三层择时优化 · 落地行动计划（v2 · 回测驱动）

> 2026-08-11 · v2 重大调整：回测是第一公民。v1 把回测弱化成两个"验证任务"，v2 改为回测驱动开发（Backtest-Driven Development）——先量化现状差距（基线回测）→ 实现 → 回测对比 → 不达标不进下一阶段。 > > 配套探讨文档：2026-08-11-牛熊判断与牛市仓位优化探讨.md（v3，讲"为什么这么设计"） > > 本文回答三个问题： > 1. 迁移成本有多大？ —— 零迁移成本，纯加法 overlay（详见第一章）。 > 2. 回测怎么做？ —— 这是本文重头戏：基线回测先行、Walk-Forward 防过拟合、分市场状态拆解、图表化报告（详见第二章）。 > 3. 怎么一步步落地？ —— 四阶段 15 任务，每个阶段以"回测达标"为进入下一阶段的硬门槛（详见第三章）。

---

一、迁移成本评估（结论不变：零迁移成本）

1.1 现有数据流（已核实）

timing_config.py (硬编码注册30+策略)
    ↓
show_marker.py L2263  for code in codes_to_process:
    └─ load_mult_market_strategy(...)            # L2278 ★ 唯一核心入口
         ├─ calculate_portfolio_metrics()         # 逐策略信号→加权日收益
         ├─ calculate_average_holding_ratio()     # ★ position% = Σ(stock_value_ratio × weight)，0~100
         ├─ 存 last_timing_positions[code]        # L161-185 {predicted/today/yesterday}
         └─ 返回推送文本
    ↓
推送消息 L2297~2951 / 网页"今日仓位" / 持久化DB / 回测图表  ← 全部读 last_timing_positions

• position 是 0~100 百分比（market_data_processer.py L475）；
• 所有下游消费者都从 last_timing_positions 这一个快照读取 → overlay 只需在"position 算完→快照存储"之间做后处理，下游全部自动受益。

1.2 改动范围

---

二、回测工作流（本文核心）

2.1 为什么回测必须是第一公民

这套优化要回答的是数据问题，不是代码问题：

• 现状策略池在过去 10 年牛市里到底踏空了多少？（目前只有 2025-08~2026-08 一年实盘观察）
• "震荡市被磨"的磨损量级是多少？（报告里只有定性描述，没有 10 年量化）
• 三层体系能否在不牺牲低回撤的前提下把牛市参与度提上去？
• 参数（缓冲带/ADX/估值档位）是否过拟合？

不先做基线回测，就没有"改之前的真相"；不对比回测，就没有"改之后的有效证明"。

2.2 数据就绪性（已实测核查 ✅）

data_cache/ 里是全历史日线缓存（run_data_fetcher.py 每日 08:45/23:10 全量刷新），不是近期窗口：

结论：Walk-Forward 回测所需 2015-01~2026-08 数据已就位，无需新拉数据（走 DataCacheManager.load_best，见 data_cache.py）。阶段三涉及的 QQQ/GLD（alpha 源）在数据准备任务中单独核查。

2.3 回测口径（防未来函数）

2.4 回测指标体系（对比维度全，才叫"详细回测"）

每品种、每窗口、现状 vs overlay 两套，输出同一套指标：

2.5 回测报告产物（图表化，入文档库）

每阶段回测生成一份报告，放在 learn/投资复盘/（与实盘复盘报告同级，自动收录文档库）：

• 净值曲线对比图：现状 vs overlay vs 大盘（3 条线，同窗口）；
• 回撤曲线对比图：现状 vs overlay 水下面积对比；
• 分市场状态柱状图：牛市/熊市/震荡 × 年化收益（验证"震荡市不被磨、牛市末期不裸奔"）；
• Walk-Forward 稳定性图：7 个窗口的参数取值 vs 样本外指标（验证不过拟合）；
• 指标汇总表：23 品种 × 两套体系 × 全套指标。

格式沿用实盘复盘报告风格（深色主题、内嵌 SVG、可分享截图）。

---

三、行动项清单（四阶段 · 15 任务）

> 节奏：每阶段 = 先建回测基线 → 再实现 → 回测对比 → 达标才进下一阶段。所有任务 TDD（先写失败测试→实现→跑通→commit），unittest 风格。

