docs: 添加实验007动量因子回看窗口优化研究

- 研究多周期融合(ensemble)对策略表现的影响
- 结论：多窗口融合不适用于本策略，维持25天单窗口

docs/experiments/007_momentum_window_optimization.md

@@ -0,0 +1,470 @@
+# 实验 007：动量因子回看窗口优化研究
+
+**实验日期**：2026-06-12  
+**实验目标**：研究动量因子回看窗口（n_days）的选择方法，评估多周期融合对策略表现的影响  
+**实验结论**：多周期融合不适用于本策略，维持 25 天单窗口
+
+---
+
+## 一、问题背景
+
+### 1.1 当前配置
+
+策略使用 `slope_r2` 因子，全局统一 25 天回看窗口：
+
+```yaml
+factor:
+  n_days: 25
+  type: slope_r2
+```
+
+### 1.2 发现的问题
+
+从回测数据的因子分布分析发现：
+
+| 标的 | IQR（波动代理） | 中位数 | 正得分% | 特征 |
+|------|----------------|--------|---------|------|
+| 创业板指 | 28.23 | 0.00 | 51.0% | 高波动，趋势间歇性强 |
+| 恒生科技 | 20.71 | -0.01 | 44.0% | 高波动，趋势弱 |
+| 纳指100 | 20.10 | 4.31 | 67.4% | 高波动，趋势强 |
+| 短债 | 0.38 | 0.68 | 97.9% | 低波动，几乎无趋势 |
+| 黄金 | 13.39 | 0.77 | 60.7% | 中等波动，趋势持续 |
+
+**核心问题**：不同资产的趋势周期差异很大，统一 25 天窗口是否合理？
+
+---
+
+## 二、学界与业界调研
+
+### 2.1 经典文献的标准做法
+
+#### 横截面动量（Cross-Sectional Momentum）
+
+**Jegadeesh & Titman (1993)** 开创性研究：
+- **标准窗口**：12-1 月（过去12个月收益，跳过最近1个月）
+- **金融语义**：跳过最近1个月是因为存在短期反转效应（1周-1个月），而中期（3-12个月）存在动量效应
+- **原理**：信息扩散慢 → 价格对新信息反应不足 → 形成中期趋势
+
+**Asness, Moskowitz & Pedersen (2013)** "Value and Momentum Everywhere"：
+- 股票：12-1 月
+- 债券：12-1 月或 6-1 月
+- 商品：12 月（不跳过，因为商品市场短期反转弱）
+- 货币：12 月
+- **核心观点**：不同资产类别的最优窗口不同，但 12 月是一个稳健的起点
+
+#### 时间序列动量（Time-Series Momentum / TSMOM）
+
+**Moskowitz, Ooi & Pedersen (2012)**：
+- **标准窗口**：12 月（用于期货）
+- **金融语义**：TSMOM 关注资产自身的绝对收益，不与其他资产比较
+- **关键发现**：1-12 月窗口都有效，但 12 月最稳健
+- **波动率调整**：用实现波动率标准化头寸规模，使得不同资产可比
+
+### 2.2 窗口选择的金融语义
+
+#### 不同窗口对应的市场微观结构
+
+| 窗口长度 | 捕捉的效应 | 金融解释 | 风险 |
+|---------|-----------|---------|------|
+| 1周-1月 | 短期反转 | 流动性冲击、过度反应修正 | 高换手、交易成本 |
+| 1-3月 | 早期动量 | 信息扩散初期、盈余公告后漂移 | 容易被打断 |
+| 3-12月 | 经典动量 | 信息扩散慢、机构调仓周期 | 最稳健 |
+| 12-24月 | 长期动量 | 经济周期、企业基本面变化 | 均值回归开始显现 |
+| >24月 | 长期反转 | 估值回归、经济周期反转 | 动量效应消失 |
+
+#### 不同资产类别的特征周期
+
+| 资产类别 | 特征周期 | 推荐窗口 | 理由 |
+|---------|---------|---------|------|
+| **股票指数** | 季度财报+机构调仓 | 6-12月 | 信息扩散慢，机构季度调仓 |
+| **债券** | 央行政策周期 | 3-6月 | 利率变化快，久期短 |
+| **商品** | 供需周期+季节性 | 6-12月 | 供需调整慢，但有季节性 |
+| **货币** | 利差+央行政策 | 3-6月 | 政策变化快 |
+
+### 2.3 避免过拟合的原则
+
+#### 先验选择 vs 数据挖掘
+
+**过拟合的做法**：
+```python
+# 在历史数据上测试 5, 10, 15, 20, 25, 30... 天，选最好的
+for window in [5, 10, 15, 20, 25, 30, 60, 120]:
