国债专属择时策略研究（30年 / 10年国债）

> 日期：2026-10-12 > 背景：为择时策略池新增 30年国债ETF（511090.SH） 与 10年国债ETF（511260.SH） 两个品种。 > 直接沿用「现存策略 + GA 参数空间」回测时，曲线异常、多数策略失效，故本专项调研国债该类「稳定向上、低波动」品种的专属择时策略、更长历史数据锚定方案与参数空间扩展。

---

0. 一句话结论

国债是低波动慢牛品种，普通权益类择时策略（含成交量类）在这里几乎必然失效：短回看期策略无险可避、时间加权年化在短序列上过拟合、成交量在债券上是纯噪声。有效方向是拉长回看期的趋势跟踪族 + 波动率目标化，并用中债长序列财富指数替代只有 3 年的 ETF 数据做锚定。

---

1. 品种语义确认（先对齐标的）

> 结论：511090 只有 ~3 年数据，直接 GA 必然过拟合 → 必须寻找更长历史的锚定序列。

---

2. 「策略失效」根因分析（回答"曲线特别奇怪、很多策略没用"）

• 低波动 → 择时"无险可避"：国债日波动率 ~0.3%，回撤浅、恢复快，择时带来的超额有限，反而因频繁进出吃手续费/踏空而跑输 buy&hold。
• 短序列 → GA 过拟合：511090 仅 ~750 根，GA 的「时间加权年化」在这么短的样本上极容易过拟合到某一段单边行情。
• 成交量类策略在债券上是纯噪声：交易所国债 ETF 成交量极度低迷且无信息含量（CBOND 指数 volume=0），成交量类策略必然失效 → 本专项已从国债回测中剔除全部成交量类策略。
• 单边慢牛段离场 = 踏空：国债大部分时间是缓慢上行，任何「跌了才跑」的择时信号都在最优区间之外离场，损失复利。

---

3. 长序列锚定方案（★ 已落地）

3.1 数据源

用 akshare 中债官方总收益指数（ak.bond_treasury_index_cbond(indicator='财富', period=...)）作为锚定序列：

3.2 相关性验证

CBOND30Y 与 511090 日收益：相关 0.887、β 1.03 → 锚定序列能高度代表 ETF 走势，可用于长历史回测。

3.3 落地方式

在 df_loader.py fetch_data 增加分支：

CBOND_TREASURY_PERIODS = {
    'CBOND30Y': '30Y', 'CBOND10Y': '10Y', 'CBOND7-10Y': '7-10Y',
    'CBOND5Y': '5Y', 'CBOND0-1Y': '0-1Y', 'CBOND0-3Y': '0-3Y', 'CBOND1-5Y': '1-5Y',
}
# fetch_data('CBOND30Y') → 直接走 akshare，open=high=low=close、volume=amount=0

调用方式与普通 code 完全一致：fetch_data('CBOND30Y', start_date, end_date)，后处理（缺失补充、新鲜度检查）对 CBOND 友好（末日期 2026-10-10，不触发滞后告警）。

---

4. 策略族调研（含论文依据）

4.1 论文依据

• Declerck (2019)：时序动量（TSMOM）在不同资产上的最优回看期不同 —— 股指/货币约 6–12 个月，而国债最佳回看期 > 3 年（约 750 交易日）。这直接解释了为何现有仓库里回看期 ≤200 日的短窗口策略在国债上集体失效。
• TSMOM 族（Moskowitz, Ooi & Pedersen 2012, *Time Series Momentum*, JFE）：跨资产验证时序动量有效，且波动率目标化能显著提升夏普。
• 波动率目标化（Harvey et al. 2018, *The Impact of Volatility Targeting*）：按目标波动率缩放仓位可改善风险调整后收益，对债券类尤其明显。

4.2 五大策略族

---

5. Phase1 已实现策略

三个纯价格策略，均照 VolatilityChannelStrategy.py 的无未来函数范式：所有指标输入 .shift(1)，末尾 position.shift(signal_offset)。

5.1 参数空间扩展（关键）

现存权益类参数空间窗口多在 20~200 日；国债需整体拉长到 60~750 日才覆盖论文建议的 >3 年回看期。已在 params_grid.py 末尾新增三个专属参数 dict。

