策略研发标准化流程：从策略基类到 GA 优化到策略池

> 📅 2026-09-21 建立 > > 本文把「写一个择时策略 → 遗传算法调参 → 入选策略池」这条完整链路固化成可复制的 SOP。 > 之前只有一份口语化的《策略研发sop.txt》（在 adata/aohan/learn/策略研发/），本文是对它的工程化落地版：每一步都对应到仓库里的真实文件、真实函数、真实契约。 > > 本文回答三个问题： > 1. 一个新策略从零到能跑，要碰哪几个文件？（第一章 · 链路总览） > 2. 参数是怎么被遗传算法"看见"并优化的？（第二章 · 参数体系） > 3. 每一步最容易踩什么坑？（第三章 · 避坑清单）

---

一、链路总览（七步）

① 写策略类 ──→ ② 暴露参数 ──→ ③ 声明参数边界 ──→ ④ 未来函数自检（写的时候就防）
   Strategy.py      __init__        params_grid.py
     ↓
⑤ GA 参数优化 ──→ ⑥ 未来函数终检（必检！） ──→ ⑦ 入选策略池
   ParamsOptGeneticDevelop        future-function          timing_config.py
   + params_deep_seek.py          check

> ⚠️ ④ 和 ⑥ 不是同一件事：④ 是写的时候就按"只能用历史数据"的规矩写；⑥ 是跑出来之后再用"手工 shift 一天，看收益是否大幅缩水"做终检。两者都做，缺一不可。

---

二、Step 1：继承策略基类

基类文件：Strategy.py · class Strategy（L25）

2.1 唯一强制接口

你只需要实现一个方法：

def generate_signals(self):
    # 算出 self.df['position']：全仓=1，空仓=0
    ...
    self.generate_trade_signals_based_on_positions(delay_days=self.signal_offset)

基类把职责收得很窄，其余全部由框架代劳。完整流程入口是 init_and_generate_signal：

_preprocess_missing_columns()   # 补 open/high/low/volume 缺失列
   → initialize_positions()      # 初始化仓位列
   → calculate_daily_return()    # 算日收益
   → generate_signals()          # ★ 你实现的那一个

2.2 position 与 signal 的语义（务必搞清）

• position：每天结束时持仓市值占总资产比例，全仓 1、空仓 0。
• signal：由基类从 position 的变化自动推导 —— generate_trade_signals_based_on_positions 里 signal = position.diff()。
• 买点口径：buy_timing='open'（默认）表示"当天开盘价成交"，即 position[i]=1 代表第 i 天开盘买入。

> 🚩 这条直接决定未来函数怎么防：因为 position 是"当天开盘"用的，所以生成 position 的所有指标，只能用到当天开盘之前已知的数据（严格说 ≤ 前一日收盘）。详见 Step 4。

2.3 两个收益口径

指标统一入口是 evaluate_strategy_metrics(verbose, quick)，结果写进 self.last_calculated_results（一个 dict，值多为带 % 的字符串）。

---

三、Step 2：暴露可优化参数

没有任何声明式 schema，参数就是子类 __init__ 的显式形参，并且必须存成同名实例属性：

def __init__(self, df=None, rsi_period=32, rsi_buy=45, rsi_sell=60, signal_offset=0):
    super().__init__(df)
    self.rsi_period = rsi_period    # 形参 → 同名属性，缺一不可
    self.rsi_buy = rsi_buy
    self.rsi_sell = rsi_sell
    self.signal_offset = signal_offset

为什么必须是同名属性？ 两个地方靠这个约定吃饭：

• GA 注入参数：优化器用 strategy_class(df, **params) 构造实例，params 的 key 必须能对上形参名。
• 参数自描述：get_identifier 用反射遍历 __init__ 的形参名，再从实例上取值拼 ID —— 这是全库唯一的"参数自描述"逻辑，用于给优化结果命名。