+    backtest(window)
+best_window = argmax(results)  # 过拟合！
+```
+
+**有金融语义的做法**：
+```python
+# 基于资产类别选择窗口
+window_map = {
+    'equity_index': 252,    # 12月（252交易日）
+    'bond': 126,            # 6月
+    'commodity': 252,       # 12月
+    'currency': 126,        # 6月
+}
+```
+
+#### 稳健性检验原则
+
+**学界推荐的做法**：
+1. **选择有理论支撑的窗口**：12月、6月、3月是标准选择
+2. **测试邻域稳健性**：如果 12 月好，11 月和 13 月也应该不差
+3. **多窗口平均**：用 3-12 月的多个窗口取平均，降低单窗口风险
+4. **样本外验证**：在不同时间段、不同市场验证
+
+**AQR 的实践建议**：
+- 不要优化到极端值（如 17 天、23 天）
+- 选择"足够好"的标准窗口（如 252 天而非 247 天）
+- 关注经济解释而非统计显著性
+
+### 2.4 多窗口融合方法
+
+#### 1. 等权平均（Simple Ensemble）
+
+```python
+windows = [63, 126, 252]  # 3月、6月、12月
+momentum = mean([return(p, w) for w in windows])
+```
+
+**优点**：
+- 降低单窗口风险
+- 捕捉不同周期的趋势
+- 无需优化参数
+
+**缺点**：
+- 等权可能不合理
+- 可能引入噪音窗口
+
+#### 2. 波动率加权（Volatility-Weighted）
+
+```python
+# 波动率低的窗口权重更高（更稳定）
+weights = 1 / vol(window_i)
+momentum = weighted_mean(momentum_i, weights)
+```
+
+**金融语义**：低波动窗口的信号更可靠
+
+#### 3. 自适应窗口（Adaptive Window）
+
+**基于波动率的自适应**：
+```python
+# 高波动时缩短窗口（快速反应），低波动时延长（过滤噪音）
+if realized_vol > threshold:
+    window = 63   # 3月
+else:
+    window = 252  # 12月
+```
+
+**基于机制转换（Regime Switching）**：
+```python
+# 用 HMM 识别市场状态
+regime = detect_regime(market_data)
+if regime == 'trending':
+    window = 252  # 趋势市用长窗口
+elif regime == 'mean_reverting':
+    window = 21   # 震荡市用短窗口或反转
+```
+
+### 2.5 多周期融合为什么有效？
+
+#### 1. 信息扩散有多个时间尺度
+
+- **短期（1-4周）**：流动性冲击、技术性买卖、短期情绪（噪音）
+- **中期（1-6月）**：盈余公告、行业数据、政策变化（信息扩散）
+- **长期（6-12月）**：经济周期转换、产业趋势、估值重定价
+
+单一窗口只能捕捉一个尺度的信息。多窗口融合等于同时监听多个信息频段。
+
+#### 2. 市场参与者的决策周期不同
+
+| 参与者 | 决策周期 | 影响的价格趋势 |
+|--------|---------|--------------|
+| 高频/量化 | 天-周 | 短期噪音 |
+| 共同基金 | 月-季 | 中期动量 |
+| 养老金/保险 | 季-年 | 长期趋势 |
+| 主权基金 | 年+ | 结构性变化 |
+
+当多个周期的信号一致时，意味着不同时间维度的市场参与者方向一致——这是最强的趋势确认。
+
+#### 3. 统计角度：偏差-方差权衡
+
+- **短窗口**：低偏差（快速捕捉趋势变化），高方差（容易被噪音干扰）
+- **长窗口**：高偏差（趋势转折时反应慢），低方差（噪音被平滑掉）
+
+多窗口融合相当于对偏差-方差做了平均，短窗口提供灵敏度，长窗口提供稳定性。
+
+#### 4. 信号处理的类比
+
+把价格序列想象成一个信号，不同窗口就是不同频率的带通滤波器：
+
+```
+价格信号 = 高频噪音 + 中期趋势 + 长期趋势 + 周期性波动
+
+25天窗口  → 带通滤波器：主要透过高频成分
+126天窗口 → 带通滤波器：主要透过中期成分  
+252天窗口 → 低通滤波器：只保留长期趋势
+```
+
+多个滤波器融合 = 宽频带接收，信息更完整。
+
+### 2.6 多周期融合对 slope_r2 偏好的影响
+
+slope_r2 真正偏好的是**趋势性波动高的资产**（高波动+有方向），而不是单纯的高波动。