> ⚠️ GA 构造契约：ParamsOptGeneticDevelop.evaluate() 里 strategy_class(strategy_df, params)，params 的 key 直接来自参数 dict → 策略 __init__ 形参名必须与参数 dict 的 key 完全一致**，否则 TypeError。

5.2 Smoke 测试结果（CBOND30Y）

> 单策略均低于 buy&hold 属正常——择时牺牲部分收益换取暴露/回撤下降。真实价值由 GA 多目标（年化/时间衰减年化/凯利/回撤/资金占用）择优。

---

6. GA 回测执行

6.1 已完成的接线改动

文件 params_deep_seek.py：

• strategy_configs：删除 3 个成交量类（VolumePriceMovingAverages / VolumeFourMovingAverages / VolumeRSIAndMA），追加 3 个国债策略。
• codes_list 改为 [['CBOND30Y'], ['CBOND10Y']]（支持 GA_CODES=CBOND30Y 环境变量拆并行）。

6.2 运行命令

# 沙箱内运行 venv 必须剥离 PYTHONHOME/PYTHONPATH
/usr/bin/env -u PYTHONHOME -u PYTHONPATH .venv/bin/python \
  -m unittest adata.aohan.quant.backtest.deep_learning.params_deep_seek.ParamsDeepSeek.test_opt_mult_market_params

# 按标的分进程并行
GA_CODES=CBOND30Y /usr/bin/env -u PYTHONHOME -u PYTHONPATH .venv/bin/python -m unittest ...
GA_CODES=CBOND10Y /usr/bin/env -u PYTHONHOME -u PYTHONPATH .venv/bin/python -m unittest ...

结果输出目录：adata/aohan/quant/backtest/deep_learning/genetic_opt_params/

---

7. 过程问题与决策记录（本轮完成度）

7.1 已完成 ✅

7.2 仍存问题 / 未决项 ⏳

• GA 由 32 代加深至 100 代 —— ✅ 已完成并入池（2026-10-13）：初版池基于 32 代结果（24 个 CSV，每品种 12 策略，约 40min）；用户授权「全权完成回测」后执行 100 代 × 100 群加深（CBOND30Y/CBOND10Y 各 3 分片并行，共 6 分片，26 个 ..._261013.csv）。

- 结论口径：单看 100 代结果与旧池互有高低（GA 随机性所致），故采用 「32 代 ∪ 100 代」合并集：按 (code, strategy, individual) 去重取 fitness 最大，逐策略在门控内重取估分最高解 → 合并集严格不劣于旧池。解析脚本 workspace/_score_treasury_ga.py（merged 模式）。 - 净收益：6 条策略估分提升并更新入池 —— 511090 的 RSIAndMA(52.7→60.6) / CarryTermSpread(49.6→54.4) / VolTarget(17.0→21.6)；511260 的 DonchianBreakout(20.2→29.7) / LongTermMomentum(18.3→23.2) / VolTarget(13.9→17.8)。其余策略维持原解（不劣化）。 - ⚠️ 解析脚本 BUG（本轮已修）：合并模式曾误把 passed_sorted 写成对未排序 rows 过滤，导致取到「插入顺序第一个门控通过者」而非估分最高者（曾误报 CBOND30Y/LongTermMomentum 最优 37.4，实为 49.83）。已改为 pv = [r for r in rows_sorted if gate(r)]。 - ⚠️ 入口纠错：params_deep_seek.py 没有 main() 也没有 if __name__=='__main__'，唯一可执行入口是 unittest 方法 ParamsDeepSeek.test_opt_mult_market_params。之前文档里写的 -c "exec(open(...).read()); main()" 会 NameError，不可用。正确命令： ``bash # 沙箱内运行 venv 必须剥离 PYTHONHOME/PYTHONPATH；单进程按标的分拆 GA_CODES=CBOND30Y GA_GENERATIONS=100 GA_POP_SIZE=100 \ /usr/bin/env -u PYTHONHOME -u PYTHONPATH .venv/bin/python \ -m unittest adata.aohan.quant.backtest.deep_learning.params_deep_seek.ParamsDeepSeek.test_opt_mult_market_params ` （GA_CODES/GA_STRATEGIES/GA_GENERATIONS/GA_POP_SIZE 支持按标的/策略/代数/种群并行拆分；结果 CSV 位于 .../genetic_opt_params/，文件名 {code}_{Strategy}_params_opt_0_{MMDDYY}.csv，每代追加一行且多次运行会追加表头行，分析时需过滤 individual=='individual' 并去重。）

