束： if 没有清晰逻辑: 回测再好也不直接用 2. 数据 之前策略有个问题其实一直没认真处理数据。 现在回头看，这一块基本决定了上限。 （ 1 ）幸存者偏差 用当前成分股回测历史，这个坑就不展开了。 （ 2 ）时间对齐 之前直接拼不同频率数据，本质就是未来函数。 现在我给自己加了个很简单的检查： 👉 每一份数据都问一句：当时能不能拿到 顺手也把数据源换成了直接拉 API ，至少链路是“接近实盘”的： import requests import pandas as pd API_KEY = "YOUR_ALLTICK_API_KEY" def get_price_data(symbol="AAPL"): url = "https://api.alltick.co/marketdata/stock/history" params = { "symbol": symbol, "start_date": "2020-01-01", "end_date": "2023-01-01", "interval": "1d", "apikey": API_KEY } res = requests.get(url, params=params) data = res.json()["data"] df = pd.DataFrame(data) df["date"] = pd.to_datetime(df["date"]) return df df = get_price_data() # 基础清洗 df = df.sort_values("date") df["close"] = df["close"].fillna(method="ffill") df = df[df["volume"] > 0] 这块其实没什么技术含量，但好处是： 👉 回测用的数据结构，跟以后实盘用的是同一套来源 3. 回测：开始老老实实加“现实约束” 之前那版动量策略的问题是： 👉 默认理想成交 现在基本都会强制加： 成本 简单滑点 信号延迟 举个最简单的均线例子： df['ma20'] = df['close'].rolling(20).mean() df['signal'] = (df['close'] > df['ma20']).astype(int) df['returns'] = df['close'].pct_change() df['strategy'] = df['signal'].shift(1) * df['returns'] cost = 0.0005 df['strategy_net'] = df['strategy'] - cost * df['signal'].diff().abs() 一旦把成本加进去，很多策略当场变脸。 现在对回测的理解更偏向： 👉 这是一个“历史条件下的生存测试” 4. 参数优化：开始刻意“反着来” 之前是找最优参数，现在是故意破坏它： for p in [17, 20, 23]: 跑一下 不稳的策略，一动就崩。 再加一个基本操作： train = df[df['date'] < '2021-01-01'] test = df[df['date'] >= '2021-01-01'] test 基本只看一次。 慢慢变成一个很简单的判断： 能扛参数扰动的 → 再看 需要精调的 → 基本放弃 这一轮下来，有个挺明显的变化： 👉 不太会被“完美回测”骗了 以前是： 曲线好看 = 可以上 现在更像是： if 解释不了 + 不抗扰动: 默认不可用 有点反直觉的是： 能用的策略变少了， 但心里反而更踏实一点。
IT之家 4 月 28 日消息，据央视新闻报道，国家交通运输部今天举行新闻发布会，交通运输部运输服务司副司长高博介绍，2026 年五一劳动节假期， 全社会跨区域人员流动量预计将达 15.2 亿人次，日均 3.04 亿人次，同比增长 4% 。 今年五一劳动节假期期间，全国收费公路照例对小型客车实施免收通行费政策。具体的免费时段从 5 月 1 日 0 时起，一直持续到 5 月 5 日 24 时。 假期期间，公路出行占主导。预计假期期间公路人员流动量占比将达 91.6%，全国高速公路日均车流量约 6400 万辆。其中日均新能源车约 1540 万辆，占比 24%，同比增长 33%。 其中，5 月 1 日全社会跨区域人员流动量预计将达 3.44 亿人次，同比增长 3.3%；高速公路车流量将达到 7000 万辆，同比增长 3.5%。 IT之家注：高速公路免费通行是以车辆驶离出口收费车道时间为准。无论什么时间驶入高速公路，只要是在免费通行时段驶离，都可以享受免费通行政策。 进入状态 驶出状态 收费情况 非免费时间段 免费时间段 免费 免费时间段 非免费时间段 不免费 免费时间段 免费时间段 免费 如果IT之家小伙伴在返程时，已经临近免费通行的结束时间，但尚未到达目的地的话，为防止下高速时错过免通时段，可以在免通时段临近结束前先就近下高速，尽可能享受最大程度的免费优惠。
