etf/docs/strategy_summaries/strategy_summary_20260606_ca933e4.md

ETF 轮动策略阶段总结

生成日期：2026-06-06 Git Commit：ca933e4 复现方式：git checkout ca933e4 后运行 rotation/simple_rotation.py

---

1. 策略概述

定位：基于动量因子的跨市场 ETF 轮动策略，通过每日截面排名在 11 个全球资产中选择强势标的，利用动量效应获取超额收益。

资产池：11 个信号标的，覆盖 A 股、港股、美股、日股、欧洲、商品、债券七个大类。

大类	信号标的	交易 ETF	说明
A 股	399006.SZ 创业板指	159915.SZ 创业板 ETF
A 股	H30269.CSI 红利低波	512890.SH 红利低波 ETF
港股	HSI 恒生指数	159920.SZ 恒生 ETF
港股	HSTECH.HK 恒生科技	513130.SH 恒生科技 ETF	2020-07 上市
美股	NDX 纳指 100	513100.SH 纳指 ETF
日股	N225 日经 225	513520.SH 日经 ETF
欧洲	GDAXI 德国 DAX	513030.SH 德国 ETF
商品	GC=F 黄金期货	518880.SH 黄金 ETF
商品	HG=F 铜期货	159980.SZ 有色 ETF
商品	CL=F 原油期货	160723.SZ 嘉实原油
债券	931862.CSI 短债指数	931862.CSI 短债指数	防御配置

回测区间：2020-01-10 ~ 2026-06-05，共 1549 个交易日。

---

2. 核心逻辑流程

2.1 每日时间线

T 日 09:00  信号生成（使用 T-1 日及之前的收盘价）
     ↓
T 日 09:30  执行调仓（如触发）
     ↓
T 日 15:00  计算当日收益，更新 NAV

2.2 信号生成

动量因子：当前使用 slope_r2（slope × R²），25 天回看窗口。

slope_r2_score = 10000 × slope × R²

其中：
  slope: 对归一化价格 p/p[0] 做线性回归的斜率
  R²:    回归决定系数（拟合优度）

该因子的设计意图：

• slope 捕捉趋势方向和强度
• R² 衡量趋势质量（高 R² = 趋势稳定，低 R² = 噪声大）
• 二者相乘实现"趋势强度 × 拟合质量"的双重过滤

其他可用因子（通过配置切换）：

因子	公式	特点
momentum	(p[-1] / p[0]) - 1	简单收益率
weighted_momentum	annualized_return × R²	加权回归
slope_r2	10000 × slope × R²	当前默认
standardized_slope	slope / SE(slope)	t 统计量
vol_adjusted_momentum	(return / vol) × R²	类夏普构造

2.3 持仓选择

信号生成采用大类竞争 + 动态阈值 + 债券填充三层机制：

1. 大类竞争：每个 group 内选动量 score 最高的标的作为 winner
2. 动态阈值：非 BOND 组 winner 的 raw_momentum 必须 >= bond_momentum × ratio（当前 ratio=1.0），否则被过滤
3. 截面排名：所有通过阈值的 winner 按 score 降序排列，选 top-N（select_num）
4. 债券填充：若 winner 数量不足 select_num，用债券填充剩余 slot

债券的双重角色：

• 阈值过滤器：债券动量作为其他标的入选的动态门槛
• 仓位填充：市场弱势时（多数标的动量低于债券），作为防御性持仓

2.4 调仓判定

is_rebalance = (sorted(new_holdings) != sorted(current_holdings)) and len(current_holdings) > 0

当新选出的持仓与当前持仓不同时触发调仓。调仓时扣除交易成本（默认 0.1%）。

2.5 仓位加权

支持两种模式，仅在调仓日更新权重（权重锁定机制）：

equal（等权）：

weight_i = 1/N

rank（排名加权）：

weight_i = (N - i) / triangular(N)

其中 triangular(N) = N × (N + 1) / 2

以 select_num=3 为例：第 1 名 50%，第 2 名 33%，第 3 名 17%。

权重锁定机制：

_generate_signals()  →  计算 _pending_weights（每天，仅用于信号选择）
         ↓
run() 主循环         →  is_rebalance?
                       ├─ 是: active_weights = _pending_weights  （锁定新权重）
                       └─ 否: 保持 active_weights 不变           （权重不变）

这确保了持仓不变时，仓位权重不会因排名顺序变化而波动。

2.6 收益计算

场景	计算方式
调仓日 - 卖出	(open - prev_close) / prev_close × weight
调仓日 - 买入	(close - open) / open × weight
调仓日 - 调仓成本	-0.1%
非调仓日 - 持有	(close - prev_close) / prev_close × weight

---

3. 关键设计决策

决策	选择	原因
动量因子	slope × R²	slope 捕捉趋势方向，R² 过滤噪声趋势，双重过滤提升信噪比
回看窗口	25 天	中期动量（约 1 个月），平衡响应速度与噪声过滤
债券阈值	使用配置的因子函数	保持阈值两边量纲一致，仅在 VOL_ADJUSTED_MOMENTUM 时 fallback
权重锁定	仅调仓日更新 active_weights	避免持仓不变时权重随排名波动，减少无效换手
大类竞争	每组选 top 1	天然实现大类分散，避免同一大类集中持仓
交易成本	0.1% / 次	模拟真实 ETF 交易摩擦成本
信号时间	T-1 日收盘价	模拟 T 日 9:00 前可获取的信息，避免未来数据

---

4. 对比实验结果

4.1 实验矩阵

维度	取值
select_num	1, 2, 3
weight	equal, rank
其他参数	与默认配置一致

共 6 组配置（select_num=1 时 equal/rank 等价，实际 5 种独立结果）。

4.2 结果汇总

select_num	weight	年化收益	夏普比率	最大回撤	Calmar
1	equal/rank	43.20%	1.246	-26.33%	1.641
2	equal	22.57%	1.082	-18.34%	1.230
2	rank	26.38%	1.117	-19.09%	1.382
3	equal	20.39%	1.160	-14.65%	1.392
3	rank	23.52%	1.150	-16.27%	1.446

4.3 关键发现

1. rank 加权系统性提升年化收益

在 select_num >= 2 时，rank 加权相比 equal 加权：

• select_num=2：26.38% vs 22.57%（+3.81%）
• select_num=3：23.52% vs 20.39%（+3.13%）

原因：rank 加权将更多仓位集中在排名最高的标的上，放大了动量最强的资产的收益贡献。

2. select_num=1 是收益天花板

单标的集中持仓实现了 43.20% 的年化收益，但代价是 -26.33% 的最大回撤。select_num=1 时 equal/rank 等价，因为只选 1 个标的。

3. equal 加权夏普比率略高

select_num	equal 夏普	rank 夏普	差值
2	1.082	1.117	rank +0.035
3	1.160	1.150	equal +0.010

select_num=3 + equal 的夏普比率最高（1.160），同时回撤最小（-14.65%），体现了分散化的风险调整优势。

4. Calmar 比率视角

• select_num=1：Calmar 1.641（收益/回撤最优）
• select_num=3 + rank：Calmar 1.446（多标的中最优）

5. 回撤控制

select_num 越大，回撤越小：

• 1 标的：-26.33%
• 2 标的：-18% ~ -19%
• 3 标的：-14% ~ -16%

分散化有效降低了极端回撤。

---

5. 当前默认配置

rotation:
  diversified: true       # 大类竞争（每组选 top 1）
  select_num: 3           # 持仓数量
  weight: rank            # 排名加权（50%/33%/17%）
  threshold:
    mode: dynamic
    dynamic:
      reference: 931862.CSI   # 债券作为动态阈值参考
      ratio: 1.0              # 阈值 = bond_momentum × 1.0
      fallback_enabled: true
      fallback_value: 0.0

factor:
  type: slope_r2          # 动量因子类型
  n_days: 25              # 回看窗口

rebalance:
  min_hold_days: 1
  trade_cost: 0.001       # 0.1% 交易成本

backtest:
  start_date: '2020-01-10'

benchmark:
  code: 000300.SH         # 沪深300作为基准

---

6. 代码文件索引

文件	职责
rotation/simple_rotation.py	核心策略引擎：动量因子、信号生成、回测主循环、收益计算
rotation/config_loader.py	配置加载：Pydantic Schema、枚举类型、YAML 解析
rotation/config_simple.yaml	策略配置文件：资产池、因子、轮动、回测参数
rotation/backtest_viewer.html	回测可视化：NAV 曲线、持仓明细、交易记录

核心函数速查

函数	位置	说明
slope_r2_score()	simple_rotation.py	默认动量因子：10000 × slope × R²
compute_position_weights()	simple_rotation.py	仓位加权：equal / rank 两种模式
_generate_signals()	simple_rotation.py	信号生成：大类竞争 + 阈值过滤 + 债券填充
_calculate_daily_return()	simple_rotation.py	收益计算：调仓/持有两种场景
run()	simple_rotation.py	回测主循环：每日迭代 + 权重锁定