etf/docs/ETF轮动策略通用化重构方案.md

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）

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）

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：

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）：

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

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

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

# 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

# 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

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