aszer/etf
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

docs: 添加策略框架调研与设计方案

Browse Source 
包含4份核心文档：
- 轮动策略系统架构分析报告
- 量化策略通用框架抽象设计
- Freqtrade架构调研与对比分析
- ETF轮动策略通用化重构方案

调研结论：三种策略可抽象通用框架
设计决策：因子注册器风格 + 5个核心回调钩子 + TopN/Trend/Reversal信号生成器
This commit is contained in:
aszerW
2026-05-11 22:17:41 +08:00
parent baeeb13c34
commit c54ba442ad
4 changed files with 2243 additions and 0 deletions
Download Patch File Download Diff File Expand all files Collapse all files

387
docs/ETF轮动策略通用化重构方案.md Normal file
View File

@@ -0,0 +1,387 @@
# ETF轮动策略通用化重构方案
## 一、重构目标与范围
### 1.1 核心目标
**将现有轮动策略重构为通用量化框架**，支持：
- ✅ 轮动策略（动量选股 + Top N）
- ✅ 趋势跟踪策略（趋势因子 + 信号跟随）
- ✅ 反转策略（反转因子 + 超买超卖）
- ✅ 自定义策略扩展
### 1.2 重构范围
| 模块 | 是否重构 | 重构内容 | 保持不变 |
|------|----------|----------|----------|
| **数据层** | ✅ 部分重构 | 添加DataSource抽象接口 | 混合数据源逻辑保留 |
| **因子层** | ✅ 重构 | FactorBase抽象 + 注册器 + 组合器 | 因子计算逻辑保留 |
| **信号层** | ✅ 重构 | SignalGenerator抽象（TopN/Trend/Reversal） | 选股逻辑迁移 |
| **风控层** | ✅ 新增 | 回调钩子 + 风控组件库 | 无（原为分散化） |
| **执行层** | ⚠️ 保持 | 回测引擎不变 | 回测逻辑完整保留 |
| **报告层** | ⚠️ 保持 | KPI计算不变 | 可视化保留 |
| **配置层** | ✅ 重构 | YAML配置驱动 | 参数结构保留 |
---
## 二、核心设计决策（需确认）
### 决策点1：因子抽象方式
**选项A：Freqtrade风格（方法内定义）**
```python
def populate_indicators(self, dataframe):
dataframe['momentum'] = calculate_momentum(dataframe, 25)
dataframe['rsi'] = ta.RSI(dataframe, 14)
return dataframe
```
- 优点：简单直观，与Freqtrade一致
- 缺点：因子不可复用，难以组合
**选项B：注册器风格（模块化）**
```python
class MomentumFactor(FactorBase):
def compute(self, data):
return calculate_momentum(data, self.n_days)
FactorRegistry.register(MomentumFactor)
# 在策略中使用
factors = FactorCombiner([
FactorRegistry.get('momentum', n_days=25),
FactorRegistry.get('volatility', period=20)
])
```
- 优点：因子可复用、可组合、可插拔
- 缺点：复杂度略高
**建议**：**选择B（注册器风格）**，保持我们的模块化优势。
---
### 决策点2：回调钩子范围
**参考Freqtrade的回调设计**：
| 回调钩子 | 用途 | 是否需要 |
|----------|------|----------|
| `before_entry` | 入场前检查（溢价、崩盘） | ✅ 需要 |
| `after_entry` | 入场后记录 | ⚠️ 可选 |
| `before_exit` | 出场前检查 | ⚠️ 可选 |
| `after_exit` | 出场后记录 | ⚠️ 可选 |
| `dynamic_stoploss` | 动态止损 | ✅ 需要 |
| `custom_exit` | 自定义出场条件 | ✅ 需要 |
| `position_adjust` | DCA/部分止盈 | ❌ 不需要（轮动不适用） |
**建议**：**实现5个核心回调**（before_entry, dynamic_stoploss, custom_exit, after_entry, after_exit）。
---
### 册策点3：参数装饰器设计
**Freqtrade风格**：
```python
class RotationStrategy:
n_days = IntParameter(10, 60, default=25, space='factor')
select_num = IntParameter(1, 5, default=3, space='signal')
```
**简化风格（无Hyperopt）**：
```python
class RotationStrategy:
n_days = 25 # 类属性，可被配置覆盖
select_num = 3
```
**建议**：**先实现简化版（类属性 + 配置覆盖）**，后续再添加参数装饰器 + Hyperopt。
---
### 决策点4：信号生成抽象
**选项A：统一SignalGenerator接口**
```python
class SignalGenerator(ABC):
def generate(self, factor_data: DataFrame) -> DataFrame
class TopNSelector(SignalGenerator):
def generate(self, factor_data):
# Top N选股逻辑
class TrendFollower(SignalGenerator):
def generate(self, factor_data):
# 趋势跟随逻辑
```
**选项B：策略直接生成信号**
```python
class RotationStrategy:
def generate_signals(self, data):
# 直接在策略内生成
```
**建议**：**选择A（统一SignalGenerator）**，信号逻辑可复用、可插拔。
---
### 决策点5：执行模式支持
**Freqtrade支持**：backtest / hyperopt / dry / live
**当前系统支持**：backtest only
**需要添加**：
- ✅ dry-run（模拟盘）：验证策略逻辑
- ⚠️ live（实盘）：需券商API对接
- ❌ hyperopt：后期添加
**建议**：**仅添加dry-run模式**，实盘执行器延后。
---
## 三、分阶段实施路径
### 阶段一：因子层抽象（P1，预估2天）
**目标**：因子可插拔、可组合
**实施内容**：
1. 创建`FactorBase`抽象基类
2. 创建`FactorRegistry`注册器
3. 创建`FactorCombiner`组合器
4. 重构现有动量因子为`MomentumFactor`
5. 添加技术因子（`TrendFactor`, `ReversalFactor`）
**验收标准**：
- 因子可注册、可获取、可组合
- 现有轮动策略功能不变（回归测试）
---
### 阶段二：信号层抽象（P1，预估1天）
**目标**：信号生成可插拔
**实施内容**：
1. 创建`SignalGenerator`抽象基类
2. 创建`TopNSelector`实现（迁移现有选股逻辑）
3. 创建`TrendFollower`实现
4. 创建`ReversalTrader`实现
**验收标准**：
- 三种信号生成器可独立运行
- TopNSelector与原逻辑一致
---
### 阶段三：回调钩子机制（P1，预估1天）
**目标**：生命周期可控
**实施内容**：
1. 在`StrategyBase`中添加回调钩子定义
2. 实现`before_entry`回调（溢价过滤）
3. 实现`dynamic_stoploss`回调
4. 实现`custom_exit`回调
**验收标准**：
- 回调可正常触发
- 溢价过滤生效
- 动态止损生效
---
### 阶段四：配置驱动重构（P2，预估1天）
**目标**：策略参数可配置
**实施内容**：
1. YAML配置结构设计
2. 配置加载与验证
3. 配置覆盖类属性
4. 策略工厂（根据配置创建策略）
**验收标准**：
- 可通过YAML配置运行策略
- 配置可覆盖策略默认参数
---
### 阶段五：趋势/反转策略实现（P3，预估2-3天）
**目标**：验证框架扩展性
**实施内容**：
1. 实现`TrendFollowStrategy`
2. 实现`ReversalStrategy`
3. 回测验证
**验收标准**：
- 新策略可正常运行
- 回测报告正常生成
---
## 四、预期收益与风险
### 4.1 预期收益
| 维度 | 当前状态 | 重构后 | 提升 |
|------|----------|--------|------|
| **代码复用** | 因子/信号耦合 | 模块化复用 | 50%+ |
| **策略扩展** | 仅轮动策略 | 支持3+策略类型 | - |
| **参数调优** | 手动修改代码 | 配置驱动 | 效率提升 |
| **风控灵活性** | 固定分散化 | 回调动态控制 | - |
| **维护成本** | 多处修改 | 单点修改 | 降低50% |
### 4.2 风险评估
| 风险 | 等级 | 应对措施 |
|------|------|----------|
| **回归风险**：重构导致原有逻辑变化 | 🔴高 | 每阶段完成后运行回测验证 |
| **性能风险**：抽象层增加性能损耗 | 🟡中 | 保持向量化计算，避免循环 |
| **复杂度风险**：抽象层增加理解成本 | 🟡中 | 完善文档 + 示例代码 |
| **时间风险**：预估时间不准 | 🟢低 | 分阶段验收，及时调整 |
---
## 五、关键架构图
### 5.1 最终架构
```
┌─────────────────────────────────────────────────────────────┐
│ QuantStrategyFramework │
├─────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
│ │ DataSource │ │ FactorLayer │ │ SignalLayer │ │
│ │ │ │ │ │ │ │
│ │ - HybridSrc │ │ - FactorBase │ │ - SignalGen │ │
│ │ - Tushare │ │ - Registry │ │ - TopN │ │
│ │ - YFinance │ │ - Combiner │ │ - Trend │ │
│ │ │ │ │ │ - Reversal │ │
│ └──────────────┘ └──────────────┘ └──────────────┘ │
│ │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
│ │ StrategyBase │ │ RiskLayer │ │ ExecLayer │ │
│ │ │ │ │ │ │ │
│ │ - populate_* │ │ - Callbacks │ │ - Backtest │ │
│ │ - 回调钩子 │ │ - StopLoss │ │ - DryRun │ │
│ │ │ │ - Position │ │ │ │
│ └──────────────┘ └──────────────┘ └──────────────┘ │
│ │
├─────────────────────────────────────────────────────────────┤
│ Config (YAML驱动) │
├─────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
│ │RotationStrat │ │ TrendStrat │ │ ReversalStrat│ │
│ │ │ │ │ │ │ │
│ │ 动量因子 │ │ 趋势因子 │ │ 反转因子 │ │
│ │ TopN选股 │ │ 趋势跟随 │ │ 反转交易 │ │
│ │ 回调过滤 │ │ 动态止损 │ │ 快速止损 │ │
│ └──────────────┘ └──────────────┘ └──────────────┘ │
│ │
└─────────────────────────────────────────────────────────────┘
```
### 5.2 因子层设计
```python
# 因子基类
class FactorBase(ABC):
@abstractmethod
def compute(self, data: DataFrame) -> Series
@property
@abstractmethod
def name(self) -> str
# 因子注册
FactorRegistry.register(MomentumFactor)
FactorRegistry.register(TrendFactor)
# 因子组合
factors = FactorCombiner([
FactorRegistry.get('momentum', n_days=25, weight=0.7),
FactorRegistry.get('volatility', period=20, weight=0.3)
])
```
### 5.3 信号层设计
```python
# 信号生成器
class TopNSelector(SignalGenerator):
def generate(self, factor_data):
# 按因子值排序，选Top N
class TrendFollower(SignalGenerator):
def generate(self, factor_data):
# 趋势强度 > 阈值 → 入场
class ReversalTrader(SignalGenerator):
def generate(self, factor_data):
# 超买超卖 → 反转信号
```
### 5.4 回调钩子设计
```python
class StrategyBase:
# 入场前回调
def before_entry(self, code: str, price: float, **kwargs) -> bool:
"""可拒绝交易"""
if kwargs.get('premium', 0) > 0.10:
return False
return True
# 动态止损回调
def dynamic_stoploss(self, position: Position) -> float:
"""根据持仓时间调整止损"""
if position.holding_days > 10:
return -0.03
return -0.10
# 自定义出场回调
def custom_exit(self, position: Position) -> bool:
"""反转信号强制出场"""
return False
```
---
## 六、需确认事项清单
| 序号 | 决策点 | 选项 | 建议 | 你的选择 |
|------|--------|------|------|----------|
| 1 | 因子抽象方式 | A:方法内 / B:注册器 | **B** | ? |
| 2 | 回调钩子范围 | 5个 / 7个 / 全部 | **5个核心** | ? |
| 3 | 参数装饰器 | 简化版 / Freqtrade风格 | **先简化版** | ? |
| 4 | 信号生成抽象 | 统一接口 / 策略内生成 | **统一接口** | ? |
| 5 | 执行模式支持 | 仅backtest / +dry-run / +live | **+dry-run** | ? |
| 6 | 实施优先级 | 全部实施 / 分阶段 | **分阶段** | ? |
| 7 | 时间安排 | 立即开始 / 等待确认 | **等待确认** | ? |
---
## 七、下一步行动
**确认方案后，我将开始**：
1. 创建`FactorBase`抽象基类
2. 创建`FactorRegistry`注册器
3. 重构现有动量因子
4. 运行回测验证功能不变
**请确认以下内容**：
- ✅ 重构范围是否合理
- ✅ 设计决策是否认可
- ✅ 实施路径是否可行
- ✅ 时间安排是否同意
---
*方案版本：V1.0*
*生成时间：2026-05-08*
*等待用户确认*