> 💡 约定速成：形参名 = 属性名 = params_grid 里的 key 名 = GA 基因名。四者一旦不一致，链路就断。

---

四、Step 3：声明参数边界（params_grid.py）

文件：params_grid.py，全部是模块级 dict，一个策略一个，命名 XxxStrategy_params。

参数边界支持 4 种形态，由 create_toolbox 统一解释：

RSIStrategy_params = {
    'rsi_period': (4, 80),
    'rsi_buy': (10, 80),
    'rsi_sell': (10, 80),
}

> params_grid.py 里还有个 _calculate_total_combinations()，会把 tuple 区间按小数位数推断步长，折算成组合总数，用于"搜索空间过大时提前终止"。

---

五、Step 4：编码时避开未来函数

核心规矩：生成 position 时，只能用"当天开盘前已知"的数据。

• 细节清单见 未来函数检测.txt。
• 经验：遇到"高胜率 + 高回报"的策略，第一反应是先怀疑未来函数，而不是庆祝。
• 通用兜底：策略里设一个 signal_offset 参数，generate_trade_signals_based_on_positions(delay_days=self.signal_offset) 在需要时把信号整体延后。

---

六、Step 5：遗传算法参数优化

6.1 优化器本体

文件：ParamsOptGeneticDevelop.py · class ParamsOptGeneticDevelop（基于 deap）

ParamsOptGeneticDevelop(
    df_list,                 # 目标品种的数据列表（每个品种一个 df）
    strategy_class,          # 策略类
    param_bounds,            # 来自 params_grid.py 的 dict
    weight_rules,            # 多目标权重规则（阶段式）
    result_dir, codes,
    enable_short=False,
)

• evaluate：基因解码 → 对 df_list 里每个品种各跑一次 strategy_class(df, params) → 指标按品种数取平均** → 加权适应度。
• 适应度是 5 项加权和：annual_return / 指数衰减年化 / 凯利 / 平均回撤 / 资金占用。
• 有惩罚：最大回撤 < −10% ×300；年均交易次数 < 1 时按次数打折。
• run_evolution(generations, pop_size)：动态精英/交叉/变异率，连续 5 代无改进触发多样性重启，重启到阈值就推进下一个权重阶段。
• get_strategy_with_best_params：反解最优基因 → 重建策略实例。

6.2 入口与"目标品种"

入口：params_deep_seek.py · ParamsDeepSeek.test_opt_mult_market_params（L99）→ optimize_strategy_for_codes（L353）

strategy_configs = [
    {"strategy_class": FourMovingAveragesStrategy, "param_bounds": FourMovingAveragesStrategy_params},
    # ... 一个策略一条
]
for config in strategy_configs:
    for codes in codes_list:          # ← 目标品种
        self.optimize_strategy_for_codes(codes=codes, strategy_class=..., param_bounds=..., ...)

阶段式多目标权重（写在 optimize_strategy_for_codes 内）：

weight_rules = {'type': 'stage', 'rules': [
    (0, 0,          (3.0, 12.0, 2.0,  -8.0,   0)),      # 高年化
    (1, 1,          (1.0,  4.0, 2.0,  -4.0,  -1.0)),    # 高凯利低回撤
    (2, 2,          (3.0, 12.0, 1.0,  -5.0,  -20.0)),   # 高收益+超低资金占用
    (3, float('inf'),(2.0, 8.0, 1.0, -20.0,  -1.0)),    # 高收益低回撤
]}

数据准备：fetch_data(code, start, end, k_type=1) → DataProcessor(df).process_all()。

> 🚩 大坑：目标品种是硬编码的 codes_list，而且这个变量在同一个函数里被反复重赋值十余次（L243~L302）。因为是顺序覆盖，文本上最后一次赋值生效。改目标品种就改这最后一处，别改中间的。详见 附录 B。

6.3 运行成本参考（来自源码注释）

• generations=200, pop_size=500 → 一晚约优化 2 个策略。
• generations=100, pop_size=100 → 一晚约优化 10 个策略。

---

七、Step 6：未来函数终检（必检）

跑出结果后，尤其当收益漂亮得不像话时，做这两件事：

• 代码层面 check：所有参与判号的指标是否都只用了历史数据。
• 手工 shift 1 天：把信号整体延后一天，重跑回测。若收益大幅缩水 → 原策略有未来函数，必须修；若基本不变 → 干净。

> 原则：不检未来函数，参数优化就是白做。

---

八、Step 7：入选策略池

注册表本体：allocation_utils.py · class StrategyAllocationManager 池内容（真正写死的地方）：timing_config.py · build_allocation_manager()

allocation_manager = build_allocation_manager()
strategy = RSIStrategy(rsi_period=32, rsi_buy=45, rsi_sell=60)
allocation_manager.add_strategy_to_board(strategy, ['399102', '399300'], weight=2)

• 形态统一：add_strategy_to_board(策略实例, code列表, weight=权重)。
• 自动发现：唯一"遍历策略池"的逻辑是 enumerate_instruments()，它扫 strategies_by_board 的 key（排除 short- 前缀），被 run_all_baselines() 和 scripts/run_backtest_baseline.py 缺省使用。
• 量化层没有 PICKERS / 中央 registry —— 策略池就是 strategies_by_board 这个 dict。

---

附录 A：新策略落地清单（照着抄）

□ 1. 新建 adata/aohan/quant/backtest/strategy/<XxxStrategy>.py
       class XxxStrategy(Strategy):
           def __init__(self, df=None, <param1>=..., signal_offset=0):
               super().__init__(df)
               self.<param1> = <param1>
               self.signal_offset = signal_offset
           def generate_signals(self):
               ...  # 只用历史数据，产出 self.df['position']
               self.generate_trade_signals_based_on_positions(delay_days=self.signal_offset)

□ 2. 在 params_grid.py 加 XxxStrategy_params = {...}（四形态选其一）
□ 3. 在 params_deep_seek.py：
       - import 策略类 与 param
       - strategy_configs 里加一条
       - 确认 codes_list（目标品种，改最后一处赋值）
□ 4. 先小样本手动跑一次 evaluate_strategy_metrics(quick=True) 看有没有交易
□ 5. 未来函数自检（Step 4）→ 跑 GA → 未来函数终检（Step 6）
□ 6. 用最优参数实例 add_strategy_to_board 注册进 timing_config.py

---

附录 B：目标品种 codes_list 的坑

params_deep_seek.py 的 test_opt_mult_market_params 里，codes_list 被反复赋值，最后生效的是文本上最后一次那处。当前源码最后一次生效的是医药四指数：

codes_list = [
    ["000933.SH"],   # 中证医药卫生指数
    ['399139.SZ'],   # 深证医药卫生指数
    ['000913.SH'],   # 沪深300医药卫生指数
    ['931152.CSI'],  # 中证创新药产业指数
]

想换品种，直接改这最后一处，不要改中间的（改了不生效，会让你怀疑人生）。

---

附录 C：避坑清单

• 形参 / 属性 / params_grid key / 基因名必须完全同名，否则参数注入或结果命名会错。
• points：position 是"当天开盘成交"，指标必须 shift(1) 或只用历史窗。
• 高收益先怀疑未来函数，手工 shift 1 天复检。
• codes_list 改最后一处。
• 新增功能新建文件/新类，不要往基类或大文件里塞。
• GA 适应度是多品种平均：只有一个品种有信号时，fitness 会虚高（源码已除以品种数，但白名单式的"只对单品种有效"仍要警惕）。

---

📚 相关阅读

• 策略研发sop.txt（本文的口语版源头）
• 未来函数检测.txt
• 回测三大陷阱与系统改进方案
• 2026-08-11-三层优化落地行动计划（回测驱动开发）