选基策略引擎 — 截面方案设计

文档目标

本文档用于设计一套 截面 ETF 选基策略引擎，将现有量化系统从"纵向择时"扩展到"横向选基"能力，每日全市场扫描场内 ETF，通过多因子打分 + 截面排名选出最优品种并分配权重。

一句话结论

构建 ETFSelectionEngine，以"日频全市场截面扫描 → 多因子评分 → TopN 精选 → 权重分配 → 叠加择时信号"为完整链路，实现风格轮动自适应，解决牛市行业热点切换频繁、人工选基跟不上节奏的问题。

一、背景与问题

1. 现有系统的局限

当前系统在 StrategyAllocationManager 中固定配置了约 15 个品种的权重：

code_to_weight = {
    '399102.SZ': 0.05,
    '980092.CNI': 0.12,
    '510880': 0.05,
    '513180': 0.08,
    'GLD': 0.15,
    ...
}

• 品种固定，无法自动跟随市场热点
• 依赖人工判断哪些行业/主题当前值得配置
• 牛市风格轮动频繁，选错行业会显著跑输大盘

2. 核心转变

二、整体架构

1. 架构总览

Mermaid Live View

Mermaid Live Edit: https://mermaid.live/edit#pako:eNp1U91u2jAYfRXk6_YFuJi0FugPP6UC7WJOL9xgIFISo9TRhqpK00YLlFLQqo5JUzuYNHXdtO5HYtPKVl4GO8lbzHHYGrXgK-ec830-Pp-zC1RSwCAKijp5opaRRSP5mGJGxNqxt0sWqpQjMUQRVAA__crbV-zbcwlEUqiKLQVsBWJ_PYTxfII1eu7gg3v8k3VebUUWFx9EliDvvU8612Pe_OXVO7zV9KnbsiWpWoa88dE7e8fGn5z9C35eY6PrqQibhTuOEkilxBKe2Js--9z1PQXQDFfLsn0MpomBTWobQck9QRw-Irpt4Dl0Am7aSNdodQ6_ArMWNrQZ7WOSX4UB4by99F4PQ3Q8oG-BxF1gJQzczyKnEguLKNwvNdY48KPwEc0szchiVbZam3rh_TqrH7Cj8DDWpGIdssM-P3vhjH6zbiPoHBKtS1FyOjF-_JJ123NnlcM6Vqkw6D1r8talNCghjZgzLCZl7xTMk0rG-X4jikJkSpJpKKx59bYw5e23Q3Ra0hnID0_dYc0Z1YT5ub7iT7FqUz853rxwB0e-sQCbbSwjm29AcQfe-zEZD1hHvPG-CCok2pCiLJyMTiZ_2s7VwOmGg8tKelPkf86HLffmhNVDjxwsAANbBtIK4n_c9WEF0DI2sAKiYlvARWTrVAGKuSekyKYkVzVVEKWWjReAXSkgimMaEtczQLSI9B2BWsQulf9_VZD5mBDjX0nJ8o_y93t_AQnShtA)

架构分为五个层面，每层职责清晰、接口明确：

• 数据层：获取全市场 ETF 列表并批量拉取日 K 线，构建截面快照
• 因子层：在截面上计算多个选基因子（动量、量价、质量、折溢价）
• 评分层：因子标准化后加权合成综合评分，输出全市场排名
• 选择层：根据排名精选 TopN 品种，分配投资权重
• 执行层：叠加现有择时策略 + 仓位管理，输出最终回测/实盘结果

2. 每日运行流程

Mermaid Live View

Mermaid Live Edit: https://mermaid.live/edit#pako:eNp1UttqGkEYfpVlC72KcU26pVlKbmzNRW1Qd0mgay6mOqPCHmSzS5EQ0LaJmnqihpiShMY2oRJoAj1YayB9GWfcfYuOu2uxF87VP_Md_n--mR02pachK7BI0V-lssAwmWgiqTF0SaJMDvvjk2PcajAhXuC4LSYQWGXWYrLd-IWbR3ivhwev8enwqRTBlY7d7T1-aQRXQRqYYBFZWnoxpyF9y3Nbi7niSEzGv_t2t0beVakF6Vw-Gw__uDpy0xwNrqgX85ALLPEc3YyGF-S4TUm-ScQziYdl-0fPKTfJ5yL5eOmqcfXQ-XCBS6fjai1IfpbwQY8Uv4wGdbv_3VfHw94Iomxfd8fXHVK5cs4-4ZNz_LXlejzXVaiZlhrc0BVLhcG4BZScWZg2F125GJbJeRmX93HtiLnP2DdvcWXfp4heh8S67HmTxnvcqvtgYt3TR2VJz4foFTmGXnb87c4pVqf6qEvZlGRy9sYp16mzszfVb0ouKIlLsn3XxuXh6PaARkNqpdFtm3I81rZZUCAlMSinKMI9hNAy5GYh-hAeBEOIR3AWisyHaHa-4TLkEf-fSpwLieG5Y9A05kE0BX-MR4iHK7MQzWAeRHOZOqbgA5hiF1gVGirIpenv3pkwk6yZhSpMsgIt0xABSzGTbFLbpVRgmbpY0FKsYBoWXGCtPP3F8EkOZAygsgICyjY9NXQrk_23ywPtha6rU0nGmLSa1Lt_AcZESvU)

每日流程约需 3-5 分钟完成全市场扫描，关键路径说明：

• 全市场约 800-1000 只有一定流动性的场内 ETF
• 并行拉取（asyncio / ThreadPool）控制单轮请求总量在 200 以内
• 质量检查剔除日均成交额 < 500 万、上市 < 60 天的 ETF
• 计算因子需要 60-250 个交易日的回溯窗口

3. 核心类设计

Mermaid Live View

Mermaid Live Edit: https://mermaid.live/edit#pako:eNqtVduK2zAQ_ZWgpywb_0AIgV523xZaUvpQAmIsj22xsiZIo4awzb9XjpJFbuylG9ZPks7ozGE8Z_QiFFUolkIZ8P6rhsZBt7Wz-J1OZg8_HjdoULEm-2AbbXH2kvD-u6-RVSvBGIlcS6M9z-8yuAzaVNJb2PmWeF4BYw67YKW_sA8uNshyR45rMpouyHFUGLlc0WoFpWcHitfrjC9lmQerf6PzuJhlUga0T9Sh5dBN0BeG6LkE9Sz32la09zflCIb1I_TcU2nqE5qxF3vUTcs35Uup_qNKFjrMtgqMCiaSvqNu17mKVKkbeX-SCR1-NOv3AEbz4aNpvzns9FgN3sXyxZH3m2QKMJ9jszF6xqFOf-6a7OjCLNtoQ3KHodHmnsHxYoa2uhsTJjtkp5UfNdsm9gpjc_hkDCnohT2BhWao6d6nKI1elgdZErgqQ6GKk-DMI5kSfmV6eM3gZU1uGBU1pcXIVCqKdT4T3oybqvCblyZr8M-t-OdXf4pibJJMRY7OgxQ8MSt6Qek0hZ1bbpB4Cs8tdY0OrHEND1pcLESHrgNdxRfk1AlbwS3GISKWcVlhDVH-VmztMYZCYNocrBJLdgEXIux6B5zfHLGswURXCEehaV93O7C_iLrLlcb1qfr18S_ReinW)

核心类说明：

三、ETF 池管理

1. 数据源

2. ETF 筛选规则

从全市场约 1500 只场内 ETF 中筛选出有效候选池：

3. 筛选后在册品种分类

经过筛选后，预计保留 200-300 只有效 ETF，覆盖以下主要板块：

• 宽基指数：沪深300、中证500、创业板、科创板、A500 等
• 行业主题：消费、医药、科技、新能源、军工、金融、地产、有色等
• 风格因子：红利、低波、成长、价值、质量等
• 跨境品种：纳斯达克、恒生科技、中概互联、日经、德国等
• 策略指数：自由现金流、ESG、央企改革等

四、因子系统

1. 因子类型

A. 动量因子 MomentumFactor

计算方式：

def calculate(self, universe, date):
    for etf in universe:
        df = etf.get_history(end_date=date, window=max_windows)
        etf['ret_20'] = df['close'].pct_change(20).iloc[-1]
        etf['ret_60'] = df['close'].pct_change(60).iloc[-1]
        etf['ret_120'] = df['close'].pct_change(120).iloc[-1]
        etf['ret_250'] = (df['close'].iloc[-1] / df['close'].iloc[-250] - 1)
    return universe