IT之家 4 月 18 日消息，高德地图今日公布旗下首款动量机器人，明天将在北京亦庄机器人马拉松大赛上首次亮相。从官方海报来看，该产品为“机器狗”产品。 IT之家注意到，4 月 14 日有报道称， 阿里巴巴旗下高德的具身业务部即将发布首款产品 —— 一款四足机器人。据悉，这是阿里巴巴集团推出的首款具身机器人产品。 知情人士透露， 人形机器人、机器狗等产品形态均在高德具身业务部的探索方向之中 。同时，高德已构建业内最大规模的具身导航数据引擎，并在长程复杂任务处理能力上，取得了突破性进展。
IT之家 4 月 17 日消息，韩媒 ETNews 昨日（4 月 16 日）发布博文， 报道称苹果 iPhone 18 Pro 系列核心影像组件可变光圈致动器已进入量产阶段。 IT之家援引 ET News 供应链消息， 中国舜宇光学已启动生产致动器，LG Innotech 也在韩国龟尾工厂部署专用设备，为大规模量产做准备。 可变光圈堪称 iPhone 影像系统近年来最重要的硬件升级。传统手机镜头光圈固定，进光量无法物理调节。 可变光圈通过致动器移动镜头组件，物理改变孔径大小，让用户能精准控制景深。强光场景下缩小光圈可避免过曝，暗光环境下则开大光圈提升进光量，无需依赖算法补偿。 对于用户实际体验而言，在日常拍摄时相机不再仅靠计算摄影算法模拟，而是获得真实的光学虚化效果。 供应链分工方面，LG Innotech 曾为 iPhone 15 Pro Max 独家供应四重反射棱镜长焦模组，此次负责可变光圈系统的研发与量产准备。舜宇光学与立讯精密则参与致动器制造，目前舜宇已开工，立讯进度尚未明确。 iPhone 18 Pro 系列预计 2026 年 9 月发布，可变光圈将成为核心卖点。另有传闻称该系列可能缩小灵动岛区域，但具体落地时间存在 2026 年与 2027 年两种说法。 相关阅读： 《 消息称大立光电婉拒苹果加单，iPhone 18 Pro / Max 可变光圈镜头由舜宇光学主供 》 《 苹果 iPhone 18 Pro / Pro Max 手机升级要点前瞻：灵动岛缩小、可变光圈，A20 Pro 芯片配 C2 基带 》 《 消息称受苹果 iPhone 18 Pro 传闻影响，三星计划为 Galaxy S27 系列手机带回可变光圈摄像头 》 《 苹果 iPhone 18 Pro 渲染视频曝光：单打孔、可变光圈 》
从交通运输部获悉，今年前4个月，我国跨区域人员流动量为232.1亿人次，同比增长2.1%。其中，公路人员流动量为213.1亿人次，同比增长1.7%；水路客运量为8220万人次，同比增长7.4%。港口货物吞吐量方面，前4个月，我国完成港口货物吞吐量59.3亿吨，同比增长3.1%，其中内、外贸吞吐量同比分别增长2%和5.5%。完成集装箱吞吐量1.2亿标箱，同比增长7.2%。交通固定资产投资方面，前4个月，我国完成交通固定资产投资8944亿元，其中公路、水运分别完成投资6004亿元和650亿元。（新华社）
36氪获悉，云通信平台Infobip发布《2026消息通信趋势报告》显示，亚太地区展现强劲的通信互动增长势头。2025年，亚太消息量同比增长106%，实现翻倍增长，其中RCS消息量增长达5倍。此外，亚太企业正加快推进AI从试点走向规模化应用，整体倾向远超欧美市场。与此同时，中国企业在全球市场上十分活跃，2025年中国企业通过Infobip平台的互动量同比增长49%，其中语音和视频、WhatsApp、彩信等渠道增长尤为显著。
记者从交通运输部了解到，今天（4日）全社会跨区域人员流动量预计29379.4万人次，同比增长4.2%。其中：铁路客运量预计2030万人次，同比增长2.6%；公路人员流动量预计26971万人次，同比增长4.4%；水路客运量预计162.4万人次；民航客运量预计216万人次。（央视新闻）
4月18日，高德发布官方海报，首次曝光旗下首款具身机器人。据介绍，这款名叫“途途”的四足机器人，明天（19日）将在亦庄机器人马拉松大赛上首次亮相。（财联社）