对数价格择时策略研究：从 ln(P) 年化到一阶导/二阶导信号

> 📅 2026-09-21 建立 > > 本文把「把 K 线取对数 → 在对数价格空间做择时 → 回测验证」这条链路完整走一遍，并给出在 6 个品种、16 年样本上的实证结果。 > > 配套的两份东西： > - 代码：LogPriceStrategy.py（策略类）+ log_price_backtest.py（回测脚本）+ test_log_price_strategy.py（TDD 单元测试，8/8 通过） > - 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（本策略就是照那条 SOP 落地的） > > 本文回答三个问题： > 1. 为什么把价格取对数，就能体现年化？（第一节 · 原理） > 2. 「对数回归」这个实验怎么把年化算出来，结果如何？（第二节 · 验证） > 3. 基于对数价水平 / 一阶导 / 二阶导能做出什么策略，回测表现如何？（第三、四、五节）

---

一句话结论

对数价格 ln(P) 对时间做最小二乘回归，斜率 × 252 就是连续复利年化——这验证了"取对数就能体现年化"。基于对数时间序列构造的四种择时信号里，对数价一阶导（趋势）且平滑窗口 ≈ 20 个交易日是全场最强、最稳健的信号：它在 6 个品种上全部取得正收益（年化 5.4%~17.1%），且在 5 个品种上是第一名；相反，日频（未平滑）的对数一阶导和二阶导基本是噪声，而"三者同时成立"的 composite 组合信号资金占用只有约 20%，几乎没有实战价值。

---

一、原理：为什么"取对数"能体现年化

记价格为 $P_t$，对数价格为 $\ell_t = \ln P_t$。三个关键性质：

1.1 对数差分 ≈ 对数收益率，可跨时间相加

$$\ln P_t - \ln P_{t-k} = \ln\frac{P_t}{P_{t-k}} \approx k \text{ 期的收益率}$$

普通收益率是连乘的（$1+r_1)(1+r_2)\cdots$），取对数后变成连加。这带来两个好处：

• 时间可加：把若干个交易日的对数收益相加，就等于这段区间的对数收益，天然适合做「N 日趋势」判断。
• 尺度稳定：ln 把指数增长的曲线"拉直"成近似直线，波动幅度不随价格水平放大。

1.2 对数回归的斜率 = 复合年化增速（CAGR 的连续复利形式）

如果 $\ell_t \approx a + b\cdot t$（$t$ 为交易日序号），那么 $b$ 就是每个交易日的对数收益，于是：

$$\text{连续复利年化} = e^{\,b \times 252} - 1$$

这就是"取完对数后能体现出年化"的数学来源：对 ln(P) 做线性回归，斜率直接对应年化收益。

1.3 回归的 $R^2$ = 趋势的"干净程度"

• $R^2$ 高（接近 1）：价格走势接近一条稳定斜率的直线，趋势型信号会很好用；
• $R^2$ 低（接近 0）：ln(P) 上下乱窜没有稳定斜率，趋势型信号容易被反复打脸。

> 🌟 这条是后文最重要的"先验指标"：先看 $R^2$，再决定要不要在这个品种上用趋势类对数信号。

---

二、验证实验：对数回归怎么算年化，结果如何

实现：log_annualization

log_price = np.log(close)
t = np.arange(len(log_price))
b, a = np.polyfit(t, log_price, 1)          # 斜率 b = 日均对数收益
annualized = np.exp(b * 252) - 1            # 连续复利年化
r2 = 1 - ss_res / ss_tot                    # 拟合优度

样本：2010-01-01 ~ 2025-12-31 日线，6 个品种（数据来自 akshare 新浪指数日线，全历史）。

读表：

• 对数回归把长达 16 年的价格走势压缩成一个年化数字，且与常识吻合：创业板综/指这段区间涨幅最大（年化 7%~9%），深证成指几乎没涨（0.80%）。
• $R^2$ 的排序和后续回测表现高度相关：399102（$R^2$=0.61）的对数趋势信号表现最好，399001（$R^2$=0.04）的所有趋势类信号几乎全废（见第四节）。

---

三、策略设计：LogPriceStrategy

文件：LogPriceStrategy.py · class LogPriceStrategy(Strategy)

在对数价格空间构造 3 个基础指标 + 1 个组合信号：

持仓口径：指标全部只用截止到 t 日（含）的数据，仓位 position[i] = raw_signal[i-1]（严格 shift 1 天），杜绝未来函数；signal_offset 参数可再额外延后成交时点。

