17e806045f
experiment(rotation): 添加新兴市场大类（印度）影响验证
...
实验设计：
- A组：当前7大类配置（无新兴市场）
- B组：添加印度作为第8大类（EM = Emerging Market）
- 标的：^NSEI → 164824.SZ（工银瑞信印度市场LOF）
实验结果：
├─ 大类数量: 7 → 8 (+1) ✓ 跨类分散提升
├─ 累计收益: 1467.35% → 1261.83% (-205.52%)
├─ CAGR: 48.10% → 45.16% (-2.94%)
├─ Sharpe: 2.21 → 2.09 (-0.11)
├─ 日胜率: 56.45% → 57.25% (+0.80%) ✓
└─ 调仓次数: 459 → 451 (-8)
核心发现：
1. 大类数量增加确实提升跨类分散
2. 但收益反而下降205%（与预期相反）
3. 印度LOF流动性不足（日均~3000万）
4. 印度动量信号不如主流市场强
5. Top3权重被印度占用，错过其他机会
重要结论：添加新大类 ≠ 必然提升收益
- 标的本身表现能力比大类归属更重要
- 流动性、动量信号强度是关键因素
与001实验对比：
- 001（同大类添加）：大类不变 → 收益-291%
- 003（新大类添加）：大类+1 → 收益-205%
→ 标的质量比大类数量更重要
策略建议：
- 暂不添加印度（LOF流动性不足）
- 可测试东南亚科技ETF（513730.SH）
新增文件：
- tests/experiments/ab_test_emerging_market.py
- docs/experiments/003_emerging_market_india.md
2026-05-06 20:55:54 +08:00
6b59855c28
experiment(rotation): 同大类扩充与纳指vs标普替换对比实验
...
技术修复：
- SOCKS5代理IPv6问题：socks5:// → socks5h:// (hybrid_source.py, yfinance_source.py)
目录整理：
- scripts/ → 仅保留策略入口(daily_scheduler, run_rotation, run_cci_screener)
- 实验脚本移至 tests/experiments/
- 工具脚本移至 tests/utils/
- 实验记录新增 docs/experiments/
- results/ 添加到 gitignore
实验结果：
实验001 - 同大类扩充（添加标普500）：
├─ 累计收益: 1467.35% → 1176.26% (-291%)
├─ CAGR: 48.10% → 43.82% (-4.28%)
├─ 调仓次数: 459 → 501 (+42次)
└─ 结论: 添加同大类标的不增加跨类分散，反而侵蚀收益
实验002 - 纳指vs标普替换对比：
├─ 累计收益: 1467.35% → 1118.77% (-348%)
├─ CAGR: 48.10% → 42.87% (-5.22%)
├─ Sharpe: 2.21 → 2.08 (-0.13)
├─ MaxDD: -17.33% → -15.14% (+2.18%)
└─ 结论: 纳指100优于标普500，成长风格更适合动量策略
策略建议：
- 保持纳指100作为美股大类代表
- 不添加同大类新标的（避免类内切换成本）
- 新增标的应优先考虑新大类（增加跨类分散）
2026-05-06 20:43:38 +08:00
a4e8a6050e
docs: 跨市场动量策略有效性度量与资产组合优化文献综述
...
核心内容：
- 相关性结构：资产相关性低(ρ≈0.3)，但动量收益相关性较高(ρ≈0.5)
Moskowitz发现动量因子跨资产共同驱动
- 跨市场有效性度量框架(三层体系):
Layer1定性:地理差异+资产类别+周期敏感度(0-9分)
Layer2定量:分散化有效性指数DEI=(1-ρ)/(1+ρ)
Layer3组合:综合评分Σw_i w_j Q_ij D_ij
- 选择偏差风险:池选择偏差=基于后视信息选池
本策略恒生科技/铜存在中等偏差风险，建议随机池对照实验
- 高波动池机制:Conrad-Kaul风险补偿理论
高波动→高动量收益(部分补偿+部分异象)
- 业界最佳实践:
Bridgewater All Weather经济四季框架(增长/通胀四象限)
AQR Risk Parity波动率倒数加权(风险平衡而非市值权重)
- 分散化收益公式:DR=Σwσ/σ_p，本策略≈14%
- 改进建议:
增加债券标的(Risk Parity权重应高)
减少A股同类冗余(创业板vs红利低波DEI=0.18)
显式计算风险贡献而非等权
参考文献:
- Conrad & Kaul(1998)风险补偿理论
- Moskowitz et al.(2012)跨资产动量相关性
- AQR Risk Parity白皮书
- Bridgewater All Weather故事
- CFA资产配置原则
附录:5个核心公式+改进建议清单
2026-04-30 21:59:40 +08:00
336bceef92
docs: 基于动量因子的跨市场ETF轮动策略系统性文献综述
...
文献综述内容：
- 学术定位：资产定价、资产配置、量化投资、行为金融学、组合管理五大交叉领域
- 理论基础：Jegadeesh-Titman(1993)动量效应发现 + Barberis等(1998)行为金融解释
- 经典文献：截面动量、时间序列动量(Moskowitz 2012)、跨资产动量普遍性(Asness 2013)
- 实证证据：动量效应在股票/债券/商品/外汇等所有资产类别中显著
- 分散化依据：Markowitz(1952) MPT理论，跨大类资产低相关性降低组合波动
- 崩盘风险：Barroso-Santa-Clara(2015)动量崩盘现象与风险管理方法
- 待解决问题：动量起源之谜、因子标准化、动态窗口机制、因子衰减
- 中国A股：短期动量(1-3月)有效、行业轮动频繁、残差动量2024年表现优越
参考文献：
- 10篇经典学术论文(Jegadeesh-Titman, Moskowitz, Asness, Barberis等)
- 业界策略报告(AQR, QuantPedia, Robeco)
- 券商金工研报(华泰、东方、招商)
附录：动量因子公式对比 + 本策略V2配置摘要
2026-04-30 14:27:23 +08:00
48ff15d92a
docs: 新增轮动策略核心逻辑V2文档
...
V2相对于V1的核心升级:
- 候选池: 22只(以A股行业为主) → 11只(全球7大类精选)
- 因子类型: slope_r2(等权回归) → weighted_momentum(加权回归,近期权重2.0)
- 选股模式: 纯Top5 → 跨大类分散化(每大类Top1→全局Top3,等权33%)
- 崩盘过滤: 无 → 有(连续3天跌>5%得分清零)
- 商品信号源: 指数价格 → 期货价格(AU.SHF/CL.NYM/CU.SHF)
- 加密货币: 保留 → 移除(全部使用A股场内ETF交易)
V2实证数据(2019-02~2026-04):
累计收益1473%, CAGR 46.42%, Sharpe 2.22, MaxDD -17.33%, Calmar 2.68
diversified=true全面优于false(2022年差异+17.63%)
文档包含完整配置清单、因子计算公式、分散化选股机制、
调仓控制逻辑、溢价率控制、跨市场数据对齐方案、V1 vs V2对比表
2026-04-30 13:49:42 +08:00
4df3ac4e31
chore(docs): reorganize documentation files into docs/ folder
...
Moved markdown documentation from root to docs/ directory to improve project structure.
2026-04-30 01:06:25 +08:00
c1fbd2c7db
feat(strategy): finalize global rotation system with advanced risk controls
...
Summary of updates:
1. Core Logic (engine.py): Added 'score > 0' filtering to support automatic cash positions during market downturns.
2. Experimental Analysis: Added scripts/analyze_negative_scores.py, scripts/test_select_num.py, and scripts/ab_test_iterations.py.
3. Documentation: Created docs/strategy_evolution_report.md detailing the evolution from benchmark to the final 47% CAGR version.
4. Configuration: Finalized rotation.yaml with 11 core assets and optimal risk parameters.
2026-04-30 00:56:20 +08:00
48cd6dd524
docs(analysis): ETF轮动策略深度分析报告
...
包含:
- 收益归因分析: 高收益来源拆解、持仓分布、事件日历
- 选池偏差实验: 原始4只 vs 扩展9只 vs 反面池对比
- 后视镜偏差量化: 选池偏差仅贡献5-7% CAGR
- A股可交易全球资产完整候选池: 44个方向/5大类
- 关键结论: ETF价格优先于指数、未来预期CAGR区间
2026-04-29 22:51:15 +08:00
2829f80427
feat(backtest): 消除前视偏差，实现动态ETF池重建
...
消除回测前视偏差(Look-Ahead Bias)：
- 新增 ETFDataCache 本地缓存系统，预下载全量ETF（含已退市）基础信息和日线数据
- 改造 ETFUniverseBuilder 支持纯历史模式，每个时间点只使用当时可获得的数据
- 动量.py 新增 dynamic 模式，回测中每60交易日动态重建ETF候选池
- momentum_experiment.py 同步支持动态重建
- 新增 ETF筛选引擎文档和动态池方案文档
无前视偏差实验结果（6组对比，2015-2026）：
A: 全仓1只 CAGR=3.32%, MaxDD=-63.19%, Sharpe=0.26
B: 等权3只 CAGR=3.40%, MaxDD=-49.72%, Sharpe=0.30 ← 最优
C: 反波动率3只 CAGR=1.73%, MaxDD=-38.59%, Sharpe=0.21
D: 等权5只 CAGR=2.77%, MaxDD=-42.39%, Sharpe=0.29
E: 反波动率5只 CAGR=-0.37%, MaxDD=-19.56%, Sharpe=-0.03
F: 动量>0全选等权 CAGR=2.02%, MaxDD=-43.27%, Sharpe=0.24
最优方案: B（等权3只）夏普、Calmar、CAGR三项均最高
2026-04-29 22:15:01 +08:00
