截面策略信念增强 — 三管齐下实现计划

> For Claude: Use ${SUPERPOWERS_SKILLS_ROOT}/skills/collaboration/executing-plans/SKILL.md to implement this plan task-by-task.

Goal: 从「相关性分散」「回撤画像」「估值锚」三个维度增强截面选基策略的持有信念，降低心理波动。

Architecture: 分三步独立实现，互不干扰，可单独验证。方案C修改分散化过滤逻辑（贪心低相关选择），方案A新增独立分析模块（回撤统计+推送展示），方案B新增估值因子（PE分位数/股息率/ROE趋势）并集成到多因子选择器中。

Tech Stack: Python 3.12, pandas, numpy, 现有 Factor/ETFSelector 框架

---

方案 C: 相关性分散 — 贪心低相关选择

任务 C.1: 在 DiversificationFilter 中添加相关性控制

Files:

• Modify: adata/aohan/quant/selection/factor/diversification.py
• Test: 用现有回测流程验证

Step 1: 实现 dedup_by_correlation 方法

在 DiversificationFilter 类中添加方法，从候选池中贪心选择低相关品种：

关键逻辑：

• 传入 ranked Series（已经过指数去重+大类限数量后，取 top_n×2=20 作为候选池）
• 使用 snapshot 中的 close 价格计算 60 日收益率相关系数矩阵
• 按排名从高到低贪心选择：每选一只，排除与已选品种相关系数 > 阈值（默认0.7）的
• 确保最终至少选出 top_n 只（如果不够，动态降低阈值）

correlation_threshold 作为构造参数，默认 0.7。

def dedup_by_correlation(self, ranked: pd.Series, snapshot: Dict[str, pd.DataFrame],
                         top_n: int = 10, correlation_threshold: float = 0.7,
                         candidate_multiplier: int = 2) -> pd.Series:

Step 2: 修改 apply 方法，接收 snapshot 参数

在 apply() 方法中，在 enforce_category_limit 之后增加相关性筛选：

def apply(self, ranked: pd.Series, top_n: int = 8,
          max_same_category: int = 4,
          snapshot: Dict[str, pd.DataFrame] = None,
          correlation_threshold: float = 0.7) -> pd.Series:
    deduped = self.dedup_by_index(ranked)
    constrained = self.enforce_category_limit(deduped, top_n=top_n,
                                               max_same_category=max_same_category)
    if snapshot is not None:
        constrained = self.dedup_by_correlation(constrained, snapshot,
                                                 top_n=top_n,
                                                 correlation_threshold=correlation_threshold)
    return constrained

Step 3: 修改 engine.py 中调用 apply 的地方

在 ETFSelectionEngine.run_selection() 中，传入 snapshot：

ranked = self.diversification_filter.apply(
    ranked, top_n=top_n,
    max_same_category=self.max_same_category,
    snapshot=snapshot,
    correlation_threshold=0.7
)

Step 4: 在推送消息中展示相关性信息

在 generate_push_message() 中，如果启用了相关性筛选，推送消息中显示「组合平均相关性」和「最大相关性对」信息。

---

方案 A: 回撤画像 — 历史回撤统计模块

任务 A.1: 创建回撤分析模块

Files:

• Create: adata/aohan/quant/selection/analysis/__init__.py
• Create: adata/aohan/quant/selection/analysis/drawdown_profile.py
• Modify: adata/aohan/quant/selection/engine.py (集成到推送消息)

Step 1: 创建 drawdown_profile.py

核心类 DrawdownProfiler：

class DrawdownProfiler:
    def __init__(self):
        self._history: List[Dict] = []  # 每次推送记录的回撤快照

    def compute_drawdown_metrics(self, equity_curve: pd.Series) -> Dict:
        """从净值曲线计算当前回撤指标"""
        # 返回: current_dd, dd_duration_weeks, peak_value, peak_date

    def analyze_historical_drawdowns(self, equity_curve: pd.Series) -> Dict:
        """分析历史所有回撤事件"""
        # 返回: dd_events 列表，每个包含 depth, duration, recovery_time
        # 返回: stats 字典，包含 avg_depth, avg_duration, max_duration, percentile_90

    def generate_profile_message(self, equity_curve: pd.Series, current_dd: float) -> str:
        """生成回撤画像文本，用于推送消息"""

Step 2: 在 engine.py 中集成

在 generate_push_message() 中，如果 _last_snapshot 可用：

• 构建模拟净值曲线（用 Top 10 等权日收益率合成）
• 调用 DrawdownProfiler 计算当前回撤和历史统计
• 在推送消息「市场环境参考」之前插入「📉 回撤画像」段落

推送格式示例：

📉 回撤画像
────────────────────────────────────────────────
  当前回撤: -8.2%（已持续 3 周）
  净值高点: 1.152（2026-05-09）
  历史同类回撤 (-8%~-12%): 共 17 次
    平均恢复: 5.2 周 | 最长恢复: 14 周 | 90%在 8 周内恢复
  → 当前处于正常波动范围，无需恐慌

---

方案 B: 估值锚因子 — PE分位数 + 股息率 + ROE趋势

任务 B.1: 创建估值因子

Files:

• Create: adata/aohan/quant/selection/factor/valuation_factor.py
• Modify: adata/aohan/quant/selection/selector/multi_factor_selector.py
• Modify: adata/aohan/quant/selection/engine.py (可选集成)

Step 1: 创建 valuation_factor.py

class ValuationFactor(Factor):
    """估值锚因子：PE分位数越低越好，ROE趋势越好越好"""
    def __init__(self, lookback_years: int = 3, name: str = 'valuation'):
        self._name = name
        self.lookback_years = lookback_years

    def calculate(self, data_dict, date) -> pd.Series:
        # 对每只ETF：
        # 1. 获取指数PE历史（优先 adata API，降级 tushare）
        # 2. 计算当前PE在近3年的分位数（越低越好）
        # 3. 结合股息率
        # 4. 结合ROE趋势
        # 5. 综合评分 0-1

注意：ETF 的 PE 数据需要通过底层指数获取，而非 ETF 本身。需要新增数据源支持。如果数据不可用，返回 0.5（中性）。

Step 2: 在 MultiFactorETFSelector 中注册

新增工厂方法 valuation_aware() 或在 adaptive() 中集成（牛市低权重、熊市高权重）。

Step 3: 因子权重自适应

在 _get_regime_weights 中，牛市时给估值因子较低权重（不因估值低错失行情），熊市时给较高权重（找安全边际）。

---

执行顺序

按改动独立性和风险排序：

• 先做方案 C（相关性分散）— 改动最小，效果最硬，独立性强
• 接着做方案 A（回撤画像）— 纯增量模块，不干扰策略逻辑
• 最后做方案 B（估值锚）— 需要新数据源，风险最高，可能受限于数据可用性

每个方案完成后进行一次端到端验证。