03-相关性置信度与仓位解耦：调研与方案

> 📅 2026-08-07 建立 > 触发问题：创新药ETF（159992）锚定创业板综，60日相关性仅 +0.31，却被创业板综择时仓位（16%）压到建议仓位 1.3%——锚定品种的低择时仓位，对一个不怎么跟它走的品种，参考价值到底有多大？ > 关联文档：01-核心6加4-持仓结构设计与动态规则｜06-仓位满仓化与择时联动方案（3.2.4 节"方案A"的正式化）

---

一、问题定义

1.1 症状：创新药案例（2026-08-07 实盘推送）

三个品种相关性都在 0.2~0.4（🔴 弱锚定），但仓位全被压到 1.3%——创业板综择时说 16% 仓位，它们就跟着拿 16% × 基准权重。

你的质疑（用户原话提炼）：相关性只有 0.3，创业板择时信号对创新药的参考价值真有这么大吗？得分高的品种是不是不该被锚定品种的仓位死限制？

1.2 根因：risk_on 直接复用锚点择时仓位，未按相关性做传导衰减

现行分配公式（hedge_allocator.py allocate() 内）：

risk_on = demand['risk_on_ratio']              # = 锚点择时 today / 100，如 16% → 0.16
adjusted_w = base_w_per_etf * risk_on * trend_c * prem_c   # L137

• 高相关品种（证券 vs 创业板综假设 0.8）：锚点看空 → 跟跌 → 压仓合理 ✅
• 低相关品种（创新药 vs 创业板综 0.31）：锚点看空，创新药却可能独立走强 → 压仓不合理 ❌

同一个 risk_on，对相关性 0.9 和 0.2 的品种一视同仁——这就是缺陷所在。 06 文档 3.2.4 曾提出"方案A：低置信度时 timing 信号向 1.0 收缩"，当时决策是"先展示、后决策"。置信度列已上线运行多日，现在到了正式决策的时刻。

1.3 把两件事分开（避免概念混淆）

> 两者都是"低相关品种"，但角色完全不同： > - 正相关但弱相关（创新药 0.31）→ 是进攻品，要解耦，按因子得分给仓位 > - 负/近零相关（国债、黄金、标普油气 -0.38）→ 是防御品，进对冲池

---

二、调研：相关性对择时信号传导的统计含义

2.1 相关系数 r 与决定系数 r²：锚定信号到底能解释多少

皮尔逊相关系数 r 度量线性相关强度，但真正有解释力的是 r²（决定系数）——一变量收益的变异能被另一变量解释的比例：

r = 0.9  → r² = 0.81  → 锚点日收益能解释 ETF 波动的 81%（强传导）
r = 0.3  → r² = 0.09  → 锚点日收益只能解释 ETF 波动的 9%（弱传导）
r = 0.2  → r² = 0.04  → 解释 4%（几乎无关）

关键推论：择时信号本质是"锚定指数的方向判断"。信号传导到 ETF 的可预测成分约等于 r²。相关性 0.3 的品种，锚点择时看多看空对它 91% 的波动没有解释力——把它的仓位压到和锚点一致，等于让 9% 的信号决定 100% 的仓位，噪声占比极高。

> 你的直觉在统计上是成立的：相关性越低，锚点择时仓位的可参考性越低。

2.2 相关性是时变的：必须用滚动窗口 + 看稳定性

• 业界普遍用 20/60/120 日滚动相关性，而不是一个静态数字（同一对资产在不同 regime 下相关性可以 0.2→0.8 剧烈摆动）[^2]
• 危机期相关性会系统性飙升（2008 年恐慌中"不相关"资产同步暴跌），分散化在需要时最失效[^1]
• 结论：方案采用 60 日滚动相关性（与现有 anchor_confidence 一致），但上线前必须验证其稳定性——若创新药与创业板相关性在 0.2~0.5 之间抖动，解耦是稳健的；若某些月份冲到 0.8，需要多窗口平滑（见 5.1）

2.3 业界实践：低相关/低置信信号要"动态降权"而非"照单全收"

• R² 分级惯例：R² > 0.85 视为高度同向（可做配对/套利），< 0.70 即视为"具备真实分散价值"[^1]——说明 0.7 以下的相关性，资产间联动已不足以支撑"一荣俱荣、一损俱损"的假设
• 因子 IC 加权：量化界对"信号与未来收益的相关性"（IC）普遍采用 IC 加权——信号相关性高给高权重、相关性低给低权重。广发金工因子择时研究：92 个择时信号与因子收益的相关系数均值仅 15%+，且信号有效性随时变，低相关时段必须动态降权[^3]
• 我们的场景完全同构：锚点择时就是"信号"，ETF 收益就是"被预测对象"，两者相关性就是该信号的 IC