+
+多周期融合的预期影响：
+
+| 资产类型 | 单窗口(25天) | 多周期融合 | 变化方向 |
+|---------|-------------|-----------|---------|
+| 高波动+持续趋势（纳指） | 高分 | 高分 | 不变 |
+| 高波动+间歇趋势（创业板） | 不稳定高分 | 中等分 | **下降** |
+| 低波动+持续趋势（黄金） | 中等分 | 中等偏高分 | **上升** |
+| 低波动+无趋势（短债） | 低分 | 低分 | 不变 |
+| 高波动+无趋势（恒生科技） | 低分 | 低分 | 不变 |
+
+**核心预期**：融合会让 slope_r2 的偏好从"高波动+趋势性"转向"持续性趋势"——不管波动高低，只要趋势持续就得分高。
+
+---
+
+## 三、实验设计
+
+### 3.1 实验一：IDM 信息离散动量融合
+
+#### 方法
+
+**IDM（Information Dispersal Momentum）**：正收益天数占比，衡量上涨的持续性
+
+```python
+def info_dispersal_momentum(prices: np.ndarray) -> float:
+    returns = np.diff(prices)
+    positive_days = np.sum(returns > 0)
+    return positive_days / len(returns)
+```
+
+**方式一：乘法融合**
+```python
+def slope_r2_idm_score(prices: np.ndarray) -> float:
+    sr2 = slope_r2_score(prices)
+    idm = info_dispersal_momentum(prices)
+    return sr2 * idm  # IDM 作为折扣系数
+```
+
+**方式三：阈值过滤**
+```python
+def slope_r2_idm_filter_score(prices: np.ndarray, threshold: float = 0.5) -> float:
+    idm = info_dispersal_momentum(prices)
+    if idm < threshold:
+        return 0.0  # 上涨天数不足阈值则清零
+    return slope_r2_score(prices)
+```
+
+#### 实验配置
+
+- **方式一**：`type: slope_r2_idm`
+- **方式三**：`type: slope_r2_idm_filter`，测试阈值 0.4/0.5/0.6
+
+### 3.2 实验二：多周期融合
+
+#### 方法
+
+```python
+def slope_r2_ensemble_score(prices: np.ndarray, windows: list = None) -> float:
+    if windows is None:
+        windows = [63, 126, 252]  # 3月、6月、12月
+    
+    scores = []
+    for w in windows:
+        if len(prices) >= w:
+            window_prices = prices[-w:]
+            score = slope_r2_score(window_prices)
+            scores.append(score)
+    
+    return sum(scores) / len(scores) if scores else 0.0
+```
+
+#### 实验配置
+
+- **配置**：`type: slope_r2_ensemble`
+- **窗口**：63/126/252 天（3月/6月/12月）
+- **数据预加载**：504 天（2倍最大窗口）
+
+---
+
+## 四、实验结果
+
+### 4.1 实验一：IDM 融合结果
+
+#### 方式一：乘法融合
+
+| 指标 | slope_r2 (baseline) | slope_r2_idm | 变化 |
+|------|---------------------|--------------|------|
+| 总收益 | 288.30% | 296.55% | +8.25% |
+| 年化收益 | 24.61% | 25.03% | +0.42% |
+| 最大回撤 | -16.27% | -16.19% | 略改善 |
+| Sharpe | 1.17 | 1.20 | +0.03 |
+| Calmar | 1.51 | 1.55 | +0.04 |
+| 胜率 | 53.74% | 54.48% | +0.74% |
