Implementation — Strategy 7 v1：A股 ETF 大盘 MA 过滤

整体方案

新策略类（不继承 S3）：src/strategy_lib/strategies/cn_etf_market_ma_filter.py → MarketMAFilterStrategy

为什么不继承 EqualRebalanceStrategy？ S3 的核心是「按再平衡日历产生稀疏权重 panel（NaN 表示不下单）」，而 S7 是 「逐日产生密集权重 panel（每日都有 0/1 状态切换）」。两者结构差异大，独立 实现更清晰。但下游回测引擎完全一致：vbt.Portfolio.from_orders + size_type="targetpercent" + cash_sharing=True，与 S3/S4/S5 保持回测可比。

核心流程：

1. build_signal(panel) —— 生成两条信号序列：
   • raw_signal：close_510300[t] > MA_N[510300, t] 的 0/1 序列。MA 暖机期 = 0
   • signal（filtered）：滞后过滤 —— 连续 lag_days 日同向才切换（粘滞）
2. build_target_weight_panel(panel, signal) —— 逐日权重 DataFrame：
   • 信号 ON → risky pool 等权（6 只 ETF 各 1/6，cash_symbol = 0）
   • 信号 OFF → cash_symbol 100%（risky 全 0）
   • 每日 sum = 1，无 NaN（与 S3 的「触发日才有值」不同）
3. run(panel, init_cash, fees, slippage, signal_lag=1) —— vbt 主回测：
   • weights.shift(signal_lag).fillna(0) 把 t 日权重错位到 t+1 → 防 lookahead
   • 头 signal_lag 行手动设为 cash 100%（避免 NaN 全 0 被解读为全清仓）

因子清单

设计上故意不依赖 factors/trend.py 的 MABullishScore / DonchianPosition：

• S7 命题是「单一市场信号」，不需要多因子组合
• 简化超参空间：只有 ma_length 和 lag_days 两个核心参数
• 与 S5（MA + Donchian + cutoff + score_weights）形成对比，S7 是更简的版本

新增因子（如有）

无。S7 v1 完全用 pandas 原生 rolling.mean() 实现 MA，避免引入新的 Factor 类。

策略配置

• 配置文件：configs/S7_cn_etf_market_ma_filter_v1.yaml
• 类型：market_ma_filter（自定义；非现有 single_threshold/cs_rank/weight_based）
• 关键参数：
  • signal_symbol: "510300"（沪深300 大盘代理）
  • cash_symbol: "511990"（华宝添益货币基金，risk-off 时 carry ~2%/yr）
  • ma_length: 200（Faber 经典；同时跑 100/150/200/250 敏感性）
  • lag_days: 2（连续 2 日同向才切换；同时跑 1/2/3/5 敏感性）
  • weight_mode: "equal"（risk-on 时 6 ETF 等权 1/6）
• 标的池：6 只 risky ETF（V1 baseline）+ 1 只 cash ETF
• 回测参数：100k / fees=0.00005 / slippage=0.0005（V1 共享基线）

数据

• 数据范围：2019-07-01（暖机 200MA） ~ 2024-12-31
• 来源：本地缓存 data/raw/cn_etf/{510300,510500,159915,512100,512880,512170,511990}_1d.parquet
• 复权：前复权（akshare qfq）
• 共同交易日历：取 risky 6 池 + cash_symbol 的 index 交集

信号生成实现细节

滞后过滤的粘滞行为

当 lag_days = N > 1 时：

• 滚动窗口大小 = N
• 窗口内 raw 全 1 → filtered 切到 1
• 窗口内 raw 全 0 → filtered 切到 0
• 否则 filtered 保持上一日（粘滞）

这样确保单日穿越 / 反复穿越不会触发切换，只有信号"稳定"了才动。 副作用：每次切换会延迟 N-1 天（这是用噪音过滤换的代价）。

lookahead 防护

1. raw_signal[t] 只用 close[≤t] 计算（rolling.mean 默认右对齐）
2. weights[t] 是 signal[t] 决定的目标仓位
3. weights.shift(1) 把 weights[t] 错位到 t+1 → vbt 在 t+1 bar 用 close[t+1] 成交
4. 等价于「t 日信号、t+1 日开盘成交」（以 close 近似）