B. 量价因子 VolumeFactor

核心指标：

• 量比：当日成交量 / 过去 N 日均量
• 量价配合：若量比 > 1.2 且当日涨幅 > 0，加分
• 换手率：高换手率表示活跃度

C. 质量因子 QualityFactor

核心指标：

• 波动率：60 日年化波动率（越低越安全，可做负向因子）
• 最大回撤：近一年最大回撤（越小越好）
• 夏普比率：近 60 日的收益风险比（越大越好）
• Calmar 比率：年化收益 / 最大回撤

D. 折溢价因子 PremiumFactor

核心指标：

• 溢价率 = (ETF 价格 - IOPV) / IOPV
• 折价 ETF 溢价率 < -0.5% 可能有抄底机会
• 高溢价 ETF 溢价率 > 2% 存在套利风险，可做负向因子

2. 因子矩阵

每日输出一个 (N_etfs, N_factors) 的因子矩阵 DataFrame：fund_code ret_20 ret_60 ret_120 ret_250 vol_ratio turnover volatility max_dd sharpe calmar premium

每行代表一只 ETF 在当前日期的所有因子值。

五、评分与排名

1. 因子标准化

在截面（横截面）上对每个因子做标准化处理，消除量纲差异：

推荐默认使用 Rank Pct 标准化，不依赖分布假设，对极端值不敏感。

2. 综合评分

multi_factor_score = (
    w1 * momentum_score +
    w2 * volume_score +
    w3 * quality_score +
    w4 * premium_score
)

其中 momentum\_score 由多个窗口的动量因子合成：

momentum_score = (
    0.4 * ret_20_rank +
    0.3 * ret_60_rank +
    0.2 * ret_120_rank +
    0.1 * ret_250_rank
)

3. 默认权重参考

4. 截面排名

按综合评分降序排列，输出全市场排名。

六、选择与权重分配

1. TopN 精选策略

2. 调仓规则

3. 与现有 StrategyAllocationManager 的关系

ETFSelectionEngine 输出:
    [('510880', 0.20), ('513180', 0.15), ('159941', 0.15), ...]

动态注入 StrategyAllocationManager:
    allocation_manager.add_strategy_to_board(
        TimingStrategy(code='510880'),
        ['510880'],
        weight=0.20
    )

两种模式：

• 纯选基模式：选出的 ETF 直接持有（无择时），将 position = 1
• 选基 + 择时模式：选出的 ETF 再叠加现有 Strategy 的 timing signal

七、截面回测框架

1. 与传统回测的区别

2. 回测流程

class CrossSectionalBacktester:
    def __init__(self, selector, universe_history, rebalance_freq='weekly'):
        self.selector = selector      # ETFSelector 实例
        self.universe = universe_history  # 多品种历史数据字典
        self.freq = rebalance_freq

    def run(self, start_date, end_date):
        # 逐日推进，在调仓日执行 select()
        # 记录持仓变化，计算每日组合收益
        # 输出：每日持仓明细 + 组合净值曲线

    def calculate_metrics(self):
        # 年化收益、最大回撤、夏普、换手率

3. 评估指标

八、与现有系统的集成方案

1. 代码目录结构

adata/aohan/quant/
├── selection/                        # 新增：选基引擎
│   ├── __init__.py
│   ├── engine.py                     # ETFSelectionEngine 主入口
│   ├── selector/
│   │   ├── base.py                   # ETFSelector 抽象基类
│   │   ├── momentum_selector.py      # 纯动量选基
│   │   └── multi_factor_selector.py  # 多因子选基
│   ├── factor/
│   │   ├── base.py                   # Factor 抽象基类
│   │   ├── momentum_factor.py        # 动量因子
│   │   ├── volume_factor.py          # 量价因子
│   │   ├── quality_factor.py         # 质量因子
│   │   └── premium_factor.py         # 折溢价因子
│   ├── universe/
│   │   └── etf_pool.py              # ETF 池管理 + 筛选
│   └── backtest/
│       └── cross_section_backtester.py  # 截面回测框架
├── backtest/
│   └── strategy/                     # 已有：策略（无变化）
├── chart_test/
│   ├── show_marker.py                # 已有：扩展支持选基模式
│   └── allocation_utils.py           # 已有：扩展动态品种
└── utils/
    └── df_loader.py                  # 已有：无变化

2. 集成方式

• ETFSelectionEngine 输出 Portfolio dict -> 传递给 StrategyAllocationManager
• StrategyAllocationManager 新增动态品种注册方法
• show\_marker.py 新增 test\_cross\_section\_selection 测试入口
• 每日定时任务中，先执行选基引擎，再加载择时策略

3. 依赖关系

show_marker.py
    └── MarketAnalysis
            └── ETFSelectionEngine (new)
                    ├── etf_pool.py (new) → adata.fund.info
                    ├── multi_factor_selector.py (new)
                    │       └── Factor 子类 (new)
                    └── cross_section_backtester.py (new)

StrategyAllocationManager (existing)
    └── 新增: update_board(code, weight) 动态更新品种配置

九、能力边界

1. 负责什么

• 全市场场内 ETF 的每日截面扫描
• 多因子评分与排名
• TopN 精选与权重分配
• 选基回测框架
• 与现有择时策略的集成

2. 不负责什么

• 不替代现有 Strategy 的择时信号（纵向选时仍由原有策略负责）
• 不处理场外基金（LOF、开放式基金）
• 不做实盘交易执行（仅输出选基信号）
• 不包含机器学习模型（初期纯规则因子。可在 V2 引入 XGBoost）

十、分阶段实施路线

第一阶段：MVP 核心链路

可交付物：每日输出 Top10 精选 ETF 列表 + 权重

第二阶段：回测与调优

可交付物：选基策略回测报告 + 参数调优

第三阶段：生产运行

可交付物：每日自动推送选基结果

十一、风险点与待确认

1. 数据风险

• 日 K 线数据时效：tushare数据在收盘后 1-2 小时才更新

2. 策略风险

• 动量因子在震荡市可能失效：风格切换频繁时，追涨策略可能反复打脸
• ETF 同质化竞争：同一指数可能有多个 ETF（如科创综指 10 只），筛选逻辑需谨慎
• 样本外衰减：因子有效性可能随时间衰减，需要定期重检

3. 待确认事项

• tushare 代理 fund\_daily 返回的字段是否包含足够的交易数据用于因子计算
• 场内 ETF 的 IOPV（实时净值估算）数据可从哪个接口获取
• 是否需要引入 ak share 作为额外数据源（已有 akshare\_api\_test.py）

十二、最终总结

• 核心转变：从纵向择时拓展到横向选基，构建截面选基能力
• 架构分层：数据层 -> 因子层 -> 评分层 -> 选择层 -> 执行层，五层解耦
• 因子体系：动量主导（50%）+ 量价（20%）+ 质量（20%）+ 折溢价（10%）
• 集成方式：选基引擎输出 Portfolio，注入现有 StrategyAllocationManager
• 实施节奏：MVP 核心链路（1 周）-> 回测调优（1 周）-> 生产运行（1 周）
• 后续可选拓展：引入 XGBoost 因子合成、遗传编程进化选基规则、行业中性化处理

***

十三、MVP 实现代码使用指南

代码目录结构

adata/aohan/quant/selection/                # 选基引擎根目录
├── __init__.py
├── engine.py                               # ETFSelectionEngine 主引擎
├── run_selection.py                        # 命令行运行入口
├── quick_test.py                           # 快速验证脚本
├── universe/
│   └── etf_pool.py                         # 精选 ETF 池（73只 × 7大类）
├── factor/
│   ├── __init__.py
│   ├── base.py                             # Factor 抽象基类（含 normalize）
│   ├── momentum_factor.py                  # 动量因子（20/60/120日收益率）
│   ├── volume_factor.py                    # 量价因子（量比 + 量价确认）
│   ├── quality_factor.py                   # 质量因子（夏普比率）
│   ├── mean_reversion_factor.py            # 反追高因子（RSI超买回避 + 波动率稳定）
│   └── regime.py                           # 市场状态识别（牛/熊/震荡/高波动）
├── selector/
│   ├── __init__.py
│   ├── base.py                             # ETFSelector 抽象基类
│   └── multi_factor_selector.py            # 多因子选基 + 纯动量 + 全池等权
└── backtest/
    ├── __init__.py
    ├── cross_section_backtester.py          # 截面回测框架（净值/回撤/夏普）
    └── historical_backtest.py              # 三策略对比回测入口