+| 调仓次数 | 363 | 374 | +11 |
+
+**结论**：方式一（乘法融合）全面小幅优于 baseline。
+
+#### 方式三：阈值过滤
+
+| 阈值 | 总收益 | 年化 | 最大回撤 | Sharpe | Calmar | 胜率 |
+|------|--------|------|----------|--------|--------|------|
+| 0.4 | 297.88% | 25.10% | -16.27% | 1.19 | 1.54 | 53.87% |
+| 0.5 | 205.38% | 19.85% | -17.90% | 1.00 | 1.11 | 53.35% |
+| 0.6 | 69.75% | 8.96% | -24.77% | 0.58 | 0.36 | 56.87% |
+
+**结论**：方式三（过滤器）阈值敏感，0.5 和 0.6 明显变差，容易过拟合。
+
+### 4.2 实验二：多周期融合结果
+
+#### 绩效对比
+
+| 指标 | slope_r2 (25天) | slope_r2_ensemble (63/126/252) | 变化 |
+|------|----------------|-------------------------------|------|
+| 总收益 | 288.30% | 182.82% | **-105.48%** |
+| 年化收益 | 24.61% | 18.36% | **-6.25%** |
+| 最大回撤 | -16.27% | -21.61% | **恶化 5.34%** |
+| Sharpe | 1.17 | 0.96 | **-0.21** |
+| Calmar | 1.51 | 0.85 | **-0.66** |
+| 胜率 | 53.74% | 55.47% | +1.73% |
+| 调仓次数 | 363 | 167 | **-196** |
+
+#### 持仓频率变化
+
+| 标的 | baseline 占比 | ensemble 占比 | 变化 | 资产类型 |
+|------|--------------|--------------|------|---------|
+| 纳指100 | 44.7% | 53.3% | **+8.6%** | 高波动+持续趋势 |
+| 黄金 | 21.0% | 35.8% | **+14.8%** | 低波动+持续趋势 |
+| 创业板指 | 29.9% | 40.2% | **+10.3%** | 高波动+间歇趋势 |
+| 日经225 | 31.0% | 37.7% | +6.7% | 中波动+持续趋势 |
+| 德国DAX | 27.8% | 33.1% | +5.3% | 中波动+持续趋势 |
+| **短债指数** | **32.0%** | **16.6%** | **-15.4%** | 防御填充 |
+| 红利低波 | 24.3% | 11.9% | **-12.4%** | 低波动+持续趋势 |
+| 有色金属 | 18.1% | 12.8% | -5.3% | 高波动+周期趋势 |
+
+#### 与预期对比
+
+| 预期 | 实际 | 符合？ |
+|------|------|--------|
+| 纳指100 和黄金占比上升 | 纳指+8.6%，黄金+14.8% | ✓ 符合 |
+| 红利低波占比上升 | 红利低波-12.4% | ✗ 不符合 |
+| 创业板指占比下降 | 创业板指+10.3% | ✗ 不符合 |
+| 整体表现改善 | 收益降6%，回撤增5% | ✗ 不符合 |
+
+---
+
+## 五、结论与分析
+
+### 5.1 IDM 融合结论
+
+**推荐方案**：方式一（乘法融合）
+
+**理由**：
+1. 全面小幅优于 baseline，无需调参
+2. IDM 作为折扣系数，逻辑简洁
+3. 过滤方式（方式三）阈值敏感，容易过拟合
+
+**保留代码**：
+- `slope_r2_idm_score` 函数已实现
+- `FactorType.SLOPE_R2_IDM` 枚举已添加
+- 可通过配置 `type: slope_r2_idm` 启用
+
+### 5.2 多周期融合结论
+
+**结论**：不适用于本策略
+
+**原因分析**：
+
+1. **长窗口反应太慢**：252 天窗口在趋势转折时严重滞后。2022 年全球熊市、2024 年风格切换时，ensemble 无法及时退出
+
+2. **调仓次数骤降**：从 363 次降到 167 次，说明信号太稳定了，错过了很多轮动机会。这个策略的核心价值就是**轮动**，过于稳定的信号反而不利
+
+3. **短债填充减少**：从 32% 降到 16.6%，说明 ensemble 在弱势市场中也倾向于持有风险资产（因为长窗口记忆了之前的上涨趋势），导致回撤增大
+
+4. **创业板指上升的原因**：2024-2025 年创业板有持续上涨趋势，ensemble 的长窗口恰好捕捉到了这个趋势，但这不是"持续性偏好"，而是"恰好匹配"