不变量（v2 子类如果出现请遵守）

• 每日权重 sum == 1：要么 risky ON 要么 cash ON，无中间态（与 S5v2 连续 ramp 不同）
• 从 risk-off 启动：策略首日强制 cash 100%（避免 shift 导致首日全空仓）
• 信号 ↔ 持仓解耦：signal_symbol 可以与 risky symbols 完全无交集（虽然 v1 默认 510300 在两者中）

踩过的坑

• weights.shift(1) 头 N 行变 NaN→0 → vbt 解读为全清仓：vbt 看到 size=0 会执行清仓而不是「保持现状」。手动把头 signal_lag 行设为 cash 100% 避免 这个边界 bug（影响微弱但严重的话会导致首日就开/平仓多吃一笔成本）。
• 滞后过滤的"暖机"：rolling(N) 在前 N-1 天返回 NaN。我把这段强制保持 last=0（默认 risk-off）—— 与「策略保守启动」的逻辑一致。
• 信号资产 ≠ 持仓资产时的资产对齐：_all_assets() 自动把 signal_symbol、 symbols、cash_symbol 去重合并，避免 signal 资产没在 vbt portfolio 里 → 取 close 时 KeyError。v1 默认 510300 既是信号也是持仓，这个 bug 不会触发，但 代码已防御性写好。
• pf.value() 返回类型：cash_sharing=True 时返回 Series；某些 vbt 版本 返回单列 DataFrame。统一在外面 if isinstance(eq, DataFrame): eq = eq.iloc[:, 0] 防御性处理（沿用 S3/S5 v2 的模式）。

与 S5 实现的对比

相关 commits

• 实现：<待提交>

Validation — S7 cn_etf_market_ma_filter

每次新一轮回测/验证就追加一个 ## YYYY-MM-DD <轮次主题> 小节，不要覆盖。

2026-05-08 v1 初版（smoke + 真实数据）

配置 & 数据

• 配置：configs/S7_cn_etf_market_ma_filter_v1.yaml
• 信号资产：510300 沪深300 ETF
• 风险池：510300 / 510500 / 159915 / 512100 / 512880 / 512170（V1 baseline 6 池）
• Cash 等价：511990 华宝添益（货币基金）
• 主参数：ma_length=200, lag_days=2, weight_mode=equal
• 回测窗口：2020-01-02 ~ 2024-12-31（1209 个交易日）
• 暖机：2019-07-01 起拉数据（199 日预热 200MA）
• 成本：fees=0.00005, slippage=0.0005, init_cash=100,000

Smoke 测试（合成数据）

8 个用例全通过：

主绩效表（2020-01-02 ~ 2024-12-31）

横向对比表（题目要求的核心表）

关键诊断

1. 2022 单年回撤接近 0%（-0.02%）—— 5 个策略中最优

   • S5v2 -7.6% 是带 bond carry 的；S7 纯 cash 也做到了
   • 200MA 的"慢"信号在 2022 早期及时切到 OFF，整年大部分时间停在 511990
   • 这是 S7 的"避险命题兑现"的最强证据

2. 总收益 +8.10% 跑输 S3 +10.80%

   • 主要在 2024 单边行情错过：S7 -3.6% vs S3 +8.8% / BH +18.4% / S5v1 +28.1%
   • 200MA 相对 close 的滞后让 2024 9-10 月行情前 510300 还没站上 MA200
   • 同时 2023 -12.4% 也跑输（震荡市频繁假突破吃成本）

3. Sharpe 0.18 < S3 0.21 < S5 0.28

   • Vol 砍到 15.9%（vs S3 23.8%），但 CAGR 也低
   • 风险调整收益没改善 —— 与 S5v2 教训一致：「降仓 ≠ 改善 Sharpe」

4. OFF↔BH 跌相关性 0.052 略高于 S5（0.03）但仍接近随机

   • 命题 “市场代理 timing 比逐标的 timing 准” 小幅成立但不显著
   • 这是因为 200MA 本身是滞后信号，1 个滞后信号 vs 6 个独立滞后信号差距有限
   • 真正改善必须靠「更快的信号」（短 MA / ATR / 突破带宽）