2.4 方法论三选一

推荐 方案 A：它把"低置信度时不确定就不干预"的原则连续化——相关性越低，锚点择时越向中性 1.0 收缩，仓位自然回归由因子得分主导。

---

三、方案设计：相关性置信度加权的 effective_risk_on

3.1 核心公式（改动集中在 hedge_allocator.py 一处）

# 现状（L137）：相关性完全不参与
adjusted_w = base_w_per_etf * risk_on * trend_c * prem_c

# 新公式：
conf = max(0.0, corr_df.loc[anchor, etf_code])      # 截断负相关为 0（负相关走对冲池）
w_conf = conf ** K                                   # K=2 默认（r² 形式），见 3.4
effective_risk_on = w_conf * risk_on + (1 - w_conf) * 1.0
adjusted_w = base_w_per_etf * effective_risk_on * trend_c * prem_c

语义：w_conf 是"锚点择时信号的置信度权重"，1-w_conf 是"回归中性的权重"（不确定就不干预）。

3.2 数值演示（用创新药真实数据）

参数：base_w_per_etf ≈ 0.111（1/3 锚点预算 ÷ 3 只锚定品种）、risk_on=0.16、trend=1.10、prem=1.0

• 高相关品种（corr→1）：effective_risk_on ≈ risk_on，择时纪律原样保留（中概互联 +1.00 案例）
• 低相关品种（corr→0.2~0.4）：effective_risk_on ≈ 0.9+，基本脱离锚定，由因子得分决定仓位（但仍受单只 15% 上限、区域上限、最低分阈值约束）

3.3 阈值分级（供展示与配置）

3.4 参数 K：收缩速度

• K=1（线性）：corr=0.4 → w=0.40，收缩温和
• K=2（r² 形式，推荐）：corr=0.4 → w=0.16，收缩更快——与 2.1 的统计含义对齐（r² 才是真正的解释力）
• K=4（激进）：corr=0.5 → w=0.06，几乎全部解耦

3.5 三类品种的最终通道划分（与对冲池边界）

⚠️ 顺带修一个边界 bug：现状对冲池的候选条件是 corr ≤ 0.30（hedge_corr_threshold），即正相关 0.3 的品种也会进对冲池——但它们与锚点同涨同跌，根本对冲不了，反而适得其反。建议对冲候选要求 corr < 0（严格负相关）或 corr ≤ 0.1，正相关弱相关品种一律留在锚定通道走解耦。

3.6 解耦 ≠ 放纵：风控底线不变

---

四、对冲仓位的补充设计（诉求 A 回顾与增强）

对冲池（hedge 部分）已能实现"锚点择时低 → 负相关品种自动递补"（最新推送中 标普油气🛡️、纳指生物科技🛡️ 即是对冲仓）。本次一并补齐三个缺口：

• 对冲候选的负相关判定（修 3.5 提到的 bug）：corr ≤ 0.3 → 改为 corr < 0，正相关品种不允许进对冲池
• 对冲池与解耦通道的分流：corr ∈ [0, 0.3) 的低相关进攻品（若有）不再被对冲池吞掉，留在锚定通道解耦
• 对冲品自身的择时约束放宽：现状 own_timing < 0.30 就拒绝该品种当对冲（bear_timing_threshold）。建议对"防御类目（债券/商品/REITs）"豁免此约束——国债/黄金自身的择时策略往往长期看空（因避险属性），不豁免会导致熊市最需要它们时反而被拒之门外

---

五、验证方案

5.1 数据验证（P0，先做）

输出 6 只测试池 ETF 与各自锚点的 60/120 日滚动相关性时间序列，回答：

• 创新药 vs 创业板综：相关性是否稳定在 0.2~0.5？有没有冲到 0.7+ 的时段？
• 若波动剧烈 → 改用多窗口均值（如 mean(corr20, corr60, corr120)）平滑

5.2 回测验证（P1）

• 用旧公式 vs 新公式（K=2），对 2022~2026 周频调仓做对比回测
• 关键场景：A股择时冰点 + 医药/创新药因子高分 → 新公式是否给出合理仓位（而非 1.3%）
• 指标：年化、夏普、最大回撤、资金利用率

5.3 参数敏感性（P1）

• K ∈ {1, 2, 4}、corr 分级阈值 ∈ {0.4, 0.6, 0.85} 的交叉敏感性

---

六、决策点（需你拍板）

---

七、实施清单（确认后推进）

• P0 相关性稳定性分析脚本（selection/ 下新增，输出 6 只测试池 ETF 滚动相关性序列）
• P0 hedge_allocator.py 接入 effective_risk_on（K 走配置），对冲候选改负相关判定
• P1 show_marker.py/推送页展示"有效择时"列
• P1 回测验证（5.2）+ 参数敏感性（5.3）
• P1 发布到 https://quant.aohan.net 验证

---

参考资料

[^1]: R-Squared ETF Trading Strategy Analysis (Sourcetable). https://sourcetable.com/ai-trading-strategies/r-squared-etf [^2]: Correlation Trading: Using Related Assets for Better Entries (StockAlpha). https://stockalpha.ai/alpha-learning/correlation-trading-using-related-assets-for-better-entries [^3]: 广发金工《因子择时：在波动市场中寻找稳健Alpha》. https://m.sohu.com/a/951814256_121118711/