暴露的参数（四者同名，符合 SOP 的「形参名 = 属性名 = params_grid key = 基因名」约定）：

参数边界声明：params_grid.py · LogPriceStrategy_params

---

四、回测结果（固定参数基线，2010–2025）

运行：

python -m adata.aohan.quant.chart_test.log_price_backtest

口径：9 组代表性固定参数（尚未做 GA 优化，纯基线），下表为「总回报 / 年化（annual_return）」。

4.1 主表：总回报

（加粗 = 该品种最优；level-20 表示 level_window=20，d1-20 表示 smooth_window=20，以此类推。）

4.2 主表：年化收益

4.3 资金占用与交易频率（补充观察）

• composite 的资金占用恒定在 ~19%~20%：因为要三个条件同时成立，绝大多数时间空仓；收益也因此被压得很低，缺乏实战价值。
• d1-1 / d2-1（日频）年均交易次数约 60~80 次（全样本 900~1300 笔），换手极高，收益却常常很糟 —— 典型的噪声过拟合。
• d1-20 年交易次数仅约 10~11 次，换手低、回撤小（多数品种平均回撤 −11%~−16%），是"低频、稳"的形态。

---

五、关键发现

• 【最重要】d1 + smooth_window ≈ 20 是全场最强、最稳健的信号。

6 个品种全部取得正收益，在 000933.SH / 399300 / 399102 / 399006 / 399001 上均为第一名，仅在 000913.SH 上以微弱差距（6.67% vs 6.71%）位列第二。这意味着："约一个月的对数收益趋势为正就持有" 这个极简规则，是这批实验里最值得复用的核心信号。

• 日频对数一阶导（d1-1）是噪声，不是信号。

在 3 个宽基指数上巨亏（399300 −44.7%、399001 −62.0%、399006 −4.1%），交易近千次。原因是单日对数收益符号几乎无自相关性，频繁反向交易被摩擦成本吃光。教训：对数趋势必须做足够长的平滑，否则就是在赌硬币。

• 对数二阶导（d2）分化严重，稳健性不足。

在医药指数上表现很好（000933.SH d2-1: 195.0%、000913.SH d2-1: 182.8%），但在宽基上很糟（399300 −45.1%、399001 −53.2%）。二阶导对噪声更敏感，不适合做通用信号，只适合在特定品种上单独优化。

• level（对数价对中枢的偏离）短窗优于长窗，且强趋势品种表现极佳。

level_window=20 普遍优于 120；创业板系尤其亮眼（399006 level-20: 357.2%、399102 level-20: 337.3%）。但代价是最大回撤偏大（−46%~−57%）。level 本质是"均值回归式追涨"，在趋势强的品种上吃满主升浪。

• composite（三者 AND）几乎没有实战价值。

资金占用仅 ~20%，年化 0 附近徘徊（甚至为负）。条件过于苛刻 → 出手极少 → 收益被稀释。建议弃用，或改为 OR（任一成立）/加权复合。

• 对数回归的 $R^2$ 是有效的"信号前瞻指标"。

$R^2$ 高的品种（399102=0.61、399006=0.53），其 d1-20 年化也最高（14.5%、17.1%）；$R^2$ 极低的 399001（0.04），所有趋势类信号几乎全线失效。实操上：先算对数回归 $R^2$，只对 $R^2$ 达标的品种上趋势类对数信号。

---

六、结论与下一步

6.1 结论

• 可以复用的核心信号：d1（对数价一阶导）且 smooth_window ≈ 20（约一个月）。
• 应当回避的形态：d1-1（日频）、d2-1（日频）、composite（AND 组合）。
• 品种选择：优先用于对数回归 $R^2$ 较高、趋势平稳的品种（创业板系、医药系），$R^2$ 极低的品种慎用。

6.2 下一步（尚未做）

• GA 参数优化：把 LogPriceStrategy 接入 params_deep_seek.py 的 strategy_configs，重点在 signal_type='d1'、smooth_window ∈ (10, 40) 区间精调，其他信号作为对照。
• 未来函数终检（SOP Step 6）：本策略已内置 shift(1)，但仍需按 SOP 手工再 shift(1) 跑一次对比收益是否缩水 —— 本次仅完成编码级防未来函数，终检尚未执行。
• 改造 composite：尝试 OR 组合或加权组合，观察是否能兼顾资金占用与收益。
• 单品种专用信号：对医药指数单独启用 d2（二阶导），对创业板系启用 level-20。
• 入选策略池：待 GA 出最优参数后，用 add_strategy_to_board 注册进 timing_config.py。

---

七、如何复现

# 1. 单元测试（8/8 通过，验证四种信号 + 防未来函数契约）
python -m pytest tests/adata_test/quant/test_log_price_strategy.py -v

# 2. 对数回归 + 回测（默认 6 品种，也可传入自定义代码）
python -m adata.aohan.quant.chart_test.log_price_backtest
python -m adata.aohan.quant.chart_test.log_price_backtest 399006 399102

数据来源说明：本项目 fetch_data 对纯数字指数代码（如 399102）的路由不稳定（会返回空 DataFrame）； 本脚本改用 akshare stock_zh_index_daily（全历史、稳定，全项目已有多处使用）， 并保留 fetch_data 作为回退。代码映射规则见 _to_akshare_symbol。

---

📚 相关阅读

• 策略研发标准化流程-从策略基类到GA优化到策略池（本策略的落地 SOP）
• LogPriceStrategy.py（策略类源码）
• log_price_backtest.py（回测脚本源码）
• 2026-06-08-反转策略权重增强方案（同栏目 · 策略加权视角）