选股因子回测验证与修正

> 最后更新：2026-07-02 > > 本文档记录选股因子的实际回测验证过程和修正结论。它是 01-选股-多因子设计方案 的后续验证文档——设计方案提出了 5 因子框架，本文档用数据证明其中 4 个因子在 A 股上无效并修正为单因子动量。

---

一、背景

设计方案 V1 提出 5 个等权重因子：

首次全量跑完后，选出的 TOP 10 如下（2026-07-02）：

直觉上就不对——一堆跌的、横盘的股票竟然进了 TOP。下面用数据逐因子剖析。

---

二、因子诊断（2026-07-02 截面，1145 只股票）

2.1 反追高因子（anti_overbought）—— 彻底失效

得分分布: mean=0.909, p25=1.0, p50=1.0, p75=1.0
得分=1.0 的比例: 937/1134 = 82.6%
得分为 1.0 的股票过去 20 日均收益: -7.65%（正收益仅 9/50）

为什么会这样？

反追高因子的设计是：偏离 60 日均线 < 15% 不惩罚（得满分 1.0），偏离 15%-50% 线性惩罚。

但在 A 股现实中，「偏离均线 15% 以上」是一个极罕见的场景——大部分股票要么在均线附近震荡（得 1.0），要么在均线下方（还是得 1.0，因为偏离度 < 15%）。只有在短时间内暴涨 15%+ 的妖股才会被惩罚。

结果：82.6% 的股票得分完全相同（=1.0），等于 20% 的权重被浪费，而且得满分的股票里 82% 在亏钱。

2.2 量价确认因子（volume_confirm）—— 公式有 bug

量价确认 = sign(20日收益) × (20日均量/60日均量 − 1)

这个公式的致命缺陷：

• 股票下跌 20% 且缩量 50% → sign = -1, ratio = 0.5 → score = (-1) × (-0.5) = +0.5 🟢
• 股票大涨 50% 且放量 2 倍 → sign = +1, ratio = 2.0 → score = (+1) × (+1.0) = +1.0 🟢
• 股票大跌 50% 且放量 2 倍 → sign = -1, ratio = 2.0 → score = (-1) × (+1.0) = -1.0 🔴

下跌缩量的死股被奖励 +0.5，这完全违背了「量价确认」的本意。回测中「动量 + 量价确认」组合每期收益仅 +0.15%（其他组合 +2% 以上），接近腰斩。

2.3 稳定性因子（stability）—— 方向错误

stability = 1 − (40日波动率 / 120日波动率)

这个公式奖励「近期波动远小于历史波动」的股票。但问题是——在 A 股，一只从 100 跌到 50 再横盘 40 天的股，40 日波动极低、120 日波动很高，stability = 1 − 0.2/0.5 = 0.6，比正常温和上涨的股得分还高。

结论：稳定性因子奖励的是「跌完以后死掉的股票」，而非「稳步上涨的股票」。

2.4 流动性因子（liquidity）—— 量纲不兼容

liquidity = avg_amount × 0.5 + avg_turnover × 0.5

日均成交额 6 亿（如招商银行）→ score = 3 亿。日均成交额 6000 万（小盘股）→ score = 3000 万。量纲差异 50000 倍，rank 归一化后勉强能用，但和动量因子的 rank 分数放在一起加权，信息比例完全失衡。

---

三、回测验证

3.1 回测参数

3.2 结果

3.3 核心结论

• 纯动量单因子完胜一切多因子组合。添加任何别的因子（稳定性、量价确认、反追高、流动性）都会稀释动量信号并降低收益
• 40+80 日窗口最优（R² 趋势质量 + 回撤惩罚），胜率 61%
• 短窗口（20 日）和纯收益（无趋势/R²）动量都更差。趋势质量和回撤惩罚确实在起作用
• 基准 3.49%/期 说明小盘股（被流动性过滤放过的 20M+ 成交额股）确实比沪深 300 强，纯动量在此基础上仍有 53% 超额

3.4 当前选股实操验证（2026-07-02 截面，纯动量）

所有 10 只股过去 20 日全部正收益！

---

四、当前因子规格（最终采用）

动量因子（唯一因子）

raw = 40日收益 × 0.6 + 80日收益 × 0.4

R²趋势质量:
  对 40 日归一化价格做线性回归
  slope ≤ 0 → R² 为负值（下跌趋势打负分）
  slope > 0 → R² 越大越得分（趋势越平滑越高）
  clamp(R², -1, 1); min(R², 0.3)

回撤惩罚:
  距 80 日高点回撤 0~5%   → 不惩罚（×1.0）
  距 80 日高点回撤 5~15%  → 轻微惩罚（×0.7）
  距 80 日高点回撤 >15%   → 重度惩罚（×0.3）

final_score = raw × max(R², 0.3) × 回撤惩罚

归一化 & 加权

normalize(method='rank')  → 百分位排名（0-1 区间）
weight = 1.0
无其他因子参与加权

分散化

• 行业去重：同一申万一级行业最多 2 只
• 相关性剔除：贪心算法，候选股与已选股 40 日收益相关性 > 0.7 则跳过

---

五、文件结构

selection/stock/
├── factor/
│   ├── momentum.py          # ★ 唯一生产因子
│   ├── stability.py         # 保留但未使用
│   ├── anti_overbought.py   # 保留但未使用
│   ├── volume_confirm.py    # 保留但未使用（公式有 bug）
│   └── liquidity.py         # 保留但已改为 StockDataFetcher 的过滤层
├── backtest_simple.py       # 回测脚本（可随时重新验证）
└── engine.py                # _default_selector() 已改为单因子动量

保留其他因子代码的目的是方便后续继续实验——任何新因子想法都可以通过 backtest_simple.py 加一行配置快速验证。

---

六、下一步 TODO

• 延长回测周期（需要更长的历史数据，当前缓存只有 2 年）
• 尝试加入质量因子（ROE/毛利率/现金流），验证是否会改善纯动量的收益
• 研究反转因子在 A 股熊市窗口期（如 2024-09 大跌后）的表现
• 优化持仓数量（Top 5 vs Top 10 vs Top 20）
• 将纯动量选股接入 show_marker.py 的推送流程，与 ETF 选基结果一起推送
• 研究先粗筛（动量为正）再精选（R² > 0.5）的两阶段筛选是否优于直接打分