• AngleBasedMAStrategy 在国债上零交易 —— 根因已实证定位（本轮解决）：

- 策略数学：夹角由原始价差 MA.diff() 经 arctan 得到（calculate_angle），是尺度相关量，不随价格归一化。 - 尺度效应：债券价格 ~100、日均线变动仅 ~0.01–0.1 → 夹角只有 1–6°；而权益指数（如 HSI 数万点）日均线变动数十点、arctan 饱和接近 ±90°，夹角差常达数十度。 - 实证（workspace/_probe_angle_trades.py，复刻 GA 评估契约）： - CBOND30Y / CBOND10Y：随机 60 组 GA 参数 → 成交率 0%（近全部 No trades occurred）。 - 手工把 angle_buy=angle_sell=1 并让买/卖窗口配对、穿透方向取 more/less 时：CBOND30Y 出 91 笔、CBOND10Y 出 81 笔 → 说明不是信号算不出来，而是随机参数命中不了。 - 对照组 HSI：随机 60 组 成交率 50% → 证明该失效是低波动/低价格品种特有。 - 结论：非国债数据缺陷，而是「夹角尺度相关」+「11 维搜索空间可行域过窄」的叠加，在低波动品种上被放大到成交率≈0。 - 处置：不改动该共享策略（对 arctan 前做归一化会改变其在所有现存品种上的行为，回归风险高，且非本专项目标）；维持不补入池。若日后要救活，方向是「斜率归一化（除以价格或滚动 std）后再取角度」。

• VolTargetStrategy 资金占用指标修复 —— 已落地（本轮复验）：初版 calculate_funds_usage_rate() 对分数仓位统计恒为 0 → 已改为 position > 0 判定，对二值仓位策略结果不变，对波动率目标这类分数仓位策略才能正确反映资占（已复验代码在位）。
• 成交量类策略：结构现状（本轮厘清，维持现状）：

- params_deep_seek.strategy_configs（GA 长侧共享清单）中，成交量类（VolumePrice* / VolumeFour* / VolumeRSI*）与 DateBasedStrategy 已在 commit 2198a82 被整批移出，换入 4 个国债策略主体 —— 即此清单现已不含成交量类策略。⚠️ 注意：该清单为全 code 共享，故该移除对权益品种 GA 也生效；如后续要重跑权益 GA 需按需补回。 - short_strategies（仅 enable_short=True 时生效）仍引用 2 个成交量策略，国债回测 enable_short=False 不受影响。 - 结论：国债侧「剔除成交量类」目标已达成；是否对 short_strategies 做全局物理删除维持待定（会波及短侧其它品种，非本专项必需，风险>收益）。

• 511260 历史量价条目停用 —— 已验证无副作用（本轮解决）：原 VolumePriceMovingAveragesStrategy(['511260']) 条目已注释停用（timing_config.py L836-846）。真实构建 build_allocation_manager() 核查（workspace/_verify_treasury_board.py）：511090 实注册 9 条（权重和 5.15）、511260 实注册 7 条（权重和 2.32），归一化占比正确；且无其他 board 含 511260/511090（default_code_list 也未含），无重复注册或状态污染。

7.3 入池明细（估分口径）

• 估分公式 = 统一终段权重 (2.0, 8.0, 1.0, -20.0, -1.0) 对 (年化, 时间衰减年化, 凯利, 平均持仓回撤(取绝对值), 资金占用) 重打分；weight = 估分/100（board 内归一化，属相对权重）。

- ⚠️ 口径纠偏（2026-10-13 校准）：第 4 项权重乘的是 avg_average_holding_drawdown 的绝对值，不是 avg_max_drawdown（见 ParamsOptGeneticDevelop.py L366-381 的 WEIGHT_NAMES 顺序：annual → exp_decay → kelly → average_holding_drawdown → funds）。用旧池 261012 CSV 反推已逐条复现注释估分（如 FourMovingAverages 81.6 / Donchian 80.5 / DualGroup 78.1 …），校准脚本 workspace/_score_treasury_ga.py。