+
+**核心问题**：
+
+这个策略的 alpha 来源是**中短期轮动**（25 天窗口），不是长期趋势跟踪。ensemble 把因子变成了半趋势跟踪因子，与策略的核心逻辑冲突。
+
+### 5.3 最终决策
+
+**维持现有配置**：
+```yaml
+factor:
+  n_days: 25
+  type: slope_r2
+```
+
+**理由**：
+1. 25 天窗口与策略的轮动逻辑匹配
+2. 多周期融合与策略核心逻辑冲突
+3. IDM 融合虽然有效，但提升有限，暂不启用
+
+---
+
+## 六、参考资料
+
+### 学术文献
+
+1. **Jegadeesh, N., & Titman, S. (1993)**. Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency. *Journal of Finance*, 48(1), 65-91.
+
+2. **Asness, C. S., Moskowitz, T. J., & Pedersen, L. H. (2013)**. Value and Momentum Everywhere. *Journal of Finance*, 68(3), 929-985.
+
+3. **Moskowitz, T. J., Ooi, Y. H., & Pedersen, L. H. (2012)**. Time Series Momentum. *Journal of Financial Economics*, 104(2), 228-250.
+
+### 业界实践
+
+- [Momentum Factor Investing: 30 years of Out of Sample Data](https://alphaarchitect.com/momentum-factor-investing-30-years-of-out-of-sample-data/)
+- [Systematic Trend-Following with Adaptive Portfolio Construction](https://arxiv.org/html/2602.11708v1)
+- [Value and Momentum Everywhere - AQR Capital Management](https://www.aqr.com/Insights/Research/Journal-Article/Value-and-Momentum-Everywhere)
+
+---
+
+## 七、附录：代码实现
+
+### 7.1 IDM 融合因子
+
+```python
+def info_dispersal_momentum(prices: np.ndarray) -> float:
+    """Information Dispersal Momentum (IDM): 正收益天数占比"""
+    if len(prices) < 2:
+        return 0.0
+    returns = np.diff(prices)
+    positive_days = np.sum(returns > 0)
+    return positive_days / len(returns)
+
+
+def slope_r2_idm_score(prices: np.ndarray) -> float:
+    """Slope * R² * IDM: 趋势强度 × 拟合质量 × 上涨持续性"""
+    sr2 = slope_r2_score(prices)
+    idm = info_dispersal_momentum(prices)
+    return sr2 * idm
+```
+
+### 7.2 多周期融合因子
+
+```python
+def slope_r2_ensemble_score(prices: np.ndarray, windows: list = None) -> float:
+    """多窗口 slope_r2 等权融合"""
+    if windows is None:
+        windows = [63, 126, 252]  # 3月、6月、12月
+    
+    scores = []
+    for w in windows:
+        if len(prices) >= w:
+            window_prices = prices[-w:]
+            score = slope_r2_score(window_prices)
+            scores.append(score)
+    
+    return sum(scores) / len(scores) if scores else 0.0
+```
+
+---
+
+**文档版本**：v1.0  
+**最后更新**：2026-06-12  
+**实验状态**：已完成