---

阶段零：回测基础设施 + 现状基线（改任何代码之前先量化差距）

Task 0.1：回测引擎骨架（数据加载 + 指标计算）

Files:

• Create: adata/aohan/quant/timing_overlay/backtest/engine.py
• Create: adata/aohan/quant/timing_overlay/backtest/metrics.py
• Create: tests/adata_test/quant/test_backtest_metrics.py

Step 1: 写失败测试（指标计算的纯函数）

# tests/adata_test/quant/test_backtest_metrics.py
import unittest
import numpy as np
from adata.aohan.quant.timing_overlay.backtest.metrics import (
    compute_drawdown, sharpe, sortino, calmar, timing_value_added)

class TestMetrics(unittest.TestCase):
    def test_drawdown(self):
        # 净值 1.0 → 0.9 → 1.0：最大回撤 10%
        nav = np.array([1.0, 1.1, 0.99, 1.05])   # 高点1.1 → 低点0.99 = 10%
        dd = compute_drawdown(nav)
        self.assertAlmostEqual(dd.max(), 0.10, places=2)

    def test_sharpe_annualized(self):
        # 每日收益率恒定 0.001，年化夏普应 > 0
        daily_ret = np.full(252, 0.001)
        s = sharpe(daily_ret)
        self.assertGreater(s, 0)
        # 无波动率时应返回 0（不炸）
        self.assertEqual(sharpe(np.zeros(100)), 0.0)

    def test_timing_value_added(self):
        # 策略收益 10%，大盘 15%，平均仓位 50% → 择时增值 = 10-7.5 = 2.5
        v = timing_value_added(strat_ret=0.10, bench_ret=0.15, avg_pos=0.5)
        self.assertAlmostEqual(v, 0.025)

Step 2: 跑失败 — env -u PYTHONHOME -u PYTHONPATH .venv/bin/python -m unittest tests.adata_test.quant.test_backtest_metrics -v Expected: FAIL（ModuleNotFoundError） Step 3: 实现 — metrics.py：drawdown（rolling max）、sharpe（日收益×√252）、sortino（下行波动）、calmar（年化/最大回撤）、timing_value_added（择时增值定义）；engine.py：load_backtest_df(code, start, end) 封装 DataCacheManager.load_best + run_baseline(code) 调 load_mult_market_strategy 取 processor.df['position']。 Step 4: 跑通过 Step 5: Commit — git commit -m "feat: 回测引擎骨架与指标计算"

---

Task 0.2：现状基线回测（10 年 Walk-Forward · 改代码前先量化差距）

Files:

• Create: adata/aohan/quant/timing_overlay/backtest/walk_forward.py
• Create: scripts/run_backtest_baseline.py（或放 timing_overlay/backtest/，遵项目习惯）

Step 1: 写失败测试（walk_forward runner：给定窗口列表，输出每窗口指标 dict）

# tests/adata_test/quant/test_walk_forward.py
import unittest
from adata.aohan.quant.timing_overlay.backtest.walk_forward import (
    WINDOWS, build_windows)

class TestWalkForward(unittest.TestCase):
    def test_seven_windows(self):
        self.assertEqual(len(build_windows()), 7)
        # 每窗口：训练集早于验证集
        for w in build_windows():
            self.assertLess(w['train_end'], w['valid_start'])

Step 2: 跑失败 → Step 3: 实现 — 7 窗口（2015-18 训练/2019 验证 … 2015-24 训练/2025-26 验证，见探讨文档第八节）；对 23 品种 × 7 窗口跑 run_baseline，输出每窗口的指标表。 Step 4: 跑通 — 性能注意：23 品种 × 30+ 策略 × 10 年，单次全库可能数分钟到数十分钟；用 ThreadPoolExecutor(max_workers=6)（参考 fetch_data_batch）并行品种，指标可先只跑 3 个代表品种（399102 创业板/510880 红利/510300 沪深300）快速迭代，全量最后跑。 Step 5: Commit — git commit -m "feat: 现状基线Walk-Forward回测（7窗口×23品种）"

---

Task 0.3：基线回测报告（量化差距 · 里程碑 M0）

Files:

