etf/docs/experiments/008_execution_delay_impact.md

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