5. 切换 25 次 / 13 次 ON 段 / 13 次 OFF 段 / 平均 ON 37 天 OFF 56 天

   • 适中频率：5 年 25 次，平均每 2 个月 1 次，与"市场 regime"切换节奏吻合
   • 单段最长：ON 段 279 天（一段长牛市）/ OFF 段 257 天（一段长熊市）—— 200MA 的"低频"特性兑现

MA 长度敏感性

MA=200 是唯一 CAGR 为正的档位，其他 3 档全部转负。这强烈暗示：

• MA=100/150 太短，被震荡市的假突破吃光
• MA=250 太长，2024 单边和 2020 反弹都进得太晚
• 200 是这个数据上的"sweet spot"，但只有一个甜点意味着没有稳健的参数空间
• ⚠️ 警惕：单点最优在 5 年样本上有过拟合嫌疑（虽然 200 是 Faber 先验默认）

滞后敏感性（MA=200 fixed）

lag=1（无过滤）才是最佳档位：

• NAV 119.1k > S5v2 112.9k ≈ S3 110.8k 但 < S5v1 120.3k
• Sharpe 0.30 ≥ S5v1/v2 的 0.28，这是基准簇 5 个策略中 Sharpe 最高的并列前茅
• MaxDD -27.3% 介于 S5v2 -20.5% 和 S5v1 -47.8% 之间
• 2022 单年 0% —— 4 档全部命中
• corr 0.099 显著高于 S5 的 0.03 —— timing 命题在 lag=1 上明显成立

结论：滞后过滤反而伤害收益。原因：A 股 ETF 节奏快，信号需要尽快执行，N=2/3/5 的过滤延迟让进场出场都慢半拍，错过最重要的拐点。这也意味着 200MA 自带的平滑度已经够（199 天平均），不需要再加滞后过滤。

⚠️ lag=1 表现这么好，是否应当作为主参数？

• v1 主跑选 lag=2 的理由：事前预期 A 股震荡市假突破多
• 实测发现 200MA 本身的低通滤波已经足够
• v2 候选：把主参数改为 lag=1，保留 lag=2 作为对照

关键图表

• — S7 vs S3 vs S5v1 vs S5v2 vs BH 五条净值曲线
• — 完整回撤 + 2022 单年特写
• — 核心可视化：510300 close + MA200 + ON/OFF 色块
• — 切换日标注 + ON/OFF 段持续时长直方图
• artifacts/ma_length_sensitivity.csv — 4 档 MA 敏感性
• artifacts/lag_sensitivity.csv — 4 档滞后敏感性

解读 & 问题

1. 避险命题"部分兑现"：2022 完美避开（最佳的 5 策略），但 2024 完全错过 → 净效果 NAV 输给 S3。
2. Sharpe 没改善：用了 timing 信号 + cash carry，仍然 < S5 0.28（lag=2 主跑）；只有 lag=1 才追平 S5。
3. 过拟合担忧：MA=200 是唯一 work 的档位 → 在 OOS（2025+）可能完全不 work。
4. timing 命题：边际成立：cash↔down corr 0.05-0.10 比 S5 的 0.03 高，但仍然算"弱信号"。
5. 真正的发现：滞后过滤无效，无过滤（lag=1）反而最好 —— 与事前预期相反。

下一步

• v1 真实数据回测，决定 status = shelved（避险兑现，但总收益跑输 S3，shelve 主参数；保留代码与 lag=1 sweep 数据）
• v2 候选：改主参数 lag_days=1，重新评估
• v2 候选：weight_mode="signal_only" 测试纯 510300 持仓 + cash 切换（去除 6 池本身的 alpha）
• v2 候选：双 MA 系统（50/200 黄金交叉），看能否在保留避险的同时抓住 2024
• v3 方向：信号资产换"等权 6 池的合成净值"作为 risk-on 时的同源代理
• OOS：等 2025 H1 数据后跑一次