rotation/config_loader.py

@@ -35,6 +35,8 @@ class FactorType(str, Enum):
     WEIGHTED_MOMENTUM = "weighted_momentum"
     VOL_ADJUSTED_MOMENTUM = "vol_adjusted_momentum"
     STANDARDIZED_SLOPE = "standardized_slope"
+    SLOPE_R2_IDM = "slope_r2_idm"  # slope_r2 * IDM (信息离散动量融合)
+    SLOPE_R2_ENSEMBLE = "slope_r2_ensemble"  # 多窗口融合 (63/126/252天)
 
 
 class PremiumMode(str, Enum):

rotation/simple_rotation.py

@@ -123,6 +123,59 @@ def slope_r2_score(prices: np.ndarray) -> float:
     return 10000 * slope * r2
 
 
+def info_dispersal_momentum(prices: np.ndarray) -> float:
+    """Information Dispersal Momentum (IDM): 正收益天数占比
+    
+    衡量上涨的持续性和广度，过滤靠少数极端日撑起来的假动量。
+    范围 [0, 1]，值越高表示上涨天数越多。
+    """
+    if len(prices) < 2:
+        return 0.0
+    returns = np.diff(prices)
+    positive_days = np.sum(returns > 0)
+    return positive_days / len(returns)
+
+
+def slope_r2_idm_score(prices: np.ndarray) -> float:
+    """Slope * R² * IDM: 趋势强度 × 拟合质量 × 上涨持续性
+    
+    将 slope_r2 与信息离散动量 (IDM) 通过乘法融合：
+    - slope_r2 捕捉趋势方向和稳定性
+    - IDM 作为折扣系数，惩罚靠少数大涨日撑起来的动量
+    """
+    sr2 = slope_r2_score(prices)
+    idm = info_dispersal_momentum(prices)
+    return sr2 * idm
+
+
+def slope_r2_ensemble_score(prices: np.ndarray, windows: list = None) -> float:
+    """多窗口 slope_r2 等权融合
+    
+    使用多个时间窗口（默认 63/126/252 天）计算 slope_r2，取等权平均。
+    金融语义：捕捉不同周期的趋势信号，降低单窗口风险。
+    
+    对 slope_r2 偏好的影响：
+    - 削弱对"高波动+间歇性趋势"资产的偏好
+    - 增强对"低波动+持续性趋势"资产的识别
+    - 让因子更偏向"持续性趋势"而非"爆发性趋势"
+    """
+    if windows is None:
+        windows = [63, 126, 252]  # 3月、6月、12月
+    
+    scores = []
+    for w in windows:
+        if len(prices) >= w:
+            # 取最后 w 天的价格计算 slope_r2
+            window_prices = prices[-w:]
+            score = slope_r2_score(window_prices)
+            scores.append(score)
+    
+    if not scores:
+        return 0.0
+    
+    return sum(scores) / len(scores)
+
+
 def standardized_slope_score(prices: np.ndarray) -> float:
     """Standardized slope (t-statistic): slope / SE(slope)
 
@@ -459,7 +512,9 @@ class SimpleRotationStrategy:
         """Preload all historical data"""
         start_date = self.config.backtest.start_date
         end_date = self.config.backtest.end_date or datetime.now().strftime('%Y-%m-%d')
-        preload_start = (pd.Timestamp(start_date) - timedelta(days=self.n_days * 2)).strftime('%Y-%m-%d')
+        # ensemble 因子需要更长的历史（252天窗口，预加载 2 倍）
+        preload_days = 504 if self.config.factor.type == FactorType.SLOPE_R2_ENSEMBLE else self.n_days * 2
+        preload_start = (pd.Timestamp(start_date) - timedelta(days=preload_days)).strftime('%Y-%m-%d')
 
         print("\n[1/4] Preloading signal sources (index raw)...")
         for code in self.signal_codes:
@@ -498,13 +553,17 @@ class SimpleRotationStrategy:
         df = self.index_data[signal_code]
         mask = df.index <= date
         recent = df.loc[mask]
-        if len(recent) < self.n_days:
+        
+        # ensemble 因子需要更长的窗口（252天）
+        required_days = 252 if self.config.factor.type == FactorType.SLOPE_R2_ENSEMBLE else self.n_days
+        
+        if len(recent) < required_days:
             return None
-        prices = recent['close'].values[-self.n_days:]
+        prices = recent['close'].values[-required_days:]
 
         base_momentum = self._compute_base_momentum(prices)
 
-        if is_crash(prices):
+        if is_crash(prices[-self.n_days:]):  # crash filter 仍然用 n_days 窗口
             return 0.0
         return base_momentum
 
@@ -517,17 +576,21 @@ class SimpleRotationStrategy:
         df = self.index_data[signal_code]
         mask = df.index <= date
         recent = df.loc[mask]
-        if len(recent) < self.n_days:
+        
+        # ensemble 因子需要更长的窗口（252天）
+        required_days = 252 if self.config.factor.type == FactorType.SLOPE_R2_ENSEMBLE else self.n_days
+        
+        if len(recent) < required_days:
             return None
-        prices = recent['close'].values[-self.n_days:]
+        prices = recent['close'].values[-required_days:]
 
         if self.config.factor.type == FactorType.VOL_ADJUSTED_MOMENTUM:
-            base_momentum = weighted_momentum_score(prices)
+            base_momentum = weighted_momentum_score(prices[-self.n_days:])
         else:
             # Use the same score function as ranking
             base_momentum = self._compute_base_momentum(prices)
 
-        if is_crash(prices):
+        if is_crash(prices[-self.n_days:]):
             return 0.0
         return base_momentum
 
@@ -538,6 +601,10 @@ class SimpleRotationStrategy:
             return vol_adjusted_momentum_score(prices)
         elif ft == FactorType.SLOPE_R2:
             return slope_r2_score(prices)
+        elif ft == FactorType.SLOPE_R2_IDM:
+            return slope_r2_idm_score(prices)
+        elif ft == FactorType.SLOPE_R2_ENSEMBLE:
+            return slope_r2_ensemble_score(prices)
         elif ft == FactorType.STANDARDIZED_SLOPE:
             return standardized_slope_score(prices)
         elif ft == FactorType.MOMENTUM: