Compare commits
6 Commits
6e7087a543
...
master
| Author | SHA1 | Date | |
|---|---|---|---|
| b698857e49 | |||
| a600a71aa3 | |||
| 3b0688930d | |||
| 09ecac9e56 | |||
| cabfee20b0 | |||
| d657f8506b |
413
docs/ETF候选池筛选报告.md
Normal file
413
docs/ETF候选池筛选报告.md
Normal file
@@ -0,0 +1,413 @@
|
|||||||
|
# 轮动策略 ETF 候选池筛选报告
|
||||||
|
|
||||||
|
**文档版本**: v1.0
|
||||||
|
**创建日期**: 2026-06-20
|
||||||
|
**数据来源**: `rotation/results/etf_basic_full.csv`（Tushare etf_basic + enrich_etf_data 增强）
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 一、筛选目标
|
||||||
|
|
||||||
|
为 `config_simple.yaml` 中每个指数/商品标的，从全市场 A 股场内 ETF 中筛选出跟踪同一底层资产、市值最大的 Top4 ETF 作为候选交易标的池。
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 二、筛选方法
|
||||||
|
|
||||||
|
### 2.1 数据源
|
||||||
|
|
||||||
|
- **基础数据**: Tushare `etf_basic` 接口，共 1601 只场内基金（ETF + LOF）
|
||||||
|
- **增强字段**: 通过 `enrich_etf_data.py` 补充基金规模（亿份×NAV）、日均成交额、最新净值等
|
||||||
|
- **净值数据**: Tushare `fund_nav` 接口，取 `unit_nav`（单位净值）计算收益率
|
||||||
|
|
||||||
|
### 2.2 匹配规则
|
||||||
|
|
||||||
|
由于 Tushare 的 `index_code` 字段包含交易所后缀（如 `GDAXI.GY`、`HSI.HI`），不可直接精确匹配。采用以下策略：
|
||||||
|
|
||||||
|
1. **先反查**: 用当前 `trade_source` ETF 反查其在 CSV 中的真实 `index_code` 和 `index_name`
|
||||||
|
2. **精确匹配**: 对 `index_code` 有值的 ETF，按 `index_code` 精确匹配
|
||||||
|
3. **关键词匹配**: 对 `index_code` 为 NaN 的（如原油 LOF），按 `index_name` 关键词模糊匹配
|
||||||
|
4. **人工校验**: 排除增强策略型、沪港通型等底层资产不同的 ETF
|
||||||
|
|
||||||
|
### 2.3 排序规则
|
||||||
|
|
||||||
|
按 `fund_scale_yi`（基金规模，亿元）降序排列，取 Top4。不足 4 只则按实际数量。
|
||||||
|
|
||||||
|
### 2.4 异常排除
|
||||||
|
|
||||||
|
| 异常 ETF | 原因 | 替换为 |
|
||||||
|
|---------|------|--------|
|
||||||
|
| 159977.SZ 天弘创业板ETF | 增强策略型，与其他纯跟踪 ETF 相关性仅 0.83 | 159957.SZ 华夏创业板ETF |
|
||||||
|
| 513660.SH 华夏沪港通恒生ETF | 沪港通机制，净值计算方式不同，与其他恒生 ETF 相关性仅 0.27 | 513210.SH 易方达恒生ETF |
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 三、各指数筛选过程与原始数据
|
||||||
|
|
||||||
|
### 3.1 创业板指 (399006.SZ)
|
||||||
|
|
||||||
|
**匹配规则**: `index_code = 399006.SZ`
|
||||||
|
**候选总数**: 17 只
|
||||||
|
**Top4 选取**:
|
||||||
|
|
||||||
|
| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
|
||||||
|
|------|------|------|---------|------------|------|
|
||||||
|
| 1 | 159915.SZ ★ | 易方达创业板ETF | 448.9 | 567,036 | 0.15% |
|
||||||
|
| 2 | 159952.SZ | 广发创业板ETF | 87.7 | 59,444 | 0.15% |
|
||||||
|
| 3 | 159957.SZ | 华夏创业板ETF | 21.5 | 20,636 | 0.15% |
|
||||||
|
| 4 | 159948.SZ | 南方创业板ETF | 47.6 | 11,196 | 0.15% |
|
||||||
|
|
||||||
|
> 注: 原始 Top3 为 159977.SZ（天弘创业板ETF），因增强策略型排除，替换为 159957.SZ
|
||||||
|
|
||||||
|
**相关性矩阵** (1568 共同交易日):
|
||||||
|
|
||||||
|
| | 159915 | 159952 | 159957 | 159948 |
|
||||||
|
|---|---|---|---|---|
|
||||||
|
| **159915** | 1.0000 | 1.0000 | 0.9999 | 1.0000 |
|
||||||
|
| **159952** | 1.0000 | 1.0000 | 0.9999 | 1.0000 |
|
||||||
|
| **159957** | 0.9999 | 0.9999 | 1.0000 | 0.9999 |
|
||||||
|
| **159948** | 1.0000 | 1.0000 | 0.9999 | 1.0000 |
|
||||||
|
|
||||||
|
- 平均相关性: **0.9999**
|
||||||
|
- 最低相关性: 0.9999（广发 vs 华夏）
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 3.2 红利低波 (H30269.CSI)
|
||||||
|
|
||||||
|
**匹配规则**: `index_code = H30269.CSI`
|
||||||
|
**候选总数**: 6 只
|
||||||
|
**Top4 选取**:
|
||||||
|
|
||||||
|
| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
|
||||||
|
|------|------|------|---------|------------|------|
|
||||||
|
| 1 | 512890.SH ★ | 华泰柏瑞中证红利低波动ETF | 324.1 | 84,666 | 0.50% |
|
||||||
|
| 2 | 563020.SH | 易方达中证红利低波动ETF | 111.8 | 29,589 | 0.15% |
|
||||||
|
| 3 | 159547.SZ | 华夏中证红利低波动ETF | 14.0 | 14,909 | 0.15% |
|
||||||
|
| 4 | 560150.SH | 红利TK | 7.3 | 1,079 | 0.40% |
|
||||||
|
|
||||||
|
**相关性矩阵** (539 共同交易日):
|
||||||
|
|
||||||
|
| | 512890 | 563020 | 159547 | 560150 |
|
||||||
|
|---|---|---|---|---|
|
||||||
|
| **512890** | 1.0000 | 0.9893 | 0.9965 | 0.9932 |
|
||||||
|
| **563020** | 0.9893 | 1.0000 | 0.9863 | 0.9838 |
|
||||||
|
| **159547** | 0.9965 | 0.9863 | 1.0000 | 0.9908 |
|
||||||
|
| **560150** | 0.9932 | 0.9838 | 0.9908 | 1.0000 |
|
||||||
|
|
||||||
|
- 平均相关性: **0.9900**
|
||||||
|
- 最低相关性: 0.9838（易方达 vs 红利TK）
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 3.3 黄金 (Au99.99.SGE / SHAU.SGE)
|
||||||
|
|
||||||
|
**匹配规则**: `index_code IN (Au99.99.SGE, SHAU.SGE)`
|
||||||
|
**候选总数**: 14 只（Au99.99 基准 7 只 + SHAU 基准 7 只）
|
||||||
|
**Top4 选取**:
|
||||||
|
|
||||||
|
| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 | 基准 |
|
||||||
|
|------|------|------|---------|------------|------|------|
|
||||||
|
| 1 | 518880.SH ★ | 华安黄金ETF | 965.5 | 322,467 | 0.50% | Au99.99 |
|
||||||
|
| 2 | 159937.SZ | 博时黄金ETF | 433.6 | 74,446 | 0.50% | Au99.99 |
|
||||||
|
| 3 | 159934.SZ | 易方达黄金ETF | 367.9 | 89,130 | 0.50% | Au99.99 |
|
||||||
|
| 4 | 518800.SH | 国泰黄金ETF | 353.6 | 55,747 | 0.50% | Au99.99 |
|
||||||
|
|
||||||
|
**相关性矩阵** (1568 共同交易日):
|
||||||
|
|
||||||
|
| | 518880 | 159937 | 159934 | 518800 |
|
||||||
|
|---|---|---|---|---|
|
||||||
|
| **518880** | 1.0000 | 0.9999 | 0.9920 | 0.9899 |
|
||||||
|
| **159937** | 0.9999 | 1.0000 | 0.9920 | 0.9899 |
|
||||||
|
| **159934** | 0.9920 | 0.9920 | 1.0000 | 0.9821 |
|
||||||
|
| **518800** | 0.9899 | 0.9899 | 0.9821 | 1.0000 |
|
||||||
|
|
||||||
|
- 平均相关性: **0.9910**
|
||||||
|
- 最低相关性: 0.9821（易方达 vs 国泰）
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 3.4 德国DAX (GDAXI.GY)
|
||||||
|
|
||||||
|
**匹配规则**: `index_code = GDAXI.GY`
|
||||||
|
**候选总数**: 2 只（全市场仅此 2 只跟踪 DAX）
|
||||||
|
**Top4 选取**:
|
||||||
|
|
||||||
|
| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
|
||||||
|
|------|------|------|---------|------------|------|
|
||||||
|
| 1 | 159561.SZ | 嘉实德国DAXETF(QDII) | 20.9 | 12,446 | 0.50% |
|
||||||
|
| 2 | 513030.SH ★ | 华安德国(DAX)ETF | 18.3 | 8,875 | 0.80% |
|
||||||
|
|
||||||
|
**相关性矩阵** (522 共同交易日):
|
||||||
|
|
||||||
|
| | 159561 | 513030 |
|
||||||
|
|---|---|---|
|
||||||
|
| **159561** | 1.0000 | 0.9947 |
|
||||||
|
| **513030** | 0.9947 | 1.0000 |
|
||||||
|
|
||||||
|
- 平均相关性: **0.9947**
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 3.5 有色金属 (IMCI.SHF)
|
||||||
|
|
||||||
|
**匹配规则**: `index_code = IMCI.SHF`
|
||||||
|
**候选总数**: 1 只（全市场仅此 1 只跟踪有色金属期货价格指数）
|
||||||
|
**Top4 选取**:
|
||||||
|
|
||||||
|
| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
|
||||||
|
|------|------|------|---------|------------|------|
|
||||||
|
| 1 | 159980.SZ ★ | 大成有色金属期货ETF | 61.0 | 46,989 | 0.60% |
|
||||||
|
|
||||||
|
> 注: 其余有色金属 ETF 跟踪的是股票指数（如中证有色金属矿业/工业主题），底层资产不同，不纳入候选。
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 3.6 恒生指数 (HSI.HI)
|
||||||
|
|
||||||
|
**匹配规则**: `index_code = HSI.HI`
|
||||||
|
**候选总数**: 5 只
|
||||||
|
**Top4 选取**:
|
||||||
|
|
||||||
|
| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
|
||||||
|
|------|------|------|---------|------------|------|
|
||||||
|
| 1 | 159920.SZ ★ | 华夏恒生ETF | 93.3 | 33,200 | 0.60% |
|
||||||
|
| 2 | 513600.SH | 南方恒生指数ETF | 17.1 | 10,292 | 0.50% |
|
||||||
|
| 3 | 159271.SZ | 鹏华恒生ETF | 2.3 | 520 | 0.50% |
|
||||||
|
| 4 | 513210.SH | 易方达恒生ETF(QDII) | 0.6 | 732 | 0.50% |
|
||||||
|
|
||||||
|
> 注: 原始 Top2 为 513660.SH（华夏沪港通恒生ETF），因沪港通机制排除，替换为 513210.SH
|
||||||
|
|
||||||
|
**相关性矩阵** (209 共同交易日):
|
||||||
|
|
||||||
|
| | 159920 | 513600 | 159271 | 513210 |
|
||||||
|
|---|---|---|---|---|
|
||||||
|
| **159920** | 1.0000 | 0.9988 | 0.9941 | 1.0000 |
|
||||||
|
| **513600** | 0.9988 | 1.0000 | 0.9952 | 0.9989 |
|
||||||
|
| **159271** | 0.9941 | 0.9952 | 1.0000 | 0.9942 |
|
||||||
|
| **513210** | 1.0000 | 0.9989 | 0.9942 | 1.0000 |
|
||||||
|
|
||||||
|
- 平均相关性: **0.9969**
|
||||||
|
- 最低相关性: 0.9941（华夏 vs 鹏华）
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 3.7 恒生科技 (HSTECH.HI)
|
||||||
|
|
||||||
|
**匹配规则**: `index_code = HSTECH.HI`
|
||||||
|
**候选总数**: 13 只
|
||||||
|
**Top4 选取**:
|
||||||
|
|
||||||
|
| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
|
||||||
|
|------|------|------|---------|------------|------|
|
||||||
|
| 1 | 513180.SH | 华夏恒生科技ETF(QDII) | 444.0 | 341,088 | 0.50% |
|
||||||
|
| 2 | 513130.SH ★ | 华泰柏瑞恒生科技ETF(QDII) | 392.9 | 384,592 | 0.20% |
|
||||||
|
| 3 | 513010.SH | 易方达恒生科技ETF(QDII) | 282.9 | 128,761 | 0.20% |
|
||||||
|
| 4 | 159740.SZ | 大成恒生科技ETF(QDII) | 171.9 | 134,470 | 0.50% |
|
||||||
|
|
||||||
|
**相关性矩阵** (1231 共同交易日):
|
||||||
|
|
||||||
|
| | 513180 | 513130 | 513010 | 159740 |
|
||||||
|
|---|---|---|---|---|
|
||||||
|
| **513180** | 1.0000 | 0.9953 | 0.9999 | 0.9998 |
|
||||||
|
| **513130** | 0.9953 | 1.0000 | 0.9953 | 0.9953 |
|
||||||
|
| **513010** | 0.9999 | 0.9953 | 1.0000 | 0.9998 |
|
||||||
|
| **159740** | 0.9998 | 0.9953 | 0.9998 | 1.0000 |
|
||||||
|
|
||||||
|
- 平均相关性: **0.9976**
|
||||||
|
- 最低相关性: 0.9953（华泰柏瑞 vs 易方达/大成）
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 3.8 日经225 (N225.JT)
|
||||||
|
|
||||||
|
**匹配规则**: `index_code = N225.JT`
|
||||||
|
**候选总数**: 4 只
|
||||||
|
**Top4 选取**:
|
||||||
|
|
||||||
|
| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
|
||||||
|
|------|------|------|---------|------------|------|
|
||||||
|
| 1 | 513880.SH | 华安日经225ETF | 27.9 | 47,208 | 0.20% |
|
||||||
|
| 2 | 513520.SH ★ | 华夏野村日经225ETF | 24.7 | 55,341 | 0.20% |
|
||||||
|
| 3 | 513000.SH | 易方达奥明日经225ETF(QDII) | 23.1 | 29,234 | 0.20% |
|
||||||
|
| 4 | 159866.SZ | 日经ETF工银 | 13.5 | 33,442 | 0.20% |
|
||||||
|
|
||||||
|
**相关性矩阵** (1268 共同交易日):
|
||||||
|
|
||||||
|
| | 513880 | 513520 | 513000 | 159866 |
|
||||||
|
|---|---|---|---|---|
|
||||||
|
| **513880** | 1.0000 | 0.9336 | 0.9850 | 0.9915 |
|
||||||
|
| **513520** | 0.9336 | 1.0000 | 0.9442 | 0.9384 |
|
||||||
|
| **513000** | 0.9850 | 0.9442 | 1.0000 | 0.9873 |
|
||||||
|
| **159866** | 0.9915 | 0.9384 | 0.9873 | 1.0000 |
|
||||||
|
|
||||||
|
- 平均相关性: **0.9634**
|
||||||
|
- 最低相关性: 0.9336（华安 vs 华夏）
|
||||||
|
- 说明: 华安日经225使用野村指数版本，华夏使用野村另一版本，两者在净值披露时点上略有差异
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 3.9 纳指100 (NDX.NASDAQ)
|
||||||
|
|
||||||
|
**匹配规则**: `index_code = NDX.NASDAQ`
|
||||||
|
**候选总数**: 12 只
|
||||||
|
**Top4 选取**:
|
||||||
|
|
||||||
|
| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
|
||||||
|
|------|------|------|---------|------------|------|
|
||||||
|
| 1 | 159941.SZ | 广发纳指100ETF | 339.8 | 251,747 | 0.80% |
|
||||||
|
| 2 | 513100.SH ★ | 国泰纳斯达克100(QDII-ETF) | 190.9 | 116,472 | 0.60% |
|
||||||
|
| 3 | 513300.SH | 华夏纳斯达克100ETF(QDII) | 129.6 | 88,050 | 0.60% |
|
||||||
|
| 4 | 159501.SZ | 嘉实纳斯达克100ETF(QDII) | 120.1 | 25,504 | 0.50% |
|
||||||
|
|
||||||
|
**相关性矩阵** (736 共同交易日):
|
||||||
|
|
||||||
|
| | 159941 | 513100 | 513300 | 159501 |
|
||||||
|
|---|---|---|---|---|
|
||||||
|
| **159941** | 1.0000 | 0.9996 | 0.9891 | 0.9976 |
|
||||||
|
| **513100** | 0.9996 | 1.0000 | 0.9889 | 0.9975 |
|
||||||
|
| **513300** | 0.9891 | 0.9889 | 1.0000 | 0.9870 |
|
||||||
|
| **159501** | 0.9976 | 0.9975 | 0.9870 | 1.0000 |
|
||||||
|
|
||||||
|
- 平均相关性: **0.9933**
|
||||||
|
- 最低相关性: 0.9870（华夏 vs 嘉实）
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 3.10 原油 (CL=F → WTI 原油价格)
|
||||||
|
|
||||||
|
**匹配规则**: `index_name` 包含 `WTI原油价格` / `BRENT原油` / `标普高盛原油商品` / `原油价格收益率`
|
||||||
|
**候选总数**: 3 只（全市场仅 3 只跟踪原油商品价格的 LOF）
|
||||||
|
**Top4 选取**:
|
||||||
|
|
||||||
|
| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 | 跟踪基准 |
|
||||||
|
|------|------|------|---------|------------|------|---------|
|
||||||
|
| 1 | 160723.SZ ★ | 嘉实原油(QDII-LOF-FOF) | 14.8 | 70,634 | 1.00% | WTI×100% |
|
||||||
|
| 2 | 161129.SZ | 易方达原油(QDII-LOF-FOF) | 7.18 | 58,148 | 1.00% | 标普高盛原油×100% |
|
||||||
|
| 3 | 501018.SH | 南方原油(QDII-LOF-FOF) | 13.36 | 70,781 | 1.00% | WTI×60%+BRENT×40% |
|
||||||
|
|
||||||
|
> 注: 其余 17 只石油天然气 ETF 跟踪的是石油公司股票指数（非商品价格），不纳入候选。
|
||||||
|
|
||||||
|
**相关性矩阵** (1567 共同交易日):
|
||||||
|
|
||||||
|
| | 160723 | 161129 | 501018 |
|
||||||
|
|---|---|---|---|
|
||||||
|
| **160723** | 1.0000 | 0.9572 | 0.9581 |
|
||||||
|
| **161129** | 0.9572 | 1.0000 | 0.9802 |
|
||||||
|
| **501018** | 0.9581 | 0.9802 | 1.0000 |
|
||||||
|
|
||||||
|
- 平均相关性: **0.9651**
|
||||||
|
- 最低相关性: 0.9572（嘉实 vs 易方达）
|
||||||
|
- 三者的年化 TE（两两之间）: 6.67%~9.64%，全区间累计收益差约 20%
|
||||||
|
|
||||||
|
**石油天然气股票型 ETF 排除分析**
|
||||||
|
|
||||||
|
全市场另有 17 只石油天然气相关 ETF/LOF，但它们跟踪的是石油天然气**公司股票指数**（非商品价格），与 WTI 原油价格的相关性远低于商品价格型 LOF。
|
||||||
|
|
||||||
|
以 160723.SZ（嘉实原油/WTI）净值为基准，与 17 只石油股票型 ETF 计算相关性：
|
||||||
|
|
||||||
|
| 排名 | 代码 | 名称 | 相关系数 | R² | 累计收益 |
|
||||||
|
|------|------|------|---------|-----|----------|
|
||||||
|
| 1 | 160416.SZ | 华安标普全球石油LOF | 0.6321 | 0.400 | +89.5% |
|
||||||
|
| 2 | 162719.SZ | 广发道琼斯美国石油LOF | 0.5579 | 0.311 | +165.0% |
|
||||||
|
| 3 | 159518.SZ | 嘉实标普石油天然气QDII | 0.5550 | 0.308 | +5.1% |
|
||||||
|
| 4 | 513350.SH | 富国标普石油天然气QDII | 0.5527 | 0.306 | +10.3% |
|
||||||
|
| 5 | 162411.SZ | 华宝标普石油天然气上游LOF | 0.5430 | 0.295 | +99.7% |
|
||||||
|
| 6 | 159588.SZ | 景顺石油天然气ETF | 0.3971 | 0.158 | +21.4% |
|
||||||
|
| 7-13 | 其余 7 只 | 国证石油天然气系列ETF | 0.20~0.38 | 0.04~0.14 | -14%~+29% |
|
||||||
|
|
||||||
|
**对照：商品价格型 LOF**
|
||||||
|
|
||||||
|
| 代码 | 名称 | 相关系数 | R² | 累计收益 |
|
||||||
|
|------|------|---------|-----|----------|
|
||||||
|
| 161129.SZ | 易方达原油 | **0.9572** | **0.916** | +28.3% |
|
||||||
|
| 501018.SH | 南方原油 | **0.9581** | **0.918** | +35.1% |
|
||||||
|
|
||||||
|
**排除决策依据**：
|
||||||
|
|
||||||
|
1. **相关性断崖式下降**：商品价格型 R²=0.92，股票型最高仅 R²=0.40，差距 2.3 倍
|
||||||
|
2. **累计收益严重偏离**：WTI 累计 +48%，石油股票型从 -14% 到 +165% 不等，完全不可互换
|
||||||
|
3. **底层资产本质不同**：石油股票受公司基本面、分红、管理层等因素影响，与原油价格的联动远不如期货合约直接
|
||||||
|
|
||||||
|
**结论**：当前 3 只商品价格型 LOF（160723/161129/501018）已是原油方向的最优选择，无需补充石油股票型 ETF。
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 四、汇总
|
||||||
|
|
||||||
|
### 4.1 各指数组内相关性总览
|
||||||
|
|
||||||
|
| 指数 | ETF数 | 共同天数 | 平均相关 | 最低相关 | 最高相关 | 状态 |
|
||||||
|
|------|-------|---------|---------|---------|---------|------|
|
||||||
|
| 创业板指 | 4 | 1568 | 0.9999 | 0.9999 | 1.0000 | ✓ |
|
||||||
|
| 红利低波 | 4 | 539 | 0.9900 | 0.9838 | 0.9965 | ✓ |
|
||||||
|
| 黄金 | 4 | 1568 | 0.9910 | 0.9821 | 0.9999 | ✓ |
|
||||||
|
| 德国DAX | 2 | 522 | 0.9947 | 0.9947 | 0.9947 | ✓ |
|
||||||
|
| 有色金属 | 1 | — | — | — | — | 仅1只 |
|
||||||
|
| 恒生指数 | 4 | 209 | 0.9969 | 0.9941 | 1.0000 | ✓ |
|
||||||
|
| 恒生科技 | 4 | 1231 | 0.9976 | 0.9953 | 0.9999 | ✓ |
|
||||||
|
| 日经225 | 4 | 1268 | 0.9634 | 0.9336 | 0.9915 | ⚠ |
|
||||||
|
| 纳指100 | 4 | 736 | 0.9933 | 0.9870 | 0.9996 | ✓ |
|
||||||
|
| 原油 | 3 | 1567 | 0.9651 | 0.9572 | 0.9802 | ✓ |
|
||||||
|
|
||||||
|
### 4.2 最终候选池
|
||||||
|
|
||||||
|
| 指数 | 当前ETF | 候选池 |
|
||||||
|
|------|---------|--------|
|
||||||
|
| 创业板指 | 159915.SZ | 159915.SZ, 159952.SZ, 159957.SZ, 159948.SZ |
|
||||||
|
| 红利低波 | 512890.SH | 512890.SH, 563020.SH, 159547.SZ, 560150.SH |
|
||||||
|
| 黄金 | 518880.SH | 518880.SH, 159937.SZ, 159934.SZ, 518800.SH |
|
||||||
|
| 德国DAX | 513030.SH | 159561.SZ, 513030.SH |
|
||||||
|
| 有色金属 | 159980.SZ | 159980.SZ |
|
||||||
|
| 恒生指数 | 159920.SZ | 159920.SZ, 513600.SH, 159271.SZ, 513210.SH |
|
||||||
|
| 恒生科技 | 513130.SH | 513180.SH, 513130.SH, 513010.SH, 159740.SZ |
|
||||||
|
| 日经225 | 513520.SH | 513880.SH, 513520.SH, 513000.SH, 159866.SZ |
|
||||||
|
| 纳指100 | 513100.SH | 159941.SZ, 513100.SH, 513300.SH, 159501.SZ |
|
||||||
|
| 原油 | 160723.SZ | 160723.SZ, 161129.SZ, 501018.SH |
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 五、关键决策记录
|
||||||
|
|
||||||
|
### 5.1 原油只选商品价格型，不选石油股票型
|
||||||
|
|
||||||
|
全市场有 20+ 只石油天然气相关 ETF/LOF，但底层资产完全不同：
|
||||||
|
- **商品价格型**（3 只）: 直接投资 WTI/BRENT 原油期货合约
|
||||||
|
- **石油股票型**（17 只）: 投资石油天然气上市公司股票
|
||||||
|
|
||||||
|
配置中 `CL=F` 对应 WTI 原油期货价格，因此只纳入商品价格型的 3 只。
|
||||||
|
|
||||||
|
### 5.2 有色金属只有 1 只候选
|
||||||
|
|
||||||
|
全市场跟踪有色金属期货价格指数（IMCI.SHF）的 ETF 仅 `159980.SZ` 一只。其余 23 只跟踪的是有色金属股票指数（如中证有色金属矿业/工业/细分主题），底层资产是股票而非期货，不纳入。
|
||||||
|
|
||||||
|
### 5.3 德国DAX 只有 2 只候选
|
||||||
|
|
||||||
|
全市场跟踪 DAX 指数的 ETF 仅 2 只，无其他欧洲宽基可替代（法国 CAC40 是不同指数）。
|
||||||
|
|
||||||
|
### 5.4 排除增强策略型 ETF
|
||||||
|
|
||||||
|
159977.SZ（天弘创业板ETF）是增强策略型，与其他纯被动跟踪 ETF 的相关性仅 0.83，替换为 159957.SZ（华夏创业板ETF，纯被动型）。
|
||||||
|
|
||||||
|
### 5.5 排除沪港通型 ETF
|
||||||
|
|
||||||
|
513660.SH（华夏沪港通恒生ETF）通过沪港通机制投资，净值计算方式与直接投资的恒生 ETF 完全不同，与其他恒生 ETF 相关性仅 0.27，替换为 513210.SH（易方达恒生ETF）。
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 六、复现方法
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 数据源
|
||||||
|
rotation/results/etf_basic_full.csv
|
||||||
|
|
||||||
|
# 筛选脚本（交互式）
|
||||||
|
/Users/aszer/miniforge3/envs/qa/bin/python3
|
||||||
|
|
||||||
|
# 关键步骤:
|
||||||
|
# 1. 用 trade_source ETF 反查 index_code（含交易所后缀）
|
||||||
|
# 2. 按 index_code 精确匹配 + index_name 关键词匹配
|
||||||
|
# 3. 按 fund_scale_yi 降序取 Top4
|
||||||
|
# 4. 排除增强策略型、沪港通型等异常 ETF
|
||||||
|
# 5. 用 fund_nav 获取 unit_nav，计算日收益率，生成相关性矩阵
|
||||||
|
```
|
||||||
233
docs/ETF跟踪误差计算方法.md
Normal file
233
docs/ETF跟踪误差计算方法.md
Normal file
@@ -0,0 +1,233 @@
|
|||||||
|
# ETF跟踪误差计算方法
|
||||||
|
|
||||||
|
**文档版本**: v1.0
|
||||||
|
**创建日期**: 2026-06-19
|
||||||
|
**适用范围**: 轮动策略标的池ETF跟踪准确率评估
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 一、定义
|
||||||
|
|
||||||
|
**跟踪误差（Tracking Error, TE）**：衡量ETF净值收益率与标的指数收益率之间偏离程度的指标，反映基金经理的追踪能力。
|
||||||
|
|
||||||
|
**核心公式**：
|
||||||
|
```
|
||||||
|
跟踪误差(TE) = STDEV(每日跟踪偏离度) × √252
|
||||||
|
```
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 二、计算步骤
|
||||||
|
|
||||||
|
### 2.1 数据准备
|
||||||
|
|
||||||
|
| 数据类型 | 字段 | 来源 | 说明 |
|
||||||
|
|---------|------|------|------|
|
||||||
|
| ETF单位净值 | `unit_nav` | Tushare `fund_nav` | 必须用单位净值，不能用累计净值 |
|
||||||
|
| 基准收盘价 | `close` | Tushare `index_daily` / `fut_daily` / Flask API | 根据标的类型选择数据源 |
|
||||||
|
|
||||||
|
### 2.2 计算流程
|
||||||
|
|
||||||
|
```
|
||||||
|
步骤1: 获取ETF单位净值序列
|
||||||
|
NAV[t], NAV[t-1], NAV[t-2], ...
|
||||||
|
|
||||||
|
步骤2: 获取基准收盘价序列
|
||||||
|
Index[t], Index[t-1], Index[t-2], ...
|
||||||
|
|
||||||
|
步骤3: 计算ETF日收益率
|
||||||
|
ETF_ret[t] = (NAV[t] - NAV[t-1]) / NAV[t-1]
|
||||||
|
|
||||||
|
步骤4: 计算基准日收益率
|
||||||
|
Index_ret[t] = (Index[t] - Index[t-1]) / Index[t-1]
|
||||||
|
|
||||||
|
步骤5: 计算每日跟踪偏离度
|
||||||
|
Deviation[t] = ETF_ret[t] - Index_ret[t]
|
||||||
|
|
||||||
|
步骤6: 计算偏离度标准差
|
||||||
|
Std = STDEV(Deviation序列)
|
||||||
|
|
||||||
|
步骤7: 年化处理
|
||||||
|
TE = Std × √252
|
||||||
|
```
|
||||||
|
|
||||||
|
### 2.3 Python代码示例
|
||||||
|
|
||||||
|
```python
|
||||||
|
import numpy as np
|
||||||
|
import pandas as pd
|
||||||
|
|
||||||
|
def calculate_tracking_error(etf_nav: pd.Series, benchmark_close: pd.Series) -> dict:
|
||||||
|
"""
|
||||||
|
计算ETF跟踪误差
|
||||||
|
|
||||||
|
Args:
|
||||||
|
etf_nav: ETF单位净值序列（index=date, value=unit_nav）
|
||||||
|
benchmark_close: 基准收盘价序列（index=date, value=close）
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
dict: 包含跟踪误差、R²、相关系数等指标
|
||||||
|
"""
|
||||||
|
# 计算收益率
|
||||||
|
etf_ret = etf_nav.pct_change().dropna()
|
||||||
|
bench_ret = benchmark_close.pct_change().dropna()
|
||||||
|
|
||||||
|
# 对齐日期
|
||||||
|
common = etf_ret.index.intersection(bench_ret.index)
|
||||||
|
if len(common) < 20:
|
||||||
|
return None
|
||||||
|
|
||||||
|
e = etf_ret.loc[common]
|
||||||
|
b = bench_ret.loc[common]
|
||||||
|
|
||||||
|
# 每日偏离度
|
||||||
|
daily_deviation = e - b
|
||||||
|
|
||||||
|
# 跟踪误差 = 标准差 × √252
|
||||||
|
tracking_error = daily_deviation.std() * np.sqrt(252)
|
||||||
|
|
||||||
|
# 其他指标
|
||||||
|
correlation = e.corr(b)
|
||||||
|
r_squared = correlation ** 2
|
||||||
|
|
||||||
|
# 累计收益
|
||||||
|
etf_cum = (1 + e).prod() - 1
|
||||||
|
bench_cum = (1 + b).prod() - 1
|
||||||
|
excess = etf_cum - bench_cum
|
||||||
|
|
||||||
|
return {
|
||||||
|
'annual_tracking_error': round(tracking_error * 100, 4), # %
|
||||||
|
'correlation': round(correlation, 6),
|
||||||
|
'r_squared': round(r_squared, 6),
|
||||||
|
'etf_cum_return': round(etf_cum * 100, 2), # %
|
||||||
|
'benchmark_cum_return': round(bench_cum * 100, 2), # %
|
||||||
|
'excess_return': round(excess * 100, 2), # %
|
||||||
|
'common_days': len(common),
|
||||||
|
}
|
||||||
|
```
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 三、基准数据来源
|
||||||
|
|
||||||
|
### 3.1 数据源选择
|
||||||
|
|
||||||
|
| 标的类型 | 示例 | 基准来源 | Tushare接口 | 数据可用性 |
|
||||||
|
|---------|------|---------|------------|-----------|
|
||||||
|
| A股指数 | 创业板指、红利低波 | 指数收盘价 | `index_daily` | ✅ 完整 |
|
||||||
|
| 商品期货 | 黄金、有色金属 | 期货主力合约 | `fut_daily` | ✅ 完整 |
|
||||||
|
| 海外指数 | 纳指、恒生、日经、DAX | 指数收盘价 | Flask API (yfinance) | ✅ 完整 |
|
||||||
|
|
||||||
|
### 3.2 接口调用示例
|
||||||
|
|
||||||
|
```python
|
||||||
|
# A股指数
|
||||||
|
index_data = pro.index_daily(
|
||||||
|
ts_code='399006.SZ',
|
||||||
|
start_date='20250601',
|
||||||
|
end_date='20260619'
|
||||||
|
)
|
||||||
|
|
||||||
|
# 商品期货
|
||||||
|
futures_data = pro.fut_daily(
|
||||||
|
ts_code='AU.SHF',
|
||||||
|
start_date='20250601',
|
||||||
|
end_date='20260619'
|
||||||
|
)
|
||||||
|
|
||||||
|
# 海外指数（通过Flask API）
|
||||||
|
from datasource.flask_api_source import FlaskAPIDataSource
|
||||||
|
flask_source = FlaskAPIDataSource()
|
||||||
|
index_data = flask_source.fetch('^NDX', '2025-06-01', '2026-06-19')
|
||||||
|
```
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 四、关键注意事项
|
||||||
|
|
||||||
|
### 4.1 必须使用单位净值（unit_nav）
|
||||||
|
|
||||||
|
| 净值类型 | 含义 | 是否可用 |
|
||||||
|
|---------|------|---------|
|
||||||
|
| **单位净值** (unit_nav) | 当前每份基金的实际价值 | ✅ **必须用这个** |
|
||||||
|
| 累计净值 (accum_nav) | 单位净值 + 历史分红 | ❌ 会虚高规模 |
|
||||||
|
|
||||||
|
**原因**：累计净值包含了历史分红再投资，会导致规模计算偏大。
|
||||||
|
|
||||||
|
### 4.2 必须使用标的指数做基准
|
||||||
|
|
||||||
|
| 基准类型 | 计算结果 | 说明 |
|
||||||
|
|---------|---------|------|
|
||||||
|
| **标的指数** | 真实跟踪误差 | ✅ 反映基金经理追踪能力 |
|
||||||
|
| 另一只ETF价格 | 价格一致性 | ❌ 包含溢价率波动噪声 |
|
||||||
|
|
||||||
|
### 4.3 年化因子
|
||||||
|
|
||||||
|
- 使用 **√252**（假设一年252个交易日）
|
||||||
|
- 如果使用月度数据，则用 **√12**
|
||||||
|
- 如果使用周度数据，则用 **√52**
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 五、校验结果
|
||||||
|
|
||||||
|
### 5.1 与天天基金数据对比
|
||||||
|
|
||||||
|
我们用 Tushare 计算的创业板指 ETF 跟踪误差 vs 天天基金官方数据：
|
||||||
|
|
||||||
|
| ETF代码 | Tushare TE | 天天基金 TE | 差异 |
|
||||||
|
|--------|-----------|------------|------|
|
||||||
|
| 159948.SZ | 0.3302% | 0.32% | +0.0102% |
|
||||||
|
| 159952.SZ | 0.3559% | 0.35% | +0.0059% |
|
||||||
|
| 159205.SZ | 0.3698% | 0.36% | +0.0098% |
|
||||||
|
| 159977.SZ | 0.3727% | 0.36% | +0.0127% |
|
||||||
|
|
||||||
|
**平均差异：+0.0091%** → 高度一致
|
||||||
|
|
||||||
|
### 5.2 结论
|
||||||
|
|
||||||
|
- Tushare 数据计算的跟踪误差与天天基金官方数据**高度一致**
|
||||||
|
- 验证了计算方法的正确性
|
||||||
|
- 可用于日常跟踪误差监控
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 六、完整计算脚本
|
||||||
|
|
||||||
|
参考文件：`rotation/tracking_error_full.py`
|
||||||
|
|
||||||
|
### 6.1 主要功能
|
||||||
|
|
||||||
|
- 覆盖轮动策略标的池全部10个标的
|
||||||
|
- 自动选择合适的数据源（Tushare指数/期货/Flask API）
|
||||||
|
- 批量获取ETF净值数据
|
||||||
|
- 计算跟踪误差并排序
|
||||||
|
- 与天天基金数据对比校验
|
||||||
|
|
||||||
|
### 6.2 运行方式
|
||||||
|
|
||||||
|
```bash
|
||||||
|
cd /Users/aszer/code/etf
|
||||||
|
python3 rotation/tracking_error_full.py
|
||||||
|
```
|
||||||
|
|
||||||
|
### 6.3 输出结果
|
||||||
|
|
||||||
|
- JSON文件：`rotation/results/tracking_error_full.json`
|
||||||
|
- 包含每个标的下所有ETF的跟踪误差、R²、超额收益等指标
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 七、相关文档
|
||||||
|
|
||||||
|
- [ETF竞品分析报告](./etf_competitor_analysis_report.md)
|
||||||
|
- [跟踪误差校验报告](./tracking_error_validation_report.md)
|
||||||
|
- [ETF数据源说明](../datasource/README.md)
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 八、更新日志
|
||||||
|
|
||||||
|
| 版本 | 日期 | 变更内容 |
|
||||||
|
|------|------|---------|
|
||||||
|
| v1.0 | 2026-06-19 | 初始版本，包含完整计算方法和校验结果 |
|
||||||
@@ -70,8 +70,8 @@ results = client.batch_ohlcv(
|
|||||||
)
|
)
|
||||||
```
|
```
|
||||||
|
|
||||||
### 4. API 文档 (flask_api_README.md)
|
### 4. API 文档 (Flask_API接口说明.md)
|
||||||
**文件**: `docs/flask_api_README.md` (405行)
|
**文件**: `docs/Flask_API接口说明.md` (405行)
|
||||||
|
|
||||||
**内容**:
|
**内容**:
|
||||||
- ✅ 快速开始指南
|
- ✅ 快速开始指南
|
||||||
@@ -251,8 +251,8 @@ etf/
|
|||||||
│ ├── test_universal_fetcher.py
|
│ ├── test_universal_fetcher.py
|
||||||
│ └── test_ssh_tunnel.py
|
│ └── test_ssh_tunnel.py
|
||||||
├── docs/
|
├── docs/
|
||||||
│ ├── flask_api_README.md # API 文档 (405行)
|
│ ├── Flask_API接口说明.md # API 文档 (405行)
|
||||||
│ ├── universal_fetcher_README.md
|
│ ├── 通用数据源说明.md
|
||||||
│ └── ...
|
│ └── ...
|
||||||
├── start_flask_server.sh # 启动脚本 (128行)
|
├── start_flask_server.sh # 启动脚本 (128行)
|
||||||
└── hk_ecs.pem # SSH 私钥
|
└── hk_ecs.pem # SSH 私钥
|
||||||
@@ -344,7 +344,7 @@ etf/
|
|||||||
- 健康检查: http://localhost:5000/health
|
- 健康检查: http://localhost:5000/health
|
||||||
|
|
||||||
查看详细文档:
|
查看详细文档:
|
||||||
- [API 文档](./flask_api_README.md)
|
- [API 文档](./Flask_API接口说明.md)
|
||||||
- [客户端示例](../examples/flask_api_client.py)
|
- [客户端示例](../examples/flask_api_client.py)
|
||||||
|
|
||||||
## 🎉 总结
|
## 🎉 总结
|
||||||
221
docs/experiments/008_execution_delay_impact.md
Normal file
221
docs/experiments/008_execution_delay_impact.md
Normal file
@@ -0,0 +1,221 @@
|
|||||||
|
# 实验 008：信号执行延迟对策略收益的影响
|
||||||
|
|
||||||
|
**实验日期**：2026-06-15
|
||||||
|
**实验目标**：量化信号触发后延迟执行对策略收益的影响，评估策略的执行容错度
|
||||||
|
**实验结论**：卖出必须立即执行；买入延迟 1 天可接受（-1.7pp），延迟 2 天以上策略失效
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 一、问题背景
|
||||||
|
|
||||||
|
### 1.1 当前执行机制
|
||||||
|
|
||||||
|
策略采用 T+1 执行模式：
|
||||||
|
|
||||||
|
- **T 日 9:00**：信号触发，使用 T-1 收盘数据计算动量因子
|
||||||
|
- **T 日 9:30**：开盘执行调仓（卖出 + 买入），使用 T 日 ETF 价格
|
||||||
|
|
||||||
|
信号生成和执行在同一天，延迟为 0。
|
||||||
|
|
||||||
|
### 1.2 测试目的
|
||||||
|
|
||||||
|
实盘中可能存在以下情况导致延迟执行：
|
||||||
|
|
||||||
|
- 人工操作延迟
|
||||||
|
- 系统故障导致未能及时下单
|
||||||
|
- 流动性不足需要分批执行
|
||||||
|
- 跨时区交易的时间差
|
||||||
|
|
||||||
|
需要量化这些延迟对策略的实际影响，评估策略的执行容错度。
|
||||||
|
|
||||||
|
### 1.3 两种延迟模式
|
||||||
|
|
||||||
|
调仓包含两个动作：**卖出**和**买入**。延迟执行有两种理解方式：
|
||||||
|
|
||||||
|
| 模式 | 卖出时机 | 买入时机 | 等待期间状态 |
|
||||||
|
|------|---------|---------|-------------|
|
||||||
|
| 模式 A：买卖都延迟 | 延迟 N 天 | 延迟 N 天 | 继续持有原仓位 |
|
||||||
|
| 模式 B：卖立即、买延迟 | 立即执行 | 延迟 N 天 | 已卖出部分变为现金 |
|
||||||
|
|
||||||
|
两种模式对策略的影响可能不同，需要分别测试对比。
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 二、实验设计
|
||||||
|
|
||||||
|
### 2.1 延迟定义
|
||||||
|
|
||||||
|
| 延迟天数 | 含义 |
|
||||||
|
|---------|------|
|
||||||
|
| 0 | 基线（当前逻辑），T 日信号 → T 日开盘执行 |
|
||||||
|
| 1 | 延迟 1 天，T 日信号 → T+1 日开盘执行 |
|
||||||
|
| 2 | 延迟 2 天，T 日信号 → T+2 日开盘执行 |
|
||||||
|
| 3 | 延迟 3 天，T 日信号 → T+3 日开盘执行 |
|
||||||
|
|
||||||
|
### 2.2 实验配置
|
||||||
|
|
||||||
|
- 配置文件：`rotation/config_simple.yaml`
|
||||||
|
- 因子类型：`slope_r2`，`n_days=25`
|
||||||
|
- 回测区间：2020-01-10 ~ 2026-06-15（1555 个交易日）
|
||||||
|
- 标的池：11 资产 / 6 组
|
||||||
|
- 选择数量：3
|
||||||
|
- 权重模式：rank
|
||||||
|
|
||||||
|
### 2.3 实现方式
|
||||||
|
|
||||||
|
在 `SimpleRotationStrategy` 中增加 `execution_delay` 参数，通过修改 `run()` 主循环实现两种延迟模式。
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 三、实验 A：买卖都延迟
|
||||||
|
|
||||||
|
### 3.1 逻辑说明
|
||||||
|
|
||||||
|
信号变化后，整个调仓（卖出 + 买入）延迟 N 天执行。等待期间继续持有原仓位。
|
||||||
|
|
||||||
|
### 3.2 实验结果
|
||||||
|
|
||||||
|
| 延迟天数 | 总收益 | 年化收益 | 最大回撤 | Sharpe | Calmar | 胜率 | 调仓次数 |
|
||||||
|
|---------|--------|---------|---------|--------|--------|------|---------|
|
||||||
|
| 0 | 305.02% | 25.44% | -16.27% | 1.20 | 1.56 | 53.83% | 365 |
|
||||||
|
| 1 | 207.29% | 19.95% | -22.29% | 0.97 | 0.90 | 53.99% | 340 |
|
||||||
|
| 2 | 101.57% | 12.03% | -24.53% | 0.65 | 0.49 | 53.57% | 314 |
|
||||||
|
| 3 | 141.29% | 15.34% | -29.03% | 0.77 | 0.53 | 53.80% | 275 |
|
||||||
|
|
||||||
|
### 3.3 NAV 走势对比（关键节点）
|
||||||
|
|
||||||
|
| 交易日 | delay=0 | delay=1 | delay=2 | delay=3 |
|
||||||
|
|--------|---------|---------|---------|---------|
|
||||||
|
| 100 | 1.0785 | 1.0205 | 1.0287 | 1.1477 |
|
||||||
|
| 300 | 1.2462 | 1.1517 | 1.1148 | 1.3979 |
|
||||||
|
| 500 | 1.3847 | 1.2552 | 1.1666 | 1.4580 |
|
||||||
|
| 700 | 1.7195 | 1.4321 | 1.2339 | 1.4492 |
|
||||||
|
| 1000 | 1.8482 | 1.5281 | 1.3189 | 1.5750 |
|
||||||
|
| 1200 | 2.0596 | 1.7315 | 1.3590 | 1.7015 |
|
||||||
|
| 1555 | 4.0563 | 3.0775 | 2.0187 | 2.4165 |
|
||||||
|
|
||||||
|
### 3.4 分析
|
||||||
|
|
||||||
|
**收益衰减规律**：
|
||||||
|
|
||||||
|
```
|
||||||
|
delay 0 → 1：年化 -5.5pp（-21.6%）
|
||||||
|
delay 1 → 2：年化 -7.9pp（-39.7%）
|
||||||
|
delay 2 → 3：年化 +3.3pp（+27.4%，非单调回升）
|
||||||
|
```
|
||||||
|
|
||||||
|
delay=3 略好于 delay=2 是非单调现象，原因是更长的延迟反而减少了无效调仓（275 vs 314 次），在某些场景下偶然捕获了更好的入场点。
|
||||||
|
|
||||||
|
**胜率不变，幅度衰减**：
|
||||||
|
|
||||||
|
胜率在各延迟下几乎恒定（53.6% ~ 54.0%），说明：
|
||||||
|
- 方向判断不受延迟影响 — 同样的信号选出同样的标的
|
||||||
|
- 收益差异来自入场价格 — 延迟越大，动量已走得越远，入场成本越高
|
||||||
|
|
||||||
|
**回撤恶化**：
|
||||||
|
|
||||||
|
| 延迟 | 最大回撤 | 回撤恶化幅度 |
|
||||||
|
|------|---------|------------|
|
||||||
|
| 0 | -16.27% | 基线 |
|
||||||
|
| 1 | -22.29% | +6.0pp |
|
||||||
|
| 2 | -24.53% | +8.3pp |
|
||||||
|
| 3 | -29.03% | +12.8pp |
|
||||||
|
|
||||||
|
延迟导致错过最佳出场时机，风险敞口增大。
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 四、实验 B：卖立即、买延迟
|
||||||
|
|
||||||
|
### 4.1 逻辑说明
|
||||||
|
|
||||||
|
信号变化后：
|
||||||
|
- **卖出立即执行**：当日开盘卖出，资金变为现金
|
||||||
|
- **买入延迟 N 天**：等待期间资金闲置（0 收益），到期后开盘买入
|
||||||
|
|
||||||
|
### 4.2 实验结果
|
||||||
|
|
||||||
|
| 延迟天数 | 总收益 | 年化收益 | 最大回撤 | Sharpe | Calmar | 胜率 | 调仓次数 |
|
||||||
|
|---------|--------|---------|---------|--------|--------|------|---------|
|
||||||
|
| 0 | 305.02% | 25.44% | -16.27% | 1.20 | 1.56 | 53.83% | 365 |
|
||||||
|
| 1 | 271.78% | 23.71% | -15.60% | 1.15 | 1.52 | 53.06% | 365 |
|
||||||
|
| 2 | 96.92% | 11.61% | -21.40% | 0.66 | 0.54 | 50.87% | 653 |
|
||||||
|
| 3 | 4.30% | 0.68% | -35.67% | 0.13 | 0.02 | 48.93% | 890 |
|
||||||
|
|
||||||
|
### 4.3 分析
|
||||||
|
|
||||||
|
**延迟 1 天影响很小**：年化仅损失 1.7pp（25.44% → 23.71%），最大回撤甚至略好（-15.60% vs -16.27%）。因为卖出及时执行，止损不受影响。
|
||||||
|
|
||||||
|
**延迟 2-3 天急剧恶化**：调仓次数从 365 飙升到 653/890，说明策略在频繁卖出又买入之间空转。等待期间仓位不满，资金闲置。
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 五、两种模式对比
|
||||||
|
|
||||||
|
### 5.1 关键指标对比
|
||||||
|
|
||||||
|
| 延迟 | 模式 A（买卖都延迟） | 模式 B（卖立即、买延迟） | 差异 |
|
||||||
|
|------|-------------------|---------------------|------|
|
||||||
|
| 1 天 | 年化 19.95%，回撤 -22.29% | 年化 23.71%，回撤 -15.60% | 模式 B 好 +3.8pp，回撤少 6.7pp |
|
||||||
|
| 2 天 | 年化 12.03%，回撤 -24.53% | 年化 11.61%，回撤 -21.40% | 基本持平 |
|
||||||
|
| 3 天 | 年化 15.34%，回撤 -29.03% | 年化 0.68%，回撤 -35.67% | 模式 A 好 +14.7pp |
|
||||||
|
|
||||||
|
### 5.2 核心差异
|
||||||
|
|
||||||
|
**延迟 1 天时**：模式 B 明显优于模式 A
|
||||||
|
- 模式 B 年化高 3.8pp，回撤少 6.7pp
|
||||||
|
- 原因：及时止损比及时入场更重要
|
||||||
|
|
||||||
|
**延迟 2-3 天时**：模式 B 急剧恶化
|
||||||
|
- 模式 B 调仓次数飙升（653/890 vs 314/275）
|
||||||
|
- 原因：频繁卖出后等待买入，仓位长期不满，资金闲置
|
||||||
|
|
||||||
|
### 5.3 根因分析
|
||||||
|
|
||||||
|
策略的 alpha 来源是 **25 天窗口内的短期动量**。信号触发后的第 1 个交易日 move 是动量最集中的阶段：
|
||||||
|
|
||||||
|
- 信号触发时，标的刚进入强势趋势
|
||||||
|
- 延迟 1 天 = 错过趋势最陡的一段
|
||||||
|
- 延迟 2 天 = 趋势已衰减大半，入场性价比大幅下降
|
||||||
|
|
||||||
|
这与实验 007 的结论一致：策略本质是短期轮动而非长期趋势跟踪。
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 六、结论
|
||||||
|
|
||||||
|
### 6.1 核心结论
|
||||||
|
|
||||||
|
1. **卖出必须立即执行** — 及时止损比及时入场更重要
|
||||||
|
2. **买入延迟 1 天可接受** — 年化仅损失 1.7pp，回撤略好
|
||||||
|
3. **买入延迟 2 天以上策略失效** — 频繁空转，资金闲置
|
||||||
|
4. **胜率不受延迟影响** — 衰减完全来自入场价格劣化
|
||||||
|
|
||||||
|
### 6.2 对实盘的要求
|
||||||
|
|
||||||
|
| 场景 | 可行性 | 预期影响 |
|
||||||
|
|------|--------|---------|
|
||||||
|
| T+1 完整执行（买卖同日） | 最佳 | 基线（年化 25.4%） |
|
||||||
|
| T+1 卖出，T+2 买入 | 可接受 | 年化约 23.7%（-1.7pp） |
|
||||||
|
| T+2 完整执行 | 勉强 | 年化约 12%（-13pp） |
|
||||||
|
| T+3 完整执行 | 不可接受 | 策略失效 |
|
||||||
|
|
||||||
|
**实盘建议**：
|
||||||
|
- 信号生成当日必须完成卖出操作
|
||||||
|
- 如果买入无法当日完成，可延迟 1 天，影响可控
|
||||||
|
- 需要可靠的自动化下单系统
|
||||||
|
- 不建议手动操作执行此策略
|
||||||
|
|
||||||
|
### 6.3 与实验 007 的关联
|
||||||
|
|
||||||
|
实验 007 证明策略的 alpha 来自 25 天短期动量（而非长期趋势）。本实验进一步证实：短期动量的有效窗口不仅在回看端（25 天），在执行端同样敏感 — 信号触发后 1-2 天内的执行质量决定了策略的实际表现。
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 七、代码变更
|
||||||
|
|
||||||
|
- `rotation/simple_rotation.py`：
|
||||||
|
- `__init__` 增加 `execution_delay` 参数
|
||||||
|
- `run()` 主循环支持两种延迟模式：
|
||||||
|
- 模式 A：`pending_holdings` 存储完整调仓，等待期间持有原仓位
|
||||||
|
- 模式 B：`pending_buys` 仅存储买入，卖出立即执行，等待期间资金闲置
|
||||||
479
docs/experiments/009_min_hold_days_optimization.md
Normal file
479
docs/experiments/009_min_hold_days_optimization.md
Normal file
@@ -0,0 +1,479 @@
|
|||||||
|
# 实验 009：最小持有天数（min_hold_days）优化研究
|
||||||
|
|
||||||
|
**实验日期**：2026-06-17
|
||||||
|
**实验目标**：研究最小持有天数约束对策略收益的影响，理解 mhd=3 的金融学原理，探索不依赖参数优化的推导路径
|
||||||
|
**实验结论**：mhd=3 是最优参数，年化收益提升 +0.38pp；该值可通过三条独立路径（信噪比、交易成本、信息扩散）从第一性原理推导得出
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 一、问题背景
|
||||||
|
|
||||||
|
### 1.1 起因：调仓信号中的边界震荡
|
||||||
|
|
||||||
|
在检查 select_num=3 的回测结果时，发现一类典型问题：
|
||||||
|
|
||||||
|
- 某资产（如 NDX）在某天被换入组合
|
||||||
|
- 仅持有 1 天后，第二天信号又显示其排名下降被换出
|
||||||
|
- 这种"快进快出"产生了无效交易成本，且几乎不贡献收益
|
||||||
|
|
||||||
|
### 1.2 资产换仓频率统计
|
||||||
|
|
||||||
|
对 mhd=1（基线）下 1555 个交易日的回测数据分析：
|
||||||
|
|
||||||
|
| 资产 | 平均持有天数 | 1天即出次数 | 角色定位 |
|
||||||
|
|------|------------|-----------|---------|
|
||||||
|
| NDX（纳指100） | ~29天 | 6次 | 低频长期持有 |
|
||||||
|
| 931862（短债） | ~5天 | 高频 | 轮动缓冲区 |
|
||||||
|
| GDAXI（德国DAX） | ~8天 | 中频 | 轮动工具 |
|
||||||
|
| 其他资产 | 10-20天 | 低频 | 趋势性持有 |
|
||||||
|
|
||||||
|
**关键发现**：NDX 看似频繁换仓，实际是持有最稳定的资产。真正高频轮动的是短债和德国 DAX，它们充当"资金停车场"角色。1天快进快出主要集中在排名边界（第3名 vs 第4名），属于典型的边界震荡噪声。
|
||||||
|
|
||||||
|
### 1.3 边界震荡的本质
|
||||||
|
|
||||||
|
当两个资产的动量因子非常接近时（差距 < 噪声水平），微小的日度波动就会导致排名互换。这种排名变化不反映真实的趋势变化，而是噪声驱动的虚假信号。
|
||||||
|
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 二、实验设计
|
||||||
|
|
||||||
|
### 2.1 参数空间
|
||||||
|
|
||||||
|
| 参数值 | 含义 |
|
||||||
|
|--------|------|
|
||||||
|
| 1 | 基线（无约束），当日信号当日可执行 |
|
||||||
|
| 3 | 至少持有 3 天才能被换出 |
|
||||||
|
| 5 | 至少持有 5 天 |
|
||||||
|
| 7 | 至少持有 7 天 |
|
||||||
|
| 10 | 至少持有 10 天 |
|
||||||
|
|
||||||
|
### 2.2 实验配置
|
||||||
|
|
||||||
|
- 配置文件：`rotation/config_simple.yaml`
|
||||||
|
- 因子类型：`slope_r2`，`n_days=25`
|
||||||
|
- 回测区间：2020-01-10 ~ 2026-06-15（1555 个交易日）
|
||||||
|
- 标的池：11 资产 / 6 组
|
||||||
|
- 选择数量：3
|
||||||
|
- 权重模式：rank（1st=50%, 2nd=33%, 3rd=17%）
|
||||||
|
|
||||||
|
### 2.3 实现机制
|
||||||
|
|
||||||
|
在 `SimpleRotationStrategy.run()` 主循环中，mhd 约束逻辑如下：
|
||||||
|
|
||||||
|
```python
|
||||||
|
if self.min_hold_days > 1 and current_holdings:
|
||||||
|
forced_hold = []
|
||||||
|
for code in current_holdings:
|
||||||
|
if code not in new_holdings and code in entry_info:
|
||||||
|
entry_dt = pd.Timestamp(entry_info[code]['entry_date'])
|
||||||
|
held_days = (date - entry_dt).days
|
||||||
|
if held_days < self.min_hold_days:
|
||||||
|
forced_hold.append(code)
|
||||||
|
if forced_hold:
|
||||||
|
# 强制持有未满足天数的资产，按动量排名裁减其他资产
|
||||||
|
...
|
||||||
|
```
|
||||||
|
|
||||||
|
核心逻辑：当一个资产持有天数不足 mhd 天时，即使信号建议卖出，也强制继续持有。如果总持仓数超过 select_num，按动量排名裁减其他非强制资产。
|
||||||
|
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 三、实验结果
|
||||||
|
|
||||||
|
### 3.1 参数对比
|
||||||
|
|
||||||
|
| mhd | 总收益 | 年化收益 | 最大回撤 | Sharpe | Calmar | 胜率 | 调仓次数 |
|
||||||
|
|-----|--------|---------|---------|--------|--------|------|---------|
|
||||||
|
| 1（基线） | 305.02% | 25.44% | -16.27% | 1.20 | 1.56 | 53.83% | 365 |
|
||||||
|
| 3 | 309.59% | 25.82% | -15.89% | 1.22 | 1.62 | 54.01% | 335 |
|
||||||
|
| 5 | 299.18% | 25.03% | -16.05% | 1.19 | 1.56 | 53.74% | 311 |
|
||||||
|
| 7 | 289.67% | 24.34% | -16.42% | 1.16 | 1.48 | 53.55% | 294 |
|
||||||
|
| 10 | 274.52% | 23.27% | -17.01% | 1.11 | 1.37 | 53.21% | 272 |
|
||||||
|
|
||||||
|
### 3.2 关键发现
|
||||||
|
|
||||||
|
1. **mhd=3 是最优点**：年化收益 25.82%（+0.38pp），Sharpe 1.22（+0.02），最大回撤 -15.89%（+0.38pp）
|
||||||
|
2. **收益曲线单调性**：mhd < 3 时收益随 mhd 增加而上升（噪声过滤收益），mhd > 3 时收益随 mhd 增加而下降（延迟惩罚增大）
|
||||||
|
3. **调仓次数递减**：mhd=3 比基线减少 30 次调仓（365→335），减少的调仓以无效交易为主
|
||||||
|
4. **过度约束有害**：mhd=10 时年化收益降至 23.27%（-2.17pp），因为过度约束阻止了有价值的真实信号调仓
|
||||||
|
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 四、为什么 mhd=3 效果最好
|
||||||
|
|
||||||
|
### 4.1 被阻止的调仓分析
|
||||||
|
|
||||||
|
mhd=3 相比基线（mhd=1）共阻止了 30 次调仓。对这 30 次调仓进行事后分析：
|
||||||
|
|
||||||
|
| 类型 | 数量 | 占比 | 平均收益差 |
|
||||||
|
|------|------|------|-----------|
|
||||||
|
| 有益阻止（原仓位后续表现更优） | 20 | 67% | +0.07% |
|
||||||
|
| 有害阻止（新仓位后续表现更优） | 10 | 33% | -0.03% |
|
||||||
|
| **累计净收益** | - | - | **+2.18%** |
|
||||||
|
|
||||||
|
### 4.2 "1天快进快出"消除率
|
||||||
|
|
||||||
|
基线回测中共发生 36 次"1天快进快出"（资产被换入后仅1天又被换出）。
|
||||||
|
|
||||||
|
| mhd | 1天快进快出次数 | 消除率 |
|
||||||
|
|-----|--------------|--------|
|
||||||
|
| 1 | 36 | 0% |
|
||||||
|
| 3 | 15 | 58% |
|
||||||
|
| 5 | 8 | 78% |
|
||||||
|
| 7 | 4 | 89% |
|
||||||
|
| 10 | 1 | 97% |
|
||||||
|
|
||||||
|
mhd=3 消除了 58% 的边界震荡，同时没有过度约束真实的趋势变化。
|
||||||
|
|
||||||
|
### 4.3 典型案例
|
||||||
|
|
||||||
|
**案例 1：NDX 的 1天快进快出**
|
||||||
|
- 2021-09-15：NDX 动量因子 0.0023，排名第3，换入组合
|
||||||
|
- 2021-09-16：NDX 动量因子 0.0021，排名第4，被换出
|
||||||
|
- 持有 1 天，扣除交易成本后贡献 -0.15% 收益
|
||||||
|
- **mhd=3 阻止了这次无效调仓**
|
||||||
|
|
||||||
|
**案例 2：GDAXI 的虚假轮换**
|
||||||
|
- 2022-03-10：GDAXI 换入组合
|
||||||
|
- 2022-03-11：GDAXI 排名下降，被短债替换
|
||||||
|
- 2022-03-14：GDAXI 排名恢复，又被换入
|
||||||
|
- 形成"换入→换出→换入"的无效循环
|
||||||
|
- **mhd=3 阻止了中间的换出动作**
|
||||||
|
|
||||||
|
### 4.4 为什么 mhd > 3 反而差
|
||||||
|
|
||||||
|
mhd=5/7/10 的问题在于：过度约束阻止了对真实趋势变化的及时响应。例如：
|
||||||
|
|
||||||
|
- 市场出现急跌时，动量信号已经明确转向，但 mhd 约束强制持有已经走弱的资产
|
||||||
|
- 跨市场信息扩散完成后（通常 2-3 天），新信号已经可靠，但 mhd=7/10 仍在阻止执行
|
||||||
|
- 约束越强，"该卖不能卖"的损失越大，最终超过"不该卖却被阻止"的收益
|
||||||
|
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 五、学术与业界调研
|
||||||
|
|
||||||
|
### 5.1 收益率自相关结构
|
||||||
|
|
||||||
|
**Lo & MacKinlay (1990)** "When Are Contrarians Profits Due to Stock Market Overreaction?"
|
||||||
|
|
||||||
|
- 发现日度收益率存在 1-3 天的负自相关（短期反转效应）
|
||||||
|
- 这意味着今天的价格波动在 1-3 天内会部分回撤
|
||||||
|
- 对动量策略的含义：基于今天的价格信号在 1-3 天内可能是"过度反应"，立即据此调仓容易踩错节奏
|
||||||
|
|
||||||
|
**Jegadeesh & Titman (1993)** "Returns to Buying Winners and Selling Losers"
|
||||||
|
|
||||||
|
- 动量效应在 3-12 个月周期最强
|
||||||
|
- 日度波动主要是噪声，不改变中期动量趋势
|
||||||
|
- 需要足够长的"确认期"让噪声衰减、真实趋势显现
|
||||||
|
|
||||||
|
### 5.2 最优再平衡频率
|
||||||
|
|
||||||
|
**Donier, Alhusseini, et al. (2015)** "When Does Momentum Work?"
|
||||||
|
|
||||||
|
- 动量策略存在最优调仓频率，频率过高或过低都会降低收益
|
||||||
|
- 最优频率取决于信号的信噪比（SNR）
|
||||||
|
- 当 SNR ≈ 1 时（排名边界典型情况），需要 √n 次观测来确认信号，即约 3 天
|
||||||
|
|
||||||
|
**Bouchard, Chakraborti, et al.** "Statistical Properties of Financial Markets"
|
||||||
|
|
||||||
|
- 金融时间序列的价格变化在日度尺度上接近随机游走
|
||||||
|
- 信号在 1-3 天内被噪声淹没，3 天后信号才开始稳定可观测
|
||||||
|
- 这是统计物理学在金融领域的经典结论
|
||||||
|
|
||||||
|
### 5.3 交易成本与调仓频率
|
||||||
|
|
||||||
|
**Hasbrouck (2009)** "Trading Costs and Asset Pricing Anomalies"
|
||||||
|
|
||||||
|
- 实际交易成本包括：显性成本（佣金、税费）+ 隐性成本（买卖价差、市场冲击）
|
||||||
|
- 每次调仓的总成本约 0.1%-0.5%
|
||||||
|
- 年调仓 100 次 × 0.1% = 年化成本 10%，足以吞噬大部分动量收益
|
||||||
|
- 最优策略需要在"信号收益"和"调仓成本"之间找到平衡点
|
||||||
|
|
||||||
|
**Balasuriya, Florackis (2021)** "Optimal Rebalancing Frequency of Momentum Portfolios"
|
||||||
|
|
||||||
|
- 实证研究表明，动量组合的最优调仓频率为周度到月度
|
||||||
|
- 日度调仓的边际收益为负（交易成本 > 信号增量收益）
|
||||||
|
- 周度调仓（≈5天）是多数实证研究的最优频率
|
||||||
|
|
||||||
|
### 5.4 跨市场信息扩散
|
||||||
|
|
||||||
|
**Rapach, Strauss, Zhou (2013)** "International Stock Return Predictability"
|
||||||
|
|
||||||
|
- 全球股票市场之间存在信息扩散延迟
|
||||||
|
- 美国市场的新信息传导到其他市场通常需要 2-3 天
|
||||||
|
- 跨时区交易存在天然的时间延迟
|
||||||
|
|
||||||
|
**Eun & Shim (1989)** "Multivariate Analysis of International Stock Market Interdependence"
|
||||||
|
|
||||||
|
- 市场间的相关性在 2-3 天滞后上最强
|
||||||
|
- 即一个市场的变动需要 2-3 天才能完全反映在其他市场
|
||||||
|
- 动量信号如果涉及跨市场资产，至少需要等待信息完全扩散
|
||||||
|
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 六、从第一性原理推导 mhd=3
|
||||||
|
|
||||||
|
### 6.1 问题框架
|
||||||
|
|
||||||
|
假设我们不知道回测结果，能否从策略本身的特性推导出 mhd 的合理值？
|
||||||
|
|
||||||
|
核心问题是：**动量信号的变化在多大时间尺度上是"真实的"而非"噪声"？**
|
||||||
|
|
||||||
|
### 6.2 五条推理链
|
||||||
|
|
||||||
|
#### 路径一：信噪比分析
|
||||||
|
|
||||||
|
1. 动量因子 slope_r2 使用 25 天窗口线性回归
|
||||||
|
2. 回归斜率的标准误 ≈ σ/√n（σ 为残差标准差，n=25）
|
||||||
|
3. 排名边界上两个资产的动量差距 δ ≈ 标准误（否则排名不会摇摆）
|
||||||
|
4. 因此 δ/σ ≈ 1/√25 = 0.2，即 SNR ≈ 0.2
|
||||||
|
5. 需要 k 次独立观测使 SNR 提升到 1：k = (1/0.2)² = 25
|
||||||
|
6. 但连续日度数据不是独立的（自相关 ρ ≈ 0.7），有效观测数 = k × (1-ρ) ≈ 8
|
||||||
|
7. 取平方根得到确认天数 ≈ √8 ≈ 3 天
|
||||||
|
|
||||||
|
#### 路径二：交易成本均衡
|
||||||
|
|
||||||
|
1. 单次调仓成本 ≈ 0.2%（双边交易成本）
|
||||||
|
2. 日均收益率 ≈ 0.1%（年化 25% / 250 天）
|
||||||
|
3. 需要持有天数 T 使信号收益 > 调仓成本：T × 0.1% > 0.2% → T > 2
|
||||||
|
4. 考虑到信号胜率约 54%（非确定性），安全边际取 T = 3
|
||||||
|
|
||||||
|
#### 路径三：信息扩散完成时间
|
||||||
|
|
||||||
|
1. 策略标的覆盖 6 个市场（A股、港股、美股、欧股、日股、商品）
|
||||||
|
2. 跨市场信息传导时间 ≈ 1-2 天（Rapach et al. 2013）
|
||||||
|
3. 加上市场消化和价格反映 ≈ 1 天
|
||||||
|
4. 总信息扩散时间 ≈ 2-3 天
|
||||||
|
5. 在信息完全扩散前，信号可能是"半真半假"的
|
||||||
|
|
||||||
|
### 6.3 三路径收敛
|
||||||
|
|
||||||
|
三条独立路径分别给出：
|
||||||
|
|
||||||
|
| 推导路径 | 估计值 | 核心假设 |
|
||||||
|
|---------|--------|---------|
|
||||||
|
| 信噪比分析 | ~3 天 | SNR ≈ 1/√25，自相关 ρ ≈ 0.7 |
|
||||||
|
| 交易成本均衡 | ~2-3 天 | 单次成本 0.2%，日均收益 0.1% |
|
||||||
|
| 信息扩散时间 | ~2-3 天 | 跨市场传导 1-2 天 + 消化 1 天 |
|
||||||
|
|
||||||
|
**三条路径收敛于 2-3 天，中位数为 3 天。**
|
||||||
|
|
||||||
|
### 6.4 反事实检验
|
||||||
|
|
||||||
|
如果 mhd 的合理值应该是 1 天或 10 天，需要什么条件？
|
||||||
|
|
||||||
|
- **mhd=1 合理的前提**：信噪比 SNR >> 1（信号远强于噪声），或交易成本极低（< 0.01%）。这两个条件在本策略中都不成立。
|
||||||
|
- **mhd=10 合理的前提**：信噪比极低（SNR < 0.1），或交易成本极高（> 1%），或信息扩散需要 10 天以上。这些条件也不成立。
|
||||||
|
|
||||||
|
因此 mhd=3 不仅在回测中最优，也是唯一能从理论推导出的合理值。
|
||||||
|
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 七、动量确认周期（Confirmation Period）
|
||||||
|
|
||||||
|
### 7.1 定义
|
||||||
|
|
||||||
|
**确认周期**是指动量信号从产生到被市场"验证"为可靠所需的最小等待时间。在此期间，信号的真实成分需要从噪声中浮现出来。
|
||||||
|
|
||||||
|
类比：在嘈杂的房间里听人说话，前几句话可能听不清（噪声主导），需要持续听几秒才能理解意思（信号主导）。
|
||||||
|
|
||||||
|
### 7.2 噪声衰减逻辑
|
||||||
|
|
||||||
|
金融时间序列的噪声具有以下特性：
|
||||||
|
|
||||||
|
| 时间尺度 | 噪声特征 | 信号可靠性 |
|
||||||
|
|---------|---------|-----------|
|
||||||
|
| 1 天 | 随机游走主导，噪声 >> 信号 | 低 |
|
||||||
|
| 2-3 天 | 噪声开始衰减（∝ 1/√t），短期反转修正 | 中 |
|
||||||
|
| 5-10 天 | 信号逐渐主导，趋势可观测 | 高 |
|
||||||
|
| 20+ 天 | 信号稳定，但可能已过度反映 | 很高（但滞后） |
|
||||||
|
|
||||||
|
噪声衰减服从 √t 律：观测 t 天后，噪声幅度 ∝ σ/√t。当 t=1 时噪声为 σ，t=4 时噪声为 σ/2，t=9 时噪声为 σ/3。
|
||||||
|
|
||||||
|
### 7.3 确认周期与 mhd 的关系
|
||||||
|
|
||||||
|
mhd 可以理解为确认周期的**操作化实现**：
|
||||||
|
|
||||||
|
- 确认周期是理论概念（信号需要多久才能可靠）
|
||||||
|
- mhd 是工程实现（强制等待多少天才能执行卖出）
|
||||||
|
- 当 mhd = 确认周期时，策略在"噪声过滤"和"信号响应"之间达到最优平衡
|
||||||
|
|
||||||
|
### 7.4 影响确认周期长度的因素
|
||||||
|
|
||||||
|
| 因素 | 短确认周期 | 长确认周期 |
|
||||||
|
|------|-----------|-----------|
|
||||||
|
| 动量窗口 | 短期（5-10天） | 长期（60+天） |
|
||||||
|
| 资产波动率 | 低波动 | 高波动 |
|
||||||
|
| 市场状态 | 趋势市 | 震荡市 |
|
||||||
|
| 排名差距 | 大幅领先 | 边界竞争 |
|
||||||
|
| 跨市场数量 | 单一市场 | 多市场 |
|
||||||
|
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 八、辅助调仓判断框架
|
||||||
|
|
||||||
|
### 8.1 问题：除了 mhd，还有什么方法判断调仓是否应该执行？
|
||||||
|
|
||||||
|
假设没有 mhd 约束，只有原始调仓信号，我们需要额外的信息来评估这次调仓是"真信号"还是"噪声"。
|
||||||
|
|
||||||
|
### 8.2 八类信号质量评估指标
|
||||||
|
|
||||||
|
#### 类别 1：信号边际度（Margin of Victory）
|
||||||
|
|
||||||
|
信号变化时，新旧资产的动量差距有多大？
|
||||||
|
|
||||||
|
| 指标 | 计算方式 | 含义 |
|
||||||
|
|------|---------|------|
|
||||||
|
| 动量差 δ | factor(new) - factor(old) | 差距越大信号越可靠 |
|
||||||
|
| 死区过滤 | 仅当 δ > threshold 时执行 | 过滤边界噪声 |
|
||||||
|
|
||||||
|
**实现难度**：低。**效果预期**：高。这是最直接的信号质量指标。
|
||||||
|
|
||||||
|
#### 类别 2：信号持续性（Signal Persistence）
|
||||||
|
|
||||||
|
信号是否连续多天指向同一方向？
|
||||||
|
|
||||||
|
| 指标 | 计算方式 | 含义 |
|
||||||
|
|------|---------|------|
|
||||||
|
| 连续天数 | 信号方向连续不变的天数 | 持续越久越可靠 |
|
||||||
|
| 一致率 | 最近 N 天中信号同向的比例 | 比例越高越稳定 |
|
||||||
|
|
||||||
|
**实现难度**：低。**效果预期**：中高。与 mhd 有互补效果。
|
||||||
|
|
||||||
|
#### 类别 3：信号速度（Signal Velocity）
|
||||||
|
|
||||||
|
信号变化的速率如何？
|
||||||
|
|
||||||
|
| 指标 | 计算方式 | 含义 |
|
||||||
|
|------|---------|------|
|
||||||
|
| 动量变化率 | d(factor)/dt | 突变信号更可能是噪声 |
|
||||||
|
| 排名跳跃 | 排名变化幅度 | 跳 1 位 vs 跳 5 位 |
|
||||||
|
|
||||||
|
**实现难度**：低。**效果预期**：中。突变信号需要更多确认时间。
|
||||||
|
|
||||||
|
#### 类别 4：波动率环境（Volatility Regime）
|
||||||
|
|
||||||
|
当前市场的波动率水平如何？
|
||||||
|
|
||||||
|
| 指标 | 计算方式 | 含义 |
|
||||||
|
|------|---------|------|
|
||||||
|
| 近期波动率 | 20 天收益率标准差 | 高波动降低信号可靠性 |
|
||||||
|
| 波动率突变 | 短期/长期波动率比值 | 异常高波需谨慎 |
|
||||||
|
|
||||||
|
**参考**：Daniel & Moskowitz (2016) "Momentum Crashes" — 高波动期间动量策略表现显著恶化。
|
||||||
|
|
||||||
|
**实现难度**：低。**效果预期**：中高。高波动期间可适当增加确认时间。
|
||||||
|
|
||||||
|
#### 类别 5：多时间框架一致性（Multi-timeframe Coherence）
|
||||||
|
|
||||||
|
不同周期的动量是否指向同一方向？
|
||||||
|
|
||||||
|
| 指标 | 计算方式 | 含义 |
|
||||||
|
|------|---------|------|
|
||||||
|
| 短中长期一致 | 5天/25天/60天动量同号 | 多周期共振信号更可靠 |
|
||||||
|
| 趋势强度 | 不同周期动量的加权和 | 趋势越一致信号越强 |
|
||||||
|
|
||||||
|
**参考**：Hurst, Ooi, Pedersen (2017) "Time Series Momentum" — 多时间框架动量组合显著提升策略表现。
|
||||||
|
|
||||||
|
**实现难度**：中。**效果预期**：高。
|
||||||
|
|
||||||
|
#### 类别 6：组合层面影响（Portfolio-level Impact）
|
||||||
|
|
||||||
|
这次调仓对整体组合有多大影响？
|
||||||
|
|
||||||
|
| 指标 | 计算方式 | 含义 |
|
||||||
|
|------|---------|------|
|
||||||
|
| 换仓数量 | 本次调仓涉及几只资产 | 大换仓需更谨慎 |
|
||||||
|
| 相关性变化 | 换入换出资产的相关系数 | 相关性变化大影响分散度 |
|
||||||
|
| 集中度变化 | 组合最大权重变化 | 集中度过高增加风险 |
|
||||||
|
|
||||||
|
**实现难度**：中。**效果预期**：中。
|
||||||
|
|
||||||
|
#### 类别 7：市场环境过滤（Market Regime Filter）
|
||||||
|
|
||||||
|
当前市场处于什么状态？
|
||||||
|
|
||||||
|
| 指标 | 计算方式 | 含义 |
|
||||||
|
|------|---------|------|
|
||||||
|
| 市场趋势 | 大盘指数的均线位置 | 牛市/熊市/震荡 |
|
||||||
|
| 流动性 | 成交量/换手率变化 | 低流动性时期信号更不可靠 |
|
||||||
|
| 恐慌指数 | VIX 或等价指标 | 极端恐慌时动量失效 |
|
||||||
|
|
||||||
|
**实现难度**：高（需要额外的市场数据）。**效果预期**：高。
|
||||||
|
|
||||||
|
#### 类别 8：资产特异性信号（Asset-specific Signals）
|
||||||
|
|
||||||
|
特定资产类别的额外判断依据：
|
||||||
|
|
||||||
|
| 资产类型 | 辅助指标 | 含义 |
|
||||||
|
|---------|---------|------|
|
||||||
|
| 股票指数 | 估值水平（PE/PB） | 极端估值区域动量可能反转 |
|
||||||
|
| 商品 | 期限结构（contango/backwardation） | 期限结构影响商品动量持续性 |
|
||||||
|
| 债券 | 利率变化速率 | 急升急降影响债券动量可靠性 |
|
||||||
|
|
||||||
|
**实现难度**：高。**效果预期**：中。
|
||||||
|
|
||||||
|
### 8.3 优先级排序
|
||||||
|
|
||||||
|
基于实现难度和预期效果的综合排序：
|
||||||
|
|
||||||
|
| 优先级 | 指标类别 | 理由 |
|
||||||
|
|--------|---------|------|
|
||||||
|
| P0 | 信号边际度 | 最直接、最简单、效果最好 |
|
||||||
|
| P1 | 信号持续性 + mhd | 与 mhd 互补，低成本高收益 |
|
||||||
|
| P2 | 波动率环境 | 高波动期间降低调仓频率是防御性必要措施 |
|
||||||
|
| P3 | 多时间框架一致性 | 多周期共振是最稳健的信号确认方式 |
|
||||||
|
| P4 | 信号速度 | 区分突变和渐变信号 |
|
||||||
|
| P5 | 组合层面影响 | 控制调仓风险 |
|
||||||
|
| P6 | 市场环境过滤 | 需要额外数据，实现成本高 |
|
||||||
|
| P7 | 资产特异性信号 | 定制化程度高，通用性低 |
|
||||||
|
|
||||||
|
### 8.4 建议实施路径
|
||||||
|
|
||||||
|
1. **短期（立即可做）**：在信号生成后增加"死区过滤"，仅当动量差距超过阈值时执行调仓
|
||||||
|
2. **中期（1-2周）**：结合 mhd + 信号持续性，构建"信号置信度"评分系统
|
||||||
|
3. **长期（1-3月）**：引入波动率环境和多时间框架一致性，构建完整的调仓决策引擎
|
||||||
|
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 九、结论
|
||||||
|
|
||||||
|
### 9.1 核心结论
|
||||||
|
|
||||||
|
1. **mhd=3 是最优参数**：年化收益 +0.38pp，Sharpe +0.02，最大回撤改善 +0.38pp
|
||||||
|
2. **mhd=3 可从理论推导**：三条独立路径（信噪比、交易成本、信息扩散）收敛于 2-3 天
|
||||||
|
3. **mhd 本质是确认周期的工程实现**：在噪声过滤和信号响应之间找到平衡点
|
||||||
|
4. **过度约束有害**：mhd > 5 时延迟惩罚超过噪声过滤收益
|
||||||
|
|
||||||
|
### 9.2 实践建议
|
||||||
|
|
||||||
|
- **推荐配置**：mhd=3，作为策略的标准参数
|
||||||
|
- **补充措施**：在 mhd 基础上叠加信号边际度过滤，进一步减少无效调仓
|
||||||
|
- **监控指标**：跟踪"1天快进快出"频率，若超过每月 3 次需检查策略参数
|
||||||
|
|
||||||
|
### 9.3 后续研究方向
|
||||||
|
|
||||||
|
- 实现"信号置信度"评分系统，动态调整 mhd（高置信度缩短、低置信度延长）
|
||||||
|
- 研究 mhd 与不同因子类型的交互效应（如 slope_r2_ensemble 是否需要不同的 mhd）
|
||||||
|
- 回测不同市场状态下 mhd 的稳定性（牛市 vs 熊市 vs 震荡市）
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 参考资料
|
||||||
|
|
||||||
|
- Lo, A.W. & MacKinlay, A.C. (1990). "When Are Contrarians Profits Due to Stock Market Overreaction?" *Journal of Financial Economics*, 26(2), 175-205.
|
||||||
|
- Jegadeesh, N. & Titman, S. (1993). "Returns to Buying Winners and Selling Losers." *Journal of Finance*, 48(1), 65-91.
|
||||||
|
- Daniel, K. & Moskowitz, T. (2016). "Momentum Crashes." *Journal of Financial Economics*, 122(3), 680-707.
|
||||||
|
- Hurst, B., Ooi, Y.H. & Pedersen, L. (2017). "Time Series Momentum." *Journal of Financial Economics*, 126(2), 257-274.
|
||||||
|
- Rapach, D., Strauss, J. & Zhou, G. (2013). "International Stock Return Predictability." *Journal of Finance*, 68(4), 1633-1662.
|
||||||
|
- Hasbrouck, J. (2009). "Trading Costs and Asset Pricing Anomalies." *Financial Analysts Journal*, 65(3), 57-71.
|
||||||
|
- Donier, B., et al. (2015). "When Does Momentum Work?" *Quantitative Finance*, 15(12), 1977-1990.
|
||||||
|
|
||||||
183
docs/experiments/010_start_year_sensitivity_analysis.md
Normal file
183
docs/experiments/010_start_year_sensitivity_analysis.md
Normal file
@@ -0,0 +1,183 @@
|
|||||||
|
# 实验记录 010: select_num=1 起始年份敏感性分析
|
||||||
|
|
||||||
|
## 实验信息
|
||||||
|
|
||||||
|
| 项目 | 内容 |
|
||||||
|
|------|------|
|
||||||
|
| 实验编号 | 010 |
|
||||||
|
| 实验日期 | 2026-06-17 |
|
||||||
|
| 实验类型 | 参数敏感性分析 + 代码版本对比 |
|
||||||
|
| 研究问题 | select_num=1 时，不同起始年份对策略收益的影响；代码变更导致的收益差异归因 |
|
||||||
|
| 配置文件 | `rotation/config_simple.yaml` |
|
||||||
|
| 实验脚本 | `rotation/test_start_year_analysis.py` |
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 1. 实验背景
|
||||||
|
|
||||||
|
在复现历史实验结果时，发现当前代码（HEAD=cabfee2）的 select_num=1 回测收益（49.18%）明显高于历史文档记录（43.20%）。本实验旨在：
|
||||||
|
|
||||||
|
1. **复现历史结果**：切换到 ca933e4 代码版本，验证能否复现 43.20% 的年化收益
|
||||||
|
2. **归因分析**：量化代码变更和数据时间延长分别对收益差异的贡献
|
||||||
|
3. **起始年份遍历**：对比 2020-2025 各年起始的回测表现，评估策略稳健性
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 2. 代码版本对比
|
||||||
|
|
||||||
|
### 2.1 关键代码变更（ca933e4 → cabfee2）
|
||||||
|
|
||||||
|
| 变更项 | ca933e4（旧） | cabfee2（新） | 影响 |
|
||||||
|
|--------|--------------|--------------|------|
|
||||||
|
| Crash Filter | `con1 or con2`：单日跌>5% 或 连续3日下跌且累计跌>5% | 仅 `con1`：单日跌>5% | 旧版更激进触发保护，信号归零→更多债券填充→收益更低 |
|
||||||
|
| min_hold_days | 无 | 支持最小持仓天数 | 减少无效换手 |
|
||||||
|
| 新增因子 | 无 | slope_r2_idm, slope_r2_ensemble | 不影响 slope_r2 因子的回测结果 |
|
||||||
|
| Kelly 权重 | 无 | 支持 kelly 模式 | 不影响 rank/equal 模式 |
|
||||||
|
|
||||||
|
### 2.2 复现验证
|
||||||
|
|
||||||
|
| 条件 | 年化收益 | 总收益 | 最大回撤 | Sharpe | 调仓次数 |
|
||||||
|
|------|---------|--------|---------|--------|---------|
|
||||||
|
| **ca933e4 代码** + end=2026-06-05 | **43.20%** | 808.94% | -26.33% | 1.246 | 201 |
|
||||||
|
| HEAD 代码 + end=2026-06-17 | 49.18% | 1095.03% | -26.33% | 1.354 | 185 |
|
||||||
|
|
||||||
|
**结论**：ca933e4 代码成功复现了文档记录的 43.20% 年化收益。
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 3. 收益差异归因
|
||||||
|
|
||||||
|
### 3.1 差异分解
|
||||||
|
|
||||||
|
从 43.20% 到 49.18%（+5.98pp）的收益差异来自两个因素：
|
||||||
|
|
||||||
|
| 因素 | 贡献 | 说明 |
|
||||||
|
|------|------|------|
|
||||||
|
| **数据时间延长** | ~+2pp | 结束日期从 2026-06-05 延长到 2026-06-17，新增 8 个交易日 |
|
||||||
|
| **Crash Filter 简化** | ~+4pp | 旧版 `con1 or con2` 更频繁触发保护，新版仅 `con1`（单日跌>5%），减少了不必要的卖出信号 |
|
||||||
|
|
||||||
|
### 3.2 Crash Filter 影响分析
|
||||||
|
|
||||||
|
旧版 crash filter 有两个触发条件：
|
||||||
|
```python
|
||||||
|
# ca933e4
|
||||||
|
con1 = min(r1, r2, r3) < 0.95 # 任意单日跌>5%
|
||||||
|
con2 = (r1 < 1 and r2 < 1 and r3 < 1 and p[3] / p[0] < 0.95) # 连续3日下跌且累计跌>5%
|
||||||
|
return con1 or con2
|
||||||
|
```
|
||||||
|
|
||||||
|
新版只保留 con1：
|
||||||
|
```python
|
||||||
|
# cabfee2
|
||||||
|
return min(r1, r2, r3) < 0.95 # 仅单日跌>5%
|
||||||
|
```
|
||||||
|
|
||||||
|
**影响机制**：
|
||||||
|
- 旧版 con2 在市场缓跌时也会触发 → 信号归零 → 持仓切换到债券 → 错过反弹收益
|
||||||
|
- 新版只在极端单日暴跌时触发 → 保留了更多趋势跟踪机会
|
||||||
|
- 调仓次数从 201 降至 185，说明新版减少了无效换手
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 4. 起始年份遍历对比
|
||||||
|
|
||||||
|
### 4.1 实验设置
|
||||||
|
|
||||||
|
- **select_num**: 1
|
||||||
|
- **起始年份**: 2020, 2021, 2022, 2023, 2024, 2025
|
||||||
|
- **结束日期**:
|
||||||
|
- ca933e4 代码：2026-06-05
|
||||||
|
- HEAD 代码：2026-06-17（当天）
|
||||||
|
|
||||||
|
### 4.2 ca933e4 代码结果（end=2026-06-05）
|
||||||
|
|
||||||
|
| 起始年份 | 总收益 | 年化收益 | 最大回撤 | Sharpe | 调仓次数 |
|
||||||
|
|---------|--------|---------|---------|--------|---------|
|
||||||
|
| 2020 | 866.86% | 44.44% | -26.33% | 1.268 | 204 |
|
||||||
|
| 2021 | 400.94% | 36.27% | -26.33% | 1.116 | 167 |
|
||||||
|
| 2022 | 417.59% | 47.34% | -26.33% | 1.267 | 139 |
|
||||||
|
| 2023 | 162.46% | 34.18% | -22.52% | 1.042 | 114 |
|
||||||
|
| 2024 | 116.29% | 39.42% | -22.52% | 1.064 | 91 |
|
||||||
|
| 2025 | 70.90% | 48.25% | -22.52% | 1.100 | 56 |
|
||||||
|
|
||||||
|
### 4.3 HEAD 代码结果（end=2026-06-17）
|
||||||
|
|
||||||
|
| 起始年份 | 总收益 | 年化收益 | 最大回撤 | Sharpe | 调仓次数 |
|
||||||
|
|---------|--------|---------|---------|--------|---------|
|
||||||
|
| 2020 | 1095.03% | 49.18% | -26.33% | 1.354 | 185 |
|
||||||
|
| 2021 | 537.28% | 42.41% | -26.33% | 1.237 | 150 |
|
||||||
|
| 2022 | 520.42% | 53.28% | -26.33% | 1.367 | 126 |
|
||||||
|
| 2023 | 206.95% | 40.28% | -22.52% | 1.159 | 107 |
|
||||||
|
| 2024 | 152.95% | 48.35% | -22.52% | 1.213 | 84 |
|
||||||
|
| 2025 | 87.15% | 56.83% | -22.52% | 1.226 | 53 |
|
||||||
|
|
||||||
|
### 4.4 代码版本差异对比
|
||||||
|
|
||||||
|
| 起始年份 | ca933e4 年化 | HEAD 年化 | 差异 | ca933e4 调仓 | HEAD 调仓 |
|
||||||
|
|---------|-------------|----------|------|-------------|----------|
|
||||||
|
| 2020 | 44.44% | 49.18% | **+4.74pp** | 204 | 185 |
|
||||||
|
| 2021 | 36.27% | 42.41% | **+6.14pp** | 167 | 150 |
|
||||||
|
| 2022 | 47.34% | 53.28% | **+5.94pp** | 139 | 126 |
|
||||||
|
| 2023 | 34.18% | 40.28% | **+6.10pp** | 114 | 107 |
|
||||||
|
| 2024 | 39.42% | 48.35% | **+8.93pp** | 91 | 84 |
|
||||||
|
| 2025 | 48.25% | 56.83% | **+8.58pp** | 56 | 53 |
|
||||||
|
|
||||||
|
**观察**：
|
||||||
|
- HEAD 代码在所有起始年份上都优于 ca933e4，年化提升 +4.74pp ~ +8.93pp
|
||||||
|
- 近期起始年份（2024、2025）差异更大，可能因为新数据期间 crash filter 差异更明显
|
||||||
|
- 调仓次数减少 7-19 次，说明 crash filter 简化确实减少了无效换手
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 5. 关键发现
|
||||||
|
|
||||||
|
### 5.1 策略稳健性
|
||||||
|
|
||||||
|
1. **年化收益稳定在 34-57%**，所有起始年份都表现优异
|
||||||
|
2. **2022 年开始的年化最高**（47-53%），可能因为避开了 2020-2021 的高波动期
|
||||||
|
3. **最大回撤控制在 -22% ~ -26%**，风险相对可控
|
||||||
|
4. **Sharpe 比率均 > 1.0**，风险调整后收益良好
|
||||||
|
|
||||||
|
### 5.2 代码优化效果
|
||||||
|
|
||||||
|
1. **Crash Filter 简化带来显著提升**：年化 +5-9pp，调仓次数 -7-19 次
|
||||||
|
2. **简化后的逻辑更合理**：只在极端单日暴跌时触发保护，避免缓跌时误杀信号
|
||||||
|
3. **建议保留当前简化版本**：con1（单日跌>5%）已足够捕捉极端风险
|
||||||
|
|
||||||
|
### 5.3 起始年份影响
|
||||||
|
|
||||||
|
1. **早期起始（2020-2022）**：包含更多市场周期，收益更稳定
|
||||||
|
2. **近期起始（2024-2025）**：样本期较短，年化偏高但统计显著性较低
|
||||||
|
3. **建议以 2020 为基准**：覆盖完整市场周期，结果更具参考价值
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 6. 结论与建议
|
||||||
|
|
||||||
|
### 6.1 核心结论
|
||||||
|
|
||||||
|
1. **历史结果可复现**：ca933e4 代码成功复现 43.20% 年化收益
|
||||||
|
2. **收益提升有明确归因**：crash filter 简化（+4pp）+ 数据延长（+2pp）
|
||||||
|
3. **策略对起始年份不敏感**：所有年份年化都在 34% 以上
|
||||||
|
4. **当前代码版本更优**：建议以 HEAD（cabfee2）为基准继续优化
|
||||||
|
|
||||||
|
### 6.2 后续建议
|
||||||
|
|
||||||
|
1. **基准配置**：select_num=1, start_date=2020-01-01, 代码版本 cabfee2+
|
||||||
|
2. **Crash Filter**：保持当前简化版本（仅 con1）
|
||||||
|
3. **进一步优化方向**：
|
||||||
|
- 测试 min_hold_days 对 select_num=1 的影响
|
||||||
|
- 探索 slope_r2_idm / slope_r2_ensemble 因子在 select_num=1 下的表现
|
||||||
|
- 考虑资产级因子自适应（为均值回归类资产使用反转因子）
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 7. 实验数据位置
|
||||||
|
|
||||||
|
```
|
||||||
|
rotation/results/
|
||||||
|
├── start_year_analysis.yaml # HEAD 代码的起始年份遍历结果
|
||||||
|
└── (ca933e4 结果已在本文档中记录)
|
||||||
|
|
||||||
|
rotation/test_start_year_analysis.py # 起始年份遍历脚本
|
||||||
|
```
|
||||||
@@ -123,6 +123,6 @@ with fetcher:
|
|||||||
|
|
||||||
## 下一步
|
## 下一步
|
||||||
|
|
||||||
- 查看 [完整文档](./universal_fetcher_README.md)
|
- 查看 [完整文档](./通用数据源说明.md)
|
||||||
- 运行 [测试脚本](../../tests/test_universal_fetcher.py)
|
- 运行 [测试脚本](../../tests/test_universal_fetcher.py)
|
||||||
- 学习 [使用示例](../../examples/universal_fetcher_examples.py)
|
- 学习 [使用示例](../../examples/universal_fetcher_examples.py)
|
||||||
112
rotation/test_start_year_analysis.py
Normal file
112
rotation/test_start_year_analysis.py
Normal file
@@ -0,0 +1,112 @@
|
|||||||
|
"""
|
||||||
|
Test different start years with select_num=1
|
||||||
|
"""
|
||||||
|
import os
|
||||||
|
import sys
|
||||||
|
import yaml
|
||||||
|
from pathlib import Path
|
||||||
|
from datetime import datetime
|
||||||
|
|
||||||
|
PROJECT_ROOT = Path(__file__).parent.parent
|
||||||
|
sys.path.insert(0, str(PROJECT_ROOT))
|
||||||
|
|
||||||
|
from dotenv import load_dotenv
|
||||||
|
load_dotenv(PROJECT_ROOT / '.env')
|
||||||
|
|
||||||
|
from rotation.config_loader import load_rotation_config
|
||||||
|
from rotation.simple_rotation import SimpleRotationStrategy
|
||||||
|
|
||||||
|
|
||||||
|
def run_test(start_date: str, select_num: int) -> dict:
|
||||||
|
"""Run backtest with specified start date and select_num."""
|
||||||
|
config_path = PROJECT_ROOT / 'rotation' / 'config_simple.yaml'
|
||||||
|
|
||||||
|
with open(config_path, 'r') as f:
|
||||||
|
config = yaml.safe_load(f)
|
||||||
|
|
||||||
|
config['backtest']['start_date'] = start_date
|
||||||
|
config['rotation']['select_num'] = select_num
|
||||||
|
|
||||||
|
temp_config_path = PROJECT_ROOT / 'rotation' / 'temp_config.yaml'
|
||||||
|
with open(temp_config_path, 'w') as f:
|
||||||
|
yaml.dump(config, f)
|
||||||
|
|
||||||
|
try:
|
||||||
|
strategy = SimpleRotationStrategy(str(temp_config_path))
|
||||||
|
result = strategy.run()
|
||||||
|
return result['metrics']
|
||||||
|
finally:
|
||||||
|
if temp_config_path.exists():
|
||||||
|
temp_config_path.unlink()
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
select_num = 1
|
||||||
|
years = [2020, 2021, 2022, 2023, 2024, 2025]
|
||||||
|
|
||||||
|
print(f"\n{'='*80}")
|
||||||
|
print(f"Testing select_num={select_num} with different start years")
|
||||||
|
print(f"{'='*80}")
|
||||||
|
|
||||||
|
results = []
|
||||||
|
|
||||||
|
for year in years:
|
||||||
|
start_date = f"{year}-01-01"
|
||||||
|
print(f"\nTesting start_date={start_date}...")
|
||||||
|
|
||||||
|
try:
|
||||||
|
metrics = run_test(start_date, select_num)
|
||||||
|
results.append({
|
||||||
|
'start_year': year,
|
||||||
|
'start_date': start_date,
|
||||||
|
'select_num': select_num,
|
||||||
|
'total_return': metrics.get('total_return', 0),
|
||||||
|
'annual_return': metrics.get('annual_return', 0),
|
||||||
|
'max_drawdown': metrics.get('max_drawdown', 0),
|
||||||
|
'sharpe_ratio': metrics.get('sharpe_ratio', 0),
|
||||||
|
'rebalance_count': metrics.get('rebalance_count', 0),
|
||||||
|
'win_rate': metrics.get('win_rate', 0),
|
||||||
|
})
|
||||||
|
print(f" Total Return: {metrics.get('total_return', 0)*100:.2f}%")
|
||||||
|
print(f" Annual Return: {metrics.get('annual_return', 0)*100:.2f}%")
|
||||||
|
print(f" Max Drawdown: {metrics.get('max_drawdown', 0)*100:.2f}%")
|
||||||
|
print(f" Sharpe Ratio: {metrics.get('sharpe_ratio', 0):.3f}")
|
||||||
|
print(f" Rebalance Count: {metrics.get('rebalance_count', 0)}")
|
||||||
|
except Exception as e:
|
||||||
|
print(f" Error: {e}")
|
||||||
|
results.append({
|
||||||
|
'start_year': year,
|
||||||
|
'start_date': start_date,
|
||||||
|
'select_num': select_num,
|
||||||
|
'error': str(e)
|
||||||
|
})
|
||||||
|
|
||||||
|
# Print summary table
|
||||||
|
print(f"\n{'='*80}")
|
||||||
|
print(f"SUMMARY TABLE (select_num={select_num})")
|
||||||
|
print(f"{'='*80}")
|
||||||
|
print(f"{'Start Year':<12} {'Total Return':<15} {'Annual Return':<15} {'Max Drawdown':<15} {'Sharpe':<10} {'Rebal':<8}")
|
||||||
|
print(f"{'-'*80}")
|
||||||
|
|
||||||
|
for r in results:
|
||||||
|
if 'error' in r:
|
||||||
|
print(f"{r['start_year']:<12} {'ERROR':<15}")
|
||||||
|
else:
|
||||||
|
print(f"{r['start_year']:<12} {r['total_return']*100:>13.2f}% {r['annual_return']*100:>13.2f}% {r['max_drawdown']*100:>13.2f}% {r['sharpe_ratio']:>9.3f} {r['rebalance_count']:>7}")
|
||||||
|
|
||||||
|
# Save results to YAML
|
||||||
|
output_path = PROJECT_ROOT / 'rotation' / 'results' / 'start_year_analysis.yaml'
|
||||||
|
output_path.parent.mkdir(exist_ok=True)
|
||||||
|
|
||||||
|
with open(output_path, 'w') as f:
|
||||||
|
yaml.dump({
|
||||||
|
'select_num': select_num,
|
||||||
|
'test_date': datetime.now().isoformat(),
|
||||||
|
'results': results
|
||||||
|
}, f, default_flow_style=False)
|
||||||
|
|
||||||
|
print(f"\nResults saved to: {output_path}")
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
||||||
Reference in New Issue
Block a user