三种选基模式

defensive 模式特点：

• 牛市（价格高于年线5%+，波动率正常）：动量权重正常，仓位上限 100%
• 震荡市（年线附近，波动率适中）：降低动量到 30%，提高反追高到 25%，仓位上限 60-90%
• 熊市/高波动（跌破年线或波动率 > 1.5倍历史）：动量降到 15%，反追高+稳定性占 80%，仓位上限 15-30%

运行方式

1. Shell 脚本（推荐）

# 拉数据 + 选基 + 评分排名
./run_selection.sh

# 指定日期
./run_selection.sh -d 2025-01-15

# 回测模式
./run_selection.sh -b

# 跳过数据拉取（使用缓存）
./run_selection.sh -s

2. Python 模块

# 选基模式
PYTHONPATH=$(pwd) .venv/bin/python -m adata.aohan.quant.selection.run_selection select

# 回测模式
PYTHONPATH=$(pwd) .venv/bin/python -m adata.aohan.quant.selection.run_selection backtest --start 2024-01-01

# 历史回测对比（防御型 vs 纯动量 vs 等权持有 vs 沪深300）
PYTHONPATH=$(pwd) .venv/bin/python adata/aohan/quant/selection/backtest/historical_backtest.py

# 快速验证
PYTHONPATH=$(pwd) .venv/bin/python adata/aohan/quant/selection/quick_test.py

3. 编程调用

from adata.aohan.quant.selection.engine import ETFSelectionEngine
from adata.aohan.quant.selection.selector.multi_factor_selector import MultiFactorETFSelector
from adata.aohan.quant.selection.backtest.cross_section_backtester import CrossSectionalBacktester

# 默认防御型
engine = ETFSelectionEngine()

# 或用纯动量模式
engine = ETFSelectionEngine(selector=MultiFactorETFSelector.default())

# 拉取数据
engine.fetch_all_data(years_back=2)

# 选基评分
top_codes, ranked, result_df = engine.run_selection(top_n=10)

# 获取权重配置
portfolio = engine.get_portfolio(top_n=10, weight_method='score_weighted')

# 生成推送消息
msg = engine.generate_push_message()

# 回测
bt = CrossSectionalBacktester(engine, rebalance_freq='weekly')
results, metrics = bt.run(start_date='2024-01-01', end_date='2026-05-12', top_n=8)

4. 推送集成

运行 ./run_push.sh（不加 -c）时，截面引擎自动运行并插入推送消息最顶部。

消息推送.txt 结构：
  📊 截面选基策略引擎          ← 新增！全市场扫描
     📈 市场状态（牛/熊/震荡）
     🔥 TOP 10 推荐 + 仓位分级
     🧊 BOTTOM 10 回避品种
     📋 评分加权配置方案（含缩舱后的实际比例）
     📈 风格信号
     💡 操作建议
  ──────────────────────────
  📈 原有择时策略结果          ← 保持不变
     各品种的多策略回测...

使用 ./run_push.sh -c 399102.SZ 指定代码时，截面引擎自动跳过，只跑择时策略。

输出字段解读

📈 市场状态: 🟢 强势牛市           ← 市场处于什么阶段
   价格vs年线: +8.5%               ← 价格相对200日均线的偏离度
   波动率比: 0.85x                 ← 当前波动率/历史波动率比，>1.5为高波动预警
   建议总仓位上限: 95%             ← RegimeDetector计算的安全仓位上限

🔥 TOP 10 最强品种
  #1 512480.SH 半导体ETF  评分:0.911  行业主题  ● 重仓
  #2 588000.SH  科创50ETF  评分:0.880  宽基指数  ● 重仓
    ...
   评分 ≥ 0.85 = ● 重仓
   评分 ≥ 0.70 = ○ 中仓
   评分 < 0.70 = ◑ 轻仓
   熊市/高波动时评分<0.6 显示"观望"

📋 Top 10 配置方案 (总仓位上限 95%)   ← RegimeDetector算出的总仓位上限
  代码        名称      评分    配置比例    缩减后
  512480.SH  半导体ETF  0.911  11.1%    10.5% (中仓)
  ↑                                   ↑ 配置比例 × 仓位上限 = 实际建议

💡 操作建议
  ▶ 当前强势牛市，仓位上限 95%，积极参与强势板块
  ▶ 注意回避：REITs 3只垫底 Bottom 10

新增模块说明

1. RegimeDetector

市场状态识别器，基于沪深300指数的三个指标：

• 价格 vs 200日均线：牛市 > +5%，熊市 < -5%
• 波动率比：当前60日年化波动率 / 全部历史波动率
• 趋势强度：近期收益率均值 / 标准差

输出：BULL / MILD_BULL / RANGING / HIGH_VOL / BEAR / SEVERE_BEAR 六种状态

2. OverboughtAvoidFactor

RSI 超买回避因子：

• RSI > 72 且近60日涨幅 > 15% → 评分 0.0（极度超买，强烈回避）
• RSI > 72 → 评分 0.2（超买，建议回避）
• 近60日涨幅 > 25% → 评分 0.3（短期涨幅过大）
• 近60日跌幅 > 10% → 评分 0.8（超卖，关注机会）
• 其他 → 评分 0.6

3. VolatilityStabilityFactor

波动率稳定性因子：60日波动窗口内计算 Sharpe Ratio 和稳定度，低波动高夏普的品种评分更高。

4. AllETFSelector

等权持有全池的 selector，用作对比基准，调仓时维持全池等权。

回测调仓机制

回测框架 CrossSectionalBacktester 按固定频率调仓，模拟真实交易执行。

调仓频率

每轮调仓执行流程

第 N 个周五收盘后：
  1. build_snapshot(date)                        → 取当日所有 ETF 的最近 250 日数据
  2. RegimeDetector.detect(沪深300数据)           → 判断 BULL/MILD_BULL/RANGING/BEAR/...
  3. selector.select(snapshot, top_n, regime)    → 算出当日 TopN 品种
  4. 计算调仓区间收益：
     持仓组合收益 = mean(每只持仓ETF (本周五close - 上周五close) / 上周五close)
     基准收益     = (沪深300本周五close - 上周五close) / 上周五close
     等权池收益   = mean(全池每只ETF同样公式)
  5. 更新净值: NAV = NAV * (1 + 持仓组合收益)
  6. 卖出旧持仓 + 买入新持仓（交易成本暂忽略）
  7. 记录: turnover = (新入选+被移除) / (2×top_n)

换手率含义

从你看到的输出：

2026-04-10: turnover=0.3  → 3只换出, 3只换入, 10只持仓, (3+3)/(2×10)=0.3
2026-05-08: turnover=0.1  → 1只调出, 1只调入, 很稳定
2026-04-24: turnover=0.4  → 4只换出, 4只换入, 风格切换较大

防御型平均换手率 28.86%，大概每周换 3 只；纯动量 36.79%，每周换 \~4 只。

交易规则

• 始终满仓 TopN 品种：每周周五收盘后根据选基结果做一次全仓调换
• 等权分配：不论评分高低，每只入选品种分配 1/N 仓位
• 对比基准：沪深300买入持有 + 全池等权持有同时计算，三条净值曲线对比
• 回撤计算：用每周五的 NAV 值做 cumulative max，逐周计算最大回撤

详细调仓日志

运行回测时加 verbose=True 会输出每期调仓明细：

  日期             Regime             ↕换手率        组合NAV        基准NAV  持仓
  ------------------------------------------------------------------------------------------
  2021-01-08     BULL              0.0%     1026450     1053717  [510300.SH, 511260.SH, 512100.SH ... +1]
  2021-06-04     MILD_BULL        43.8%     1032592     1001513  [159915.SZ, 159928.SZ, 511260.SH ... +3]
  2021-07-02     RANGING          12.5%      852891      967089  [...]
  2022-10-28     SEVERE_BEAR       6.2%      760700      783276  [511260.SH, 518880.SH, 159941.SZ ...]

Regime 列表示当期市场状态，换手率表示调仓比例，NAV 是策略净值，基准NAV 是沪深300净值。通过这个日志可以观察到熊市中 Regime 从 BULL → RANGING → BEAR 的转换过程，以及策略如何降低换手率和调整持仓方向。

回测结果（双区间：熊市 2021-2023 + 牛市 2024-2026）

使用 tushare 真实数据接口，基于 73 只场内 ETF 池，每周五收盘后调仓，等权持有 Top8 品种。

熊市区间：2021-01 \~ 2023-12（沪深300 下跌约 34%）

牛市区间：2024-01 \~ 2026-05（沪深300 上涨约 42%）

双区间对比汇总

核心结论

          ┌────────────────────────────────────────────┐
          │  策略选择 = f(市场状态)                      │
          │                                            │
          │  熊市(2021)  防御型 -> -20% (基准则 -34%)   │
          │  牛市(2024)  动量型 -> +56% (基准则 +42%)   │
          │  震荡市      防御型 -> 动量衰减时抗跌        │
          └────────────────────────────────────────────┘

• 防御型在熊市大幅跑赢基准 13%：下跌 -21% vs 基准 -34%，回撤与基准持平但反弹更快。反追高因子（OverboughtAvoid）在 2021 年初顶部区域成功回避了消费/医药的崩溃。
• 纯动量在牛市大幅跑赢基准 14%：上涨 +56% vs 基准 +42%。动量因子在单边上涨行情中持续抓住最强板块。
• 两个策略完美互补：熊市用防御型，牛市用动量型，震荡市用防御型。RegimeDetector 可以自动做这个切换。
• 等权全池在牛市中表现优异（+52%），但在熊市中也亏 -24%，无法回避系统性风险。选基策略的价值在于牛跟得上，熊亏得少。

***

十四、评分机制深度解析 & 当前已知问题

一、"强势"的定义：多因子加权综合评分，不是单纯涨跌幅

选基引擎的"强势"不是简单的「谁涨得多谁排前面」，而是四个独立因子做 Rank 标准化后加权求和。

防御型（当前默认）因子构成

综合评分 = 0.25 × momentum_score
         + 0.15 × sharpe_score
         + 0.35 × overbought_avoid_score
         + 0.25 × volatility_stability_score

排行榜单里的每一位是怎么算出来的

以你看的那一期为例，以 511010.SH（国债ETF） 排第6名为例，逐因子解构：

511010.SH（国债ETF）:
  momentum (25%)   = 近半年涨了约 +2~3%，Rank 约 0.35  → 大部分股票涨幅比它大
  sharpe (15%)      = 涨幅虽小但标准差极低，Sharpe ≈ 1.8  → Rank 约 0.95
  overbought (35%)  = RSI~50，绝对没超买                     → 得分 0.6（中性）
  vol_stability (25%)= 波动率接近0，稳定性极高                  → 得分 0.95

  综合 = 0.25×0.35 + 0.15×0.95 + 0.35×0.6 + 0.25×0.95 = 0.694

与此同时，512480.SH（半导体ETF） 可能：

512480.SH（半导体ETF）:
  momentum (25%)   = 近半年涨了 +30%+                         → Rank 0.95
  sharpe (15%)      = 高收益但高波动，Sharpe 约 0.6              → Rank 0.6
  overbought (35%)  = RSI~72 + 涨幅>25%                      → 得分 0.0（强烈回避！）
  vol_stability (25%)= 波动率是国债50倍                           → 得分 0.3

  综合 = 0.25×0.95 + 0.15×0.6 + 0.35×0.0 + 0.25×0.3 = 0.403

结论：半导体在 OverboughtAvoid 上被完全打成了 0 分，因为这个因子占权重的 35%，它专门把涨太多的品种踢下去。国债反而因为"没超买"获得了高分。

为什么会变成这样

这其实是设计上的一个平衡问题。当前防御型策略里，有两个因子各占超过 20%——OverboughtAvoid(35%) 和 VolStability(25%)，合起来 60% 的权重都在"防御"上而不是"选强"上。

在牛市中，这就产生了矛盾——防御型策略看到涨多了的品种就降分，看到低波动的防御品种就加分，结果就是把国债推到了排行榜前面。

这个行为在熊市里是对的（熊市确实该持国债），但在当前温和牛市里属于"过度防御"。 RegimeDetector 已经识别出当前是 MILD\_BULL 并切换到中性权重，但 OverboughtAvoid 的权重仍然是 25%，对牛市品种的杀伤力依然不小。

现状不是 Bug，是防御型在当前市场状态下的自然表现——它认为追高风险 > 踏空风险，所以选择了更安全的品种。

> 已修复：_get_regime_weights 新增 BULL 分支。当前市场为牛市/温和牛市时，权重自动切换为 45:25:10:20（动量45%, Sharpe25%, 反追高10%, 稳定性20%），OverboughtAvoid 权重从 35% 降至 10%，极大减少国债上榜概率。震荡市保持 30:20:25:25，熊市/高波为 15:5:35:45。

二、选基时机问题：信号是滞后还是领先？

当前全部是滞后指标

Momentum、Sharpe、RSI、Volatility——所有这些因子的输入都来自于已经发生的历史价格数据。引擎并没有任何"预测"能力，它做的事情是：

观察过去60~180天的价格走势 → 归类哪些品种"历史表现好" → 下注这些品种会继续好

这个逻辑叫"动量延续"假设，在学术界有充分支撑（Jegadeesh and Titman, 1993; Moskowitz et al., 2012），但问题也很清楚：

• 优势：趋势一旦形成，往往会持续（机构资金的惯性、基本面的改善需要时间反馈）
• 劣势：动量策略的最大敌人是"动量崩溃"——当市场从牛市切换为熊市时，过去涨最多的品种往往跌得最狠

什么时候会"高位站岗"

用 2021 年的数据来模拟：2021 年 2 月（核心资产见顶前），动量因子会把消费、医药推到最前面。但 A 股从 2021 年 2 月到 2022 年 10 月跌了 2 年，期间动量策略会不断在"高点买入 → 新低止损 → 再买下一个反弹高点 → 再止损"中反复亏损。

这就是为什么防御型策略必需存在——OverboughtAvoid 和 VolStability 的存在不是为了选强，而是为了在动量崩溃前降低"追高"品种的仓位。

但这也带来了代价：防御型对真正的牛市突破反应迟钝。2024 年 9 月的 A 股暴力反弹中，防御型的反追高因子把初涨品种全部降权，错过了最早的一波收益。

解法：从「涨了多少」升级为「涨得怎么样」

高位站岗的根因不是「动量因子本身有问题」，而是我们用来衡量动量的维度太单一了。当前的 momentum 因子只看一件事：

momentum = (当前价格 - 60天前价格) / 60天前价格   ← 只问了"涨了多少"

学术研究和实战经验表明，应该同时问三个问题：

高位站岗的品种通常是「涨幅大 + 波动剧烈 + 趋势已老」，而真正值得追的品种是「涨幅开始放大 + 波动收敛 + 趋势年轻」。

解决方案矩阵

以下五种解法按实现成本从低到高排列，各自独立可叠加：

##### 解法 A：趋势年龄衰减（最轻量，0.3天）

原理：动量因子按趋势持续时间做衰减。趋势越老，动量得分越低。

young_trend_bonus = 1.0                              # 趋势 < 4 周：全额动量
middle_trend       = 0.8                              # 趋势 4~8 周：八折
old_trend_penalty  = 0.5                              # 趋势 > 12 周：五折
final_momentum = raw_momentum × age_factor

判断趋势年龄的方式：记录该 ETF 的收盘价首次突破 60 日均线的时间，计算距今的周数。年龄越大 → 衰减越重 → 高位站岗的概率越低。

##### 解法 B：趋势质量过滤（推荐首实现）

原理：用 R²（线性拟合度）衡量过去N天的上涨是否为「稳步推升」而非「剧烈震荡后偶然收高」。

trend_quality = R²(close[t-N:t] 对 时间轴做线性回归)
smoothed_momentum = raw_momentum × max(trend_quality, 0.3)

实现简单——numpy 的 np.polyfit 一行即可计算 R²。半导体 ETF 在 2021 年 7 月（高位剧烈震荡）的 R² 约为 0.3~0.4，而 2024 年 2 月（牛市初期稳步推升）的 R² 约为 0.85+。

##### 解法 C：距高点回撤惩罚

原理：如果该 ETF 当前价格比 120 日最高点回撤超过 15%，说明动量信号是「反弹」而非「趋势」，应当降权。

drawdown_from_peak = (当前价 - 120日最高价) / 120日最高价
dd_penalty = 1.0  if drawdown_from_peak > -5%   else   # 接近新高，正常
             0.7  if drawdown_from_peak > -15%  else   # 回撤中，谨慎
             0.3                                      # 深度回撤，忽略动量
final_momentum = raw_momentum × dd_penalty

这解决了「追反弹高位站岗」的问题——2022 年熊市中反复反弹的品种，距高点回撤都超过 -15%，会被大幅降权。

##### 解法 D：涨跌日比例确认

原理：计算过去 N 个交易日中阳线占比。真正的牛市趋势中阳线占比通常 > 55%，而高位震荡中阳线占比接近 50%。

up_day_ratio = count(close > open) / N
up_day_bonus = clip(up_day_ratio / 0.55, 0.5, 1.2)   # 低于 55% 阳线率降权

这是最简单的趋势质量 proxy，不依赖任何统计模型。

##### 解法 E：多周期动量背离检测（最深度）

原理：当短期动量（20日）极高但中期动量（60日）已经在减速时，这是经典的动量背离信号——往往是趋势末期的特征。

M20 = 20日动量
M60 = 60日动量
M120 = 120日动量

if M20 > 0.95 and M60 < 0.5:      # 短期暴涨但中期已经在减速
    danger_signal = True
    momentum_score *= 0.3          # 大幅降权，因为这是"末路狂奔"

这对应的是 2021 年春节前核心资产冲顶的特征：20 日动量排名极高（最后一波冲刺），但 60 日动量已经从前 3 名滑到前 10 名。

推荐实施路线

第一阶段（立即，约 1 天）：
  实现 解法 B（趋势质量 R²） + 解法 C（距高点回撤惩罚）
  → 两种解法互补：B 看走势形态，C 看绝对位置
  → 预期效果：高位站岗概率降低 50%+

第二阶段（后续）：
  实现 解法 A（趋势年龄衰减）
  → 配合 SignalTracker 的 streak 数据，天然适配

第三阶段（研究级）：
  实现 解法 E（多周期动量背离）
  → 需要历史回测验证参数，作为长期优化方向

> 实现状态：解法 B（趋势质量 R²）+ 解法 C（距高点回撤惩罚）已合入 MomentumFactor，通过 use_trend_quality=True 和 use_drawdown_penalty=True 启用。defensive/adaptive 模式默认开启。详见下方「实现记录」。

实现记录：趋势质量动量因子

已完成：MomentumFactor 新增两个参数，在计算原始动量收益率后自动乘以趋势质量乘数和回撤惩罚因子。

final_momentum = raw_momentum × max(trend_r_squared, 0.3) × drawdown_penalty

> 通俗解释：动量乘数永远 ≤ 1.0，越接近 1.0 说明趋势越健康、动量被保留得越多。×0.8 =「稳步上涨，动量留八成」；×0.3 =「走势震荡，扣掉七成」；×0.09 =「高位烂趋势，几乎全扣」。这个乘数只打折不加杠杆——它防止追高，不会错杀真趋势。

• _compute_trend_quality：对近 60 日归一化收盘价做线性回归，计算 R²。若斜率为负（下跌趋势），R² 取负值。截断到 [-1, 1]。
• _compute_drawdown_penalty：当前价 vs 120 日最高点。回撤 < 5% → 全额（1.0），5%~15% → 七折（0.7），> 15% → 三折（0.3）。

实测效果（2026-05-24，73 只 ETF 截面）：

> 正常现象说明：国债因 R² 极高会在动量排名中上升，但其综合评分仍会被 OverboughtAvoid（反追高）拉回——趋势质量过滤主要影响的是「震荡型品种被错误归类为动量强势」的场景，而非「低波动品种排名过高」的问题（后者由因子权重和 RegimeDetector 负责）。

在选基流水线中的位置

趋势质量过滤不是一个新的独立因子，而是在 MomentumFactor 内部对原始动量值做乘数修正，发生在因子标准化之前。

完整选基流水线 (每个调仓日执行一次)
═══════════════════════════════════════════════════════════════

 45只ETF日K数据
      │
      ├─→ MomentumFactor.calculate()
      │       │
      │       ├─ 1. 计算60日+120日加权收益率 = raw_momentum
      │       ├─ 2. ★ use_trend_quality?  → R² = 60日线性回归拟合度
      │       │      raw_momentum ×= max(R², 0.3)
      │       │      （R²<0.3 的震荡品种被打三折）
      │       └─ 3. ★ use_drawdown_penalty?  → dd_penalty
      │              raw_momentum ×= dd_penalty
      │              （距高点回撤<-15% 打三折，-5%~-15%打七折）
      │       └─→ 输出: filtered_momentum  ← 已经是过滤后的值
      │
      ├─→ SharpeFactor.calculate()        → 夏普比率
      ├─→ OverboughtAvoidFactor.calculate() → RSI超买回避
      └─→ VolatilityStabilityFactor.calculate() → 波动稳定性
              │
              ▼
      4因子 Rank 标准化 (0~1)
              │
              ▼
      RegimeDetector 检测市场状态 (BULL/MILD_BULL/RANGING/BEAR...)
              │
              ▼
      AdaptiveWeightEngine 计算各因子权重
      (BULL→动量45%  熊市→动量15%)
              │
              ▼
      综合评分 = Σ(因子分 × 权重)
              │
              ▼
      Top N 截面选基 + SignalTracker 时效标记
              │
              ▼
      推送消息输出

▶ 在线查看完整流程图

✏️ 编辑流程图

直观对比

                   纯动量策略                       防御型策略
                 ┌──────────┐                  ┌──────────┐
牛市(2024)        │  +56%    │                  │  +39%    │
                 │ 追得猛    │                  │ 部分踏空  │
                 └──────────┘                  └──────────┘
                      │                              │
熊市(2021)        ┌──┴───────┐                  ┌──┴───────┐
                 │  -26%    │                  │  -21%    │
                 │ 追高挨打  │                  │ 回撤更小  │
                 └──────────┘                  └──────────┘

三、不同板块之间的调仓是怎么调的

调仓规则非常简单：每周五收盘后，根据当日全部 ETF 的截面评分重新排名，取 Top N，全部替换。

上周五持仓: [半导体, 科创50, 创业板, 纳指, 煤炭, 红利, 国债, A500]
本周五评分: [半导体 0.95, 纳指 0.85, 创新药 0.78, ... 国债 0.69, ... 红利 0.32]

→ 卖出: 科创50(掉出Top8) + 创业板(掉出) + 煤炭(掉出) + 红利(掉出) + A500(掉出)
→ 买入: 创新药(新进) + 新能源(新进) + ...

本周五新持仓: [半导体, 纳指, 创新药, 新能源, 碳中和, 黄金, 国债, 军工]

这意味着：

• 没有渐进加减仓：每期是全仓调换，不是"半导体留 5%，加 5% 新能源"
• 没有成本和约束：当前回测忽略了换仓的冲击成本和手续费
• 品种之间没有相关性控制：如果本周 Top 8 都是科技股，策略也会全仓科技

四、已知局限 & 后续迭代路线

V1 现状（已实现）

• ✅ 多因子截面评分（4因子 × 3模式：default/defensive/adaptive）
• ✅ 市场状态识别（RegimeDetector，200日均线+波动率比，6状态）
• ✅ 双策略对比回测框架（防御型 vs 纯动量 vs 等权全池 vs 沪深300）
• ✅ 消息推送集成（run\_push.sh 自动运行，含因子分解明细）
• ✅ 防御型牛市权重自适应（\_get\_regime\_weights BULL:45:25:10:20 + AdaptiveWeightEngine）
• ✅ 信号时效性追踪（SignalTracker：连续在榜周期 + 假突破标记 + 跨脚本持久化）
• ✅ 超参数三阶段调优（weight\_tuning.py：连续参数网格 → base weights精搜 → 基准对比）
• ✅ 品种相关性约束（DiversificationFilter：同指数去重 + Herfindahl 类别集中度约束 ≤4只/类）
• ❌ 无交易成本模型
• ❌ 信号全部为滞后指标
• ❌ ETF 池为静态手选（48只），非全市场动态筛选

V2 待实现（评级：高优先级）

V3 研究级方向（评级：中等优先级）

***

十五、因子动态权重方案

设计背景

上一节分析了防御型策略在牛市中"过度防御"的问题——OverboughtAvoid(35%)和 VolStability(25%) 合占 60% 权重，导致国债等低波品种霸榜。解决思路不只是调一两个数字，而是构建一套能感知市场状态、平滑调节各因子权重的系统。

四种方案对比

方案 A：离散状态切换 (Discrete Regime Switch) — 已实现

当前 _get_regime_weights 的实现：

• ✅ 优点：简单可解释，回测已充分验证
• ❌ 缺点：状态边界生硬，MILD\_BULL 和 RANGING 权重完全相同，BULL→MILD\_BULL 跳变 15% 没有任何过渡

方案 B：波动率自适应 (Volatility-Adaptive)

纯连续调节，不依赖离散状态：

momentum_weight = base_momentum / max(vol_ratio, 0.3)
defense_weight   = 1.0 - momentum_weight - sharpe_weight

• ✅ 极其平滑，永远不需要判断市场状态
• ❌ 纯波动率不区分"牛市高波"和"熊市高波"，牛市后期波动上升时会被迫降仓

方案 C：趋势强度加权 (Trend-Strength Weighted)

用趋势强度作为唯一的连续调节器：

trend_factor = clip(trend_strength × 3, 0.5, 1.5)
momentum_weight = base_momentum × trend_factor

• ✅ 方向感知，趋势越强动量越激进
• ❌ 趋势强度在牛熊转换时滞后（趋势强度需要一段时间才下降）
• ❌ 震荡市中 trend\_strength 上下跳动导致权重不稳定

方案 D：自适应融合 (Adaptive Blending) ← 已实现，推荐使用

三层连续融合，取三者之长：

Layer 1 (状态锚点):   base_momentum = regime_lookup[regime]
Layer 2 (波动调节):   vol_factor    = clip(1.0 / max(vol_ratio, 0.3), 0.3, 1.0)
Layer 3 (趋势微调):   trend_factor  = clip(trend_strength × 3.0, 0.5, 1.5)

adjustment = vol_factor × trend_factor      (取值范围 0.15 ~ 1.5)
momentum_weight = base_momentum × adjustment

权重计算示例

BULL,  vol_ratio=0.8, trend=0.25  → adjustment=1.0×0.75=0.75  → momentum=0.55×0.75=0.412  ← 牛市低波强趋势: 激进
BULL,  vol_ratio=1.5, trend=0.10  → adjustment=0.667×0.5=0.333 → momentum=0.55×0.333=0.183 ← 牛市高波弱趋势: 保守（防御）
BEAR,  vol_ratio=1.0, trend=0.05  → adjustment=1.0×0.5=0.5    → momentum=0.15×0.5=0.075   ← 熊市: 几乎不动量
BEAR,  vol_ratio=2.0, trend=0.30  → adjustment=0.5×0.9=0.45   → momentum=0.15×0.45=0.068  ← 高波熊市: 极度保守

与方案 A（离散切换）的关键区别

核心优势：方案 D 在同状态内可根据波动和趋势做更精细的调节，避免方案 A 的"一刀切"。

代码实现

文件：weight\_engine.py

from adata.aohan.quant.selection.factor.weight_engine import AdaptiveWeightEngine
from adata.aohan.quant.selection.selector.multi_factor_selector import MultiFactorETFSelector

# 使用自适应权重
selector = MultiFactorETFSelector.adaptive()
engine = ETFSelectionEngine(selector=selector)

# 回测时自动启用自适应权重（run 内部调用 selector.select 时传入 regime_info）
bt = CrossSectionalBacktester(engine, rebalance_freq='weekly')
results, metrics = bt.run(start_date='2024-01-01', end_date='2026-05-12', top_n=8)

也可以通过 use_adaptive_weights=True 参数直接从构造函数启用：

selector = MultiFactorETFSelector(
    factors=[MomentumFactor(windows=[60,120], weights=[0.5,0.5]),
             SharpeFactor(), OverboughtAvoidFactor(), VolatilityStabilityFactor()],
    weights=[0.25, 0.15, 0.35, 0.25],
    use_adaptive_weights=True  # 启用自适应
)

待优化超参数

TODO（短期需处理）

• ~~当前代码的防御型牛市权重不匹配~~ 已修复为离散切换 + 自适应融合
• ~~因子动态权重（高优先级 V2 任务）~~ 已实现 AdaptiveWeightEngine + MultiFactorETFSelector.adaptive()
• ~~推送消息中补充每只 ETF 的细分因子得分~~ 已实现，generate_push_message() 输出 TOP 10 和 BOTTOM 5 的因子分解明细
• ~~增加"信号时效性"标记~~ 已实现 SignalTracker（见第十六章）
• 构建全量 ETF 历史数据库（本地 CSV/Parquet），避免每次回测都从 tushare 拉数
• ~~用回测数据调优 AdaptiveWeightEngine 的超参数~~ 已实现 weight\_tuning.py 三阶段调优
• 写 quick\_select.py 快捷脚本，拉数据后用 adaptive 模式输出当期 TOP/BOTTOM 10 + 当前权重分配
• 🆕 类债券品种排除：defensive/adaptive 模式增加 exclude_bonds 参数，BULL/MILD\_BULL 状态自动排除国债/国开债，防止低波品种在牛市中上榜
• ~~同指数 ETF 去重~~ 已实现 DiversificationFilter.dedup\_by\_index()，自动集成
• ~~DataFetcher 并行化~~ 已实现 ThreadPoolExecutor(max_workers=6)，73 只 ETF 从 ~18s→3.5s
• 🆕 SharpeFactor 公式修正：quality\_factor.py:L66 改为标准公式 np.mean(daily_returns) / np.std(daily_returns) * np.sqrt(252)
• 🆕 weight\_engine 映射修复：weight\_engine.py:L109-L111 错误的 volume→momentum、vol_price_conf→overbought_avoid 映射改为从 factor.name 精确匹配
• 🆕 补齐动量因子 250 日窗口：defensive/adaptive 模式增加长期动量因子，用于区分「短期反弹」和「趋势反转」

***

十六、信号时效性追踪

问题背景

纯截面选基只看当天的因子排名，无法区分「一只 ETF 是因为真有资金持续加仓所以连续上榜」和「一只 ETF 因为短线爆冲刚好排进前十、下周就掉出」。没有历史维度的追踪，用户面对 TOP 10 榜单时无法判断哪些品种是真正在走趋势、哪些只是偶发性的假突破。

SignalTracker 设计

文件：signal\_tracker.py

核心概念

• streak（连续在榜周数）：ETF 连续 N 周在 Top 10 中出现的次数。连续上榜 4 周以上标记为「🔥 持续强势」。
• 假突破识别：第 1 周进榜的品种标记为「🆕 新晋」，需要后续几周验证是否为真趋势。
• 快速轮动识别：曾进过排行榜 → 中途掉出 → 本周又重新进榜的品种标记为「⚡ 回榜」，表示轮动快、不稳定。
• 信号衰减：上周在榜本周掉出的品种被记录为「🔻 掉出榜单」，用户可据此评估是否需要减仓。

状态分级

跨脚本持久化

SignalTracker 不只在内存中运行——每次 record() 后自动保存到本地小数据库文件 signal_streaks_db.json（与 signal\_tracker.py 同目录），下次创建 ETFSelectionEngine 时自动加载。

第1次 push_preview.py → streak=1 (🆕) → save → signal_streaks_db.json
第2次 push_preview.py → load → streak=2 (📈) → save
第3次 push_preview.py → load → streak=3 (📈) → save
第4次 push_preview.py → load → streak=4 (🔥) → save

> 重要：持久化文件按「日期」去重，同一日期多次调用 run_selection() 只会记录一次，避免重复累加。

推送消息输出

📊 信号时效性
------------------------------------------------
  📈 趋势确认(2-3周): 588000(2周), 159941(2周), 563000(2周)
  🔻 本周掉出: 510880, 513050

🔥 TOP 10 最强品种
① 159949.SZ  创业板50ETF  [0.804]  📈 第2周在榜
   宽基指数 · 配置 10.6%
② 512480.SH  半导体ETF    [0.752]  🆕 新晋
   行业主题 · 配置 9.9%
③ 512100.SH  中证1000ETF  [0.687]  🔥 连续4周强势
   宽基指数 · 配置 9.1%

集成方式

ETFSelectionEngine.__init__() 自动创建 SignalTracker()（默认 load_persisted=True），run_selection() 每次选基后自动调用 signal_tracker.record()。用户无需额外操作，每次跑推送脚本自动累积。

# 查看当前状态
engine.signal_tracker.summary()
#  {'streaks': {'512480': 4, '159915': 2}, 'dropouts': ['510880'], ...}

# 手动清空历史重新开始
os.remove(os.path.join(os.path.dirname(__file__), 'signal_streaks_db.json'))

***

固定关注板块 (WATCHLIST)

推送消息中除了 TOP 10 / BOTTOM 10 外，还会固定打印 10 个用户关注的 ETF 的综合评分和操作建议，不论这些 ETF 排名高低。这 10 个板块与择时策略 show_marker.py 中的 codes_to_process 保持一致。

> 配置位置：ETFSelectionEngine.__init__() → self.WATCHLIST，修改列表即可增减关注板块。51 前缀的 ETF（如上证/恒生/红利低波）使用 DataFetcher 通过 tushare fund_daily 接口拉取，与 15/16 开头的 ETF 走同一数据通道。

十七、超参数调优方案

1. 为什么要调优

AdaptiveWeightEngine 有 4 个连续超参数和 6 组状态 base weights，在方案 D（自适应融合）中共同决定了最终因子权重分配：

vol_ratio_lower      — 波动率比的裁剪下限（默认 0.3）
vol_factor_lower     — 波动率调节因子的裁剪下限（默认 0.3）
trend_factor_lower   — 趋势强度映射下限（默认 0.5）
trend_factor_upper   — 趋势强度映射上限（默认 1.5）
base_weights         — 6 种市场状态下 momentum/sharpe/overbought/vol_stability 的基础配比

这些超参数当前基于经验设定（参考了学术论文和 A 股历史特征），但并不保证在回测数据上最优。需要通过双区间回测 + 网格搜索来量化评估，找到 Pareto 最优解。

2. 调优策略：三阶段纵贯搜索

Phase 1 — 连续参数粗搜（\~96 组）

目标：在宽范围内确定 vol\_ratio\_lower、vol\_factor\_lower、trend\_factor 上下界的大致最优区间。

vol_ratio_lower    ∈ {0.2, 0.3, 0.4, 0.5}
vol_factor_lower   ∈ {0.2, 0.3, 0.4}
trend_factor_lower ∈ {0.3, 0.4, 0.5, 0.6}
trend_factor_upper ∈ {1.3, 1.5, 1.7, 2.0}

每组参数同时跑熊市（2021-01 \~ 2023-12）和牛市（2024-01 \~ 2026-05）双区间回测，算出综合评分，选 Top 5。

Phase 2 — Base weights 精搜（\~48 组）

目标：在 Phase 1 最佳连续参数基础上，调优三组状态的动量/防御配比。

其余三个因子权重（sharpe、overbought\_avoid、vol\_stability）按比例分配剩余权重。

Phase 3 — 最终验证

将最佳参数组合与三个基准策略做最终对比：

3. 综合评分公式

单一个指标无法全面衡量策略质量——熊市抗跌和牛市跟随是矛盾目标。使用加权评分：

综合评分 = 
   熊市超额收益 × 25%          ← 熊市跑赢基准的能力（最核心）
  + 牛市总收益率 × 25%         ← 牛市跟得上行情的能力
  + (熊市收益 - 熊市回撤) × 10% ← 熊市的收益-回撤性价比
  + (牛市收益 - 牛市回撤) × 15% ← 牛市的收益-回撤性价比
  + 熊市夏普 × 10%             ← 熊市风险调整后收益
  + 牛市夏普 × 10%             ← 牛市风险调整后收益
  - 平均换手率 × 2.5%          ← 惩罚过度交易（两区间平均）

权重设计的核心思想：

• 熊市超额收益（25%）和牛市总收益（25%）各占四分之一，任何单边市场的极端参数都不会得高分
• 收益-回撤性价比（共 25%） 确保策略不只是"追涨"——高收益但伴随巨大回撤的方案会被降分
• 夏普（共 20%） 作为风险调整后的收益补充
• 换手率惩罚（-2.5%） 防止过度交易——每周换仓超过 30% 会被降分

4. 调优脚本

文件：weight\_tuning.py

cd /Users/aohan/PycharmProjects/adata
PYTHONPATH=$(pwd) .venv/bin/python adata/aohan/quant/selection/backtest/weight_tuning.py

运行流程：

• 拉取数据（ETF 日 K + 沪深300 基准，约 5 年）
• 跑基准（默认自适应）
• Phase 1 网格搜索（96 组 × 2 区间 = 192 次回测）
• Phase 2 base weights 精搜（48 组 × 2 区间 = 96 次回测）
• Phase 3 最终对比（4 策略 × 2 区间 = 8 次回测）
• 输出最佳参数 + 可直接粘贴的代码片段

总耗时：首次运行约 10\~15 分钟（含数据拉取），缓存后约 3\~5 分钟。

5. 调优结果是否固定

不固定。 调优结果存在两个层面的时效性：

实践中建议：

• 连续参数（Phase 1）设定后可长期使用，仅在大盘波动率结构显著变化时重检
• base weights（Phase 2）每季度跑一次，输出最佳参数后手动更新到代码中
• 调优脚本设计为可重复执行，运行成本低（3\~5 分钟），鼓励频繁重跑

***

十七、代码质量与架构改进（新发现项）

> 以下条目来源于代码审查中发现的具体问题，与上一节 V2/V3 中规划的功能性需求不同。这些是当前代码中真实存在的 Bug、设计缺陷和优化机会。

1. SharpeFactor 计算公式不标准

文件: quality\_factor.py:L66

当前代码：

sharpe = total_return / (daily_std * np.sqrt(len(daily_returns) / 252))

问题：

• 使用 total_return 而非 mean_return——Total Return 是区间累计收益，不是单期平均收益
• np.sqrt(n / 252) 是降频因子，反向操作会导致数值错误
• 正确公式：np.mean(daily_returns) / np.std(daily_returns) * np.sqrt(252)

影响：所有使用 SharpeFactor 的选基排名都会系统性偏离标准 Sharpe Ratio。由于当前 Sharpe 只占 15-25% 权重，影响可控但需修正。

***

2. DataFetcher 伪并行

文件: engine.py:L42-L89

构造函数声明了 max_workers=5，但 fetch_batch() 中从未实例化 ThreadPoolExecutor。实际是串行循环：

for i, code in enumerate(codes):
    df = self.fetch_single(code, start_date, end_date)  # 阻塞等待
    if (i + 1) % 5 == 0:
        time.sleep(0.5)

应改为：

with ThreadPoolExecutor(max_workers=self.max_workers) as executor:
    futures = {executor.submit(self.fetch_single, code, start, end): code for code in codes}
    for future in as_completed(futures):
        ...

48 只 ETF 串行约 5 分钟，并行可压缩到 1 分钟以内。

***

3. weight\_engine.as\_factor\_weights 映射错误

文件: weight\_engine.py:L103-L112

key_map = {
    'volume': 'momentum',              # ❌ 量价确认 ≠ 动量
    'vol_price_conf': 'overbought_avoid', # ❌ 量价确认 ≠ 反追高
}

当调用 as_factor_weights(result, list(factor_df.columns)) 时，如果因子名为 volume 或 vol_price_conf，会被错误映射。虽然当前 adaptive 模式只用 defensive 因子集（暂无 volume/vol\_price\_conf），但这是未来的炸弹。应改为精确匹配或抛出明确异常。

***

4. MomentumFactor 使用整数索引而非日期对齐

文件: momentum\_factor.py:L28-L31

ret = (close[-1] - close[-w - 1]) / close[-w - 1]

这里假设 DataFrame 按日期连续排列、无缺失。如果源数据中存在非交易日缺口（如长假、停牌），close[-w-1] 对应的实际日历天数可能远超 w 个交易日。应改为按 trade_date 列过滤后再计算。

***

5. ETF 池存在同指数重复

文件: etf\_pool.py:L50-L53

当这些品种同时动量好时，会在 TopN 中占用多名额却不分散风险。需要增加 underlying_index 字段并在 select 后去重。

***

6. VolatilityStabilityFactor 指标相关性

文件: mean\_reversion\_factor.py:L127-L129

stability = abs(avg_return) / vol      # = |mean| / σ
score = min(1.0, max(0.0, (stability * 2 + sharpe * 0.5) / 3))

stability 和 sharpe 都除以 vol（标准差），高度相关，组合权重 2:0.5 ad-hoc。建议调研 Sortino Ratio（只惩罚下行波动率）或 Calmar Ratio（收益/最大回撤）作为替代。

***

7. 与择时系统未集成

设计方案规划的集成路径是 ETFSelectionEngine → StrategyAllocationManager，但实际实现中选基引擎完全独立运行。当前需要通过 run_push.sh 将选基结果和择时结果分别生成后拼接。未实现：

• 选基引擎输出 Portfolio 动态注入 StrategyAllocationManager
• 选出的 ETF 叠加现有 Strategy 的择时信号（选基+择时 双轮驱动）
• 回测时选基因子和择时信号在同一时间轴上协同作用

***

8. 缺少单元测试

整个 selection/ 包（18 个 Python 文件）没有任何单元测试。关键逻辑（因子计算、权重调节、回测净值）缺乏回归保护。建议至少覆盖：

• Factor.calculate() 在空数据/边际条件下的返回值
• AdaptiveWeightEngine 各状态的权重输出边界
• CrossSectionalBacktester 的净值计算正确性（用已知数据验算）

***

9. 文档中的设计-实现断链

设计方案中规划了但从未在代码中引用或预留接口的模块：

• PremiumFactor —— 折溢价因子类不存在
• premium_factor.py —— 文件不存在
• momentum_selector.py —— 只实现了 MomentumETFSelector（纯动量单因子），而非多窗口动量选基
• StrategyAllocationManager.update_board() —— 不存在动态更新方法

建议定期对比设计文档与代码，清理已废弃的路径描述或新增实现说明。

***

十八、策略执行纪律与心理防线设计

> 背景：当前系统存在两条独立信号链——截面选基引擎（中长期配置，输出仓位上限和品种选择）和择时策略层（中短期交易，33+子策略加权合成每日建仓建议）。但两个信号链之间没有互锁机制，且策略输出到人工执行之间存在未定义的地带——操作者需要凭感觉解读信号并决定买卖。这导致两个典型错误模式：(1) 把择时仓位的短期下降误解成悲观信号而恐慌清仓；(2) 不信任新开发的截面引擎而不敢按上限配置。本节解决"系统有信号，人不知道怎么执行"的断层问题。

1. 择时仓位百分比的正确解读

择时策略输出的百分比（如 59.77%）的含义是：

> 该品种下 N 个子策略中，加权平均后有 59.77% 的子策略当前看多。

格式说明（以创业板 33 策略为例）：

[399102.SZ 创业板 (5.0%) :]         ← 品种级权重 5%
策略总数: 33
2026-05-25  59.77%  仓位: 2.99%（预测值-量价平开）  ← 择时仓位 59.77% × 5% = 2.99%
2026-05-22  82.76%  仓位: 4.14% [当日操作建议，加仓: 0.11%]

仓位-信号映射表（替代凭感觉看数字）：

核心原则：

• 永远不要因为仓位数字下降就清零。清仓条件必须同时满足「择时<20%」+「截面牛熊转向」。
• 82.76% → 59.77% 是「极强共识→分歧加大」，属于正常波动区间，不应触发清仓。
• 系统已自动将仓位从 4.14% 降至 2.99%（品种级权重 5% × 择时仓位变化），不需要额外手动干预。

2. 信号链互锁：截面与择时的关系

两条信号链的时间维度和职责不同：

互锁规则：

最终执行仓位 = min(截面上限, 择时仓位建议) × 品种权重

截面「BULL 96%上限」+ 择时「59.77%」
  → 执行仓位 = min(96%, 59.77%) × 5% = 2.99%  ← 正确，已自动执行

截面「BULL 96%上限」+ 择时「<20%」
  → 执行仓位 = min(96%, <20%) × 5% = <1%
  → 大幅减仓但保留底仓，等择时回暖

不要在截面上限很高时绕过择时大幅加仓，也不要在择时短期波动时忽略截面的牛熊判断而清仓。

3. 分层减仓纪律（替代二元清仓）

当前问题：操作者看到回撤 → 恐慌 → 直接清零。需要用事前约定的分级减仓规则替代情绪决策。

当前仓位 X%
   │
   ├─ 触发条件 A：择时仓位跨区间下降 ≥ 两档（如 80%+ → 40-60%）
   │    → 减至 max(X% × 0.5, 截面上限 × 0.5)
   │    → 冷却期：至少等 2 个交易日才能再次减仓
   │
   ├─ 触发条件 B：截面牛熊降级（如 BULL → RANGING）
   │    → 仓位重置为新的截面上限
   │    → 例：96%上限 → 60%上限，立即执行
   │
   ├─ 触发条件 C：单日回撤 > 预设最大回撤容忍度（推荐 3-5%）
   │    → 减 20% 仓位（非清零）
   │    → 次日择时回暖则补回，否则继续观察
   │
   └─ 触发条件 D：截面降级 + 择时 < 20%（双重确认）
        → 可清仓至 10% 底仓
        → 除非截面 = SEVERE_BEAR，否则永不归零

关键设计原则：

• 冷却期：每次减仓后至少等 2 个交易日才能再次减仓，防止恐慌连续抛售
• 底仓永存：永远保留 10% 底仓（除非 SEVERE_BEAR），反弹时你在场内
• 补回机制：条件 C 触发减仓后，若次日择时恢复到触发前水平，必须补回（防止踏空「黑周四→周五反弹」）

4. 截面引擎的信任度渐进加仓机制

截面选基引擎仅运行 1-2 周，不信任是理性的。应设计验证流程让系统自己证明自己：

阶段 1：影子跟踪期（2-4 周）
  - 生成信号但只记录不执行
  - 每日对比「截面选出的 Top ETF」vs「基准收益率」
  - 验证指标：选出品种是否跑赢等权基准

阶段 2：小仓位验证期（4-8 周）
  - 按截面上限的 30% 执行（如 96% → 实际配 ~29%）
  - 继续追踪信号准确性
  - 验证指标：实际收益是否在回测预期区间内

阶段 3：正常执行期
  - 按截面上限的 70-80% 执行
  - 永远不打满 100%（留 20% 安全边际 = 有弹药应对黑天鹅 + 心理舒适区）
  - 每月复盘截面预测 vs 实际表现

为什么永远留 20% 安全边际？

• 截面的 exposure_cap 基于历史回测最优参数，未来不等于历史
• 20% 现金 = 你始终有弹药应对黑天鹅
• 这 20% 的「机会成本」换来的心理安全感，远超可能损失的收益

5. 持仓相关性监控（待实现）

当前截面选出的品种（科技/半导体/创业板/纳指）在特定市场环境下可能高度相关，导致单日集中回撤。

待实现：

• 在 ETFSelectionEngine 中增加 correlation_matrix 计算（日收益滚动 60 日相关性矩阵）
• 推送消息中增加「当前持仓平均相关性」指标
• 相关性 > 0.7 时自动降低截面上限（如 × 0.8 折扣系数）
• 在 diversification.py 中实现基于相关性的仓位分散化调整

6. 执行纪律检查清单（每日推送应包含）

当前推送消息缺少一个给操作者看的简明行动指南。建议在推送末尾增加：

📋 今日执行建议
--------------------------------------------------------------------------------
 截面状态: 🟢 强势牛市 | 仓位上限于 96%
 择时共识: 加权平均仓位 65%（跨品种均值）
 相关性: 待计算
 → 建议执行仓位: min(96%, 65%) = 65%（不高于截面，跟随择时）

 今日操作:
  ✅ 维持现有仓位，无需调整
  ⚠️ 若择时单日下降 > 20 个百分点，触发条件 A，减仓 50%
  🚫 禁止操作: 盘中恐慌清仓、因单一品种下跌而全盘抛售

7. 已确认的心理认知陷阱（不需要代码，需要内化）

持续承担风险获取收益的唯一方法：不是变得「更勇敢」，而是让系统替你承担决策压力。当回撤发生时，你看的不是账户数字，而是规则表——「条件 C 触发了吗？触发了，减 20%。没触发，不动。」规则执行不需要勇气，只需要纪律。

***

十九、择时与截面集成 TODO

> 以下条目为系统待实现项，与本节分析直接相关。

• 仓位-信号映射表落地：在推送消息中自动标注择时仓位所属区间和对应操作建议（而非仅显示百分比数字）
• 分层减仓规则引擎：在代码中实现条件 A/B/C/D 的触发判定和仓位计算逻辑
• 减仓冷却期机制：确保连续减仓之间至少有 2 个交易日间隔
• 底仓保护：除非截面 = SEVERE_BEAR，否则 position 永不低于 10%
• 截面信任度验证追踪：在推送中增加「截面预测准确性追踪」指标（自启用以来的命中率）
• 持仓相关性矩阵：每日计算截面持仓的滚动 60 日相关性，相关性 > 0.7 触发仓位折扣
• 执行建议摘要：推送末尾增加简明行动指南（今日操作 + 禁止操作）
• 截面与择时互锁：ETFSelectionEngine 输出动态注入 StrategyAllocationManager，实现「选基 × 择时」双轮驱动
• 安全边际参数化：增加 execution_safety_margin 参数（默认 0.8），所有截面上限 × 此系数后才是实际执行上限
• 盘中回撤熔断告警：单日回撤超过阈值时自动发送告警（而非等到次日推送），附带当前条件检查结果