• 择优规则：门控通过的解里取估分最高一条入池（"估分最高"常为小样本僵尸解，须先过门控再排序）。
• 门控：资金占用 ≥20% / 年交易 ≥1 / 年化 ≥4（国债绝对收益低，故年化门槛从通用的 8 降至 4）；剔除 n_pass=0 僵尸解。
• 511090（30年国债ETF）9 条（括号为 weight，加粗为本轮 100 代加深后提升）：FourMovingAverages(0.82) / DonchianBreakout(0.80) / DualGroupFourMA(0.78) / RSIAndMA(0.61,↑52.7→60.6) / CarryTermSpread(0.54,↑49.6→54.4) / LongTermMomentum(0.50) / MVAndRSI(0.45) / MomentumBounce(0.43) / VolTarget(0.22,↑17.0→21.6)。
• 511260（10年国债ETF）7 条：RSIAndMA(0.60) / FourMovingAverages(0.54) / DualGroupFourMA(0.31) / DonchianBreakout(0.30,↑20.2→29.7) / LongTermMomentum(0.23,↑18.3→23.2) / MVAndRSI(0.16) / VolTarget(0.18,↑13.9→17.8)。

- 未标注的策略沿用 32 代解（合并集下未找到更优解，估分与旧池持平），确保「严格不劣于旧池」。

7.4 前端接入（与既有择时品种同构）

• show_marker.py 的 codes_to_process 加入 511090 / 511260（原 L2192 注释 # '511260' 国债暂时搁置 已移除）。
• 根目录 unified_server.py 的 _classify_board A股白名单补 511090（原已有 511260）。
• 用 workspace/_gen_treasury_timing.py 合并式生成两张择时卡片（charts/timing/511090.html / 511260.html）并写回 meta.json（26→28 品种），避免整套 push 管线重跑且保留其他品种条目。
• 实测验证：/timing 页正常渲染两卡片（名称/板块正确）；/timing/chart?code=511090 与 511260 页 plotly 均在 srcdoc iframe 内正常绘制（3 子图 / 13 SVG 层）。

7.5 完整回测效果（策略池 vs 买入持有，2026-10-13）

用生产回测引擎 run_baseline 对现状策略池跑完整回测（脚本 workspace/_run_treasury_backtest.py），四个口径全部跑通：

标的	区间	策略池 年化 / 最大回撤 / Calmar / 夏普	买入持有 年化 / 最大回撤 / Calmar / 夏普
------	------	------	------
511090 真实ETF	2023-06 ~ 2026-10（3.3y）	5.99% / -4.29% / 1.40 / 1.03	7.92% / -9.30% / 0.85 / 0.99
511090 代理CBOND30Y	2011-01 ~ 2026-10（16.2y）	5.56% / -5.09% / 1.09 / 1.11	5.94% / -16.37% / 0.36 / 0.85
511260 真实ETF	2017-08 ~ 2026-10（9.1y）	2.54% / -2.51% / 1.02 / 0.59	3.37% / -4.62% / 0.73 / 0.70
511260 代理CBOND10Y	2008-01 ~ 2026-10（19.3y）	4.05% / -3.76% / 1.08 / 1.43	4.32% / -6.82% / 0.63 / 1.12

结论（诚实口径）：

• 风险调整后全面占优：四个口径的最大回撤全部腰斩式下降（-16.4%→-5.1%、-9.3%→-4.3% 等），Calmar 由 0.36~0.85 提升到 1.02~1.40，长序列上夏普也抬升（CBOND10Y 1.12→1.43）。
• 绝对年化略让位于择时：年化普遍低 0.3~0.4pct（真实 511090 低约 1.9pct）。原因是策略池平均仓位仅 45%~62%（约 10%~22% 时间空仓），国债本就是低波动慢牛，买入持有在纯收益维度天然占优——这正是择时 overlay 的定位：牺牲一点收益换取大幅回撤保护。
• 代理口径与真实 ETF 一致：CBOND 长序列上的表现模式（让收益、砍回撤、抬夏普）与真实 ETF 一致，交叉印证了「用长序列代理优化、映射到真实 ETF」的方案没有口径失真。
• ⚠️ 代理回测实现细节：CBOND 长序列缓存仅有 close 两列，DataCacheManager.load_best 直出的 df 缺 OHLC，processor 会抛 KeyError: 'Last row is missing required column: open'。脚本通过 monkeypatch engine.load_backtest_df，对 CBOND30Y/CBOND10Y 改走 df_loader.fetch_data（其 CBOND 分支补齐 open=high=low=close、volume=amount=0）绕过。

---

8. 窗口口径统一：1 年窗口暖机不足陷阱（2026-10-15 复盘）

> 背景：用户发现界面「策略的昨/今/明仓位」在不同数据路径下用了不同窗口（部分仍是最新 1 年），长窗口策略（尤其国债）在 1 年窗口下暖机不足会算错。

8.1 三条独立数据路径必须同口径（= DEFAULT_STRATEGY_WINDOW_YEARS，默认 10 年）

路径	位置	修复前	修复后
------	------	--------	--------
A. DB 昨/今/明仓位（界面展示数据源）	show_marker.py L2384-2399 bt_data 预取	非国债已用 self.strat_date	保持（国债走 TREASURY_TIMING_ANCHOR 长历史锚定）
B. timing 图表 HTML（charts/timing/*.html）	show_marker.py L3309 full_start	datetime.now() - 365天	self.strat_date（默认 10 年）
C. 截面选基引擎	show_marker.py L2296	years_back=1	years_back=DEFAULT_STRATEGY_WINDOW_YEARS

• 路径 A 才是「DB 落库的昨/今/明」真源：load_mult_market_strategy() 的 start_date 形参只在 df is None 时才用于拉数据；show_marker 传入 df=df_pre，故真实窗口由 bt_data 决定。同理 generate_timing_chart_html() 传入 df 时 start_date 失效 —— 改窗口必须改 df 的来源，而不是改形参。
• 根因（暖机不足）：250 日均线、LongTermMomentum(lookback 120~750)、FourMovingAverages(…169)、VolTarget(vol_window 20~250) 等长窗口策略，在 1 年 ≈ 242 交易日 < 250 的窗口下指标暖机区占比过高，末段仓位系统性失真 → 图表曲线末点 ≠ 页面显示的 昨/今/明 仓位。国债尤甚（论文建议回看期 > 3 年，见 §4.1）。
• 实测：GLD timing 图表窗口修复前 ≈ 1 年（约 198 个点），修复后 2016-10-17 ~ 2026-10-14，2418 个点（10 年）。DB cross_section_timing_strategies 中 511090/511260 已按长窗口写入（各 9/7 条）。

8.2 数据源合并：长历史源被短源压过（已修）

• 现象：GLD/QQQ 等 code 同时存在长历史 excel 源（20+ 年，2025-08 停更）与最新 alpha 短源（仅 1 年）。DataCacheManager.load_best 原实现只选单一「最优」源，排序键（新鲜 + 行数足优先）让短源压过长源 → 长窗口请求实际只拿到 1 年数据。
• 修复（data_cache.py load_best）：按优先级多源互补拼接 —— 重叠日以「最优源」为准，非重叠日补足历史；护栏 _sources_compatible 拦截量级错配源（如「指数点位 vs ETF 价格」，拼接处断裂校验）。
• 实测：GLD 1 年 → 10 年窗口 2418 行；QQQ→6665 行、SPY→6778 行（akshare+alpha+excel）、HSI→9076 行（tushare+excel）。132 个多源 code 全量扫描：无重复日期、无 NaN、无新增坏跳变（25 个 BIGJUMP 经逐一比对，峰值/日期与合并前逐字节一致 → 均为源自身未复权遗留问题，非合并引入）；护栏正确跳过了 510050.SH/510880/512100/980092.CNI 等量级错配源。
• ⚠️ 已知局限（GLD）：excel 源止于 2025-08-14、alpha 源起于 2025-12-30，两源间有 4.5 个月空洞，拼接处呈现 +29.8% 跳变。经校验为真实金价上涨 × 时间空洞所致（log_move=0.261 < bound 0.843`，护栏放行），非量级错误；如需彻底消除该缺口，应补齐 2025-08~2025-12 的原始日线。

8.3 国债除息陷阱（回顾 §3）

ETF 场内价会因分红除息产生向下缺口，直接拿 ETF 价做长窗口趋势信号会误判为「下跌」。故国债择时锚定中债官方总收益财富指数（含息、无除权缺口，见 §3.1），与 GA 优化同口径。

---

9. 相关文档

• 04-择时策略池新增ETF的SOP.md —— 五关流程
• 策略研发标准化流程-从策略基类到GA优化到策略池.md —— 七步链路
• CMM动量策略论文解读 —— 动量策略文献