• Create: adata/aohan/quant/timing_overlay/backtest/report.py
• Output: learn/投资复盘/2026-08-11-择时基线回测.html

Step 1: 报告生成器（净值曲线/回撤曲线/分市场柱状图/指标表，复用实盘复盘报告的内嵌 SVG 风格）。 Step 2: 跑全量基线，产出基线报告。 Step 3: 分析并量化三个差距： - 牛市踏空幅度：23 品种 10 年牛市期平均仓位 vs 大盘收益； - 震荡磨损量级：状态切换次数/年 + 震荡期择时增值； - 低回撤特质：最大回撤/平均回撤 vs 大盘（应与实盘复盘结论一致）。 Step 4: Commit — git commit -m "docs: 择时现状基线回测报告（10年Walk-Forward）"

> 里程碑 M0（硬门槛）：基线报告产出，三个差距量化成数字。不达标不写 overlay 一行代码。

---

阶段一：L1 + L3 实现（纯价格，零外部依赖）

Task 1.1：timing_overlay 包骨架 + 开关配置

（同 v1 Task 1，内容不变：config.py 三层开关默认全关、参数表）

Task 1.2：L1 趋势状态机（组合层 ADX + MA60 + 滞回 + 共识度）

（同 v1 Task 2：layer1_trend_state.py，含 TrendStateMachine.update(df, consensus, rs_pass) 与 compute_consensus）

Task 1.3：L3 双触发 trailing stop + 再进入规则

（同 v1 Task 3：layer3_drawdown_protect.py，含指数 ATR 触发 + 净值硬止损 + 分 3 日再建仓）

Task 1.4：overlay 合成器（主开关 + min 封顶 + 事件驱动）

（同 v1 Task 4：position_overlay.py 的 apply_overlay，公式见探讨文档第六节）

Task 1.5：overlay 逐日序列版（回测用）—— 回测与实盘共用同一逻辑

Files:

• Modify: adata/aohan/quant/timing_overlay/position_overlay.py（加 apply_overlay_series）
• Test: tests/adata_test/quant/test_overlay_series.py

Step 1: 写失败测试（序列版与逐点版等价：同一输入序列，逐日推进状态机，输出与手动逐点调用一致；特别测：状态一旦进入 attack，回调 5% 不出局（滞回），回撤 8% 触发减半等）

class TestOverlaySeries(unittest.TestCase):
    def test_series_equals_pointwise(self):
        # 同一 df 上，apply_overlay_series 的输出 == 手动循环 apply_overlay
        ...

    def test_hysteresis_keeps_attack_on_5pct_pullback(self):
        # 进攻态下回调5%（<缓冲带），状态不变
        ...

Step 2: 跑失败 → Step 3: 实现（apply_overlay_series：遍历 df 行，维护 L1/L3 状态对象，逐日调用 apply_overlay，返回新 position 序列）→ Step 4: 跑通 Step 5: Commit — git commit -m "feat: overlay逐日序列版（回测/实盘共用）"

Task 1.6：L1+L3 回测对比（vs 基线 · 里程碑 M1）

Files:

• Modify: adata/aohan/quant/timing_overlay/backtest/engine.py（run_overlay(code)：基线 position 过 apply_overlay_series）

Step 1: 打开 L1+L3 开关，7 窗口 × 23 品种重跑。 Step 2: 对比基线报告，检查硬指标：

Step 3: 生成 learn/投资复盘/2026-08-11-择时L1L3回测对比.html，与基线报告并排对比。 Step 4: Commit — git commit -m "docs: L1+L3回测对比报告"

> 里程碑 M1（硬门槛）：切换次数 -60% 且最大回撤不恶化。不达标→回到 Task 1.2/1.3 调参，禁止进入阶段二。

Task 1.7：接入生产链路（受开关保护，默认关）+ 实盘 A/B

Files:

• Modify: adata/aohan/quant/chart/MarketAnalysis.py（calculate_average_holding_ratio 后、存 last_timing_positions 前插入 apply_position_overlay_for_code）
• Modify: run_push.sh（加 AH_OVERLAY=1 环境变量透传）

Step 1: 写失败测试（回归：开关全关时 load_mult_market_strategy 行为与改动前逐字节一致） Step 2: 实现（受 config.set_overlay_config 环境变量控制） Step 3: 跑通回归测试 Step 4: 手动 AH_OVERLAY=1 bash run_push.sh，对照"消息推送.txt"今日仓位差异。 Step 5: Commit — git commit -m "feat: overlay接入生产链路（默认关，回归安全）+A/B旁路"

---

阶段二：L2 估值刹车

Task 2.1：L2 估值档位（PE/PB 分位 + 品种类型适配 + 5 年滚动分位修正）

Files:

• Create: adata/aohan/quant/timing_overlay/layer2_valuation_brake.py
• Modify: adata/aohan/quant/data_process/valuation_fetcher.py（_postprocess_valuation_df 增加 5 年滚动分位选项，默认行为不变，新增参数 rolling_window）
• Test: tests/adata_test/quant/test_layer2_valuation_brake.py

Step 1: 写失败测试

• valuation_cap(code, pe_pct, pb_pct)：宽基用 PE、金融周期用 PB、分歧取更紧、红利放宽 80%、GLD/QQQ 返回 None（禁用）；
• 5 年滚动分位：构造 8 年数据，验证早期极端值不再绑架当前分位。

Step 2: 跑失败 → Step 3: 实现（数据走 ValuationFetcher.fetch(code) 的 pe_pct/pb_pct；注意缓存文件已有 399006.SZ_valuation_1d_valuation.csv、000300.SH_valuation_1d_valuation.csv 等）→ Step 4: 跑通 Step 5: Commit — git commit -m "feat: L2估值档位（品种适配+5年滚动分位）"

Task 2.2：接入 overlay 合成器（GLD/QQQ 禁用、红利放宽）

Files:

• Modify: adata/aohan/quant/timing_overlay/position_overlay.py
• Test: tests/adata_test/quant/test_position_overlay.py

Step 1: 失败测试（L2 返回 None → 不封顶；红利 → 80% 上限） Step 2~4: 实现 + 跑通 Step 5: Commit — git commit -m "feat: L2接入overlay合成器"

Task 2.3：三层全开 Walk-Forward 复测 + 报告（里程碑 M2）

Files:

• Modify: adata/aohan/quant/timing_overlay/backtest/engine.py（run_overlay 打开 L2）
• Output: learn/投资复盘/2026-08-11-择时三层回测对比.html

Step 1: 三层全开重跑 7 窗口。 Step 2: 检查硬指标：

Step 3: 生成三层对比报告，与基线/L1L3 报告三线并排。 Step 4: Commit — git commit -m "docs: 三层全开Walk-Forward复测报告"

> 里程碑 M2（硬门槛）：牛市超额收敛到 -5pp 且回撤不恶化。达标后开启生产 L2 开关进行实盘 A/B。

---

阶段三：增强项（需要新建数据管道）

Task 3.1：跨品种相对强度（RS）过滤

• Create: timing_overlay/relative_strength.py
• Modify: show_marker.py L2263 主循环前一次算完 23 品种 60 日涨幅排名，传入 overlay。
• 回测：run_overlay 增加 rs 输入，7 窗口复测，验证 RS 过滤是否提升牛市超额收敛速度。
• 报告：追加到三层对比报告。

Task 3.2：情绪/宽度数据管道

• 验证 moneyflow_mkt_dc 接口数据质量（tushare 积分）；
• 新建涨跌家数采集（akshare stock_market_activity_legu 或自建 advance/decline），落 data_cache/；
• 数据新鲜度与 ValuationFetcher 同级（5 天）。

Task 3.3：Breadth 预警 + 海外 ETF 估值补全

• Breadth 指标进 L2 情绪刹车（>90% 分位强制降档）；
• QQQ 历史 PE 管道（trendonify 已有 SP500 爬虫，扩展 QQQ）；
• 复测验证：牛市末期宽度预警能否提前 1~2 周降仓（量化"提前量"）。

---

四、回测达标门槛总表（不达标不进下一阶段）

回测是门槛，不是装饰：每阶段回测报告 + 指标对比表都要落到 learn/投资复盘/，成为可追溯的决策依据。

---

五、依赖与风险

---

六、里程碑与产物一览